# Comment les ingénieurs sélectionnent les composants avec l'IA en 2026 > La sélection de composants assistée par IA est quasi généralisée, mais les ingénieurs vérifient toujours la fiche technique. Ce qu'un fabricant doit publier. **Language:** fr **Published:** 2026-08-09 **Category:** Market · **Tags:** component selection, design engineers, BOM, datasheets, EDA, trust **Canonical:** https://partsgraph.ai/fr/blog/how-engineers-select-components-with-ai ## En bref **Comment les ingénieurs utilisent-ils réellement l'IA pour sélectionner des composants, et peuvent-ils lui faire confiance ?** L'IA est devenue un élément standard du processus de sélection des composants, sans pour autant y faire autorité. Une enquête menée en 2026 auprès de 400 ingénieurs nord-américains montre que plus de 90 % d'entre eux avaient utilisé des outils d'IA dans leur flux de conception de cartes, tandis que 75 % y voient un levier de productivité et d'accélération plutôt qu'un décideur. Les ingénieurs s'appuient sur les assistants pour présélectionner, croiser et comparer, puis vérifient chaque paramètre critique dans la fiche technique — car ces assistants renvoient régulièrement des prix périmés, des références remplacées et des spécifications qui n'ont que l'apparence de la vraisemblance. Le facteur déterminant est le format, pas le modèle : dans un benchmark de juin 2026, un même modèle a répondu à des questions de conception de cartes avec 43 % d'exactitude à partir d'un schéma PDF, et 88 % d'exactitude à partir des mêmes informations présentées en JSON structuré. --- ## À quoi ressemble le processus aujourd'hui Demandez à un ingénieur de conception si l'IA a changé son métier : la réponse sera prudente. Demandez-lui s'il a utilisé un assistant cette semaine : la réponse est presque toujours oui. Weidmuller et EETech Research ont interrogé 400 ingénieurs nord-américains entre avril et mai 2026 sur leur façon de concevoir des cartes et d'évaluer les composants. Plus de neuf sur dix avaient utilisé des outils reposant sur l'IA à un moment ou à un autre de leur flux de conception de cartes. Mais 75 % décrivent ces outils comme un levier de productivité et d'accélération intégré aux processus existants — une itération plus rapide, pas un jugement délégué. Cette distinction résume tout. L'IA a atteint une adoption quasi universelle et une autorité quasi nulle. Les ingénieurs l'utilisent en permanence et lui accordent une confiance conditionnelle — et la condition, c'est la vérification. ## Où l'IA intervient-elle concrètement dans le processus de sélection ? | Étape | Ce que l'assistant fait bien | Où il échoue | Ce qu'il attend du fabricant | | --- | --- | --- | --- | | Cadrage du besoin | Transforme un brief en langage courant en une enveloppe paramétrique | Écarte silencieusement les contraintes pour lesquelles il n'a aucune donnée, comme le grade AEC-Q100 ou la quantité minimale de commande | La conformité et le statut de qualification sous forme de champs, pas de prose | | Génération de candidats | Produit en quelques secondes une présélection large, tous fabricants confondus | Interpole des références qui n'existent pas, ou en propose de remplacées | Une couverture catalogue complète et à jour, exploitable par machine | | Comparaison paramétrique | Construit le tableau comparatif que l'ingénieur aurait bâti à la main | Perd les unités, les tolérances et les conditions d'essai lors de l'extraction des tableaux PDF | Des paramètres dont chaque valeur porte son unité et ses conditions | | Recherche d'équivalences | Propose rapidement des alternatives et des secondes sources | Confond « similaire » et « équivalent », en ignorant le triptyque forme-ajustement-fonction | Des relations d'équivalence et d'alternative publiées | | Disponibilité et prix | Remonte le stock et le délai lorsqu'il atteint une source en temps réel | Cite avec un aplomb total des chiffres vieux de plusieurs mois, issus de son entraînement | Un point d'accès interrogeable en direct plutôt qu'une page à crawler | | Documentation | Assemble les dossiers d'agrément et les dossiers de conformité | Cite la mauvaise révision du bon document | Des indices de révision et des URL de documents stables | Observez ce qui domine la troisième colonne. Presque rien n'y relève d'un manque d'intelligence du modèle. L'essentiel tient au fait qu'on lui a tendu un PDF. ## Pourquoi le format compte plus que le modèle La démonstration la plus solide date de juin 2026, lorsque des chercheurs ont publié PCB-QA : un jeu de 480 paires question-réponse issues de fichiers de conception KiCad réels, couvrant les connexions entre composants, les interrogations sur les fiches techniques et le comportement en simulation SPICE, évalué sur quatre modèles de pointe. L'enseignement principal n'est pas de savoir quel modèle l'emporte. C'est ce qui se produit lorsqu'on donne au *même* modèle les *mêmes* informations dans des formats différents : | Format d'entrée | Exactitude (GPT 5.4 Nano) | | --- | --- | | Schéma PDF (image) | 43 % | | Fichiers de conception natifs (texte) | 55 % | | JSON structuré | 88 % | Le meilleur modèle sur la représentation JSON, Gemini 3 Flash Preview, atteint 93 %. Il faut y voir un résultat sur l'offre de données, pas sur les modèles. Doubler l'exactitude n'a exigé ni un meilleur modèle, ni une fenêtre de contexte plus large, ni un fine-tuning. Il a suffi de fournir à la machine les mêmes faits sous une forme qu'elle sait analyser. Tout fabricant dont les données paramétriques ne vivent qu'à l'intérieur d'une fiche technique PDF fait tourner ses références à un niveau proche de la ligne à 43 %. C'est aussi pourquoi l'argument « les modèles vont s'améliorer, nous pouvons donc attendre » est plus faible qu'il n'y paraît. Le progrès des modèles ne restaure pas une information que le format a détruite. ## Pourquoi les ingénieurs ouvrent-ils encore la fiche technique ? En raison de ce qu'une fiche technique *est*, et non de ce qu'elle contient. Une fiche technique est un document maîtrisé, géré en révision, dont le fabricant répond. Lorsqu'un composant échoue à la qualification, c'est elle qui fait foi dans la discussion. Aucun ingénieur ne remplacera cela par une conversation avec un assistant, et aucun fabricant ne devrait le souhaiter. L'erreur consiste à attendre d'une machine qu'elle en *déduise* les données paramétriques. Un PDF est un rendu de vos données, ce ne sont pas vos données — et ce que ce rendu détruit correspond exactement à ce qui provoque les nouvelles itérations de cartes : la note de bas de page précisant que le calibre de 2 A s'entend à 25 °C, l'astérisque signalant une spécification préliminaire, la mention indiquant que le composant est déconseillé pour les nouvelles conceptions. Il existe ici trois modes de défaillance distincts, et les confondre conduit les équipes vers la mauvaise correction : 1. **L'obsolescence.** Le modèle récite un chiffre issu des données d'entraînement, qui a changé depuis. Se corrige en devenant interrogeable en direct, pas en améliorant les prompts. 2. **L'échec d'extraction.** La valeur existe, mais uniquement à l'intérieur d'un tableau PDF. Se corrige en publiant des paramètres structurés. 3. **L'absence.** Aucun enregistrement exploitable par machine n'existe, le modèle interpole donc à partir des composants voisins. Se corrige par la couverture. Seul le troisième relève de l'hallucination au sens strict. Les deux premiers, le fabricant se les inflige lui-même. ## Pourquoi les erreurs se cumulent à l'échelle de la nomenclature Un paramètre erroné isolé n'est qu'un désagrément. Le même taux d'erreur appliqué à une nomenclature entière relève d'une tout autre catégorie de problème : c'est là que la sélection assistée par IA cesse de ressembler à une conversation pour ressembler à une chaîne d'approvisionnement. Prenons une nomenclature modeste de 200 lignes. Un assistant exact à 95 % par ligne — soit mieux que ce que la plupart des benchmarks laisseraient espérer à partir de sources uniquement PDF — produit une dizaine de lignes défectueuses. Certaines seront détectées en revue. D'autres au premier article. Et d'autres encore le jour où un distributeur confirmera que le composant est passé en « déconseillé pour les nouvelles conceptions » il y a dix-huit mois. Trois propriétés rendent la situation pire qu'un calcul naïf du taux d'erreur ne le laisse penser : - **Les erreurs ne sont pas aléatoires.** Elles se concentrent précisément sur les composants dont les données publiées sont les plus pauvres, ce qui recoupe les entrées catalogue anciennes, les fabricants de second rang et les gammes récemment rachetées — soit la population la plus exposée au risque de fin de vie. - **Elles sont silencieuses.** Un paramètre manquant produit une réponse assurée, bâtie sur les paramètres présents. Rien, dans le résultat, ne distingue une valeur récupérée d'une valeur inférée. - **Elles survivent à la revue.** Les ingénieurs vérifient les paramètres qu'ils jugent critiques. Le statut de cycle de vie, la quantité minimale de commande et les certifications régionales n'en font souvent pas partie au stade du schéma, alors que ce sont justement les champs les plus fréquemment absents des enregistrements exploitables par machine. Les données Weidmuller accentuent le problème de calendrier : 43 % des ingénieurs arrêtent leur choix de composants dès l'avant-projet ou la phase de schéma, et 26 % supplémentaires sélectionnent de façon itérative sur plusieurs phases. La sélection intervient tôt, au moment où la réponse de l'assistant a le moins de chances d'être recoupée avec les données en temps réel d'un distributeur, et où le coût d'un changement ultérieur amorce sa courbe ascendante. ## Quels outils les ingénieurs utilisent-ils réellement ? Une couche métier s'est formée au-dessus des assistants généralistes, et il faut la connaître, car ces outils sont désormais les intermédiaires entre votre catalogue et la décision de votre client. - **Flux** a levé 37 M$ en février 2026 — une série B de 27 M$ menée par 8VC, plus une série A de 10 M$ jusque-là non divulguée — pour un copilote IA qui élabore les implantations, sélectionne les composants et teste les conceptions à partir d'instructions en langage naturel. Ses versions 2026 ont ajouté une conception intégrant l'approvisionnement, avec prix et disponibilités en temps réel. - **Luminovo**, à Munich, a lancé **ElectronicsGPT** en janvier 2026 : un agent dédié aux achats de composants électroniques, qui retrouve les références avec leurs données techniques, leurs alternatives et leurs informations de chaîne d'approvisionnement. - **CELUS**, également à Munich, génère des schémas à partir des exigences en s'appuyant sur sa base de connaissances composants CUBO, et a présenté un appariement de composants par IA à embedded world 2026. - **Cofactr** a levé une série A de 17 M$ menée par Bain Capital Ventures pour un sourcing contraint par les critères fournisseurs, la réglementation et les politiques internes — aéronautique et spatial, défense, robotique et technologies médicales. - **Parspec**, dans les produits du bâtiment, a levé une série A de 20 M$ en juillet 2025 ; ses modèles extraient les exigences produit des plans et des cahiers des charges et classent les produits conformes au sein d'un catalogue de plus de six millions de références, en générant devis, dossiers d'agrément et dossiers d'exploitation-maintenance. La structure commune est parlante. Chacun de ces outils est une couche d'interprétation posée sur des données fabricant qu'il ne possède pas. Leur plafond d'exactitude, c'est la qualité de vos données. Lorsqu'ils ne parviennent pas à résoudre votre référence, ils résolvent celle d'un concurrent — et l'ingénieur n'apprendra jamais quelles références ont été silencieusement écartées. > **Figure.** The five points at which a manufacturer is eliminated from an assistant's answer. ## Que doit publier un fabricant pour être crédible dans cette boucle ? Par ordre de rentabilité approximatif : 1. **Des pages catalogue rendues côté serveur, lisibles par un client sans navigateur.** Lorsque Partsgraph a audité 984 domaines de distributeurs et de fabricants dans le monde en août 2026, 38 % ne renvoyaient rien d'exploitable à un client standard sans navigateur, et le score médian de visibilité IA s'établissait à 50 sur 100. C'est la correction la moins coûteuse, et la défaillance la plus répandue. 2. **Des paramètres sous forme de champs structurés, avec unités, tolérances et conditions d'essai rattachées** — pas sous forme d'image de tableau, pas en prose, et pas uniquement à l'intérieur du PDF. 3. **Le statut de cycle de vie sous forme de données.** Actif, NRND, date de dernier achat possible, date d'obsolescence. Les assistants recommandent des composants arrêtés avec assurance, faute d'information contraire. 4. **La conformité et les certifications sous forme de champs.** RoHS, REACH SVHC, statut UKCA et CE, qualification AEC-Q ou équivalente, pays d'origine. Dans les produits du bâtiment : classement au feu, certification par tierce partie, performances déclarées. 5. **Des relations d'alternative et d'équivalence explicites.** Si vous ne publiez pas ce que vos références remplacent et ce qui les remplace, un assistant devinera, et sa supposition sera jugée sur sa vraisemblance plutôt que sur sa qualification. 6. **Une voie d'accès en temps réel pour les questions qui évoluent.** Le stock, le délai et le prix ne peuvent pas être servis depuis un crawl. Le serveur Model Context Protocol de Microchip, publié en novembre 2025, expose directement aux clients IA des spécifications produit vérifiées, des fiches techniques, des stocks, des prix et des délais. La liste des fabricants qui le font reste très courte : dans ce même audit de 984 domaines, aucun n'annonçait de point d'accès MCP, tandis que des tiers ont construit des enveloppes MCP non officielles autour des API publiques des grands distributeurs pour combler le vide. Quelqu'un exposera votre catalogue aux agents. Autant que ce soit vous. ## La limite, en toute honnêteté Rien de tout cela ne fait d'un assistant un ingénieur compétent. L'enquête Weidmuller montre que les ingénieurs citent la détection d'erreurs en temps réel et une conception véritablement autonome comme les capacités qui manquent, et qu'environ 80 % placent la fiabilité et la durabilité au premier rang des critères de sélection des composants, contre seulement 22 % qui priorisent le prix. Cette hiérarchie de valeurs résiste à l'automatisation, parce que le coût de l'erreur est asymétrique et ne se manifeste que des années plus tard. Mais c'est là un argument sur qui approuve, non sur qui propose. La proposition, elle, a déjà basculé. L'ingénieur qui ouvrait autrefois quatre sites de distributeurs ouvre aujourd'hui un assistant, et les références qui apparaissent dans cette réponse sont les références en lice. Si vos données ne permettent pas de produire une réponse correcte, vous n'êtes pas écarté — vous n'êtes tout simplement pas énuméré. *Le grader gratuit sur [/audit](/audit) montre ce qu'un assistant lit aujourd'hui de votre catalogue, et sur quelles références il se trompe.* ## Questions fréquentes ### Les ingénieurs font-ils réellement confiance à l'IA pour sélectionner des composants ? Ils lui font confiance pour restreindre le champ, pas pour trancher. L'enquête Weidmuller/EETech 2026, menée auprès de 400 ingénieurs, montre que plus de 90 % d'entre eux avaient utilisé des outils d'IA dans un flux de conception de cartes, mais que 75 % qualifient l'IA de levier de productivité et d'accélération intégré aux processus existants. C'est une description exacte de l'usage réel de ces outils : produire vite des candidats, puis vérifier auprès des sources primaires les paramètres susceptibles d'imposer une nouvelle itération de la carte. ### Pourquoi les assistants IA se trompent-ils sur les spécifications des composants ? Trois causes distinctes, que l'on confond souvent. L'obsolescence : le modèle récite une spécification issue de ses données d'entraînement, depuis remplacée ou arrêtée. L'échec d'extraction : le paramètre n'existe qu'à l'intérieur d'un tableau PDF assorti de conditions d'essai en note de bas de page, et la valeur arrive dépouillée de son unité, de sa tolérance et de ses conditions. Et l'absence : faute d'enregistrement exploitable par machine, le modèle interpole à partir de composants similaires. Seule la troisième relève de l'hallucination au sens strict ; les deux premières sont des défaillances d'approvisionnement en données que le fabricant peut corriger. ### Quelle est la mesure la plus efficace qu'un fabricant puisse prendre pour améliorer l'exactitude de l'IA sur ses références ? Cesser de faire du PDF l'unique dépositaire des données paramétriques. Le benchmark PCB-QA publié en juin 2026 a soumis des questions identiques dans différents formats : un modèle obtient 43 % à partir de schémas PDF, 55 % à partir des fichiers de conception natifs et 88 % à partir d'une représentation JSON structurée, le meilleur modèle atteignant 93 % en JSON. Mêmes questions, mêmes faits sous-jacents, une exactitude à peu près doublée. Le format n'est pas un détail de présentation — c'est la variable qui détermine l'exactitude. ### Quels outils d'IA les ingénieurs et les prescripteurs utilisent-ils concrètement ? À côté des assistants généralistes, une couche métier a émergé : Flux pour la conception de cartes assistée par IA, qui a levé 37 M$ en février 2026 et propose désormais une conception intégrant l'approvisionnement, avec prix et disponibilités en temps réel ; Luminovo, qui a lancé ElectronicsGPT en janvier 2026, un agent dédié aux achats de composants électroniques ; CELUS, qui construit des schémas à partir des exigences en s'appuyant sur sa base de connaissances composants CUBO ; Cofactr pour un sourcing sous contrainte de conformité ; et Parspec dans les produits du bâtiment, qui extrait les exigences des plans et des cahiers des charges et classe les produits conformes au sein d'un catalogue de plus de six millions de références. Tous dépendent, en aval, de la qualité des données des fabricants. ### Un assistant a-t-il seulement besoin de ma fiche technique PDF ? Oui, mais comme preuve, pas comme source de données. Les ingénieurs se réfèrent à la fiche technique parce qu'il s'agit du document maîtrisé et géré en révision, celui qui porte le poids juridique et la valeur de qualification, et qui ne changera pas. L'erreur consiste à attendre d'une machine qu'elle en déduise les données paramétriques. Publiez des paramètres structurés pour la recherche, et rattachez-y le PDF comme document de référence faisant foi, avec son indice de révision. ### En quoi cela diffère-t-il pour les produits du bâtiment par rapport aux composants électroniques ? Le processus se ressemble, les documents diffèrent. Un prescripteur travaille à partir de plans, de spécifications de performance et de nomenclatures descriptives plutôt que d'une netlist, et la question de l'équivalence est dictée par la conformité — classement au feu, coefficient U, performance acoustique, certification par tierce partie — et non par le triptyque forme-ajustement-fonction. Mais le mode de défaillance est identique : des données de performance prisonnières d'une fiche technique PDF, un statut de certification qui n'est pas publié comme champ, et aucun moyen pour une machine d'établir que le produit A satisfait la clause B. ### L'IA finira-t-elle par sélectionner les composants sans ingénieur ? Rien dans les données disponibles ne le laisse penser. La même enquête de 2026 montre que les ingénieurs citent la détection d'erreurs en temps réel et la conception pleinement autonome comme les capacités qui manquent, et qu'environ 80 % placent la fiabilité et la durabilité en tête des critères de sélection, contre seulement 22 % qui priorisent le prix — une hiérarchie de valeurs qui résiste à l'automatisation, parce que le coût de l'erreur est asymétrique. La trajectoire réaliste est celle d'assistants qui deviennent excellents pour proposer et étayer, et d'ingénieurs qui restent responsables de l'approbation. ## Sources 1. [Automation World, Weidmuller / EETech Research 2026 PCB Design Tools and Component Selection Survey (400 engineers, 24 July 2026)](https://www.automationworld.com/analytics/news/55393457/weidmuller-pcb-design-survey-reveals-ai-tool-impacts) 2. [Srinivasan, Tan, Turnbull and Pearce, PCB-QA: Evaluating LLMs over the First Printed Circuit Board Design Question-Answer Dataset (arXiv, 10 June 2026)](https://arxiv.org/html/2606.23704) 3. [SiliconANGLE, Flux nabs $37M to automate printed circuit board development with AI (27 February 2026)](https://siliconangle.com/2026/02/27/flux-nabs-37m-automate-printed-circuit-board-development-ai/) 4. [Luminovo, Introducing ElectronicsGPT (January 2026)](https://luminovo.com/about/press/luminovo-introduces-electronicsgpt) 5. [Parspec, Parspec raises $20 million Series A (July 2025)](https://www.parspec.io/resources/parspec-raises-20-million-series-a) 6. [CELUS, CELUS showcases AI-powered electronic component matching at embedded world 2026 (9 March 2026)](https://www.businesswire.com/news/home/20260309087228/en/CELUS-Showcases-AI-Powered-Electronic-Component-Matching-Capabilities-at-embedded-world-2026) 7. [Cofactr, $17M Series A for compliance-constrained electronics sourcing (December 2024)](https://www.businesswire.com/news/home/20241212219735/en/Cofactr-Raises-%2417M-Series-A-to-Streamline-Supply-Chain-So-Hardware-Manufacturers-Can-Iterate-Fast-While-Complying-With-Regulations-and-Policies) 8. [Microchip Technology, Microchip unveils Model Context Protocol (MCP) Server (6 November 2025)](https://ir.microchip.com/news-events/press-releases/detail/1344/microchip-technology-unveils-model-context-protocol-mcp-server-to-power-ai-driven-product-data-access) 9. [Forrester, B2B Buyers Make Zero-Click Buying Number One (22 January 2026)](https://www.forrester.com/blogs/b2b_buyers_make_zero_click_buying_number_one/) 10. [Forrester, What It Means That The Leader In Agentic Commerce Just Pulled Back (7 March 2026)](https://www.forrester.com/blogs/what-it-means-that-the-leader-in-agentic-commerce-just-pulled-back/) ## Other languages - English: https://partsgraph.ai/blog/how-engineers-select-components-with-ai/md - Deutsch: https://partsgraph.ai/de/blog/how-engineers-select-components-with-ai/md - Español: https://partsgraph.ai/es/blog/how-engineers-select-components-with-ai/md - Italiano: https://partsgraph.ai/it/blog/how-engineers-select-components-with-ai/md - Nederlands: https://partsgraph.ai/nl/blog/how-engineers-select-components-with-ai/md - Polski: https://partsgraph.ai/pl/blog/how-engineers-select-components-with-ai/md - Português: https://partsgraph.ai/pt/blog/how-engineers-select-components-with-ai/md - Svenska: https://partsgraph.ai/sv/blog/how-engineers-select-components-with-ai/md - Türkçe: https://partsgraph.ai/tr/blog/how-engineers-select-components-with-ai/md - 日本語: https://partsgraph.ai/ja/blog/how-engineers-select-components-with-ai/md - 한국어: https://partsgraph.ai/ko/blog/how-engineers-select-components-with-ai/md - 简体中文: https://partsgraph.ai/zh/blog/how-engineers-select-components-with-ai/md --- Partsgraph — the agent-ready parts data layer. Free AI-visibility grader: https://partsgraph.ai/fr/audit