Come gli ingegneri scelgono i componenti con l'IA nel 2026

Com'è oggi il flusso di lavoro

Chiedete a un progettista se l'IA ha cambiato il suo lavoro e otterrete una risposta prudente. Chiedetegli se questa settimana ha usato un assistente e la risposta è quasi sempre sì.

Tra aprile e maggio 2026 Weidmuller ed EETech Research hanno intervistato 400 ingegneri nordamericani su come progettano schede e valutano i componenti. Più di nove su dieci avevano usato strumenti basati sull'IA in qualche punto del loro flusso di progettazione PCB. Ma il 75% ha descritto quegli strumenti come un livello di produttività e accelerazione all'interno dei processi esistenti: iterazione più rapida, non delega del giudizio.

In quella distinzione c'è tutta la storia. L'IA ha raggiunto un'adozione quasi universale e un'autorità quasi nulla. Gli ingegneri la usano di continuo e le danno fiducia a una condizione: la verifica.

Dove entra davvero l'IA nel processo di selezione?

Guardate che cosa domina la terza colonna. Ben poco ha a che fare con la scarsa intelligenza del modello. Quasi tutto ha a che fare con il fatto che al modello è stato consegnato un PDF.

Perché il formato conta più del modello

L'evidenza più solida in merito è arrivata nel giugno 2026, quando alcuni ricercatori hanno pubblicato PCB-QA: un dataset di 480 coppie domanda-risposta ricavate da file di progetto KiCad reali, che coprono le connessioni tra componenti, le interrogazioni sui datasheet e il comportamento in simulazione SPICE, valutate su quattro modelli di frontiera.

Il dato saliente non è quale modello abbia vinto. È che cosa è successo quando allo stesso modello sono state fornite le stesse informazioni in formati diversi:

Il modello migliore sulla rappresentazione JSON, Gemini 3 Flash Preview, ha raggiunto il 93%.

Leggetelo come un risultato che riguarda l'offerta di dati, non i modelli. Raddoppiare l'accuratezza non ha richiesto un modello migliore, una finestra di contesto più ampia o un fine-tuning: è bastato fornire alla macchina gli stessi fatti in una forma che potesse interpretare. Ogni produttore i cui dati parametrici vivono soltanto dentro un datasheet in PDF sta facendo lavorare i propri componenti su qualcosa di molto vicino alla riga del 43%.

È anche il motivo per cui «tanto i modelli miglioreranno, possiamo aspettare» è un argomento più debole di quanto sembri. Il progresso dei modelli non recupera le informazioni che il formato ha distrutto.

Perché gli ingegneri aprono ancora il datasheet?

Per ciò che un datasheet è, non per ciò che contiene.

Un datasheet è un documento controllato e gestito a revisione, del quale il produttore risponde. Quando un componente non supera la qualifica, il datasheet è il documento su cui si discute. Nessun ingegnere lo sostituirà con la trascrizione di una chat, e nessun produttore dovrebbe augurarselo.

L'errore sta nel pretendere che una macchina ne ricavi i dati parametrici. Un PDF è una resa grafica dei vostri dati, non i vostri dati — e ciò che quella resa distrugge è esattamente ciò che provoca i respin: la nota a piè di pagina che precisa che i 2 A valgono a 25 °C, l'asterisco che segnala una specifica preliminare, l'avvertenza che il componente non è raccomandato per nuovi progetti.

Le modalità di guasto sono tre e distinte, e confonderle porta i team alla soluzione sbagliata:

1. 01Dato obsoleto. Il modello recita un valore preso dai dati di addestramento che nel frattempo è cambiato. Si risolve rendendosi raggiungibili in tempo reale, non con prompt migliori.
2. 02Errore di estrazione. Il valore esiste, ma soltanto dentro una tabella PDF. Si risolve pubblicando i parametri in forma strutturata.
3. 03Assenza. Non esiste alcun record leggibile dalla macchina, quindi il modello interpola dai componenti vicini. Si risolve con la copertura.

Solo la terza è un'allucinazione in senso stretto. Le prime due sono danni che il produttore infligge a sé stesso.

Perché gli errori si moltiplicano su scala di distinta base

Un singolo parametro sbagliato è una seccatura. Lo stesso tasso di errore applicato a un'intera distinta base è un problema di tutt'altra categoria, ed è qui che la selezione assistita dall'IA smette di somigliare a una chat e inizia a somigliare a una catena di fornitura.

Prendete una BOM modesta, da 200 righe. Un assistente accurato al 95% per riga — meglio di quanto la maggior parte dei benchmark lascerebbe prevedere partendo da sole fonti PDF — produce una decina di righe difettose. Alcune verranno intercettate in fase di revisione. Altre al primo campione di produzione. E altre ancora quando un distributore confermerà che diciotto mesi fa il componente è passato a «non raccomandato per nuovi progetti».

Tre proprietà rendono la situazione peggiore di quanto suggerisca un calcolo ingenuo del tasso di errore:

• Gli errori non sono casuali. Si concentrano proprio sui componenti con i dati pubblicati peggiori, e questo correla con voci di catalogo più datate, produttori di seconda fascia e linee di prodotto acquisite di recente: la stessa popolazione più esposta al rischio di ciclo di vita.
• Sono silenziosi. Un parametro mancante produce una risposta sicura di sé, costruita sui parametri presenti. Nulla, nell'output, distingue un valore recuperato da uno dedotto.
• Sopravvivono alla revisione. Gli ingegneri verificano i parametri che considerano critici. Stato di ciclo di vita, quantitativo minimo d'ordine e certificazioni regionali spesso non rientrano in quell'elenco in fase di schema, e sono proprio i campi più frequentemente assenti dai record leggibili dalla macchina.

I dati Weidmuller mettono a fuoco il problema dei tempi: il 43% degli ingegneri finalizza la selezione dei componenti durante il concept iniziale o la progettazione dello schema, mentre un ulteriore 26% seleziona in modo iterativo lungo più fasi. La scelta avviene presto, quando è meno probabile che la risposta dell'assistente venga confrontata con i dati aggiornati di un distributore e quando il costo di una modifica successiva comincia a salire.

Quali strumenti usano davvero gli ingegneri?

Sopra gli assistenti generalisti si è formato un livello verticale, e vale la pena conoscerlo perché questi strumenti sono ormai gli intermediari tra il vostro catalogo e la decisione del vostro cliente.

• Flux ha raccolto 37 milioni di dollari nel febbraio 2026 — un round Series B da 27 milioni guidato da 8VC più un Series A da 10 milioni mai reso noto prima — per un copilota IA che pianifica i layout, approvvigiona i componenti e collauda i progetti a partire da prompt in linguaggio naturale. Le release del 2026 hanno aggiunto una progettazione consapevole dell'approvvigionamento, con prezzi e disponibilità in tempo reale.
• Luminovo, di Monaco di Baviera, ha lanciato ElectronicsGPT nel gennaio 2026: un agente per il procurement di elettronica che recupera i componenti con i relativi dati tecnici, le alternative e le informazioni di filiera.
• CELUS, anch'essa di Monaco, genera schemi a partire dai requisiti interrogando la propria base di conoscenza dei componenti CUBO, e a embedded world 2026 ha dimostrato il matching dei componenti basato sull'IA.
• Cofactr ha raccolto un Series A da 17 milioni di dollari guidato da Bain Capital Ventures per un approvvigionamento vincolato da criteri sui fornitori, normative e policy interne: aerospazio, difesa, robotica e medtech.
• Parspec, nei materiali da costruzione, ha raccolto un Series A da 20 milioni di dollari nel luglio 2025; i suoi modelli estraggono i requisiti di prodotto da disegni e capitolati e classificano i prodotti conformi all'interno di un catalogo di oltre sei milioni di articoli, generando offerte, documentazione di approvazione e fascicoli di uso e manutenzione.

La struttura comune è eloquente. Ognuno di questi strumenti è un livello di interpretazione costruito su dati di produttori che non possiede. Il loro tetto di accuratezza è la qualità dei vostri dati. Quando non riescono a risolvere un vostro componente, risolvono quello di un concorrente — e l'ingegnere non viene mai a sapere quali componenti sono stati esclusi in silenzio.

Che cosa deve pubblicare un produttore per essere affidabile in questo circuito?

In ordine approssimativo di ritorno:

1. 01Pagine di catalogo renderizzate lato server, leggibili da un client che non sia un browser. Quando nell'agosto 2026 Partsgraph ha esaminato 984 domini di distributori e produttori in tutto il mondo, il 38% non restituiva nulla di utilizzabile a un normale client non-browser e il punteggio mediano di visibilità verso l'IA era 50 su 100. È l'intervento meno costoso e la carenza più diffusa.
2. 02Dati parametrici come campi strutturati, con unità di misura, tolleranze e condizioni di prova associate: non come immagine di una tabella, non come testo discorsivo, non solo dentro il PDF.
3. 03Stato di ciclo di vita come dato. Attivo, NRND, data di ultimo acquisto, data di obsolescenza. Gli assistenti raccomandano con sicurezza componenti fuori produzione perché nulla ha detto loro il contrario.
4. 04Conformità e certificazioni come campi. RoHS, REACH SVHC, stato UKCA e CE, qualifica AEC-Q o equivalente, paese di origine. Nei materiali da costruzione: classificazione al fuoco, certificazione di terza parte, prestazione dichiarata.
5. 05Relazioni esplicite di alternativa ed equivalenza. Se non pubblicate che cosa sostituiscono i vostri componenti e da che cosa vengono sostituiti, un assistente tirerà a indovinare, e la sua ipotesi sarà valutata sulla plausibilità anziché sulla qualifica.
6. 06Un canale in tempo reale per le informazioni che cambiano. Scorte, lead time e prezzi non si possono servire da una scansione. Il server Model Context Protocol di Microchip, pubblicato nel novembre 2025, espone direttamente ai client IA specifiche di prodotto verificate, datasheet, giacenze, prezzi e tempi di consegna. L'elenco dei produttori che lo fanno è ancora molto breve: nello stesso audit di 984 domini nessuno dichiarava un endpoint MCP, mentre soggetti terzi hanno costruito wrapper MCP non ufficiali attorno alle API pubbliche dei principali distributori per colmare il vuoto. Qualcuno esporrà il vostro catalogo agli agenti. Tanto vale che siate voi.

Il limite onesto

Niente di tutto questo fa di un assistente un ingegnere competente. L'indagine Weidmuller ha rilevato che gli ingegneri indicano il rilevamento degli errori in tempo reale e una progettazione realmente autonoma come le capacità mancanti, e che circa l'80% considera affidabilità e durata il criterio più importante nella selezione dei componenti, contro appena il 22% che mette al primo posto il prezzo. Quella struttura di valori resiste all'automazione, perché il costo dell'errore è asimmetrico e si manifesta anni dopo.

Ma è un argomento su chi approva, non su chi propone. La proposta si è già spostata. L'ingegnere che un tempo apriva quattro siti di distributori oggi ne apre uno solo, quello dell'assistente, e i componenti che compaiono in quella risposta sono i componenti in valutazione. Se i vostri dati non riescono a sostenere una risposta corretta, non venite scartati: non venite proprio elencati.

Il grader gratuito su [/audit](/audit) mostra che cosa legge oggi un assistente dal vostro catalogo e su quali dei vostri componenti sbaglia.