# 2026年、エンジニアはAIでどう部品を選定しているか > AIを使った部品選定はいまやほぼ全員が経験しているが、エンジニアは依然としてデータシートで裏を取る。この検証のループの中でメーカーが信頼されるには、何をどの形式で公開すべきか。2026年の実測データとベンチマークから、精度を決めているのがモデルではなくフォーマットである理由を整理する。 **Language:** ja **Published:** 2026-08-09 **Category:** Market · **Tags:** component selection, design engineers, BOM, datasheets, EDA, trust **Canonical:** https://partsgraph.ai/ja/blog/how-engineers-select-components-with-ai ## 要点 **エンジニアは実際にAIをどう使って部品を選定しているのか、そしてそれを信頼できるのか** AIは部品選定ワークフローの標準的な一部になったが、その中で権威にはなっていない。北米のエンジニア400名を対象とした2026年の調査では、90%超がPCB設計のワークフローでAIツールを使った経験があると答えた一方、75%はAIを意思決定者ではなく生産性と高速化のレイヤーだと表現している。エンジニアはアシスタントを候補の絞り込み、クロスリファレンス、比較に使い、判断を左右するパラメータはひとつ残らずデータシートで検証する——アシスタントは古い価格、置き換えられた型番、もっともらしいだけの仕様を日常的に返してくるからだ。決定要因はモデルではなくフォーマットである。2026年6月のベンチマークでは、同一のモデルが同じPCB設計の質問に対し、PDFの回路図からは43%、同じ情報を構造化されたJSONで与えた場合は88%の正答率で答えた。 --- ## いまのワークフローはどうなっているのか 設計エンジニアに「AIで仕事は変わったか」と尋ねれば、慎重な答えが返ってくる。「今週アシスタントを使ったか」と尋ねれば、答えはほぼ必ずイエスである。 WeidmullerとEETech Researchは2026年4月から5月にかけて、北米のエンジニア400名を対象に、基板をどう設計し部品をどう評価しているかを調査した。10人に9人以上が、PCBワークフローのどこかでAIベースのツールを使っていた。しかし75%は、それらのツールを既存プロセスの中の生産性・高速化レイヤーだと表現している——反復が速くなるのであって、判断を委ねているわけではない、ということだ。 この区別がこの話のすべてである。AIはほぼ全面的な普及と、ほぼゼロの権威を同時に達成した。エンジニアは絶えずAIを使い、条件付きで信頼している。その条件が検証である。 ## 選定プロセスのどこにAIは入り込んでいるのか | 段階 | アシスタントが得意なこと | つまずくところ | メーカー側に必要なもの | | --- | --- | --- | --- | | 要求の整理 | 平易な文章のブリーフをパラメトリックな条件範囲に変換する | AEC-Q100グレードや最小発注数量など、データを持たない制約を黙って落とす | 文章ではなくフィールドとしてのコンプライアンス・認定状態 | | 候補の生成 | 複数メーカーにまたがる広いショートリストを数秒で作る | 存在しない部品を内挿する、あるいは置き換え済みの部品を提示する | 完全かつ最新のカタログ網羅を機械可読な形で | | パラメータ比較 | エンジニアが手作業で作っていた比較表を組み立てる | PDFの表から抽出する際に単位・公差・試験条件を落とす | 各値に単位と条件が紐づいたパラメトリクス | | クロスリファレンス | 代替品とセカンドソースを素早く提案する | フォーム・フィット・ファンクションを無視して「類似」を「同等」として扱う | 公開された同等性・代替関係 | | 在庫と価格 | ライブな情報源に届く場合は在庫と納期を提示する | 学習データにある数か月前の数字を、満々の自信とともに引用する | クロール可能なページではなく、ライブに問い合わせできるエンドポイント | | ドキュメント | 提出書類やコンプライアンス資料一式をまとめる | 正しい文書の、誤った改訂版を引用する | 改訂識別子と、安定した文書URL | 三列目に何が並んでいるかに注目してほしい。モデルが賢くないことに起因するものは、ごくわずかしかない。その大半は、モデルにPDFを手渡していることに起因する。 ## モデルよりフォーマットが効く理由 これについての最も強い証拠は2026年6月に現れた。研究者がPCB-QAを公開したのである。実際のKiCad設計ファイルから作成した480組の質問応答ペアからなるデータセットで、部品間の接続、データシートへの問い合わせ、SPICEシミュレーションの挙動を対象に、フロンティアモデル4種で評価している。 要点はどのモデルが勝ったかではない。*同じ*モデルに*同じ*情報を異なるフォーマットで与えたとき、何が起きたか、である。 | 入力フォーマット | 正答率（GPT 5.4 Nano） | | --- | --- | | PDFの回路図（画像） | 43% | | ネイティブ設計ファイル（テキスト） | 55% | | 構造化されたJSON | 88% | JSON表現で最良だったモデルはGemini 3 Flash Previewで、93%に達した。 これはモデルの結果ではなく、供給側の結果として読むべきだ。精度を二倍にするのに、より優れたモデルも、より大きなコンテキストウィンドウも、ファインチューニングも要らなかった。必要だったのは、同じ事実を機械が解析できる形で渡すことだけである。パラメトリクスがPDFデータシートの中にしか存在しないメーカーは、自社部品を43%の行に近い状態で走らせていることになる。 「モデルはこれから良くなるのだから待てばいい」という主張が、聞こえるほど強くないのもここに理由がある。モデルの改善は、フォーマットが破壊してしまった情報を取り戻してはくれない。 ## それでもエンジニアがデータシートを開くのはなぜか データシートに何が書かれているかではなく、データシートが*何であるか*が理由である。 データシートは、メーカーが責任を負う、改訂管理された統制文書だ。部品が認定に落ちたとき、議論の土台に置かれる成果物はデータシートである。それをチャットの記録で代替しようとするエンジニアはいないし、メーカーの側もそれを望むべきではない。 失敗は、そこから機械にパラメトリクスを*導出*させようと期待するところにある。PDFはあなたのデータのレンダリングであって、データそのものではない——そしてレンダリングで壊される具体的な要素こそ、再設計を引き起こす要素そのものだ。2 Aという定格が25°Cでの値であることを示す脚注、暫定仕様であることを示すアスタリスク、新規設計には推奨されないという注記である。 ここには三つの異なる失敗様式があり、これらを混同すると、チームは誤った対策に向かってしまう。 1. **陳腐化。** 学習データにあった数値を、その後変わっているのにそのまま述べる。プロンプトの工夫ではなく、ライブに到達可能であることで解決する。 2. **抽出の失敗。** 値は存在するが、PDFの表の中にしかない。構造化されたパラメトリクスを公開することで解決する。 3. **不在。** 機械可読なレコードがまったく存在せず、モデルが近隣の部品から内挿する。網羅性で解決する。 厳密な意味でのハルシネーションは三つ目だけである。最初の二つは、メーカーが自らに対して行っていることだ。 ## 部品表（BOM）の規模で誤りが積み上がる理由 パラメータがひとつ間違っているのは、煩わしい程度の話である。同じ誤り率を部品表全体に適用すると、まったく別の種類の問題になる。ここでAI支援の選定は、チャットに似たものであることをやめ、サプライチェーンに似たものになり始める。 控えめに200行の部品表を考えてみる。1行あたり95%の精度のアシスタント——PDFしかない情報源から大半のベンチマークが予測する水準より、むしろ良い数字だ——は、およそ10行の不良を生む。いくつかはレビューで捕まる。いくつかは初品検査で捕まる。そしていくつかは、その部品が18か月前に新規設計非推奨になっていたと代理店に確認されたときに捕まる。 素朴な誤り率の計算が示すよりも事態を悪くする性質が、三つある。 - **誤りはランダムではない。** 公開データが最も貧弱な部品にちょうど集中する。それは古いカタログ項目、二次的なメーカー、最近買収された製品ラインと相関する——ライフサイクルのリスクを抱えている可能性が最も高い母集団と、同じである。 - **誤りは静かである。** パラメータが欠けていると、揃っているパラメータだけを土台にした自信満々の答えが出てくる。取得された値なのか推論された値なのかを、出力から区別する手がかりは何もない。 - **誤りはレビューを生き延びる。** エンジニアは、自分が重要だと考えるパラメータを検証する。ライフサイクル状態、最小発注数量、地域ごとの認証は、回路図段階ではそのリストに入っていないことが多く、しかも機械可読なレコードから最も頻繁に欠落しているフィールドそのものである。 Weidmullerのデータは、タイミングの問題を際立たせる。エンジニアの43%は初期コンセプトまたは回路図設計の段階で部品選定を確定させ、さらに26%が複数の段階にまたがって反復的に選定している。選定は早い段階で起きている——アシスタントの答えが代理店のライブデータと突き合わされる可能性が最も低く、後からの変更コストが上がり始める、まさにその時点で。 ## エンジニアが実際に使っているツールは何か 汎用アシスタントの上に、ドメイン特化のレイヤーが形成された。これらのツールがいまや、あなたのカタログと顧客の意思決定のあいだに立つ仲介者になっている以上、把握しておく価値がある。 - **Flux**は2026年2月に3,700万ドルを調達した——8VCがリードした2,700万ドルのシリーズBに、それまで非公開だった1,000万ドルのシリーズAを加えたものだ。自然言語のプロンプトからレイアウトを計画し、部品を調達し、設計を検証するAIコパイロットである。2026年のリリースでは、リアルタイムの価格と在庫を踏まえた調達志向の設計が加わった。 - ミュンヘンの**Luminovo**は2026年1月に**ElectronicsGPT**を公開した。技術データ、代替品、サプライチェーン情報とともに部品を取得する、電子部品調達向けのエージェントである。 - 同じくミュンヘンの**CELUS**は、自社の部品ナレッジベースCUBOに対して要求仕様から回路図を生成し、embedded world 2026ではAIによる部品マッチングをデモンストレーションした。 - **Cofactr**は、サプライヤー基準・規制・社内ポリシーによって制約された調達に向けて、Bain Capital Venturesがリードする1,700万ドルのシリーズAを調達した——航空宇宙、防衛、ロボティクス、医療機器が対象である。 - 建材分野の**Parspec**は2025年7月に2,000万ドルのシリーズAを調達した。同社のモデルは図面と仕様書から製品要求事項を抽出し、600万点を超えるカタログから適合製品をランキングして、見積書、提出書類、O&Mパッケージを生成する。 共通する構造が物語っている。これらのツールはいずれも、自社では所有していないメーカーのデータの上に載る解釈レイヤーだ。その精度の上限は、あなたのデータ品質である。あなたの部品を解決できなければ、競合の部品が解決される——そしてエンジニアは、どの部品が黙って除外されたのかを知ることがない。 > **Figure.** The five points at which a manufacturer is eliminated from an assistant's answer. ## このループで信頼されるために、メーカーは何を公開すべきか 効果の大きい順に、おおよそ次のとおりである。 1. **ブラウザ以外のクライアントでも読める、サーバーレンダリングのカタログページ。** Partsgraphが2026年8月に世界984の代理店・メーカードメインを監査したところ、38%は標準的な非ブラウザクライアントに対して使えるものを何も返さず、AI可視性スコアの中央値は100点中50点だった。これは最も安上がりな対策であり、最も多い失敗でもある。 2. **単位・公差・試験条件を伴う構造化フィールドとしてのパラメトリクス。** 表の画像でもなく、文章でもなく、PDFの中だけでもない。 3. **データとしてのライフサイクル状態。** 現行、NRND、ラストタイムバイの期日、廃止日。アシスタントが自信満々に生産終了品を推奨するのは、そうではないと伝えるものが何もないからだ。 4. **フィールドとしてのコンプライアンスと認証。** RoHS、REACH SVHC、UKCAおよびCEの状態、AEC-Qまたは同等の認定、原産国。建材であれば、防火等級、第三者認証、性能表示である。 5. **明示的な代替・同等関係。** 自社の部品が何を置き換え、何に置き換えられるのかを公開しなければ、アシスタントは推測する。そしてその推測は、認定ではなく、もっともらしさで採点される。 6. **変化する問いに答えるための、ライブな経路。** 在庫、納期、価格はクロールでは供給できない。2025年11月に公開されたMicrochipのModel Context Protocolサーバーは、検証済みの製品仕様、データシート、在庫、価格、納期をAIクライアントに直接提供している。これを実行しているメーカーは、いまだにごく短いリストにとどまる——同じ984ドメインの監査では、MCPエンドポイントを掲げているところは一つもなく、その空白を埋めるかたちで、第三者が主要代理店の公開APIを非公式のMCPラッパーで包んでいる。誰かがあなたのカタログをエージェントに公開することになる。それなら、自社がやったほうがよい。 ## 正直に言える限界 以上のどれも、アシスタントを有能なエンジニアにするものではない。Weidmullerの調査では、エンジニアは足りない機能としてリアルタイムのエラー検出と真に自律的な設計を挙げ、部品選定で最も重要な基準として約80%が信頼性と耐久性を挙げた一方、価格を優先したのは22%にとどまった。この価値構造は自動化に抗する。誤ったときのコストが非対称で、しかも数年後に表面化するからである。 しかしこれは、誰が承認するのかについての議論であって、誰が提案するのかについての議論ではない。提案はすでに移った。かつて代理店のサイトを四つ開いていたエンジニアは、いまアシスタントを一つ開く。そしてその答えに現れた部品が、検討対象になる部品である。あなたのデータが正しい答えを支えられないなら、あなたは拒否されているのではない——そもそも列挙されていないのだ。 *[/audit](/audit) の無料グレーダーは、アシスタントがいまあなたのカタログから何を読み取っているのか、そしてどの部品を取り違えているのかを示す。* ## よくある質問 ### エンジニアは部品選定でAIを本当に信頼しているのか 絞り込みは任せているが、決めさせてはいない。2026年のWeidmuller/EETechによるエンジニア400名調査では、90%超がPCBワークフローでAIツールを使った経験があると答えた一方、75%はAIを既存プロセスの中の生産性・高速化レイヤーだと位置づけている。これは実際の使われ方の正確な描写である。候補を素早く生成し、再設計（リスピン）を招きかねないパラメータは一次情報源に当たって検証する、というものだ。 ### AIアシスタントが部品の仕様を取り違えるのはなぜか 原因は三つあり、しばしば混同されている。第一に陳腐化。学習データにあった仕様をそのまま述べるが、その仕様はすでに置き換えられているか、生産終了になっている。第二に抽出の失敗。そのパラメータは脚注付きの試験条件とともにPDFの表の中にしか存在せず、値は単位も公差も条件も剥ぎ取られた状態で届く。第三に不在。機械可読なレコードがそもそも存在しないため、モデルが類似部品から内挿してしまう。厳密な意味でのハルシネーションは三つ目だけであり、最初の二つはメーカー側が解消できるデータ供給の失敗である。 ### 自社部品に対するAIの精度を上げるために、メーカーができる最も効果の大きい一手は何か パラメトリクスの置き場所をPDFだけにするのをやめることだ。2026年6月に公開されたPCB-QAベンチマークは、同一の質問をフォーマット別に検証している。あるモデルはPDFの回路図で43%、ネイティブ設計ファイルで55%、構造化されたJSON表現で88%を記録し、最良のモデルはJSONで93%に達した。質問も、その背後にある事実も同じで、正答率はおよそ二倍になる。フォーマットは見せ方の細部ではなく、精度そのものを決める変数である。 ### エンジニアや仕様策定者が実際に使っているAIツールは何か 汎用アシスタントと並んで、ドメイン特化のレイヤーが立ち上がっている。AI支援のPCB設計を手がけるFluxは2026年2月に3,700万ドルを調達し、ライブの価格と在庫を踏まえた調達志向の設計機能を追加した。Luminovoは2026年1月、電子部品調達のエージェントとしてElectronicsGPTを公開した。CELUSは自社の部品ナレッジベースCUBOに対して、要求仕様から回路図を組み立てる。Cofactrはコンプライアンス制約下の調達を担う。建材分野のParspecは、図面と仕様書から要求事項を抽出し、600万点を超えるカタログから適合製品をランキングする。そのいずれもが、メーカー側のデータ品質の下流に位置している。 ### アシスタントに自社のデータシートPDFはそもそも必要なのか 必要である。ただしデータそのものとしてではなく、根拠としてだ。エンジニアがデータシートで検証するのは、それが改訂管理された統制文書であり、法的・認定上の重みを持ち、そして動かないからである。誤りは、そこから機械にパラメトリクスを導出させようと期待するところにある。検索・取得のために構造化されたパラメトリクスを公開し、その背後にある正式な成果物として、改訂識別子とともにPDFをリンクすればよい。 ### 電子部品と建材とでは、この話はどう違うのか ワークフローは似通っているが、扱う成果物が異なる。仕様策定者はネットリストではなく、図面、性能仕様、数量表から作業を進め、同等性の問いはフォーム・フィット・ファンクションではなく、防火等級、U値、遮音性能、第三者認証といったコンプライアンスの観点で決まる。しかし失敗の様式は同一である。性能データがPDFの技術シートに閉じ込められ、認証の状態がフィールドとして公開されず、製品Aが条項Bを満たすことを機械が確かめる手段がない、という点だ。 ### いずれAIはエンジニア抜きで部品を選定するようになるのか 手元の証拠からは、そうはならない。同じ2026年の調査では、エンジニアは足りない機能としてリアルタイムのエラー検出と完全に自律的な設計を挙げ、選定基準としては約80%が信頼性と耐久性を最重要とした一方、価格を優先したのは22%にとどまった。これは自動化に抗する価値構造である。誤ったときのコストが非対称だからだ。現実的な道筋は、アシスタントが提案と根拠提示をきわめて得意になり、承認の責任はエンジニアが負い続ける、というものである。 ## 出典 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 - Français: https://partsgraph.ai/fr/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 - 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/ja/audit