2026년 엔지니어는 AI로 부품을 어떻게 선정하는가

지금의 워크플로는 어떤 모습인가

설계 엔지니어에게 AI가 당신의 일을 바꿔 놓았느냐고 물으면 신중한 답이 돌아온다. 이번 주에 어시스턴트를 써 봤느냐고 물으면 답은 거의 언제나 '그렇다'이다.

Weidmuller와 EETech Research는 2026년 4월부터 5월까지 북미 엔지니어 400명을 대상으로 이들이 어떻게 보드를 설계하고 부품을 평가하는지 조사했다. 열 명 중 아홉 명 이상이 PCB 워크플로 어딘가에서 AI 기반 도구를 써 본 경험이 있었다. 그러나 75%는 그 도구들을 기존 프로세스 안에서 생산성과 속도를 끌어올리는 계층으로 규정했다. 반복 주기가 빨라졌을 뿐, 판단을 위임한 것은 아니라는 뜻이다.

이 구분이 사실상 전부다. AI는 거의 보편적인 채택률과 거의 0에 가까운 권위를 동시에 확보했다. 엔지니어는 AI를 끊임없이 쓰면서도 조건부로만 신뢰하며, 그 조건은 검증이다.

AI는 선정 과정의 어디에 개입하는가

세 번째 열을 채우고 있는 것이 무엇인지 보라. 모델이 멍청해서 생긴 문제는 거의 없다. 대부분은 모델에게 PDF를 건넨 탓이다.

왜 모델보다 포맷이 중요한가

이에 관한 가장 강력한 근거는 2026년 6월에 나왔다. 연구진이 공개한 PCB-QA는 실제 KiCad 설계 파일에서 도출한 480개의 질문-답변 쌍으로 이뤄진 데이터셋으로, 부품 간 연결과 데이터시트 질의, SPICE 시뮬레이션 동작을 다루며 네 개의 프런티어 모델을 대상으로 평가되었다.

핵심은 어느 모델이 이겼는가가 아니다. 같은 모델에 같은 정보를 서로 다른 포맷으로 주었을 때 무슨 일이 벌어졌는가다.

JSON 표현에서 가장 좋은 성적을 낸 모델인 Gemini 3 Flash Preview는 93%에 도달했다.

이 결과는 모델의 성적표가 아니라 공급 측의 성적표로 읽어야 한다. 정확도를 두 배로 끌어올리는 데 더 좋은 모델도, 더 큰 컨텍스트 윈도도, 파인튜닝도 필요하지 않았다. 필요한 것은 같은 사실을 기계가 파싱할 수 있는 형태로 건네는 일뿐이었다. 파라메트릭 데이터가 PDF 데이터시트 안에만 들어 있는 제조사는 자사 부품을 43% 행에 가까운 조건에서 돌리고 있는 셈이다.

'모델이 알아서 좋아질 테니 기다리면 된다'는 주장이 들리는 것보다 약한 이유도 여기에 있다. 모델의 성능 향상은 포맷이 이미 파괴해 버린 정보를 되살려 주지 않는다.

엔지니어는 왜 여전히 데이터시트를 여는가

데이터시트에 무엇이 담겨 있어서가 아니라, 데이터시트가 어떤 문서인지 때문이다.

데이터시트는 제조사가 책임을 지는, 관리되고 리비전이 통제되는 문서다. 부품이 인증에서 떨어졌을 때 논쟁의 근거로 올라오는 산출물이 바로 데이터시트다. 어떤 엔지니어도 그 자리를 채팅 기록으로 대체하지 않을 것이고, 어떤 제조사도 그러기를 바라서는 안 된다.

문제는 기계가 그 문서에서 파라메트릭 값을 도출해 주기를 기대하는 데 있다. PDF는 데이터를 렌더링한 결과물이지 데이터 자체가 아니며, 렌더링 과정에서 파괴되는 바로 그 정보들이 재설계를 유발하는 정보다. 2 A 정격이 25°C에서 적용된다는 각주, 잠정 사양임을 알리는 별표, 신규 설계에는 권장하지 않는 부품이라는 안내 같은 것들이다.

여기에는 서로 다른 세 가지 실패 유형이 있고, 이를 뭉뚱그리면 팀은 엉뚱한 해법으로 향한다.

1. 01낡은 데이터. 모델이 그사이 바뀌어 버린 값을 학습 데이터에서 그대로 읊는다. 프롬프트를 더 잘 쓰는 것이 아니라, 실시간으로 접근 가능해지는 것으로 해결된다.
2. 02추출 실패. 값은 존재하지만 PDF 표 안에만 있다. 구조화된 파라메트릭 데이터를 공개하는 것으로 해결된다.
3. 03부재. 기계 판독 가능한 레코드가 아예 없어서 모델이 인접 부품에서 값을 추정한다. 커버리지 확보로 해결된다.

엄밀한 의미의 환각은 세 번째뿐이다. 앞의 둘은 제조사가 스스로 자초하고 있는 문제다.

오류는 왜 BOM 규모에서 증폭되는가

파라미터 하나가 틀린 것은 성가신 일에 그친다. 그러나 같은 오류율이 자재 명세서(BOM) 전체에 적용되면 문제의 성격이 달라지며, 이 지점에서 AI 기반 부품 선정은 채팅이 아니라 공급망을 닮기 시작한다.

200줄짜리 평범한 BOM을 생각해 보자. 줄당 정확도가 95%인 어시스턴트, 즉 PDF만 있는 출처를 두고 대부분의 벤치마크가 예측할 수준보다 나은 어시스턴트조차 결함 있는 줄을 열 개쯤 만들어 낸다. 그중 일부는 검토 단계에서 걸러진다. 일부는 초도품 검사에서 걸러진다. 그리고 일부는 해당 부품이 18개월 전에 신규 설계 비권장 상태로 바뀌었다는 사실을 유통사가 확인해 줄 때에야 드러난다.

단순한 오류율 계산이 시사하는 것보다 상황을 나쁘게 만드는 세 가지 성질이 있다.

• 오류는 무작위가 아니다. 공개된 데이터가 가장 부실한 부품에 정확히 몰린다. 이는 오래된 카탈로그 항목, 2군 제조사, 최근 인수된 제품 라인과 상관관계가 있는데, 하필 수명 주기 리스크가 가장 큰 집단과 같다.
• 오류는 조용하다. 파라미터 하나가 비어 있으면 남아 있는 파라미터만으로 자신 있는 답이 만들어진다. 출력물 어디에도 실제로 조회한 값과 추론한 값을 구분해 주는 표시는 없다.
• 오류는 검토를 통과한다. 엔지니어는 자신이 중요하다고 판단한 파라미터를 검증한다. 회로도 단계에서 수명 주기 상태, 최소 주문 수량, 지역별 인증은 그 목록에 들어가지 않는 경우가 많고, 하필 기계 판독 가능한 레코드에서 가장 자주 빠져 있는 필드가 바로 그것들이다.

Weidmuller의 데이터는 타이밍 문제를 더 선명하게 만든다. 엔지니어의 43%는 초기 콘셉트 단계나 회로도 설계 단계에서 부품 선정을 확정하고, 여기에 더해 26%는 여러 단계에 걸쳐 반복적으로 선정한다. 선정은 이른 시점에 일어난다. 어시스턴트의 답을 유통사의 실시간 데이터와 대조할 가능성이 가장 낮고, 나중에 바꿀 때 드는 비용이 막 치솟기 시작하는 바로 그 시점이다.

엔지니어는 실제로 어떤 도구를 쓰는가

범용 어시스턴트 위에 도메인 계층이 형성됐다. 이 도구들이 이제 여러분의 카탈로그와 고객의 의사결정 사이에 놓인 중개자이므로 알아 둘 가치가 있다.

• Flux는 2026년 2월 3,700만 달러를 유치했다. 8VC가 주도한 2,700만 달러 시리즈 B에, 그전까지 공개되지 않았던 1,000만 달러 시리즈 A를 더한 금액이다. 자연어 프롬프트에서 레이아웃을 계획하고 부품을 소싱하며 설계를 시험하는 AI 코파일럿이 그 대상이다. 2026년 릴리스에서는 실시간 가격과 재고를 반영하는 소싱 인지형 설계가 추가됐다.
• 뮌헨의 Luminovo는 2026년 1월 ElectronicsGPT를 출시했다. 부품을 기술 데이터, 대체품, 공급망 정보와 함께 찾아 주는 전자부품 조달용 에이전트다.
• 역시 뮌헨에 있는 CELUS는 자사 CUBO 부품 지식 베이스를 기반으로 요구사항에서 회로도를 생성하며, embedded world 2026에서 AI 기반 부품 매칭을 시연했다.
• Cofactr는 Bain Capital Ventures가 주도한 1,700만 달러 시리즈 A를 유치했다. 공급사 기준과 규제, 내부 정책이라는 제약 아래에서 이뤄지는 소싱이 대상이며, 항공우주와 방산, 로보틱스, 의료기기가 주 무대다.
• 건축자재 분야의 Parspec은 2025년 7월 2,000만 달러 시리즈 A를 유치했다. 이 회사의 모델은 도면과 사양서에서 제품 요구사항을 추출한 뒤 600만 개가 넘는 품목의 카탈로그에서 요건을 충족하는 제품의 순위를 매기고, 견적서와 제출 자료, O&M 자료를 생성한다.

공통된 구조가 많은 것을 말해 준다. 이 도구들은 하나같이, 자신이 소유하지 않은 제조사 데이터 위에 얹힌 해석 계층이다. 이들의 정확도 상한은 곧 여러분의 데이터 품질이다. 여러분의 부품을 해석해 내지 못하면 이들은 경쟁사의 부품을 해석한다. 그리고 어떤 부품이 소리 없이 제외됐는지 엔지니어는 끝내 알지 못한다.

이 루프 안에서 신뢰받으려면 제조사는 무엇을 공개해야 하는가

효과가 큰 순서대로 대략 정리하면 다음과 같다.

1. 01브라우저가 아닌 클라이언트도 읽을 수 있는 서버 렌더링 카탈로그 페이지. Partsgraph가 2026년 8월 전 세계 유통사·제조사 도메인 984곳을 진단했을 때, 38%는 표준적인 비브라우저 클라이언트에 쓸 만한 것을 전혀 돌려주지 못했고 AI 가시성 점수의 중앙값은 100점 만점에 50점이었다. 가장 값싼 해법이자 가장 흔한 실패다.
2. 02단위와 공차, 시험 조건이 함께 붙은 구조화된 필드 형태의 파라메트릭 데이터. 표 이미지도, 산문도, PDF 안에만 있는 형태도 아니어야 한다.
3. 03데이터로 제공되는 수명 주기 상태. 양산 중, NRND, 최종 구매 가능일, 단종일이 그것이다. 어시스턴트가 단종된 부품을 자신 있게 추천하는 이유는 그렇지 않다고 알려 준 것이 아무것도 없기 때문이다.
4. 04필드로 제공되는 규제 준수 및 인증 정보. RoHS, REACH SVHC, UKCA와 CE 상태, AEC-Q 또는 이에 준하는 인증, 원산지가 여기에 해당한다. 건축자재라면 화재 등급, 제3자 인증, 선언 성능이 된다.
5. 05명시적인 대체품 및 동등성 관계. 자사 부품이 무엇을 대체하고 무엇으로 대체되는지 공개하지 않으면 어시스턴트는 추측하게 되고, 그 추측은 인증 여부가 아니라 그럴듯함을 기준으로 평가된다.
6. 06수시로 바뀌는 정보를 위한 실시간 경로. 재고와 리드타임, 가격은 크롤링으로는 제공할 수 없다. Microchip이 2025년 11월 공개한 Model Context Protocol 서버는 검증된 제품 사양과 데이터시트, 재고, 가격, 리드타임을 AI 클라이언트에 직접 노출한다. 이렇게 하고 있는 제조사의 명단은 아직 매우 짧다. 앞서 언급한 984개 도메인 진단에서 MCP 엔드포인트를 내건 곳은 한 곳도 없었고, 그 공백을 메우려 제3자들이 주요 유통사의 공개 API를 감싼 비공식 MCP 래퍼를 만들어 두었다. 누군가는 여러분의 카탈로그를 에이전트에 노출할 것이다. 그 주체가 여러분이 되지 못할 이유는 없다.

정직한 한계

이 가운데 어떤 것도 어시스턴트를 유능한 엔지니어로 만들어 주지는 않는다. Weidmuller 조사에서 엔지니어들은 아직 없는 역량으로 실시간 오류 검출과 진정한 의미의 자율 설계를 꼽았고, 약 80%가 부품 선정에서 가장 중요한 기준으로 신뢰성과 내구성을 든 반면 가격을 우선한다는 응답은 22%에 그쳤다. 이런 가치 구조는 자동화에 저항한다. 틀렸을 때의 비용이 비대칭적인 데다 몇 년이 지나서야 청구되기 때문이다.

그러나 이는 누가 승인하는가에 관한 이야기이지, 누가 제안하는가에 관한 이야기가 아니다. 제안은 이미 옮겨 갔다. 예전에 유통사 사이트 네 곳을 열던 엔지니어는 이제 어시스턴트 하나를 연다. 그리고 그 답변에 등장하는 부품이 곧 검토 대상 부품이다. 여러분의 데이터가 정확한 답을 뒷받침하지 못한다면, 여러분은 탈락하고 있는 것이 아니다. 애초에 목록에 오르지도 못하고 있는 것이다.

[/audit](/audit)의 무료 진단 도구는 지금 어시스턴트가 여러분의 카탈로그에서 무엇을 읽어 내는지, 그리고 어떤 부품을 틀리게 이해하는지 보여 준다.