Hoe ingenieurs componenten selecteren met AI in 2026

Hoe de workflow er nu uitziet

Vraag een ontwerpingenieur of AI zijn werk heeft veranderd en u krijgt een voorzichtig antwoord. Vraag of hij deze week een assistent heeft gebruikt en het antwoord is vrijwel altijd ja.

Weidmüller en EETech Research ondervroegen tussen april en mei 2026 400 Noord-Amerikaanse ingenieurs over hoe zij printplaten ontwerpen en componenten beoordelen. Meer dan negen op de tien hadden ergens in hun PCB-workflow AI-tools gebruikt. Maar 75% omschreef die tools als een laag voor productiviteit en versnelling binnen bestaande processen — sneller itereren, geen gedelegeerd oordeel.

Dat onderscheid is het hele verhaal. AI heeft een vrijwel universele adoptie bereikt en vrijwel geen gezag. Ingenieurs gebruiken het voortdurend en vertrouwen het voorwaardelijk, en die voorwaarde is verificatie.

Waar komt AI daadwerkelijk het selectieproces binnen?

Let op wat de derde kolom domineert. Vrijwel niets daarvan komt doordat het model dom is. Het meeste komt doordat het model een PDF krijgt aangereikt.

Waarom het formaat meer uitmaakt dan het model

Het sterkste bewijs hiervoor verscheen in juni 2026, toen onderzoekers PCB-QA publiceerden: een dataset van 480 vraag-antwoordparen afgeleid uit echte KiCad-ontwerpbestanden, over componentverbindingen, datasheetvragen en het gedrag van SPICE-simulaties, geëvalueerd tegen vier frontier-modellen.

Het nieuws is niet welk model won. Het nieuws is wat er gebeurde toen hetzelfde model dezelfde informatie in verschillende formaten kreeg:

Het beste model op de JSON-weergave, Gemini 3 Flash Preview, kwam uit op 93%.

Lees dat als een resultaat aan de aanbodzijde en niet als een modelresultaat. Voor een verdubbeling van de nauwkeurigheid waren geen beter model, geen groter contextvenster en geen fine-tune nodig. Nodig was dat de machine dezelfde feiten kreeg in een vorm die hij kon parsen. Elke fabrikant van wie de parametrische data uitsluitend in een PDF-datasheet staan, laat zijn onderdelen draaien op iets dat dicht bij de rij van 43% ligt.

Dit is ook waarom “de modellen worden vanzelf beter, dus we kunnen wachten” een zwakker argument is dan het klinkt. Betere modellen halen geen informatie terug die het formaat heeft vernietigd.

Waarom openen ingenieurs nog steeds het datasheet?

Vanwege wat een datasheet is, niet vanwege wat erin staat.

Een datasheet is een beheerd, revisiegestuurd document waar een fabrikant voor instaat. Wanneer een onderdeel de kwalificatie niet haalt, is het datasheet het document waar de discussie om draait. Geen enkele ingenieur zal dat vervangen door een chatgesprek, en geen enkele fabrikant zou dat moeten willen.

De fout zit in de verwachting dat een machine de parametrische waarden daaruit afleidt. Een PDF is een weergave van uw data, niet uw data — en juist datgene wat bij die weergave verloren gaat, veroorzaakt respins: de voetnoot dat de 2 A geldt bij 25 °C, het sterretje dat een voorlopige specificatie aanduidt, de opmerking dat het onderdeel niet wordt aanbevolen voor nieuwe ontwerpen.

Er zijn hier drie verschillende faalwijzen, en door ze op één hoop te gooien komen teams bij de verkeerde oplossing uit:

1. 01Veroudering. Het model citeert een waarde uit trainingsdata die inmiddels is gewijzigd. Op te lossen door live bereikbaar te zijn, niet door beter prompten.
2. 02Extractiefout. De waarde bestaat wel, maar staat alleen in een PDF-tabel. Op te lossen door gestructureerde parametrische data te publiceren.
3. 03Afwezigheid. Er bestaat helemaal geen machineleesbaar record, dus interpoleert het model vanuit naburige onderdelen. Op te lossen door dekking.

Alleen het derde geval is hallucinatie in strikte zin. De eerste twee doet de fabrikant zichzelf aan.

Waarom de fouten zich opstapelen op stuklijstniveau

Eén verkeerde parameter is hinderlijk. Datzelfde foutpercentage over een hele stuklijst is een probleem van een andere orde, en hier houdt AI-ondersteunde selectie op te lijken op een chat en gaat ze lijken op een toeleveringsketen.

Neem een bescheiden stuklijst van 200 regels. Een assistent die per regel 95% nauwkeurig is — beter dan de meeste benchmarks zouden voorspellen bij uitsluitend PDF-bronnen — levert ongeveer tien foutieve regels op. Sommige worden bij de review opgemerkt. Sommige bij de first article. En sommige pas wanneer een distributeur bevestigt dat het onderdeel achttien maanden geleden op not-recommended-for-new-designs is gezet.

Drie eigenschappen maken dit erger dan een naïeve berekening van het foutpercentage doet vermoeden:

• De fouten zijn niet willekeurig. Ze concentreren zich juist op de onderdelen met de slechtst gepubliceerde data, en dat correleert met oudere catalogusposten, tweederangs fabrikanten en recent overgenomen productlijnen — precies de groep met het grootste lifecyclerisico.
• Ze zijn stil. Een ontbrekende parameter levert een zelfverzekerd antwoord op, opgebouwd uit de parameters die er wél waren. Niets in de uitvoer onderscheidt een opgehaalde waarde van een afgeleide.
• Ze overleven de review. Ingenieurs verifiëren de parameters die zij kritisch achten. Lifecyclestatus, minimale afnamehoeveelheid en regionale certificering staan in de schemafase vaak niet op dat lijstje, en dat zijn nu juist de velden die het vaakst ontbreken in machineleesbare records.

De data van Weidmüller scherpen het timingprobleem aan: 43% van de ingenieurs legt de componentkeuze definitief vast tijdens het vroege concept of het schemaontwerp, en nog eens 26% kiest iteratief over meerdere fasen heen. De selectie vindt vroeg plaats, wanneer het antwoord van de assistent het minst waarschijnlijk wordt gecontroleerd tegen de live data van een distributeur, en wanneer de kosten van een latere wijziging beginnen op te lopen.

Welke tools gebruiken ingenieurs daadwerkelijk?

Boven de algemene assistenten heeft zich een domeinlaag gevormd, en die is het kennen waard, want deze tools zijn inmiddels de tussenschakel tussen uw catalogus en de beslissing van uw klant.

• Flux haalde in februari 2026 $37 miljoen op — een Series B van $27 miljoen onder leiding van 8VC plus een niet eerder bekendgemaakte Series A van $10 miljoen — voor een AI-copiloot die layouts plant, componenten inkoopt en ontwerpen test op basis van prompts in natuurlijke taal. De releases van 2026 voegden inkoopbewust ontwerpen toe met realtime prijzen en beschikbaarheid.
• Luminovo, uit München, lanceerde in januari 2026 ElectronicsGPT: een agent voor elektronica-inkoop die onderdelen ophaalt inclusief technische data, alternatieven en informatie over de toeleveringsketen.
• CELUS, eveneens uit München, genereert schema's vanuit eisen tegen zijn CUBO-componentenkennisbank en demonstreerde AI-gestuurde componentmatching op embedded world 2026.
• Cofactr haalde een Series A van $17 miljoen op onder leiding van Bain Capital Ventures voor inkoop die wordt begrensd door leverancierscriteria, regelgeving en intern beleid — lucht- en ruimtevaart, defensie, robotica en medtech.
• Parspec, actief in bouwproducten, haalde in juli 2025 een Series A van $20 miljoen op; zijn modellen halen producteisen uit tekeningen en bestekken en rangschikken conforme producten uit een catalogus van meer dan zes miljoen items, en genereren daarbij offertes, goedkeuringsdossiers en O&M-pakketten.

De gemeenschappelijke structuur is veelzeggend. Elk van deze tools is een interpretatielaag over fabrikantendata die zij niet zelf bezitten. Hun nauwkeurigheidsplafond is uw datakwaliteit. Kunnen zij uw onderdeel niet vinden, dan vinden ze dat van een concurrent — en de ingenieur komt nooit te weten welke onderdelen stilzwijgend zijn weggelaten.

Wat moet een fabrikant publiceren om in deze loop vertrouwd te worden?

Grofweg op volgorde van rendement:

1. 01Server-gerenderde cataloguspagina's die een client zonder browser kan lezen. Toen Partsgraph in augustus 2026 wereldwijd 984 distributeur- en fabrikantdomeinen auditeerde, gaf 38% niets bruikbaars terug aan een standaardclient zonder browser en lag de mediane AI-zichtbaarheidsscore op 50 van de 100. Dit is de goedkoopste oplossing en de meest voorkomende tekortkoming.
2. 02Parametrische data als gestructureerde velden met eenheden, toleranties en testcondities erbij — niet als tabelafbeelding, niet als proza, en niet uitsluitend in de PDF.
3. 03Lifecyclestatus als data. Actief, NRND, last-time-buy-datum, datum van uitfasering. Assistenten bevelen met stelligheid uitgefaseerde onderdelen aan omdat niets hun het tegendeel heeft verteld.
4. 04Compliance en certificering als velden. RoHS, REACH SVHC, UKCA- en CE-status, AEC-Q of gelijkwaardige kwalificatie, land van herkomst. Bij bouwproducten: brandklasse, certificering door derden, prestatieverklaring.
5. 05Expliciete relaties voor alternatieven en gelijkwaardigheid. Publiceert u niet wat uw onderdelen vervangen en waardoor ze worden vervangen, dan gokt een assistent, en die gok wordt beoordeeld op plausibiliteit en niet op kwalificatie.
6. 06Een live route voor de vragen die veranderen. Voorraad, levertijd en prijs zijn niet vanuit een crawl te leveren. De Model Context Protocol-server van Microchip, gepubliceerd in november 2025, ontsluit geverifieerde productspecificaties, datasheets, voorraad, prijzen en levertijden rechtstreeks voor AI-clients. Het is nog altijd een zeer korte lijst fabrikanten die dit doet — in diezelfde audit van 984 domeinen adverteerde er niet één met een MCP-endpoint, terwijl derden onofficiële MCP-wrappers rond de publieke API's van grote distributeurs hebben gebouwd om het gat te vullen. Iemand gaat uw catalogus aan agents ontsluiten. Dan kunt u het net zo goed zelf doen.

De eerlijke grens

Niets hiervan maakt van een assistent een bekwaam ingenieur. In het onderzoek van Weidmüller noemden ingenieurs realtime foutdetectie en werkelijk autonoom ontwerpen als de ontbrekende capaciteiten, en zette ruwweg 80% betrouwbaarheid en levensduur bovenaan als belangrijkste criterium bij componentselectie, tegenover slechts 22% die prijs vooropstelt. Die waardestructuur verzet zich tegen automatisering, omdat de kosten van een misser asymmetrisch zijn en zich pas jaren later voordoen.

Maar dat is een argument over wie goedkeurt, niet over wie voorstelt. Het voorstellen is al verschoven. De ingenieur die vroeger vier distributeurssites opende, opent nu één assistent, en de onderdelen die in dat antwoord verschijnen, zijn de onderdelen die in overweging worden genomen. Kan uw data geen correct antwoord dragen, dan wordt u niet afgewezen — dan wordt u niet eens opgesomd.

De gratis grader op [/audit](/audit) laat zien wat een assistent nu uit uw catalogus leest, en welke van uw onderdelen hij verkeerd heeft.