Jak inżynierowie dobierają komponenty z pomocą AI w 2026

Jak dziś wygląda ten proces

Zapytaj konstruktora, czy AI zmieniła jego pracę, a usłyszysz ostrożną odpowiedź. Zapytaj, czy w tym tygodniu korzystał z asystenta, a odpowiedź niemal zawsze brzmi: tak.

Weidmuller i EETech Research zapytały w kwietniu i maju 2026 roku 400 inżynierów z Ameryki Północnej o to, jak projektują płytki i oceniają komponenty. Ponad dziewięciu na dziesięciu korzystało z narzędzi opartych na AI na którymś etapie pracy nad PCB. Ale 75% opisało te narzędzia jako warstwę produktywności i przyspieszenia wewnątrz istniejących procesów — szybszą iterację, a nie oddelegowany osąd.

W tym rozróżnieniu zawiera się cała rzecz. AI osiągnęła niemal powszechne wdrożenie i niemal zerowy autorytet. Inżynierowie korzystają z niej bez przerwy i ufają jej warunkowo, a tym warunkiem jest weryfikacja.

W którym miejscu AI naprawdę wchodzi do procesu doboru?

Zwróć uwagę, co dominuje w trzeciej kolumnie. Bardzo niewiele z tego to brak inteligencji modelu. Większość to skutek tego, że modelowi podano PDF.

Dlaczego format waży więcej niż model

Najmocniejszy dowód pojawił się w czerwcu 2026 roku, gdy badacze opublikowali PCB-QA: zbiór 480 par pytanie–odpowiedź wyprowadzonych z prawdziwych plików projektowych KiCad, obejmujących połączenia komponentów, zapytania o karty katalogowe i zachowanie symulacji SPICE, przetestowany na czterech czołowych modelach.

Najważniejsze nie jest to, który model wygrał. Najważniejsze jest to, co się stało, gdy ten sam model dostał te same informacje w różnych formatach:

Najlepszy model na reprezentacji JSON, Gemini 3 Flash Preview, osiągnął 93%.

Czytaj to jako wynik po stronie podaży danych, a nie po stronie modelu. Podwojenie dokładności nie wymagało lepszego modelu, większego okna kontekstowego ani dostrajania. Wymagało podania maszynie tych samych faktów w formie, którą potrafi sparsować. Każdy producent, którego parametry mieszkają wyłącznie w karcie katalogowej w PDF, obsługuje swoje komponenty gdzieś w okolicach wiersza z wynikiem 43%.

To także powód, dla którego argument „modele się poprawią, więc możemy poczekać” jest słabszy, niż brzmi. Postęp modeli nie odzyska informacji, które zniszczył format.

Dlaczego inżynierowie wciąż otwierają kartę katalogową?

Ze względu na to, czym karta katalogowa jest, a nie na to, co zawiera.

Karta katalogowa to dokument nadzorowany, z zarządzanymi rewizjami, za którym producent stoi. Kiedy komponent nie przechodzi kwalifikacji, to właśnie karta katalogowa jest dokumentem w sporze. Żaden inżynier nie zastąpi jej zapisem rozmowy z czatem i żaden producent nie powinien sobie tego życzyć.

Błąd polega na oczekiwaniu, że maszyna wyprowadzi z niej parametry. PDF to renderowanie Twoich danych, a nie Twoje dane — a to, co ginie w tym renderowaniu, to dokładnie te rzeczy, które wymuszają kolejną rewizję płytki: przypis, że obciążalność 2 A obowiązuje w 25°C, gwiazdka oznaczająca specyfikację wstępną, adnotacja, że komponent nie jest zalecany do nowych projektów.

Występują tu trzy odrębne tryby awarii, a ich mylenie prowadzi zespoły do złej naprawy:

1. 01Nieaktualność. Model recytuje wartość z danych treningowych, która od tego czasu się zmieniła. Naprawia to dostępność na żywo, a nie lepszy prompt.
2. 02Nieudana ekstrakcja. Wartość istnieje, ale wyłącznie w tabeli w PDF. Naprawia to publikowanie ustrukturyzowanych parametrów.
3. 03Brak danych. Nie istnieje żaden zapis czytelny maszynowo, więc model interpoluje z sąsiednich komponentów. Naprawia to pokrycie katalogu.

Tylko trzeci przypadek jest halucynacją w ścisłym sensie. Dwa pierwsze producent robi sobie sam.

Dlaczego błędy kumulują się w skali listy materiałowej

Pojedynczy błędny parametr to utrapienie. Ten sam wskaźnik błędów rozłożony na całą listę materiałową to zupełnie inna klasa problemu — i w tym momencie dobór wspierany przez AI przestaje przypominać rozmowę z czatem, a zaczyna przypominać łańcuch dostaw.

Weźmy skromny BOM na 200 pozycji. Asystent z dokładnością 95% na pozycję — lepszą, niż większość benchmarków przewidziałaby dla źródeł dostępnych wyłącznie w PDF — wygeneruje około dziesięciu wadliwych pozycji. Część wyłapie przegląd projektu. Część wyłapie kontrola pierwszej sztuki. A część wyjdzie na jaw dopiero wtedy, gdy dystrybutor potwierdzi, że komponent osiemnaście miesięcy temu przeszedł do statusu „niezalecany do nowych projektów”.

Trzy właściwości sprawiają, że jest gorzej, niż sugeruje naiwny rachunek wskaźnika błędów:

• Błędy nie są losowe. Skupiają się dokładnie na tych komponentach, które mają najsłabiej opublikowane dane, co koreluje ze starszymi pozycjami katalogowymi, producentami drugiego szeregu i niedawno przejętymi liniami produktowymi — czyli z tą samą populacją, która najczęściej niesie ryzyko cyklu życia.
• Są ciche. Brakujący parametr daje pewną siebie odpowiedź zbudowaną na tych parametrach, które akurat były dostępne. Nic w wyniku nie odróżnia wartości pobranej od wartości wywnioskowanej.
• Przechodzą przez przegląd. Inżynierowie weryfikują te parametry, które uznają za krytyczne. Status cyklu życia, minimalna wielkość zamówienia i certyfikacja regionalna często nie trafiają na tę listę na etapie schematu — a to właśnie tych pól najczęściej brakuje w zapisach czytelnych maszynowo.

Dane Weidmuller wyostrzają problem momentu decyzji: 43% inżynierów finalizuje dobór komponentów na etapie wczesnej koncepcji lub projektu schematu, a kolejne 26% wybiera iteracyjnie na przestrzeni wielu etapów. Dobór odbywa się wcześnie — wtedy, gdy odpowiedź asystenta ma najmniejszą szansę na skonfrontowanie z danymi dystrybutora na żywo, i wtedy, gdy koszt późniejszej zmiany zaczyna się piąć w górę.

Z jakich narzędzi inżynierowie faktycznie korzystają?

Nad ogólnymi asystentami uformowała się warstwa branżowa i warto ją znać, bo to te narzędzia pośredniczą dziś między Twoim katalogiem a decyzją Twojego klienta.

• Flux pozyskał w lutym 2026 roku 37 mln USD — rundę B na 27 mln USD prowadzoną przez 8VC plus nieujawnianą wcześniej rundę A na 10 mln USD — na copilota AI, który planuje layouty, dobiera komponenty i testuje projekty na podstawie poleceń w języku naturalnym. Wydania z 2026 roku dodały projektowanie świadome zaopatrzenia, z cenami i dostępnością w czasie rzeczywistym.
• Luminovo z Monachium uruchomiło w styczniu 2026 roku ElectronicsGPT: agenta do zaopatrzenia w elektronikę, który wyszukuje komponenty wraz z ich danymi technicznymi, zamiennikami i informacjami o łańcuchu dostaw.
• CELUS, również z Monachium, generuje schematy na podstawie wymagań w oparciu o swoją bazę wiedzy o komponentach CUBO i zaprezentował dopasowywanie komponentów oparte na AI na targach embedded world 2026.
• Cofactr pozyskał rundę A na 17 mln USD prowadzoną przez Bain Capital Ventures na zaopatrzenie ograniczane kryteriami dostawców, regulacjami i polityką wewnętrzną — lotnictwo, obronność, robotyka i medtech.
• Parspec, w branży materiałów budowlanych, pozyskał w lipcu 2025 roku rundę A na 20 mln USD; jego modele wyciągają wymagania produktowe z rysunków i specyfikacji oraz układają ranking zgodnych produktów z katalogu liczącego ponad sześć milionów pozycji, generując oferty, dokumentację do zatwierdzenia i pakiety O&M.

Wspólna struktura wiele mówi. Każde z tych narzędzi jest warstwą interpretacji nałożoną na dane producenta, których samo nie posiada. Ich sufit dokładności to jakość Twoich danych. Kiedy nie potrafią rozpoznać Twojego komponentu, rozpoznają komponent konkurencji — a inżynier nigdy się nie dowie, które części po cichu wypadły.

Co producent musi publikować, żeby zyskać zaufanie w tej pętli?

Mniej więcej w kolejności opłacalności:

1. 01Strony katalogowe renderowane po stronie serwera, czytelne dla klienta nieprzeglądarkowego. Gdy Partsgraph zaudytował w sierpniu 2026 roku 984 domeny dystrybutorów i producentów na całym świecie, 38% nie zwróciło standardowemu klientowi nieprzeglądarkowemu niczego użytecznego, a mediana wskaźnika widoczności dla AI wyniosła 50 na 100. To najtańsza naprawa i zarazem najczęstsza usterka.
2. 02Parametry jako ustrukturyzowane pola z jednostkami, tolerancjami i warunkami pomiaru — nie jako obrazek tabeli, nie jako proza, nie wyłącznie w PDF.
3. 03Status cyklu życia jako dane. Aktywny, NRND, data last-time-buy, data wycofania z produkcji. Asystenci z przekonaniem rekomendują wycofane komponenty, bo nic im nie powiedziało inaczej.
4. 04Zgodność i certyfikacja jako pola. RoHS, REACH SVHC, status UKCA i CE, kwalifikacja AEC-Q lub równoważna, kraj pochodzenia. W materiałach budowlanych: klasyfikacja ogniowa, certyfikacja przez jednostkę zewnętrzną, deklarowane właściwości użytkowe.
5. 05Jawne relacje zamienności i równoważności. Jeśli nie publikujesz, co Twoje komponenty zastępują i co zastępuje je, asystent będzie zgadywał — a jego zgadywanie zostanie ocenione pod kątem wiarygodności, a nie kwalifikacji.
6. 06Droga na żywo do pytań, które się zmieniają. Stanu magazynowego, czasu dostawy i ceny nie da się obsłużyć z crawla. Serwer Model Context Protocol firmy Microchip, opublikowany w listopadzie 2025 roku, udostępnia klientom AI bezpośrednio zweryfikowane specyfikacje produktów, karty katalogowe, stany magazynowe, ceny i czasy dostaw. Lista producentów, którzy to robią, jest wciąż bardzo krótka — w tym samym audycie 984 domen żadna nie ogłaszała endpointu MCP, podczas gdy podmioty trzecie zbudowały nieoficjalne nakładki MCP na publiczne API największych dystrybutorów, żeby wypełnić lukę. Ktoś udostępni Twój katalog agentom. Równie dobrze możesz to być Ty.

Uczciwa granica

Nic z tego nie czyni asystenta kompetentnym inżynierem. W badaniu Weidmuller inżynierowie wskazywali wykrywanie błędów w czasie rzeczywistym i naprawdę autonomiczne projektowanie jako brakujące zdolności, a około 80% uznało niezawodność i trwałość za najważniejsze kryterium doboru komponentów wobec zaledwie 22%, dla których priorytetem jest cena. Taka struktura wartości opiera się automatyzacji, bo koszt pomyłki jest asymetryczny i ujawnia się dopiero po latach.

Ale to argument o tym, kto zatwierdza, a nie o tym, kto proponuje. Propozycja już się przeniosła. Inżynier, który kiedyś otwierał cztery serwisy dystrybutorów, dziś otwiera jednego asystenta — a komponenty, które pojawią się w tej odpowiedzi, to komponenty brane pod uwagę. Jeśli Twoje dane nie są w stanie utrzymać poprawnej odpowiedzi, nie zostajesz odrzucony — po prostu nie zostajesz wymieniony.

Bezpłatny grader pod adresem [/audit](/audit) pokazuje, co asystent odczytuje dziś z Twojego katalogu i w których z Twoich komponentów się myli.