Kicad Master · 28 October 2026

KiCad 10 face au PCB assisté par IA : où en est vraiment le concepteur en 2026

KiCad 10.0.0 est sorti en mars 2026, et depuis, les annonces d’outils « IA-native » pleuvent. Entre un Konnect qui branche Claude sur votre PCB via MCP, des benchmarks qui promettent monts et merveilles et une documentation officielle qui ne prononce pas le mot « IA », le concepteur se demande légitimement s’il doit revoir son workflow. Enquête sur ce qui marche vraiment, ce qui relève de la démo, et ce que ça coûte.

Le PCB en 2026 : pourquoi l’IA sort enfin du bac à sable

Il faut se souvenir d’où l’on part. Pendant des années, « IA dans l’EDA » rimait avec autorouteur des années 2000 et promesses de salon. Puis deux choses se sont produites, presque simultanément. D’un côté, KiCad 10.0.0 a été publié en mars 2026, et la série 10.x s’est ensuite déclinée à un rythme soutenu : 10.0.6 annoncée le 29 août 2026, 10.0.7 en release candidate 1 le 27 septembre puis en RC2 le 3 octobre. Autrement dit, une base logicielle stable, documentée, et sur laquelle des tiers peuvent raisonnablement construire.

De l’autre côté, un écosystème d’outils IA s’est structuré autour de cette base. Le plus visible : Konnect, un plugin natif pour KiCad 10 écrit en Rust, qui transforme Claude en assistant de schématique et de routage via le Model Context Protocol (MCP) — c’est du moins ce qu’annonce le dépôt mixelpixx/Konnect. Un article Adafruit daté du 26 octobre 2026 traite d’ailleurs explicitement de « AI-assisted PCB design for KiCAD 10 using MCP ». Et côté presse spécialisée, la question est posée frontalement : Hackaday titrait dès le 5 septembre 2026 « Can AI Now Design PCBs That Just Work? ».

Voilà le décor. La question centrale de ce dossier n’est pas « l’IA va-t-elle changer le PCB ? » — la réponse est oui, à terme. Elle est : le concepteur KiCad d’aujourd’hui doit-il changer son workflow, ou assiste-t-on à un décalage entre promesses marketing et réalité outillée ? Notre méthode : confronter les annonces aux artefacts vérifiables — dépôts, documentation officielle, benchmarks publiés — et proposer une grille de décision concrète plutôt qu’un enthousiasme ou un scepticisme de principe.

Ce que KiCad 10 embarque (et n’embarque pas) en matière d’IA

Commençons par le socle. La page d’accueil officielle kicad.org décrit KiCad comme un logiciel de CAO électronique complet : éditeur de schémas supportant des designs hiérarchiques à plusieurs centaines de feuilles, bibliothèque officielle de milliers de symboles, simulateur SPICE intégré, ERC (Electrical Rules Checker), éditeur PCB avec routeur interactif, visionneuse 3D avec raytracer. La documentation 10.0 corrobore cette base. La revue de Tech Explorations met en avant les nouveautés de la version 10 : tuning haute vitesse, variantes de composants, et autres améliorations de workflow.

Ce que cette même documentation ne mentionne pas, en revanche, c’est l’IA. Pas de placement par apprentissage par renforcement revendiqué, pas de routage « intelligent », pas de copilote LLM intégré, pas de génération de schéma depuis un prompt. Le routeur de KiCad reste ce qu’il a toujours été : interactif, puissant (push-and-shove, walk-around), mais piloté par l’humain. C’est un fait négatif notable, et il structure tout le reste de ce dossier : KiCad 10 est un socle ouvert, pas un produit IA.

Attention cependant à ne pas surinterpréter cette absence. La page d’accueil du projet affiche un copyright figé (2018-2020) et n’est manifestement pas le lieu où le projet communique sur ses releases récentes — c’est le blog qui joue ce rôle. L’absence de mention IA sur la home n’est donc pas une preuve que le projet rejette l’IA ; c’est simplement la preuve qu’il ne la revendique pas comme fonctionnalité produit. La distinction est importante : KiCad parie sur l’ouverture (API, plugins, formats) plutôt que sur des fonctions IA maison. C’est un choix d’architecture, pas un déni technologique.

Le financement confirme cette logique de fondation : KiCad est hébergé et financé via The Linux Foundation, avec des dons défiscalisés aux États-Unis (statut 501(c)(6)). Un projet à but non lucratif, dont la feuille de route est tirée par la communauté et les besoins des utilisateurs — pas par un service commercial d’IA à vendre.

MCP, Konnect et compagnie : la vraie porte d’entrée de l’IA dans KiCad

Si KiCad n’intègre pas l’IA, comment celle-ci entre-t-elle dans le workflow ? Par la périphérie. Et il faut distinguer trois couches, souvent confondues dans le discours marketing.

Couche 1 — l’API et le scripting Python. KiCad expose depuis longtemps un socle d’automatisation (pcbnew côté Python, plus les formats de fichiers ouverts). C’est la brique historique, celle sur laquelle reposent les plugins de stitching de vias, les scripts de génération de plans de masse, les outils de vérification maison. Rien d’IA là-dedans, mais tout le reste en dépend : sans API stable, pas de plugin, pas de serveur MCP, pas d’assistant.

Couche 2 — le Model Context Protocol (MCP). C’est la nouveauté 2026. MCP est un protocole qui permet à un LLM (Claude, ou un autre) d’appeler des outils externes de façon structurée. Branché sur KiCad, il permet à un modèle de « voir » le design (netlist, placement, règles) et de proposer ou d’exécuter des actions via l’API. C’est exactement ce que fait Konnect : un plugin natif Rust qui sert de pont entre Claude et KiCad 10 via MCP. Un article de DevTrends daté du 7 septembre 2026 décrit précisément ce montage : « Konnect — un plugin natif pour KiCad 10 en Rust, qui transforme Claude en assistant de schématique et de routage PCB via MCP ».

Couche 3 — les démos et prototypes. C’est ici que la prudence s’impose. Un dépôt GitHub existe, un article de blog existe, mais nous n’avons aucune donnée indépendante sur la maturité, l’adoption réelle, la licence, ou le taux d’erreur de Konnect. Une source secondaire (fellow.news relayant GitHub) ne suffit pas à établir qu’un outil est prêt pour la production.

La leçon pratique : l’IA n’entre pas « dans » KiCad, elle s’y branche. Et ce branchement passe par un protocole (MCP) et une API (Python), pas par une case à cocher dans un menu. C’est une bonne nouvelle pour la robustesse (on peut débrancher), une mauvaise pour l’utilisateur pressé (il faut configurer, maintenir, comprendre).

Placement, routage, DRC : ce que l’IA fait vraiment (et ce qu’elle ne fait pas encore)

Décomposons les briques annoncées, une par une, en distinguant principe, entrées/sorties et autonomie réelle.

Placement automatique par RL/optimisation. Principe : un modèle apprend à positionner les composants pour minimiser longueur de pistes, congestion, thermique. Entrées : netlist, contraintes mécaniques, règles. Sorties : coordonnées de placement. Autonomie : suggestion — l’outil propose, l’humain valide et ajuste. Statut dans KiCad 10 : pas de placeur IA intégré ; des approches existent en recherche et dans des outils tiers, mais rien de revendiqué par le projet.

Routage assisté. Principe : router automatiquement ou semi-automatiquement en respectant les règles. Entrées : placement figé, règles DRC, stackup. Sorties : pistes, vias. Autonomie : exécution partielle, avec relecture obligatoire. Statut : le routeur de KiCad reste interactif — c’est un fait confirmé par la documentation officielle. L’autoroutage existe côté tiers (Freerouting, par exemple), mais un rapport de bug GitHub de fin août 2026 signale que Freerouting 2.3.0 produit des routes avec des violations de clearance auto-déclarées, là où la 2.2.4 routait proprement. Autrement dit : même l’autoroutage « classique » n’est pas fiable à 100 %, alors un autoroutage « IA »…

Génération de schémas depuis description. Principe : un LLM génère un schéma à partir d’un prompt. Entrées : texte. Sorties : netlist/schéma. Autonomie : suggestion forte, avec un taux d’erreur élevé attendu sur des circuits non triviaux. Statut : démonstrations, prototypes ; rien d’intégré à KiCad.

DRC intelligente. Principe : un modèle détecte des problèmes que les règles classiques ratent (couplages, thermique, intégrité signal). Entrées : layout + règles. Sorties : alertes. Autonomie : suggestion. Statut : recherche ; pas de fonction revendiquée dans KiCad 10.

Recherche de composants. Principe : trouver le bon composant (stock, prix, équivalence) depuis un prompt. Entrées : description. Sorties : références. Autonomie : suggestion, faible risque. Statut : c’est probablement la brique la plus mûre et la moins risquée, mais elle sort du périmètre strict de KiCad (elle vit dans les distributeurs et les outils tiers).

Le constat transversal est net : l’IA agit aujourd’hui surtout en amont — préparation, contraintes, suggestions, exploration — plutôt qu’en exécution finale. Le geste de routage, la décision de placement finale, la validation DRC restent humains. Ce n’est pas un défaut : c’est cohérent avec la nature du métier, où une erreur coûte un respin.

Quilter, PCBWorld, benchmarks : ce que les chiffres disent (et ne disent pas)

C’est ici qu’il faut être le plus rigoureux, car c’est ici que le marketing est le plus bruyant. Que savons-nous réellement ?

Un benchmark public existe et est cité dans nos sources : PCBWorld, un « Benchmark Environment for Engine-Grounded PCB Design Automation », présenté à un workshop KDD 2026 (PDF). C’est un artefact académique sérieux, qui a le mérite d’exister et d’être citable. En revanche, nous ne disposons pas, dans notre matière, des scores chiffrés produits par ce benchmark — ni temps de routage, ni taux de complétion, ni DRC pass rate, ni nombre de vias. Il serait malhonnête de les inventer.

Concernant Quilter AI, il faut le dire clairement : nos sources ne contiennent aucune donnée vérifiable — ni levée de fonds, ni version produit, ni benchmark publié, ni tarif de licence. Les comparaisons « Quilter vs Altium vs KiCad » qui circulent relèvent, à notre niveau d’information, du discours commercial ou de la reprise en cascade. Ce n’est pas un jugement sur Quilter, c’est un constat sur l’état de la preuve publique accessible.

Ce que l’on peut comparer, en revanche, c’est le coût des outils établis. Altium Designer reste à 3 850–5 000 USD par utilisateur et par an, avec une formation à 1 000–2 000 € par personne, soit plus de 175 000 USD sur trois ans pour cinq postes formation incluse. KiCad, lui, est gratuit et open source. Cette asymétrie économique est le vrai moteur de l’adoption de KiCad — et, par ricochet, de l’intérêt pour des greffons IA peu coûteux.

La conclusion méthodologique est simple : ce qui est comparable, c’est le coût et l’ouverture ; ce qui ne l’est pas encore, c’est la performance IA. Tout chiffre précis sur « Quilter bat Altium de X % » doit être accueilli avec la même prudence qu’un communiqué de presse — tant qu’aucune reproduction indépendante n’est publiée.

Le coût caché de l’IA : temps, licences, et dette de confiance

Passons à l’économie réelle. Un outil IA « gratuit » n’est jamais gratuit. Il coûte en temps de mise en place (installer un serveur MCP, configurer un plugin, gérer les versions), en temps de nettoyage (les sorties LLM sont bruitées, il faut les corriger), et en temps de vérification (relire chaque proposition, relancer la DRC, valider les placements). Sur un design complexe, ce coût de vérification peut dépasser le gain.

Il y a aussi la dette de confiance. Un plugin tiers, c’est une dépendance : s’il casse à la prochaine release (et KiCad bouge vite — 10.0.6 en août, 10.0.7 en octobre), votre workflow s’arrête. La reproductibilité en souffre : un design généré par IA est-il reproductible ? Traçable ? Un auditeur pourra-t-il remonter la chaîne de décision ? Ce sont des questions que se posent déjà les équipes certifiées.

Enfin, il y a le coût d’opportunité. Le temps passé à configurer un assistant IA est du temps non passé à apprendre le push-and-shove, à maîtriser les règles DRC, à comprendre l’intégrité signal. Or ces compétences restent, aujourd’hui, ce qui distingue un bon layout d’un mauvais.

Quand l’IA fait gagner du temps — et quand elle en coûte : la grille de décision

Voici une grille opérationnelle, à utiliser avant d’adopter un outil IA dans un flux KiCad.

Questions à se poser :

1. Complexité du design — nombre de couches, contraintes RF, densité. Plus c’est simple, plus l’IA est utile (exploration de placement, variantes). Plus c’est critique, plus elle est risquée.
2. Maturité du projet — un prototype exploratoire tolère l’erreur ; un produit certifié non.
3. Tolérance au risque — un respin coûte cher ; un prototype, moins.
4. Disponibilité des données — un LLM généraliste n’a pas vu votre bibliothèque maison ; un outil entraîné sur vos designs, si.
5. Traçabilité requise — si vous devez justifier chaque décision, l’IA complique.

Cas où l’IA accélère : exploration de placement (générer 10 variantes, choisir), génération de variantes de schéma, recherche de composants, préparation de contraintes, documentation automatique.
Cas où elle ralentit : design critique (RF, haute vitesse), certification, faible volume où le coût de mise en place n’est jamais amorti, projets où la reproductibilité est exigée.

La règle pratique : expérimenter en périphérie, jamais sur le chemin critique.

Ce que ça change pour le métier : compétences, validation, rôle du concepteur

Le déplacement est déjà là, même sans IA : le concepteur passe de plus en plus de temps à spécifier (contraintes, règles, intentions) et à vérifier (DRC, relecture, validation), et de moins en moins à saisir. L’IA accélère ce glissement. Ce n’est pas une menace, c’est une redistribution.

Ce qui devient critique : la validation humaine et la traçabilité. Si un LLM propose un placement et que vous l’acceptez, qui est responsable ? La réponse, en 2026, est sans ambiguïté : vous. D’où l’importance de documenter les décisions assistées, de conserver les versions, de savoir reproduire un design.

Ce qui reste irréductiblement humain : l’intention de conception (pourquoi ce composant ici, pourquoi cette marge), l’arbitrage coût/performance/faisabilité, la compréhension du contexte produit. Un LLM ne sait pas que votre client a une contrainte mécanique non écrite, ni que votre fabricant a une préférence de stackup. Ces choses-là ne sont pas dans le prompt.

La suite : ce qu’il faut surveiller dans les 12 prochains mois

Quelques signaux à suivre, sans boule de cristal.

La feuille de route KiCad 10.x. Le rythme des releases (10.0.6, 10.0.7 RC2) montre un projet actif. La question : KiCad intégrera-t-il un jour des fonctions IA natives, ou continuera-t-il à parier sur l’ouverture ? La KiCon Asia 2026 à Shenzhen, du 5 au 7 novembre 2026, sera un bon baromètre des intentions de la communauté.

L’adoption de MCP par d’autres outils. Si MCP devient un standard de fait dans l’EDA, l’écosystème IA se structurera autour de lui. Sinon, Konnect restera une curiosité.

Les benchmarks indépendants. PCBWorld existe ; il faut espérer des reproductions, des comparaisons tierces, des retours d’utilisateurs chiffrés. Tant que ce n’est pas le cas, les scores marketing resteront invérifiables.

La maturation de Konnect. Un dépôt GitHub ne fait pas un produit. À suivre : licence, releases, issues, adoption réelle.

Recommandations pratiques : expérimentez en périphérie (prototypes, side-projects), ne bloquez jamais un projet critique sur un outil non validé, documentez vos workflows IA (versions, prompts, décisions), et gardez vos compétences de layout classique — elles restent votre valeur.

L’IA PCB en 2026 est un accélérateur d’exploration, pas encore un substitut au concepteur. KiCad 10 est un socle solide ; l’IA s’y branche, mais ne le remplace pas. Le concepteur qui gagne aujourd’hui est celui qui sait quand brancher — et quand débrancher.

Sources

• KiCad — Schematic Capture & PCB Design Software
• Version 10.0.0 Released | KiCad
• Release Notes — KiCad
• Download — KiCad
• Documentation KiCad 10.0
• KiCad — Wikipedia
• KiCad 10 review: new features, high-speed tuning, variants, and more — Tech Explorations
• Can AI Now Design PCBs That Just Work? — Hackaday (5 sept. 2026)
• PCBWorld: A Benchmark Environment for Engine-Grounded PCB Design Automation (KDD 2026 workshop)
• KiCad Ecosystem Explained — AIVON
• awesome-kicad — GitHub
• Konnect — GitHub (mixelpixx/Konnect)
• AI-assisted PCB design for KiCAD 10 using MCP — Adafruit (26 oct. 2026)
• Как подключить Claude к KiCad 10 — DevTrends (7 sept. 2026)
• KiCad 10.0.6 Release — kicad.org (29 août 2026)
• KiCad Version 10.0.7 Release Candidate 2 Available — kicad.org (3 oct. 2026)
• KiCon Asia 2026 Announcement — kicad.org (16 sept. 2026)

Article recherché et rédigé automatiquement · Magazine Electrosens