Electrosens R&D

KiCad et l’IA en 2026 : copilots, routeurs et générateurs — l’écosystème qui a encerclé le logiciel libre

Electrosens Kicad Master · 4 September 2026

KiCad 10.0.6 et l’IA : l’écosystème a mûri, le noyau reste humain

En cette rentrée 2026, KiCad demeure obstinément sans IA native — l’équipe de développement le confirme sur son forum, invoquant le manque de temps et la spécialisation requise. Pourtant, jamais un outil de CAO électronique open source n’aura été autant entouré, voire assiégé, par une galaxie d’outils intelligents : serveurs MCP, routeurs GPU, copilots de revue, générateurs d’empreintes. Ce paradoxe est au cœur de notre panorama : comprendre comment l’IA s’est branchée *autour* de KiCad, ce qui fonctionne vraiment dans un flux professionnel, et ce qui relève encore du prototype séduisant.

L’IA n’a pas conquis KiCad, elle l’a encerclé

Il faut le dire d’emblée : en septembre 2026, KiCad n’embarque aucune fonctionnalité d’intelligence artificielle native. Un membre du forum officiel, identifié sous le pseudonyme marekr, résume la position du projet : les développeurs n’ont aucun travail en cours sur l’intégration d’IA ou de LLM, principalement par manque de temps et de financement. Les LLM locaux exigent des ressources matérielles considérables (RAM, GPU) et les LLM cloud sont trop coûteux pour un projet open source. À cela s’ajoute un obstacle structurel : le manque de données d’entraînement de qualité, les designs commerciaux restant fermés.

Ce refus assumé n’a pourtant pas freiné l’écosystème. Bien au contraire. Depuis la sortie de KiCad 8, présenté en 2026 comme « assez mature pour les projets professionnels », puis l’arrivée de KiCad 9 avec une API de scripting Python plus robuste, et enfin la série 10.0.x — dont la version 10.0.6, disponible depuis l’été 2026, constitue le dernier correctif stable —, les briques techniques se sont empilées. L’API Python (module pcbnew) permet l’automatisation de tâches comme la génération de BOM, la vérification d’empreintes ou l’export Gerbers. Les formats de fichiers texte de KiCad (.kicad_sch, .kicad_pcb) se prêtent au parsing direct. Et surtout, des datasets publics ont commencé à nourrir les modèles.

Le plus emblématique est Open Schematics, publié sur Hugging Face par Bhupendra Hada (bshada) : plus de 84 000 schémas KiCad, pesant 6,67 Go au format Parquet, sous licence CC-BY-4.0. Chaque entrée contient le fichier .kicad_sch brut, un rendu PNG, la liste des composants et des métadonnées JSON/YAML. C’est la matière première qui manquait pour entraîner des modèles à comprendre la syntaxe des schémas électroniques. Ajoutez à cela la maturation des modèles open source spécialisés et l’émergence du Model Context Protocol (MCP) — un standard qui permet à des agents IA de dialoguer avec des outils — et vous obtenez un terreau fertile.

Ce que cet article va dérouler : une typologie des outils IA réellement opérationnels en 2026, un comparatif honnête de leurs forces et faiblesses, des modes d’intégration concrets avec KiCad 10.0.6, et une grille de décision pour choisir sans casser sa chaîne de conception.

Copilots, routeurs, générateurs : la galaxie IA qui gravite autour de KiCad

Pour s’y retrouver, il faut distinguer quatre familles d’outils, qui n’ont ni le même degré de maturité ni la même intégration.

Source : forum.kicad.info

1. Les routeurs assistés par IA. Ce sont les plus médiatisés. DeepPCB — dont la chronologie précise de lancement reste floue, mais qui s’est imposé comme la référence du routage par deep learning — et Quilter, qui fonctionne sur des fichiers de board exportés, et non en interne dans KiCad. Le principe : on exporte son .kicad_pcb, l’outil analyse le design, route les pistes avec des algorithmes d’apprentissage, puis on réimporte le résultat. Le gain annoncé est spectaculaire : des sessions de routage qui passent de 3 heures à moins de 10 minutes. Nous y reviendrons en détail.

2. Les copilots de revue de schémas et de layout. Ici, l’IA ne route pas : elle relit. Traceformer se présente comme un vérificateur de schémas pour KiCad et Altium. kicad-happy intègre les capacités de Claude AI dans le flux KiCad : analyse de schéma, téléchargement de datasheets, sourcing de composants. Ces outils détectent des connexions flottantes, des valeurs suspectes, des problèmes d’empreintes. Leur atout : ils s’intègrent dans une étape de revue qui, sans eux, mobilise un ingénieur senior pendant des heures.

3. Les générateurs de scripts et d’empreintes. L’IA sert ici à automatiser les tâches répétitives : génération de footprints conformes IPC-7351, création de symboles à partir de datasheets, scripts Python pour la BOM ou l’export Gerbers. L’API Python de KiCad 10.0.6 est le socle de cette famille. Un exemple concret : générer une bibliothèque complète de 50 composants à partir de fiches techniques, là où un bibliothécaire mettrait deux jours.

4. Les serveurs MCP (Model Context Protocol). C’est la nouveauté la plus structurante de 2025-2026. Un serveur MCP pour KiCad existe — plusieurs implémentations sont référencées, dont celle de Seeed-Studio sur Glama — et permet à des agents IA de contrôler le cycle de conception via des commandes en langage naturel. L’agent peut analyser des schémas, inspecter des PCB, tracer des connexions, valider des designs, voire générer du code embarqué. Concrètement, on peut demander à Claude ou à un autre LLM : « Vérifie que toutes les alimentations sont découplées sur cette carte » et l’agent va parcourir le projet, exécuter des scripts, et rendre un rapport.

Le degré de maturité varie fortement. Les routeurs sont opérationnels mais demandent une validation humaine systématique. Les copilotes de revue sont utiles mais génèrent des fausses alertes. Les générateurs d’empreintes sont les plus fiables car la tâche est bien bornée. Les serveurs MCP sont prometteurs mais encore expérimentaux — le statut d’ALT TAB Circuit Copilot est d’ailleurs explicitement marqué « experimental » en 2026.

Routage assisté par IA : quand la machine trace mieux que l’humain (parfois)

Parlons routeurs, puisque c’est là que les promesses sont les plus fortes. DeepPCB et Quilter abordent le problème différemment. DeepPCB s’appuie sur des réseaux de neurones entraînés sur des milliers de designs pour prédire des chemins de routage optimaux. Quilter, lui, travaille sur des fichiers exportés — il parse le .kicad_pcb, route, puis fournit un fichier modifié à réimporter. Aucun des deux ne tourne en interne dans KiCad : c’est une contrainte, mais aussi une garantie de non-ingérence dans le logiciel.

Les forces sont réelles. Sur une carte 6 couches avec un FPGA en BGA, le fanout — cette étape où l’on sort les pistes des pastilles du boîtier — est un travail fastidieux que les routeurs IA expédient en quelques minutes. Les algorithmes gèrent les contraintes de vitesse, les paires différentielles, les longueurs. Le gain de temps annoncé est de l’ordre de 3 heures à moins de 10 minutes pour un routage complet. Un chiffre à prendre avec précaution, car il provient des éditeurs eux-mêmes, mais l’ordre de grandeur est cohérent avec les retours d’utilisateurs.

Les limites sont tout aussi nettes. D’abord, l’export/import casse le flux : il faut maintenir la synchronisation entre le projet KiCad et l’outil externe, ce qui interdit les allers-retours itératifs. Ensuite, les résultats doivent être vérifiés piste par piste — un routeur IA peut produire un routage esthétiquement parfait mais électriquement discutable (via non découplée, impédance mal gérée). Enfin, aucun benchmark indépendant et chiffré n’existe encore en 2026. Les éditeurs publient des démos impressionnantes, mais on manque de données comparatives solides sur des designs variés. C’est un vrai problème pour les équipes qui doivent justifier un abonnement.

Un cas d’usage concret : un backplane avec 8 192 airwires, 17 600 pads et 16 connecteurs — le genre de design qui « stoppait les routeurs traditionnels dans leur élan », comme le rapporte Hackaday à propos d’un autorouteur GPU récent. Ce type de carte, qui demanderait des mois de travail manuel, est désormais routé en quelques heures par des outils accélérés GPU. Mais attention : ces monstres de complexité sont aussi ceux où une erreur coûte le plus cher. La validation humaine reste non négociable.

Côté open source, Freerouting continue de s’améliorer et s’intègre désormais nativement dans KiCad 10 via un plugin. L’article de rottenwifi.com (août 2026) détaille comment configurer les règles, placer les composants, puis lancer les modes Walk Around et Shove avant de valider avec le DRC. C’est une alternative crédible aux routeurs commerciaux, même si la qualité des résultats reste inférieure sur les designs très denses.

La revue de conception sous stéroïdes : copilots et vérificateurs IA

La revue de schémas est historiquement une tâche de senior : il faut des années d’expérience pour repérer qu’une résistance de pull-up est mal connectée, qu’une masse analogique est polluée, ou qu’un découplage est insuffisant. Les copilots IA de 2026 ne remplacent pas ce regard, mais ils le démultiplient.

Source : aihealth.fr

Traceformer se positionne comme un vérificateur de schémas pour KiCad et Altium. Il analyse le fichier .kicad_sch, détecte les connexions flottantes, les valeurs aberrantes, les problèmes de footprint. kicad-happy va plus loin en intégrant Claude AI : il peut non seulement analyser le schéma, mais aussi télécharger les datasheets des composants pour vérifier les recommandations d’application, et même proposer des alternatives de sourcing. C’est un assistant de conception complet, qui transforme la revue en dialogue.

Les serveurs MCP ajoutent une couche supplémentaire : ils permettent à un agent IA de modifier le projet, pas seulement de le lire. On peut demander : « Ajoute un découplage de 100 nF sur chaque pin d’alimentation de l’U3 » et l’agent va exécuter les commandes appropriées via l’API. Le temps de revue passe de plusieurs heures à « quelques minutes à une heure », selon les retours d’usage de 2026.

Les limites sont connues : les fausses alertes. Un copilote qui signale 47 problèmes sur un schéma dont 45 sont des faux positifs, c’est un ingénieur qui passe 30 minutes à tout vérifier pour finalement ne corriger que deux choses. Le risque est l’« alarm fatigue » : à force de crier au loup, l’outil finit par être ignoré. La parade, c’est la configuration : les bons outils permettent de régler la sensibilité, d’exclure certaines classes de composants, d’apprendre des validations précédentes. Mais cela demande un investissement initial.

Autre piège : la revue IA ne comprend pas le contexte. Un schéma peut être techniquement correct mais conceptuellement discutable — un mauvais choix de topologie, une marge de sécurité insuffisante. L’IA ne remplace pas l’architecte qui comprend pourquoi le circuit est fait ainsi. Elle est un filet de sécurité, pas un concepteur.

Générateurs d’empreintes et scripts : l’IA au service de la bibliothèque

C’est la famille la moins glamour, mais la plus utile au quotidien. Créer des empreintes conformes IPC-7351 est un travail de patience : il faut lire la datasheet, calculer les tolérances, dessiner le copper, définir le silkscreen, vérifier les distances. Les générateurs IA de 2026 automatisent une grande partie de ce flux.

Le principe : on fournit la référence du composant (ou sa datasheet), l’IA génère le footprint, le symbol, et les associe. L’API Python de KiCad 10.0.6 — via le module pcbnew — est le socle technique. Les scripts générés par IA peuvent aussi automatiser des tâches connexes : génération de BOM, vérification de design rules, export Gerbers. L’article d’electronicsdesign.au de juillet 2026 montre comment intégrer ces scripts dans une chaîne CI/CD : chaque commit déclenche une vérification automatique du design, avec des règles personnalisées.

Le dataset Open Schematics joue ici un rôle clé : en fournissant 84 000 schémas annotés, il permet d’entraîner des modèles à comprendre la structure des designs KiCad. Un générateur entraîné sur ces données peut prédire le footprint approprié pour un composant donné, ou détecter des incohérences entre le schéma et le layout.

Les résultats sont bons, mais pas parfaits. La conformité IPC-7351 est généralement respectée pour les composants standards (résistances, condensateurs, connecteurs), mais les cas exotiques — BGA à pas fin, composants à montage en fond de boîtier — demandent encore une intervention humaine. Le taux de conformité exact n’est pas publié par les éditeurs, et aucun benchmark indépendant n’existe à ce jour. C’est un domaine où la prudence s’impose : une empreinte erronée, c’est une carte inutilisable.

L’embedding : la révolution silencieuse qui change tout

Au-delà de l’IA, c’est peut-être l’embedding qui transforme le plus profondément le workflow KiCad en 2026. Introduit discrètement dans KiCad 9, il permet d’incorporer directement symboles, empreintes et modèles 3D dans le fichier projet. Avec KiCad 10, cette capacité est devenue un pilier de l’écosystème.

Source : theconversation.com

Concrètement, fini les fichiers orphelins : quand vous partagez un projet, tout est dans le .kicad_pcb ou le .kicad_sch. La portabilité est totale, et la collaboration s’en trouve simplifiée. Pour Git, c’est une bénédiction : plus besoin de gérer des bibliothèques externes versionnées séparément, le projet est autonome. L’article de notre magazine sur le versioning le souligne : « l’embedding est la révolution silencieuse qui change tout pour Git ».

Cela a aussi un impact sur l’IA : les modèles peuvent désormais s’entraîner sur des fichiers complets, sans avoir à résoudre des dépendances externes. Open Schematics en profite directement.

La bibliothèque CERN : 17 000 composants validés qui changent la donne

Le 12 mai 2026, le CERN a officialisé la publication de sa bibliothèque interne de composants électroniques pour KiCad. Plus de 17 000 symboles et empreintes, patiemment accumulés et validés par le Bureau de Conception Électronique du laboratoire. C’est un événement majeur pour l’écosystème.

La valeur ajoutée du CERN réside dans son processus de validation : chaque composant est vérifié selon des critères stricts (conformité aux datasheets, tolérances, distances de sécurité). C’est un niveau de fiabilité que ni la bibliothèque officielle ni les bibliothèques communautaires n’atteignent systématiquement. Pour les équipes professionnelles, c’est un gain de temps considérable : la confiance dans les composants de base est établie, et l’IA peut s’appuyer sur ces données propres pour générer des designs plus sûrs.

L’intégration dans KiCad 10.0.6 est simple : il suffit d’ajouter le chemin de la bibliothèque dans les préférences. Et pour les générateurs d’empreintes IA, c’est une mine d’or : 17 000 exemples validés pour l’entraînement.

Git et collaboration : le workflow moderne

Le versioning est devenu un standard pour les concepteurs KiCad en 2026. Le plugin kicad-git reste dans la course, mais l’écosystème s’est enrichi : CADLAB.io est passé en version officielle, et Kiri propose une revue visuelle des designs. L’embedding a simplifié tout cela : les fichiers sont autonomes, les diffs sont lisibles, et les fusions moins douloureuses.

Pour l’IA, Git est un allié : les modèles peuvent s’entraîner sur l’historique des modifications, apprendre des erreurs corrigées, et proposer des améliorations contextuelles. Certains outils commencent à exploiter cette richesse, même si c’est encore embryonnaire.

Perspectives : vers une maturité de l’écosystème

Où va-t-on ? Trois tendances se dessinent pour 2027.

D’abord, l’hybridation : les plugins open source et les plateformes cloud vont probablement converger. Les routeurs GPU comme PCB Auto Router (qui supporte KiCad et JLC EDA) montrent la voie : des outils spécialisés, accessibles à la demande, qui s’interfacent proprement avec KiCad.

Ensuite, la spécialisation des modèles : au lieu de LLM généralistes, on verra des modèles entraînés spécifiquement sur des données de conception électronique. Open Schematics et la bibliothèque CERN fournissent la matière première. Les générateurs d’empreintes et les vérificateurs de schémas deviendront plus fiables, avec moins de faux positifs.

Enfin, l’intégration native : même si KiCad ne mettra pas d’IA dans son noyau à court terme, l’API Python et le MCP permettent déjà une intégration profonde. Les serveurs MCP, encore expérimentaux, vont se stabiliser. Le jour où l’équipe KiCad décidera d’embarquer une couche IA, l’infrastructure sera prête.

En attendant, le message est clair : l’IA ne remplace pas l’ingénieur, elle le décharge des tâches répétitives. À condition de garder un œil critique sur chaque résultat, et de ne jamais déléguer la validation finale à une machine.

Sources

Article recherché et rédigé automatiquement · Magazine Electrosens
📬 Restez à la pointe
Recevez chaque semaine les nouveautés de ce magazine par email.
💬 Une remarque, une correction ?
Aidez-nous à améliorer cet article. Nous prenons en compte vos retours.

Laisser un commentaire

Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *