Kicad Master · 9 October 2026

IA et layout PCB en 2026 : ce que l’automatisation sait vraiment faire (et ce qui relève encore du demo-ware)

Quilter promet de transformer 428 heures de placement-routage en 38,5 heures de nettoyage humain. Freerouting 2.3.0, lui, produit des routes que son propre moteur de score signale comme violant les clearances. Entre les deux, KiCad 10.0.7 sort sa deuxième release candidate, et un plugin Rust fait discuter Claude avec votre éditeur de PCB via MCP. Où en est-on réellement ?

L’IA débarque dans le layout PCB : promesse ou mirage ?

Il y a une scène qui résume bien l’année 2026 dans la conception électronique. D’un côté, une page marketing qui annonce qu’un travail de layout « que des professionnels estimaient à 428 heures » a été bouclé en 38,5 heures de nettoyage humain grâce à une IA. De l’autre, un rapport de bug GitHub, daté du 28 août 2026, qui documente froidement que Freerouting 2.3.0 — l’autorouteur open source historique — « produit des routes que son propre scoring signale comme portant des violations de clearance », là où la version 2.2.4 routait proprement. Entre les deux, la réalité quotidienne des concepteurs.

L’IA générative et les autorouteurs dopés au machine learning ne sont plus une curiosité de laboratoire. Les start-ups EDA se sont multipliées depuis la popularisation de ChatGPT, Claude et LLaMA, comme le note le blog de JLCPCB, qui observe que ces modèles ont poussé tout un écosystème à chercher comment améliorer la productivité des concepteurs. Des noms reviennent : Quilter, DeepPCB, les outils dits « AI-native », les plugins qui greffent un assistant conversationnel sur KiCad. Les médias spécialisés en font leur innovation de l’année — electroniccomponent.com parle d’« AI-Driven PCB Layout » comme de la tendance 2026.

Mais la communauté open source, elle, reste prudente. Et pour cause : en 2023, rappelait JLCPCB, aucun système unique ne pouvait encore prendre en charge l’ensemble des tâches d’ingénierie et de conception PCB. Trois ans plus tard, la question n’est plus « est-ce que l’IA peut router une carte ? » mais « qu’est-ce qu’elle sait router, à quel coût, et avec quelle reproductibilité ? ». C’est cet état des lieux que nous dressons ici — en croisant ce que les éditeurs revendiquent, ce que les benchmarks publics disent (quand ils existent), et les signaux faibles qui circulent dans la communauté.

Des premiers pas académiques aux autorouteurs RL : la généalogie technique

Retraçons brièvement l’histoire, car elle éclaire ce qui est possible aujourd’hui. Le routage automatique n’est pas né avec les LLM : les autorouteurs heuristiques existent depuis les années 1980, et Freerouting (ex-Java Autorouter) est un pilier open source de longue date, intégré à KiCad via des passerelles. Ce qui a changé, c’est la nature du moteur de décision : on est passé de règles codées à la main (maze routing, rip-up and reroute, shove) à des modèles qui apprennent une politique de routage.

Les déclencheurs techniques sont identifiables. D’abord, la disponibilité de calcul GPU à coût raisonnable, qui rend entraînable un modèle sur des millions de cartes. Ensuite, les modèles de graphes (GNN), naturellement adaptés à une netlist — un circuit est un graphe, ses nœuds sont des composants, ses arêtes des connexions. Enfin, l’apprentissage par renforcement (RL), qui permet d’optimiser non pas « la complétion » mais un objectif composite : intégrité du signal, longueur, nombre de vias, surface.

Ce glissement d’objectif est central. Quilter le formule explicitement dans son blog : les autorouteurs traditionnels comme Altium ou Freerouting « optimisent pour la complétion, pas pour la qualité sans nettoyage manuel », et traitent les contraintes « comme des garde-fous plutôt que des objectifs ». C’est précisément ce que le RL permet de changer : transformer une contrainte (impédance, length matching, chemins de retour) en terme de la fonction de coût, plutôt qu’en vérification a posteriori.

Il faut ici être honnête sur les limites de notre documentation. Les jalons académiques précis — DeepPCB en 2019, les travaux de Google sur le placement de macro-cellules, les approches RL de Cadence (Cerebrus) — ne sont pas documentés dans les sources que nous avons pu recouper pour cet article. Ce que l’on peut affirmer, c’est que la transition du demo-ware au produit s’est jouée sur trois briques : GPU, modèles de graphes, RL. Le reste relève de la chronologie fine que les éditeurs ne publient pas.

Sous le capot : comment fonctionnent vraiment Quilter, DeepPCB et les autres

C’est le point aveugle de l’année. Interrogez les pages produit : vous trouverez des promesses, pas des architectures. Quilter revendique une approche « physics-driven » et « reinforcement-learning based », avec revue transparente des contraintes et génération de candidats intégrée au flux CAD existant. C’est à peu près tout ce qui est publiquement affirmé. Sur les architectures précises — transformers, GNN, diffusion models —, les données d’entraînement (netlists, contraintes, bibliothèques de composants) et le ratio exact entre heuristique classique et apprentissage dans la boucle de décision, aucune information vérifiable n’est disponible dans les sources publiques.

DeepPCB, de son côté, se présente sobrement comme une solution d’« AI PCB Routing for Engineering Teams » — routage PCB par IA pour équipes d’ingénierie. Là encore, pas de détail technique publié. Quant à Cadence Cerebrus, Synopsys DSO.ai ou Siemens Aprisa AI, ils appartiennent à une autre catégorie : ce sont des outils d’optimisation pour la conception de circuits intégrés (ASIC), pas pour le PCB. La confusion est fréquente dans les articles grand public, mais la distinction est structurante : optimiser un floorplan de macro-cellules sur un die n’a rien à voir avec router une carte quatre couches avec un connecteur USB-C et un régulateur à découpage.

Un point mérite d’être souligné, car il est rare : Quilter affirme ne pas s’entraîner sur les données de ses clients et utiliser « des millions de cartes synthétiques ». C’est une affirmation technique importante — elle répond à la principale objection des bureaux d’études (confidentialité des designs) — mais elle n’est pas vérifiée par un tiers. Quilter indique par ailleurs être conforme SOC 2 Type II, avec chiffrement TLS 1.3 et AES-256, et proposer un déploiement auto-hébergé. Des éléments qui pèsent dans les secteurs réglementés (défense, aérospatiale), mais qui restent, dans nos sources, des déclarations d’éditeur.

Ce que l’IA sait faire (et ne sait pas faire) en 2026

Faisons le tri, fonction par fonction. Selon le blog de JLCPCB, l’IA intervient aujourd’hui sur cinq terrains : la sélection et la description de composants, les calculs de base, l’optimisation du placement et du routage, et l’amélioration des processus de fabrication (notamment le montage en surface). C’est une cartographie raisonnable, mais elle mélange des maturités très différentes.

Ce qui marche vraiment. L’assistance à la sélection de composants, la génération de documentation, les calculs de base (dimensionnement de pistes, impédance caractéristique) : c’est là que les LLM apportent un gain immédiat et sans risque. Un plugin comme Konnect, natif pour KiCad 10 et écrit en Rust, transforme Claude en assistant de schématique et de routage via MCP — c’est un signal faible intéressant, documenté par DevTrends le 7 septembre 2026. L’optimisation du placement, ensuite, est le terrain où le RL brille : c’est un problème combinatoire bien posé, avec une fonction de coût claire.

Ce qui marche sous conditions. Le routage de nets critiques. Quilter liste les contraintes qu’il dit gérer : chemins de retour, impédance, couplage, length matching, via stubs, continuité de plan, EMI, densité de courant. La liste est impressionnante — et c’est exactement le genre de liste qu’il faut lire avec prudence : « gérer » peut signifier « optimiser », « vérifier », ou « signaler ». Sans benchmark indépendant, impossible de trancher.

Ce qui ne marche pas encore. La reproductibilité. C’est la limite la plus sérieuse, et elle est mesurable : un moteur stochastique (RL, diffusion) peut produire deux layouts différents pour la même netlist. Pour un bureau d’études qui doit justifier un choix en revue de conception, c’est un problème. Et l’absence de benchmarks publics indépendants reste la grande lacune de 2026 : les seuls chiffres disponibles proviennent des éditeurs eux-mêmes.

Chiffres et benchmarks : ce que l’on peut vraiment mesurer

Soyons directs : il n’existe pas, dans les sources publiques que nous avons pu consulter, de benchmark indépendant comparant Quilter, DeepPCB et Freerouting sur un corpus de cartes open source. Les chiffres qui circulent sont, à de rares exceptions, des chiffres marketing.

Le tableau ci-dessous récapitule ce qui est documenté — et la colonne « nature de la source » est aussi importante que la colonne « chiffre ».

Ce tableau raconte une histoire : les gains revendiqués sont spectaculaires, mais l’unique donnée vraiment indépendante et vérifiable de la liste est… un bug de régression dans un autorouteur open source. C’est un déséquilibre qu’il faut avoir en tête avant de signer un contrat.

Les métriques qui manquent sont pourtant précisément celles qui comptent : taux de réussite sur 100 % des nets, respect vérifié des contraintes d’impédance et de longueur, nombre de vias, surface occupée, et — surtout — reproductibilité sur des designs reproductibles (cartes KiCad, projets RISC-V, Arduino). Un article académique référencé par OrthoRoute, intitulé « PCBWorld: A Benchmark Environment for Engine-Grounded PCB Design Automation » (2026), suggère que la recherche commence à combler ce vide. C’est probablement le développement le plus important de l’année, et personne n’en parle.

Quilter, DeepPCB, Cadence Cerebrus, Synopsys DSO.ai : le match des approches

Comparons ce qui est comparable. La première distinction est la cible : PCB ou ASIC.

Ce qui distingue vraiment ces outils, ce n’est ni l’architecture (inconnue) ni la performance (non benchmarkée) : c’est le degré de contrôle laissé au concepteur. Quilter met en avant la « revue transparente des contraintes » et la « génération de candidats » intégrée au flux CAD — autrement dit, l’IA propose, l’humain dispose. C’est une posture produit sage, et c’est aussi un aveu : le moteur n’est pas assez fiable pour qu’on lui confie les clés.

Le cas d’usage documenté le plus concret reste la recréation d’un ordinateur basé sur NXP i.MX 8M Mini avec l’automatisation de layout Quilter. C’est un design réel, non trivial (SoC, DDR, périphériques). Mais c’est un cas choisi par l’éditeur, sans données de comparaison sur le temps manuel réel, sans métriques électriques publiées.

Les témoignages, eux, existent : Tony Fadell (Build Collective, co-inventeur de l’iPhone) apporte un témoignage positif sur Quilter ; un ingénieur principal en défense et aérospatiale déclare que l’outil « surmonte les barrières des autorouteurs classiques » ; un directeur de division dans les semi-conducteurs affirme servir ses clients plus rapidement. Trois citations, toutes sélectionnées par l’entreprise, deux anonymes. Ce n’est pas rien — un témoignage de Fadell n’est pas anodin — mais ce n’est pas une évaluation indépendante.

KiCad dans l’écosystème IA : cible, référence ou contre-modèle ?

KiCad occupe une position singulière : il est simultanément les trois.

Comme cible d’intégration, c’est le terrain de jeu le plus actif. L’analyse de protoflow.ai du 31 juillet 2026 recense trois méthodes réelles pour ajouter de l’IA à un workflow KiCad : les plugins in-editor, les outils « generate-then-export » (générer un schéma puis l’exporter), et la génération de composants par IA. Le plugin Konnect (Rust, MCP, Claude) en est l’illustration la plus récente. À côté, on trouve des outils plus modestes mais immédiatement utiles : des scripts de génération de grille de vias de stitching reliés à la masse, ou des plugins qui remplissent automatiquement les plans de masse. Pas de l’IA générative, mais de l’automatisation qui fait gagner du temps réel.

Comme référence de comparaison, KiCad sert de mètre-étalon gratuit. Les comparatifs KiCad vs Altium se multiplient (protoflow.ai, 9 août 2026), et l’écart de coût est vertigineux : face aux 3 850 à 5 000 USD par utilisateur et par an d’Altium Designer — plus de 175 000 USD sur trois ans pour cinq postes, formation incluse — KiCad reste à zéro. C’est ce différentiel qui rend la question de l’IA intéressante : si un outil AI-native coûte 10 % d’Altium et divise le temps de layout, l’équation change.

Comme contre-modèle philosophique, enfin, KiCad incarne l’alternative : code ouvert, formats ouverts, pas de boîte noire. La communauté reste prudente sur l’IA pour des raisons autant techniques (reproductibilité, vérifiabilité) que culturelles (comprendre ce qu’on fabrique). Le calendrier de KiCad, lui, avance à son rythme : la version 10.0.0 est sortie en mars 2026, la 10.0.6 le 29 août 2026, et la 10.0.7 en est à sa deuxième release candidate au 3 octobre 2026. Pas d’annonce IA fracassante — mais des fondations solides, et des importateurs, des variantes et un DRC graphique qui intéressent directement les flux de production.

Workflows hybrides : ce qui est vraiment utilisable en production

Venons-en au concret. Que fait-on, en 2026, quand on doit livrer une carte ?

Le workflow qui marche aujourd’hui ressemble à ceci : schématique et sélection de composants assistées par LLM (gain réel, risque faible), placement initial proposé par un moteur RL ou un algorithme classique, routage manuel des nets critiques (alimentation, horloges, différentielles, RF), routage automatique du reste, puis DRC et vérifications de fabrication. C’est un flux hybride, et c’est celui que recommandent la plupart des praticiens — y compris les guides KiCad qui conseillent de configurer les règles, placer les composants, utiliser Walk Around et Shove, intégrer Freerouting, puis valider chaque carte avec DRC et contrôles de fabrication.

Quand le routage manuel reste irremplaçable. Quatre familles de nets résistent : le RF (où l’impédance contrôlée, les stub tuning et les transitions de via se jouent au dixième de millimètre), l’analogique sensible (boucles de masse, couplage, garde), la haute tension (distances d’isolement, arcs), et les nets critiques synchrones (length matching, skew, topologie en arbre ou en daisy-chain). Aucun outil, dans nos sources, ne revendique de traiter ces cas sans supervision experte. Quilter liste bien l’impédance et le length matching parmi ses contraintes — mais « listé » n’est pas « validé indépendamment ».

Les bonnes pratiques pour intégrer l’IA sans perdre le contrôle. D’abord, ne jamais accepter un layout sans comprendre la topologie des retours de courant : c’est là que se cachent les EMI. Ensuite, exiger la reproductibilité : si le moteur ne peut pas rejouer le même résultat, il faut au minimum versionner les candidats générés. Enfin, garder le DRC comme juge de paix — et se souvenir que Freerouting 2.3.0 nous rappelle qu’un autorouteur peut se tromper sur ses propres métriques.

Le calcul économique, lui, se pose simplement. Un poste Altium coûte 3 850 à 5 000 USD par an, plus 1 000 à 2 000 EUR de formation. Si un outil AI-native divise par deux le temps de layout sur des cartes de complexité moyenne, l’arbitrage devient évident pour les équipes qui routent beaucoup. Pour celles qui font trois cartes par an, beaucoup moins.

Demo-ware ou révolution ? Les signaux à surveiller pour 2027

Terminons par ce qui reste en suspens.

Ce qui relève encore du demo-ware. Les promesses non tenues : absence de benchmarks publics indépendants, architectures jamais détaillées, reproductibilité non démontrée, témoignages sélectionnés par les éditeurs. Le chiffre « 428 h → 38,5 h » est spectaculaire, mais il vient d’un communiqué marketing non recoupé. Tant qu’aucun tiers n’aura reproduit ce résultat sur une carte ouverte, il faudra le traiter comme une donnée de communication, pas comme une mesure.

Les défis à venir. Trois chantiers structurent 2027. La reproductibilité, d’abord : un moteur stochastique doit pouvoir justifier ses choix, sinon il est inutilisable en revue de conception et en certification. La confiance, ensuite : dans l’aérospatiale et le médical, un layout doit être traçable ; un modèle opaque est un obstacle réglementaire. La vérification, enfin : les benchmarks indépendants, du type de PCBWorld, sont la condition sine qua non pour que le marché se structure autrement que par le marketing.

Les tendances émergentes. Les serveurs MCP (comme celui de Konnect) sont le signal le plus intéressant de l’année : ils transforment un LLM généraliste en assistant spécialisé, branché directement sur l’outil de conception. L’IA générative pour la documentation (datasheets, notes de conception, rapports de DRC) est déjà là, et sous-estimée. L’optimisation multi-objectifs (surface, coût, EMI, testabilité simultanément) est le prochain horizon du RL.

Ce que cela change pour les concepteurs ? Probablement moins une disparition du métier qu’un déplacement de la valeur. Le temps gagné sur le routage de masse se réinvestit dans les nets critiques, l’intégrité du signal et l’architecture. Et pour l’écosystème open source, l’enjeu est clair : rester la référence de vérifiabilité — le lieu où l’on peut ouvrir le capot, comparer, reproduire. C’est peut-être, en 2026, l’avantage compétitif le plus solide de KiCad face aux boîtes noires.

Sources

• KiCad — site officiel
• KiCad 10.0.7 Release — kicad.org, octobre 2026
• KiCad Version 10.0.7 Release Candidate 2 Available — kicad.org, 3 octobre 2026
• KiCad 10.0.6 Release — kicad.org, 29 août 2026
• Version 10.0.0 Released — kicad.org, mars 2026
• Can AI Now Design PCBs That Just Work? — Hackaday, 5 septembre 2026
• KiCad AI in 2026: Copilots, Plugins, and Generators That Actually Work — protoflow.ai, 31 juillet 2026
• KiCad vs Altium in 2026: Where the Free Tool Actually Competes — protoflow.ai, 9 août 2026
• The 10 Best PCB Design Software Tools in 2026 — protoflow.ai, 10 août 2026
• Как подключить Claude к KiCad 10 и отдать разводку плат нейросети — DevTrends, 7 septembre 2026 (plugin Konnect, MCP, Rust)
• 2.3.0 regression: routes ship self-reported clearance violations — rapport de bug GitHub, 28 août 2026
• PCB Auto Router — Intelligent PCB Auto Routing Tool — 27 juillet 2026
• KiCad Autorouting Made Easy: Walk Around, Shove, and Freerouting — 13 août 2026
• Quilter — blog officiel — 2026 (approche physics-driven, RL, cas i.MX 8M Mini, chiffres 428 h / 38,5 h, SOC 2 Type II)
• DeepPCB.ai — site officiel — 2026
• AI Revolutionizing PCB Design — JLCPCB, blog officiel
• KiCad 10.0.7 Release Candidate 1 Available — kicad.org, 27 septembre 2026

Article recherché et rédigé automatiquement · Magazine Electrosens