KI, autonom EDA og datablad

Elektronikknett skrev 17. mars 2026 om Siemens’ satsing på mer autonome KI-agenter i EDA-verktøy. Selv om mye av oppmerksomheten ofte havner på halvlederdesign, er utviklingsretningen relevant også for oss som jobber med kretskort og elektronikkproduktutvikling: KI går fra enkeltfunksjoner til mer helhetlig støtte gjennom designløypa.

Samtidig tror jeg det er verdt å nyansere forventningene, og spisse hvor kunstig intelligens (KI) kan gi mest verdi først. For mange utviklingsteam vil den største gevinsten på kort og mellomlang sikt ikke være at KI designer for oss, men at KI leser, kryssjekker og varsler bedre enn vi mennesker klarer i en travel hverdag.

Dokumentasjonsmengden er et grunnproblem

Elektronikkutvikling er i praksis tett knyttet til dokumentasjon. Et produkt med en mikrokontroller eller SoC, noen regulatorer, minne, sensorer og grensesnitt drar med seg enorme mengder datablad, referansemanualer, applikasjonsnotater og errata. I sum kan dette bli titusenvis av sider.

Ingen ingeniør leser alt. Og det er heller ikke realistisk å forvente. Det som skjer i praksis er at erfarne folk bruker intuisjon og tidligere erfaring til å avgjøre hva som må slås opp, når det må slås opp, og hvor risikoen er størst. Det er en fornuftig arbeidsform, men den har en innebygd svakhet: Den forutsetter at vi klarer å gjette riktig hvilke avsnitt som er kritiske akkurat denne gangen.

Det er nettopp her mange av de dyreste feilene oppstår. Ikke fordi teamet ikke kan faget sitt, men fordi et viktig krav eller en viktig anbefaling kan ligge «gjemt» i et avsnitt man ikke forventet skulle være avgjørende, eller i en errata som ikke var på radaren da man tok designvalget.

Feilene handler ofte om kontekst som glipper

Mye av det som glipper i elektronikk er ikke «forbudt» i verktøyene. DRC og ERC kan være grønne, og simuleringer kan se fine ut, men så viser det seg senere at marginene er for små, at en anbefalt kobling burde vært fulgt, eller at en spesifikk betingelse i dokumentasjonen gjelder akkurat for topologien man har valgt.

Det er her jeg mener en mer praktisk og umiddelbar KI-gevinst ligger. En assistent som fungerer som en uopphørlig design-reviewer, og som kan stille de «kjedelige» spørsmålene konsekvent, hver gang.

Passer dette valget faktisk med anbefalingene? Hvilke forutsetninger ligger skjult i databladet? Finnes det en errata som gjør at denne periferi-modusen eller denne timing-antakelsen blir risikabel?

Dette er arbeid mennesker kan gjøre, men vi gjør det under tidspress, med avbrytelser, og med mange parallelle beslutninger. KI er derimot god på nettopp det vi ikke er best på; å være systematisk og utholdende over store tekstmengder, og aldri «gå lei».

KI har tatt av i programvare, men går tregere i elektronikk

En viktig årsak til at KI har utviklet seg raskere i programvare, er at programvare i stor grad er tekstbasert og syntaktisk regelstyrt. Det passer svært godt med språkmodeller og automatisering.

Elektronikk er annerledes. Designet «bor» ikke bare i tekst, men i skjema, layout, constraints (begrensninger), simuleringer og fysiske effekter. I tillegg er mye av elektronikk – særlig analog og mixed-signal – mindre svart-hvitt. Ofte finnes det ikke én perfekt løsning, bare avveiinger. Og selv gode simuleringer kan avvike fra virkeligheten fordi ikke alt kan modelleres perfekt, eller fordi parasitter, toleranser og produksjonsvariasjon endrer bildet.

Så kommer verktøylandskapet på toppen: EDA-data og arbeidsflyt er ofte tett knyttet til proprietære formater og lukkede økosystemer. Det gjør det vanskeligere å koble på uavhengige KI-lag som faktisk kan forstå designet. I tillegg er gode, virkelige design ofte konfidensielle, som begrenser hvor mye høyverdig treningsdata som finnes åpent tilgjengelig.

Samtidig er det verdt å understreke at KI allerede er nyttig i deler av elektronikkutviklingen. Mange bruker KI til å oppsummere datablad, sammenligne komponenter og støtte tidlig fase-research, og til å automatisere repetitive oppgaver via scripting. Flere EDA-verktøy bygger også gradvis inn maskinlæring for å hjelpe med for eksempel ruting, layoutoptimalisering og regelkontroll.

Alt dette gjør at «autonomi» i EDA er krevende, og forklarer hvorfor nyhetssaker om agentbasert orkestrering og dyp integrasjon er interessante: De beskriver i praksis hva som må bygges for at KI i det hele tatt skal få tak i relevant kontekst.

KI som datablad- og begrensningsrevisor

Når vi snakker om autonome EDA-agenter, er det lett å se for seg at KI tar over selve konstruksjonen. Men for mange av oss er det kanskje mer realistisk, og mer nyttig, å tenke at KI først blir en ekstremt god revisor.

En virkelig nyttig KI-assistent i elektronikkutvikling er etter mitt syn en som kan se på skjema og PCB, og deretter koble det mot dokumentasjon og designintensjon: «Dette kan fungere, men her er avsnittet i dokumentasjonen som sier hvilke betingelser som må oppfylles.» Eller: «Dette avviker fra anbefalt kobling, og her er konsekvensen som beskrives.»

Et viktig poeng at dette ikke bare er «kjekt å ha». Hvis en slik assistent kan redusere antall klassiske dokumentasjonsglipp, påvirker det direkte det som koster mest: prototyperevisjoner, tid i bring-up, og feilsøking sent i prosjektet, når endringer er dyre.

Hva som må være på plass for at dette ikke bare skal bli «AI sier…»

For at en KI-reviewer faktisk skal bli brukt og stolt på, må den være sporbar. Den må kunne vise hvorfor den flagger noe. Hva i designet den reagerer på, hvilken anbefaling eller begrensning den mener er relevant, og hvilke antagelser den legger til grunn. Uten dette ender man fort med støy, eller et system som enten overser ting eller produserer så mange advarsler at det blir ignorert.

I tillegg må dataflyt og representasjoner bli bedre, men sannsynligvis uten at hele bransjen «skriver om» all dokumentasjon for KI. KI-agenter blir stadig bedre på å hente ut relevant informasjon fra ustrukturert tekst, og mye kan løses gjennom bedre parsere, integrasjoner og arbeidsflyter i og rundt EDA-verktøyene.

Samtidig tror jeg det blir vanskelig å komme helt i mål uten noe mer struktur. Når krav, betingelser og anbefalinger kan uttrykkes mer maskinlesbart, blir det enklere å knytte dem til konkrete EDA-objekter og å gjøre vurderingene sporbare. På sikt kan dette komme via en kombinasjon av standarder, bedre dataplattformer og leverandørspesifikke integrasjoner.

Kompleksiteten som bremser KI, er også grunnen til at vi trenger den

Elektronikkutvikling blir ikke enklere. Kravene til tid, ytelse, EMC, effekt og kvalitet øker, mens tid til iterasjon ofte krymper. Derfor gir det mening at bransjen beveger seg mot mer agentbasert og helhetlig KI-støtte i verktøykjedene.

Men hvis jeg skal peke på hvor KI kan gi størst, mest målbar verdi for flest team først, så er det i rollen som en kompromissløs og systematisk «andre par med øyne». En assistent som hjelper oss å finne de kritiske avsnittene i dokumentasjonen, og som fanger opp avvik og risikopunkter før de blir til maskinvarefeil.

Ironisk nok kan det være nettopp dokumentasjonsmengden, kompleksiteten og alle gråsonene som gjør elektronikk til et ideelt KI-felt, når verktøy, dataflyt og sporbarhet er modne nok.