30. September 2026
Künstliche Intelligenz kann inzwischen erstaunlich viel. Sie schreibt Programme, analysiert technische Dokumentationen und kann komplexe Aufgaben in mehreren aufeinanderfolgenden Schritten bearbeiten. Da liegt die Frage nahe, ob sie nicht auch eine elektronische Schaltung vom ersten Entwurf bis zur fertigen Leiterplatte entwickeln kann.
Genau das wurde in einem aktuellen Versuch ausprobiert. Als praktische Aufgabe sollte ein einfacher Abwärtswandler entwickelt werden. Die Vorgaben waren 12 Volt Eingangsspannung, 5 Volt Ausgangsspannung und maximal 1 Ampere Last. Die spätere Platine sollte als vierlagige Leiterplatte ausgeführt werden. Interessant an dem Versuch ist dabei nicht nur das Ergebnis, sondern der komplette Weg dorthin. Die KI sollte nicht lediglich eine Schaltung vorschlagen, sondern möglichst viele Arbeitsschritte selbst durchführen.
Die Anforderungen werden festgelegt: Am Anfang steht auch bei der KI die Spezifikation. Die vorgegebenen Anforderungen wurden an die KI übergeben und sie wurde aufgefordert, auf fehlende Randbedingungen hinzuweisen. Das Ergebnis war eine ziemlich detaillierte Zusammenstellung der Anforderungen.
Damit zeigt sich bereits ein wichtiger Punkt: KI kann helfen, aus einer zunächst relativ kurzen Aufgabenbeschreibung eine wesentlich vollständigere technische Spezifikation zu machen. Ob jede von der KI vorgeschlagene Anforderung tatsächlich notwendig ist, bleibt allerdings eine Entscheidung des Entwicklers. Die KI kann die Liste erstellen, aber sie entscheidet nicht automatisch, welche Anforderungen für das konkrete Projekt wirklich relevant sind.
Schritt für Schritt erklärt das Video die Entwicklung eines Step-Down-Reglers mit Hilfe von KI. Das Video lässt sich auf Deutsch einstellen. Das Video stammt nicht von mir, sondern zeigt die Entwicklung eines Step-Down-Reglers mit KI-Unterstützung. Ich fand den Versuch so interessant und aufschlussreich, dass ich ihn in diesem Artikel etwas genauer unter die Lupe genommen und die einzelnen Schritte kommentiert habe.
Auswahl des Spannungsregler-ICs: Im nächsten Schritt sollte die KI einen geeigneten Buck-Converter von Texas Instruments auswählen. Sie verglich mehrere mögliche Bausteine und begründete die Auswahl. Es wurden also nicht einfach drei Bauteilnummern aufgelistet, sondern die Eigenschaften der Kandidaten mit den Anforderungen verglichen.
Der Entwickler entschied sich anschließend für den TPS54360. Ausschlaggebend waren unter anderem die Eignung für die geforderte Schaltung und die umfangreiche Dokumentation von Texas Instruments. Außerdem stellt TI ein PSpice-Simulationsmodell zur Verfügung.
Auch hier bleibt die letzte Entscheidung beim Menschen. Die KI kann Kandidaten finden und vergleichen, aber der Entwickler muss beurteilen, ob die Auswahl tatsächlich zum Projekt passt.
Bauteile anhand des Datenblatts auswählen: Nun wurde es interessanter. Die KI sollte anhand der im Datenblatt beschriebenen Berechnungsverfahren die übrigen Bauteile des Spannungswandlers bestimmen und die Berechnungen begründen.
Dabei zeigte sie durchaus beachtliche Fähigkeiten. Sie bestimmte unter anderem Induktivität und Diode anhand ihrer erforderlichen Belastbarkeit. Bei den MLCC-Kondensatoren berücksichtigte sie sogar, dass die tatsächlich wirksame Kapazität unter Gleichspannungsbelastung deutlich von der Nennkapazität abweichen kann.
Die KI lieferte also nicht nur irgendwelche Bauteilwerte, sondern verwendete die im Datenblatt angegebenen Gleichungen und Randbedingungen.
Genau hier liegt allerdings eine wichtige Grenze. Eine von der KI angegebene Gleichung ist noch kein Beweis dafür, dass sie richtig angewendet wurde. Der Entwickler muss weiterhin überprüfen, ob die Gleichung zum konkreten Anwendungsfall passt, ob die Bedingungen des Datenblatts eingehalten wurden und ob die realen Bauteile ausreichend dimensioniert sind. Im konkreten Versuch wurden dabei zunächst keine größeren Fehler gefunden.
Die KI baut und simuliert die Schaltung: Jetzt wurde es wirklich interessant: Die KI sollte aus den zuvor ausgewählten Bauteilen die komplette Schaltung aufbauen, sie in PSpice simulieren und anschließend prüfen, ob die ursprünglichen Anforderungen eingehalten werden. Dazu steuerte die KI den Computer direkt, veränderte die Schaltung in PSpice und startete die Simulation selbstständig.
Besonders nützlich war dabei die automatische Dokumentation. Die KI erzeugte aus den Simulationsergebnissen Diagramme, Tabellen und einen zusammenfassenden Bericht. Genau diese Dokumentationsarbeit gehört in der industriellen Entwicklung zu den eher zeitaufwendigen Tätigkeiten. Simulationen durchführen, Messkurven erfassen, Tabellen erstellen und Ergebnisse dokumentieren kann viel Arbeitszeit kosten. Für solche Aufgaben ist KI schon heute ausgesprochen interessant.
Die ersten Simulationstests schlagen fehl: Beim genaueren Blick auf den automatisch erzeugten Prüfbericht zeigte sich allerdings, dass nicht alle Anforderungen erfüllt wurden. Unter anderem schlug der Lastsprungtest fehl, außerdem wurde die geforderte Ausgangsspannungswelligkeit nicht eingehalten.
Damit begann der eigentlich interessante Teil des Experiments. Die KI hatte zwar eine Schaltung entworfen, simuliert und einen Bericht erstellt. Jetzt musste aber jemand die Ergebnisse technisch interpretieren.
Stabilität und Phasenreserve: Bei der Analyse der Frequenzantwort fiel eine sehr niedrige Durchtrittsfrequenz von etwa 1,5 kHz auf. Gleichzeitig lag die Phasenreserve bei ungefähr 100 Grad.
Eine große Phasenreserve bedeutet zunächst eine gute Stabilitätsreserve. Mehr ist bei einer Regelung aber nicht automatisch besser. Eine sehr konservativ ausgelegte Kompensation kann die Bandbreite unnötig einschränken. Dann reagiert der Regler auf schnelle Änderungen der Last möglicherweise zu langsam.
Der Entwickler erkannte deshalb, dass die Kompensation zu konservativ ausgelegt war. Genau an dieser Stelle zeigt sich ein wesentlicher Unterschied zwischen dem Erzeugen einer plausiblen Schaltung und wirklichem technischem Verständnis.
Die KI hatte die Schaltung entworfen und die Simulation durchgeführt. Die Entscheidung darüber, was das Simulationsergebnis technisch bedeutet und welche Änderung sinnvoll ist, traf aber der Ingenieur.
Die Kompensation wird nachjustiert: Daraufhin wurde das Kompensationsnetzwerk manuell geändert. Ziel war eine höhere Regelbandbreite und damit eine schnellere Reaktion auf Laständerungen, ohne die Phasenreserve auf ein problematisches Niveau zu reduzieren. Nach der erneuten Simulation bestand der Lastsprungtest. Die Bandbreite war größer geworden und die Phasenreserve etwas kleiner, aber weiterhin auf einem vernünftigen Niveau.
Das zeigt sehr schön, wie KI und menschlicher Entwickler zusammenarbeiten können. Die KI kann die Simulation sehr schnell durchführen und die Ergebnisse übersichtlich darstellen. Die eigentliche technische Entscheidung, in welche Richtung die Schaltung verändert werden soll, lag hier jedoch beim Entwickler.
Die Ausgangsspannungswelligkeit: Auch bei der Ausgangsspannung gab es nach der Änderung noch Auffälligkeiten. Insgesamt wurde die geforderte Welligkeit erreicht, allerdings traten gelegentlich Spitzen in der Peak-to-Peak-Spannung auf.
In einem realen Entwicklungsprojekt würde man eine solche Auffälligkeit nicht einfach ignorieren. Man müsste die Ursache weiter untersuchen. Im Versuch ging es allerdings vor allem darum, den kompletten KI-gestützten Entwicklungsablauf zu demonstrieren. Deshalb wurde dieser Test an dieser Stelle manuell als bestanden markiert.
Auch das ist eine interessante Beobachtung: Die KI kann Prüfungen durchführen und Ergebnisse melden, aber die Entscheidung darüber, wann ein Ergebnis technisch akzeptabel ist, bleibt eine Ingenieursaufgabe.
Die KI zeichnet den Schaltplan: Nachdem die Schaltung festgelegt war, ging es an den Schaltplan. Dafür wurde EasyEDA verwendet.
Die KI konnte die Bauteile selbstständig in der Software platzieren, passende Bauteile auswählen und miteinander verbinden. Sie kümmerte sich außerdem um Footprints und legte zwischendurch Sicherungskopien an.
Das Ergebnis war grundsätzlich brauchbar, entsprach aber nicht vollständig dem gewohnten Stil des Entwicklers. Auch die grafische Darstellung des Schaltplans musste deshalb noch etwas aufgeräumt werden.
Interessant ist dabei der Gedanke, dass sich solche persönlichen Arbeitsweisen möglicherweise ebenfalls als Vorgaben oder Beispiele für eine KI hinterlegen lassen. Mit genügend Beispielen könnte eine KI möglicherweise lernen, einen Schaltplan nicht nur elektrisch korrekt, sondern auch im gewünschten persönlichen oder betrieblichen Stil aufzubauen.
Die KI versucht sich am PCB-Layout: Anschließend durfte die KI auch die Leiterplatte entwerfen. Sie legte Abstände fest, platzierte Bauteile und verlegte Leiterbahnen. Auf den ersten Blick sah das Ergebnis durchaus wie eine fertige Leiterplatte aus. Alle Bauteile waren vorhanden, die Verbindungen waren hergestellt und es gab keine offensichtliche Katastrophe.
Bei genauerer Betrachtung zeigten sich jedoch mehrere Probleme. Einige Pads lagen zu dicht beieinander, die Beschriftung auf der Leiterplatte musste überarbeitet werden und vor allem die Platzierung der Bauteile war für einen Schaltregler nicht optimal.
Gerade bei einem Buck-Converter ist das Layout ein wesentlicher Bestandteil der Schaltung. Die stromführenden Schleifen und insbesondere der schnelle Schaltknoten müssen möglichst kompakt ausgeführt werden. Die KI hatte die Bauteile dagegen teilweise zu weit auseinander platziert. Auch die Orientierung der Diode war nicht optimal.
Obwohl der KI ausdrücklich vorgegeben wurde, die Layoutempfehlungen des Datenblatts zu berücksichtigen, blieb das Ergebnis hinter den Erwartungen eines erfahrenen Entwicklers zurück.
Der Mensch muss beim Layout eingreifen: Es wurde noch ein zweiter Versuch gestartet. Die KI sollte die Platzierung der Bauteile anhand einer Liste von Korrekturen verbessern. Doch auch dieser Versuch führte nicht zu dem gewünschten Ergebnis. Der Entwickler brach die automatische Platzierung schließlich ab und übernahm die Platzierung der wichtigen Bauteile selbst.
Das ist vielleicht die wichtigste praktische Erkenntnis des gesamten Versuchs. Es war nicht notwendig, die KI komplett aus dem Entwicklungsprozess herauszunehmen. Im Gegenteil: Nachdem die kritischen Arbeiten vom Entwickler erledigt waren, konnte die KI wieder für Aufgaben eingesetzt werden, bei denen ihre Fähigkeiten besser passten.
Die Kombination aus menschlicher Erfahrung und KI erwies sich damit als wesentlich sinnvoller als der Versuch, den gesamten Entwicklungsprozess vollständig zu automatisieren. Anschließend wurde die komplette Schaltung und Leiterplatte noch einmal überprüft und die Platine zur Fertigung bestellt.
Was kann KI heute im Elektronik-Design? Der Versuch zeigt ziemlich deutlich, was heutige KI bereits leisten kann. Sie kann Anforderungen strukturieren, Bauteile recherchieren, Datenblätter auswerten, Berechnungen durchführen, geeignete Bauteile vorschlagen, eine Schaltung aufbauen, Simulationen starten und auswerten, Berichte erstellen, einen Schaltplan zeichnen und sogar einen großen Teil des PCB-Designs übernehmen.
Das ist deutlich mehr als ein einfacher Chatbot, der ein paar Widerstandswerte ausrechnet. Die KI kann inzwischen verschiedene Werkzeuge bedienen und die Ergebnisse eines Arbeitsschrittes in den nächsten übertragen.
Trotzdem war der Entwicklungsprozess keineswegs vollständig autonom. Immer wieder musste der Ingenieur die Ergebnisse kritisch beurteilen. Besonders deutlich wurde das bei der Regelung des Schaltwandlers und beim PCB-Layout.
Eine funktionierende Simulation bedeutet außerdem nicht automatisch, dass eine reale Platine zuverlässig funktioniert. In der Realität kommen Störungen, Bauteiltoleranzen, Temperaturabhängigkeiten und andere parasitäre Effekte hinzu. Gerade bei schnellen Schaltreglern kann das Layout einen erheblichen Einfluss auf das tatsächliche Verhalten haben. Deshalb ist die Fähigkeit, das Ergebnis der KI beurteilen zu können, mindestens ebenso wichtig wie die Fähigkeit der KI, einen Entwurf zu erzeugen.
Welche Werkzeuge braucht man dafür? Für einen solchen vollständig KI-gestützten Entwicklungsablauf reicht ein normales kostenloses ChatGPT-Konto nicht aus. Entscheidend ist nicht nur ein leistungsfähiges Sprachmodell, sondern vor allem die Möglichkeit, dass die KI selbstständig mit Programmen auf dem Rechner arbeitet. In diesem Versuch musste sie unter anderem Datenblätter auswerten, Berechnungen durchführen, PSpice starten und bedienen, Simulationen ausführen, Ergebnisse analysieren und anschließend EasyEDA für Schaltplan und Leiterplattenentwurf bedienen. Dafür benötigt man neben einem leistungsfähigen ChatGPT-Modell einen Agenten mit Computerzugriff, etwa Codex beziehungsweise eine entsprechende Agent-Funktion, sowie die auf dem Rechner installierten Programme wie PSpice und EasyEDA. Ein ChatGPT-Plus- oder Pro-Zugang ist für solche umfangreichen Aufgaben wesentlich geeigneter als die kostenlose Variante, insbesondere wenn längere, mehrstufige Arbeitsabläufe und zusätzliche Agentenfunktionen benötigt werden. ChatGPT Projects können dabei die Dateien, bisherigen Arbeitsschritte und Anweisungen eines solchen Projekts zusammenhalten.
Wie viel Zeit kostet KI dabei? Ein interessanter Punkt sind die benötigte Rechenzeit und die gesamte Entwicklungszeit. Die reine Laufzeit der KI für diesen Versuch betrug etwa 10 Stunden und 16 Minuten. Einschließlich der Zeit für die Kontrolle der Ergebnisse, die Korrekturen und die normale Arbeit des Entwicklers dauerte der gesamte Prozess etwa 23 Stunden.
Das Video vermittelt durch die stark beschleunigten Aufnahmen teilweise den Eindruck, die KI erledige die gesamte Entwicklung praktisch in Echtzeit. Tatsächlich dauerte der komplette Versuch also fast einen Arbeitstag.
Hinzu kommt der enorme Rechenaufwand. Insgesamt wurden nach Angaben des Autors etwa 422 Millionen Tokens verwendet. Er weist allerdings darauf hin, dass sich die daraus abgeleiteten Kosten auf eine bestimmte API-Abrechnung beziehen und dass sich Geschwindigkeit und Kosten der Systeme weiter verändern werden.
Was bedeutet das für Elektronikentwickler? Die Entwicklung wird sich durch KI zweifellos verändern. Das bedeutet aber nicht zwangsläufig, dass der Elektronikingenieur überflüssig wird.
Wer heute elektronische Systeme entwickelt, muss Schaltungen verstehen, Mikrocontroller einsetzen, Firmware schreiben und vor allem die Probleme lösen können, die bei der Kombination von Hardware und Software auftreten.
Genau dieses praktische Verständnis wird durch KI zunächst nicht überflüssig. Im Gegenteil: Wenn eine KI einen Entwurf produziert, muss jemand erkennen können, ob etwas daran nicht stimmt.
Der Entwickler muss also möglicherweise künftig weniger Zeit damit verbringen, jede einzelne Leiterbahn selbst zu zeichnen oder jede Datenblattgleichung manuell nachzurechnen. Dafür wird die Fähigkeit wichtiger, Ergebnisse zu beurteilen, Fehler zu erkennen und die richtigen Fragen an die KI zu stellen.
Fazit: Zeitersparnis und Kosten durch KI: Hat die KI bei diesem Projekt nun tatsächlich Zeit und Geld gespart? Die Antwort fällt etwas ernüchternd aus. Die reine Laufzeit der KI betrug rund 10 Stunden und 16 Minuten, der gesamte Entwicklungsprozess einschließlich Kontrolle, Korrekturen und der Arbeit des Entwicklers dauerte etwa 23 Stunden. Eine vergleichbare Entwicklung ohne KI wird im Video allerdings nicht durchgeführt, deshalb lässt sich eine konkrete Zeitersparnis nicht beziffern. Für dieses einzelne Projekt kann man also nicht sagen, dass die KI den Entwickler beispielsweise um die Hälfte der Arbeitszeit entlastet hat. Im Gegenteil: Durch die notwendigen Kontrollen und Korrekturen blieb noch erheblicher menschlicher Arbeitsaufwand übrig.
Auch bei den Kosten ist Vorsicht angebracht. Die KI verwendete insgesamt etwa 422 Millionen Tokens. Der Autor nennt dafür zwar einen Kostenwert auf Basis der damaligen API-Preise, verwendet jedoch ChatGPT Pro und einen Nutzungsgutschein, so dass diese Kosten nicht ohne Weiteres auf ein normales Entwicklungsprojekt übertragen werden können. Gleichzeitig ist zu erwarten, dass die Kosten pro Rechenleistung mit leistungsfähigeren und effizienteren Modellen weiter sinken.
Der eigentliche wirtschaftliche Vorteil liegt deshalb momentan weniger darin, dass eine KI einen kompletten Elektronikentwickler ersetzt. Interessanter ist die enorme Automatisierung von Routinearbeiten: Datenblätter durchsuchen, Bauteile vergleichen, Berechnungen durchführen, Simulationen starten, Ergebnisse auswerten und Dokumentation erstellen. Gerade bei solchen Tätigkeiten kann KI künftig einen erheblichen Teil der Arbeitszeit einsparen. Ob daraus unter dem Strich tatsächlich eine Kostenersparnis entsteht, hängt aber davon ab, wie viel Kontrolle durch einen erfahrenen Entwickler weiterhin erforderlich ist.
Für die nahe Zukunft dürfte deshalb nicht die vollständig autonome Entwicklung die wichtigste Veränderung sein, sondern die Kombination aus Ingenieur und KI. Wenn die KI beispielsweise mehrere Schaltungsvarianten in kurzer Zeit berechnen und simulieren kann, während der Entwickler nur noch die Randbedingungen festlegt, die Ergebnisse bewertet und die kritischen Punkte überprüft, kann sich der Entwicklungsprozess trotzdem deutlich beschleunigen. Der vorliegende Versuch zeigt allerdings noch keinen messbaren Zeit- oder Kostenvorteil. Er zeigt vielmehr, dass die technischen Voraussetzungen dafür bereits erstaunlich weit entwickelt sind.