Anthropic abre MHS: agentes de IA controlan robots y laboratorios

Qué es MHS y por qué importa

El 27 de agosto de 2026, Anthropic abrió una versión preliminar de investigación de Model Hardware Standard (MHS), una especificación que busca ofrecer una forma común de conectar agentes de IA con instrumentos científicos, robots y equipos de fabricación. La fase inicial está restringida a un grupo seleccionado de organizaciones, y Anthropic planea liberar el estándar como código abierto tras desarrollar las evaluaciones de seguridad y las prácticas de operación correspondientes.

El problema que MHS ataca es viejo y conocido: cada microscopio, brazo robótico o lector de placas tiene su propio software, su propia API y, a menudo, su propio lenguaje de programación. Integrar un laboratorio puede costar semanas o meses de código a medida. MHS propone una capa de controladores normalizados —inspirada en cómo funcionan los drivers de un sistema operativo— que traduce comandos simples como «read» y «write» a las operaciones reales de cada máquina. Según Anthropic, esa estandarización puede reducir el tiempo de configuración de «semanas o meses a horas o minutos», como recogió Fortune India.

Cómo funciona MHS por dentro

MHS no es un modelo de IA: es una especificación de interfaz. Cada dispositivo conectado declara sus capacidades, estados, mediciones y límites de seguridad en un archivo de referencia. Ese archivo puede incluir desde el peso y alcance de un brazo robótico hasta la potencia máxima de un láser. La información se redacta en lenguaje natural para que un agente la pueda leer y razonar.

🤖 La IA no es solo para leer sobre ella

En la comunidad la aplicamos: automatización, agentes IA y herramientas reales para emprender, no solo para informarte.

👥 Aplicarla en la comunidad

Una vez conectado el equipo, un agente puede descubrir sus capacidades, consultar datos operativos y enviar instrucciones a través de tres mecanismos: el Model Context Protocol (MCP), una interfaz de línea de comandos o archivos de código/APIs. La propia Anthropic describe MHS como «el equivalente físico del MCP»: si MCP estandarizó cómo los modelos acceden a software, MHS busca estandarizar cómo acceden a hardware.

Un detalle clave para founders: MHS es modelo-agnóstico. No está atado a Claude. Cualquier agente compatible puede operar los dispositivos que lo adopten.

Las pruebas que Anthropic ya ejecutó

Las demostraciones no son teóricas. Anthropic publicó resultados preliminares con Genentech, HHMI Janelia Research Campus, la Universidad de Washington, la Universidad Carnegie Mellon y QuEra Computing. Lo más relevante:

Genentech (biotech): Claude coordinó tres instrumentos —un manipulador de líquidos, un brazo robótico y un lector de placas— en un ensayo de concentración de proteínas (BCA). Determinó que el agua fluía mejor a unos 140 microlitros por segundo, mientras que la solución proteica, más viscosa, requería unos 10 microlitros por segundo. Cuando burbujas causaron errores, el agente intentó repetir la operación con nuevos parámetros —lo que empeoró el problema al generar más espuma— y necesitó orientación humana para entender que era un fenómeno físico, no de software.
Carnegie Mellon: construyó los drivers y la capa de orquestación en unas 8 horas, frente a las varias semanas de una integración tradicional. Los experimentos de dilución seriada corrieron aproximadamente 3 veces más rápido, según reportó Fortune India.
HHMI Janelia: integró equipamiento complejo de microscopía que antes dependía de siete programas distintos de proveedores.
QuEra Computing (computación cuántica): en una prueba ciega con 700 perturbaciones inducidas, un script determinista generado por el agente recuperó la frecuencia de bloqueo del láser 695 veces, un 99,3 % de las ocasiones.

Quiénes están adoptando el estándar

Anthropic ya anunció compromisos de adopción con varios actores relevantes: Amazon Web Services (a través de Strands Robots), Hugging Face (sumando soporte a su biblioteca de robótica LeRobot) y Raspberry Pi (habilitando integración en parte de sus productos). La compañía también trabaja con proveedores de robots industriales, según reportó SiliconANGLE.

En el plano técnico, MHS surgió de la colaboración entre Anthropic y HHMI Janelia. La inspiración fue directa: el technical staffer Alek Kemeny observó al neurocientífico Arco Bast coordinar láseres rotativos, microscopios y cámaras a través de una interfaz común en un experimento sobre formación de memoria. «Esta idea podría usarse para que la IA ejecutara cualquier experimento científico del mundo», recuerda Kemeny, según Ars Technica.

Qué cambia para un founder o un equipo técnico

MHS no convierte a Claude en un ingeniero de laboratorio autónomo. Anthropic lo reconoce: el modelo todavía tiene limitaciones espaciales y físicas que hacen imprescindible la supervisión de especialistas. El estándar tampoco cubre equipos sin interfaz programable.

Lo que sí habilita es un atajo concreto para startups y equipos de I+D que están construyendo productos sobre automatización física. Tres palancas accionables:

Si tu startup vende software para laboratorios o manufactura, MHS reduce el costo de integración por cliente. En lugar de escribir un adaptador por cada combinación de dispositivos, podés escribir un único controlador compatible y exponerlo a cualquier agente que use MCP o CLI. Esto cambia tu go-to-market: el cuello de botella ya no es la integración, sino el caso de uso.
Si tu equipo opera infraestructura física propia (robótica, instrumentación, manufactura liviana), evaluá MHS como capa de orquestación interna. Anthropic abrió el acceso mediante solicitud en el sitio del proyecto; podés sumarte a la preview antes de que se libere como open source.
Si construís agentes de IA, incorporar MHS-compatible MCP significa expandir el alcance de tu producto del mundo digital al físico. Es la misma arquitectura mental que ya usás para herramientas SaaS, pero aplicada a dispositivos.

El precedente importa: Anthropic ya logró que MCP se impusiera como estándar de facto para que modelos accedan a herramientas de software. Si MHS sigue un camino similar, la interoperabilidad entre IA y hardware podría dejar de ser un proyecto a medida por cliente y pasar a ser infraestructura compartida. Founders que entren temprano a este estándar pueden convertirse en los integradores de referencia cuando se abra el código.