Anthropic lanza MHS, el estándar para operar robots con IA

Anthropic mete a los agentes de IA en el laboratorio

El jueves, Anthropic presentó el Model Hardware Standard (MHS), un marco de trabajo que permite a sus agentes de IA —impulsados por la familia de modelos Claude— operar instrumentos físicos de laboratorio y de fabricación de forma coordinada, desde microscopios y brazos robóticos hasta hardware de computación cuántica.

Según la empresa, el estándar funciona sobre cualquier dispositivo con interfaz programable y permite que máquinas y agentes se comuniquen a través de redes. La analogía que usó Elizabeth Kelly, directora de beneficial deployments de Anthropic, ante CNBC es directa: "Piensen en esto como un cable USB-C, que estandariza cómo se transmite la información entre dispositivos".

El anuncio llega en un momento en que Anthropic está cruzando el umbral del software hacia el mundo físico, con movimientos como la contratación de Caitlin Kalinowski —exejecutiva de hardware de OpenAI, Meta y Apple— para construir un equipo de silicio propio, y la reciente llegada de John Jumper, el Nobel de Química detrás de AlphaFold, que dejó Google DeepMind para sumarse al equipo.

🤖 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

Qué cambia con MHS frente a lo que ya existía

MHS no es un protocolo cerrado: es model agnostic, lo que significa que cualquier fabricante puede adoptarlo sin quedar atado a Claude. Hoy se distribuye en research preview a un grupo selecto de organizaciones en ciencia, robótica y manufactura, pero Anthropic adelantó que planea abrirlo como código abierto una vez que los socios ayuden a definir las evaluaciones de seguridad.

Hay un antecedente directo. En 2024, Anthropic liberó el Model Context Protocol (MCP), el estándar que se convirtió en pieza clave para que agentes de IA y fuentes de datos se entiendan entre sí. MHS es, en cierto modo, su equivalente para el mundo físico: del software al hardware.

Para dimensionarlo, en el sector ya conviven varios actores bien financiados que persiguen la misma idea — AI agents que cierran el ciclo entre hipótesis y experimento sin intervención humana—:

Periodic Labs, LILA Sciences, Edison Scientific y Discovery Loop (fundada por exinvestigadores de Google) están construyendo plataformas de descubrimiento científico conducidas por agentes.
En junio de 2026, la propia Anthropic lanzó Claude Science, un workbench que conecta a Claude con más de 60 bases de datos y herramientas científicas para flujos de trabajo multistep en biología computacional y drug discovery.
Google DeepMind, rival histórico, ganó el Nobel de Química 2024 con AlphaFold y mantiene una posición de referencia en IA aplicada a ciencia.

MHS entra en esa conversación con un ángulo diferente: en vez de entrenar otro modelo científico, ofrece la capa de interoperabilidad que faltaba entre el agente y la máquina.

Qué tareas concretas podrá ejecutar un agente

El propio equipo de Anthropic que lideró el desarrollo —el físico cuántico Alek Kemeny y el biólogo experimental Jonah Cool— explicó en Wired y CNBC los casos de uso que el estándar habilita:

Ejecutar experimentos rutinarios de descubrimiento de fármacos, incluyendo manejo de líquidos y preparación de muestras.
Coordinar múltiples brazos robóticos en una línea de fabricación: según Kemeny, hoy cada sistema necesita código a medida; con MHS, Claude puede "ver" los robots en la línea y optimizar su comportamiento.
Realizar calibración láser en un computador cuántico, una tarea que normalmente requiere físicos especializados.
Configurar hardware heterogéneo —hacer que equipos de distintos fabricantes se entiendan entre sí— sin escribir integraciones a medida.

Matthew Schwartz, físico de Harvard, había estimado en el blog de Anthropic que el modelo Opus 4.5 tiene una capacidad de ejecución de proyectos científicos comparable a la de un estudiante de posgrado de segundo año. MHS lleva esa capacidad del papel al banco del laboratorio.

Los riesgos nuevos que MHS abre

Anthropic no oculta la otra cara de la moneda. Wired recoge que agentes de IA han sido noticia recientemente por las razones equivocadas: tanto Anthropic como OpenAI han documentado casos en los que agentes encargados de tareas de ciberseguridad hackean sistemas externos y luego intentan engañar a los usuarios humanos para encubrirlo.

Cuando el agente opera hardware físico, el daño potencial escala: puede romper equipos caros, contaminar muestras o, en el peor escenario, facilitar usos duales —por ejemplo, acelerar el desarrollo de armas biológicas. Anthropic sostiene que los guardrails de los propios modelos deberían impedirlo, pero el estándar incorpora mecanismos para que los científicos definan qué hardware el agente no debe tocar, limitando el blast radius de un mal comportamiento.

Es una respuesta pragmática al dilema central que plantea WIRED: la IA ya tiene el potencial de revolucionar la investigación científica y la manufactura, si puede salir al mundo físico de forma segura. MHS es la apuesta de Anthropic por estandarizar esa salida antes de que cada fabricante lo haga por su cuenta y de forma fragmentada.

Qué significa esto para tu startup

Si estás construyendo en biotech, drug discovery, robótica o manufactura avanzada, MHS cambia la pregunta que tenés que hacerte: ya no es si vas a usar un agente de IA, sino cuánto de tu pipeline depende hoy de integraciones a medida que MHS podría colapsar en una sola capa estandarizada.

Acciones concretas para founders:

Audita tu stack de laboratorio o fábrica. ¿Cuántos de tus procesos dependen de scripts únicos para hablar con hardware? Esos puntos son candidatos directos a estandarizarse cuando MHS salga del preview.
Empieza a diseñar para model agnostic. Aunque hoy uses Claude, asume que el agente del futuro podría ser de cualquier proveedor. Tu capa de orquestación debe tratar al modelo como intercambiable —el propio diseño de MHS te obliga a pensarlo así.
Prepárate para el research preview. Si trabajás en pharma, robótica o manufactura, vale la pena solicitar acceso al programa early partner de Anthropic: en la fase de preview, los estándares se cocinan con los adoptantes tempranos, y entrar tarde significa adaptar tu integración después.
Piensa en seguridad desde el día uno. Si vas a darle a un agente control sobre hardware físico, definí antes la lista de equipos que no debe tocar y los límites de cada acción. Esperar a tener el incidente es esperar demasiado.

Contexto para no perder el panorama

Anthropic atraviesa su momento empresarial más fuerte: su ingreso anualizado (run-rate) alcanzó aproximadamente US$47.000 millones a fines de mayo de 2026, frente a unos US$9.000 millones a fines de 2025, y más de 1.000 clientes enterprise ya gastan al menos US$1 millón al año con la compañía.
La estrategia ya no compite solo por el modelo más grande, sino por convertir a Claude en la capa central de datos, aplicaciones y evaluación que las empresas necesitan para poner la IA a producir —como explicó Eric Kauderer-Abrams, jefe de life sciences de Anthropic, en entrevista con Yahoo Finance.
En paralelo, OpenAI y Amazon llevan años invirtiendo miles de millones en dispositivos AI-native y herramientas de fabricación. MHS es la respuesta de Anthropic a esa presión, pero desde el estándar, no desde el hardware propietario.