Un microscope, un bras robotique et un lecteur de plaques peuvent se trouver dans la même pièce sans vraiment parler la même langue. Chacun possède son logiciel, son interface et ses habitudes. Pour les faire travailler ensemble, un laboratoire doit souvent écrire des intégrations sur mesure, parfois pendant des semaines. Ajouter un agent d’intelligence artificielle au-dessus de cet assemblage ne supprime pas le problème : cela lui donne seulement davantage de systèmes incompatibles à comprendre.
Anthropic veut créer une couche commune. L’entreprise a ouvert le 27 août 2026 une préversion de recherche du Model Hardware Standard, ou MHS, une spécification destinée à permettre aux agents IA de découvrir, comprendre et commander des appareils physiques programmables. Le projet vise d’abord les laboratoires scientifiques et la fabrication avancée, avec des partenaires allant de Genentech à Universal Robots, en passant par QuEra, Tecan et Raspberry Pi.
La promesse est facile à résumer : faire pour les machines ce que les protocoles communs ont fait pour les données et les logiciels. Mais elle est plus délicate à tenir. Une erreur dans un calendrier numérique déplace un rendez-vous. Une erreur sur un pipeteur peut ruiner un échantillon ; sur un bras industriel ou un laser, elle peut aussi endommager un équipement et mettre une personne en danger. MHS rend l’intégration plus simple. Il ne rend pas automatiquement le raisonnement physique fiable.
MHS n’est ni une puce ni un nouveau robot
Le nom peut induire en erreur. « Model Hardware Standard » ne désigne pas un standard de processeur pour exécuter Claude, ni une architecture de puce conçue par Anthropic. Il ne s’agit pas non plus d’un modèle spécialisé vendu avec un robot. MHS est une spécification logicielle partagée qui se place entre un agent et des appareils dotés d’une interface programmable.
Son ambition est de remplacer une collection de connecteurs sur mesure par un format commun. Aujourd’hui, un microscope, une centrifugeuse et un bras robotique peuvent exposer trois API différentes, employer des unités incompatibles et décrire leurs erreurs de trois manières. L’intégrateur doit apprendre chaque système, écrire un adaptateur, vérifier son comportement et maintenir le code lorsque le fabricant change son logiciel.
Anthropic affirme que ce travail, qui prend souvent des semaines ou des mois, pourrait être ramené à des heures ou des minutes pour certains appareils. Cette estimation vient de l’entreprise et de ses premiers partenaires ; elle ne constitue pas encore une mesure indépendante applicable à toutes les machines. La portée de MHS est également délimitée : le standard ne fonctionne aujourd’hui qu’avec du matériel qui possède déjà une interface programmable.
Un pilote commun pour décrire et commander les appareils
Le cœur du dispositif est un driver MHS, comparable à un pilote de périphérique enrichi pour les agents. Il traduit la diversité du matériel en primitives simples et structurées. L’agent n’a pas besoin de connaître chaque commande propriétaire ; il interroge le pilote, qui lui expose ce que l’appareil sait faire et les limites imposées.
« Lire » et « écrire » pour construire un vocabulaire minimal
Anthropic cite deux opérations de base : « read » pour obtenir une information — lire une température, par exemple — et « write » pour modifier un réglage, comme fixer cette température. À partir de ces primitives, un agent peut enchaîner des actions sur plusieurs machines sans disposer d’un traducteur distinct à chaque étape.
Cette simplicité n’efface pas la complexité réelle. « Régler une température » exige encore de préciser une unité, une plage autorisée, une vitesse de montée, un délai de stabilisation et la réaction attendue si le capteur renvoie une valeur incohérente. L’intérêt du standard est de donner à ces paramètres un endroit commun et une forme exploitable, pas de les deviner.
MHS rend aussi les appareils découvrables sur un réseau. Un agent peut demander quels instruments sont disponibles, quelles mesures ils fournissent et quels paramètres ils acceptent. Un protocole pourrait ainsi réclamer une centrifugation sans imposer à l’avance un modèle précis de centrifugeuse, puis adapter les commandes à la machine réellement accessible.
Transformer les manuels et le savoir tacite en contexte machine
Le pilote contient des balises en langage naturel destinées aux caractéristiques que le code seul ne révèle pas : poids d’un bras, géométrie utile, précautions, capacités de mesure ou limites de sécurité. L’utilisateur peut écrire ces informations lui-même ou répondre aux questions d’un agent chargé de documenter l’installation.
Le système génère ensuite un fichier de référence qui décrit l’appareil à l’agent. Cette idée répond à un problème très concret. Une partie du fonctionnement d’un laboratoire reste dispersée entre des manuels PDF, des fichiers locaux et l’expérience des techniciens. Rassembler ce contexte peut améliorer la traçabilité et accélérer la prise en main.
Il crée aussi une nouvelle dépendance. Une limite mal renseignée, une unité ambiguë ou une documentation périmée peut être propagée avec l’autorité d’un standard. La qualité du pilote devient donc aussi importante que celle du modèle. MHS devra permettre de versionner les descriptions, de vérifier leur origine et de tester qu’elles correspondent toujours au matériel réel.
De MCP au monde physique, avec une couche supplémentaire
Une fois les pilotes installés, un agent peut commander le matériel par trois mécanismes : le Model Context Protocol (MCP), une interface en ligne de commande ou des fichiers de code utilisant des API. Ces voies ne sont pas concurrentes. L’agent peut raisonner à haut niveau, appeler un outil par MCP, puis générer un script déterministe lorsque la machine doit agir rapidement ou pendant longtemps.
Cette séparation est judicieuse. Un grand modèle n’a pas besoin de réfléchir avant chaque déplacement millimétrique d’un bras. Il peut explorer une tâche, observer le résultat, puis emballer la séquence validée dans un programme reproductible. Anthropic décrit ainsi un test où Claude a ajusté un laser, observé le déplacement du faisceau avec une caméra et répété l’opération avant de produire un script d’alignement exécutable en une commande.
MHS prolonge donc MCP sans le remplacer. MCP standardise la manière dont une application d’IA accède à des outils et à des données. MHS décrit plus précisément le matériel, ses états et ses contraintes. L’un fournit le canal de communication ; l’autre cherche à donner une grammaire commune aux appareils physiques.
Le standard se veut par ailleurs indépendant du modèle. Anthropic indique que d’autres agents que Claude pourront l’utiliser et prévoit de publier le projet en open source après la préversion. Pour l’instant, toutefois, le code n’est pas encore ouvert à tous. L’accès est réservé à un premier groupe de partenaires et aux organisations acceptées dans le programme de recherche.
Genentech montre à la fois la promesse et la limite
Le cas le plus instructif présenté par Anthropic vient de Genentech. Les chercheurs ont utilisé MHS pour coordonner un pipeteur automatisé, un bras robotique et un lecteur de microplaques lors d’un dosage BCA, une méthode courante pour mesurer la concentration totale de protéines.
Le défi paraît modeste, mais il résume bien la difficulté de la robotique scientifique. L’eau et une solution protéique visqueuse ne se pipettent pas à la même vitesse. Un débit trop élevé forme des bulles, fausse le volume transféré et perturbe ensuite la mesure optique. Dans un premier essai, Claude a appliqué des paramètres génériques aux deux liquides. Le résultat a produit des transferts imprécis.
Invité à optimiser le débit dans une plage définie par des experts, l’agent a réalisé des essais avec un colorant, comparé ses mesures à un transfert de référence et ajusté ses paramètres. Il a convergé vers environ 140 microlitres par seconde pour l’eau et 10 microlitres par seconde pour la solution protéique, des valeurs que l’équipe de Genentech a jugées raisonnables pour son installation.
Ce résultat montre l’intérêt d’une boucle fermée : l’agent ne se contente pas d’envoyer une commande, il mesure son effet et apprend quelle configuration fonctionne. Il révèle aussi sa limite. Lorsque les bulles ont provoqué une erreur, Claude a d’abord tenté de recommencer dans le même puits, ce qui a davantage agité le liquide. Les scientifiques ont dû lui expliquer la cause physique et la correction : changer de puits et mélanger plus doucement.
L’agent savait manipuler les commandes. Il ne comprenait pas encore spontanément la matière. Anthropic reconnaît que les modèles actuels restent fragiles face aux contraintes physiques, chimiques et biologiques. Les performances rapportées sont en outre issues des équipes impliquées dans le lancement, pas d’une campagne d’évaluation indépendante.
Du laboratoire de biologie au réglage d’un laser quantique
Les autres démonstrations illustrent l’étendue recherchée. À l’Université de Washington, MHS a servi à surveiller des instruments à distance, arrêter une réaction qPCR au bon moment et organiser le transfert de plaques entre un bras et un pipeteur sans collision. Tetsuwan Scientific a connecté une caméra capable de détecter les bulles à une chaîne de biologie automatisée ; un agent pouvait alors chercher un appareil approprié, comme une centrifugeuse, pour corriger le problème.
Dans un environnement très différent, QuEra a testé MHS sur le réglage d’un laser destiné à un ordinateur quantique. Selon le compte rendu publié par Anthropic, les paramètres trouvés par Claude ont maintenu le verrouillage pendant dix-neuf heures, alors que le réglage manuel comparé perdait le verrouillage environ 1,6 fois par heure. Ce chiffre est spectaculaire, mais il faut le lire comme le résultat d’un pilote ciblé, sur un système particulier et avec l’accompagnement d’experts.
Ces exemples suggèrent que la valeur de MHS se trouve moins dans une « intelligence universelle des machines » que dans l’orchestration. Un agent peut voir plusieurs états à la fois, garder une trace continue, appeler l’instrument utile et transformer une procédure réussie en code. Pour un laboratoire où les équipements vivent chacun dans leur silo, ce rôle de chef d’orchestre peut déjà faire gagner du temps.
Le standard ne remplace ni la physique ni les garde-fous
Connecter davantage d’appareils augmente aussi la surface d’action d’un agent. Une commande mal interprétée peut se propager d’une machine à l’autre. Un pilote compromis peut mentir sur l’état d’un capteur. Une instruction cachée dans une donnée ou un manuel peut influencer l’agent. Des identifiants trop permissifs peuvent donner accès à un instrument qui ne devrait pas être commandé à distance.
Ces risques ne sont pas théoriques à l’échelle des protocoles agentiques. La NSA américaine a averti en mai que MCP crée des problèmes de frontières de confiance, d’invocation dynamique d’outils et de partage de contexte qui ne se règlent pas seulement avec une authentification classique. MHS ne se confond pas avec MCP, mais il peut l’utiliser pour commander des appareils ; les mêmes faiblesses deviennent alors physiques.
Une mise en production sérieuse devra appliquer plusieurs couches de contrôle : liste d’actions autorisées, bornes déterministes, séparation entre lecture et écriture, validation humaine pour les gestes à risque, arrêt d’urgence indépendant du modèle, journalisation, simulation préalable et segmentation du réseau. La machine doit refuser une commande dangereuse même si l’agent la formule avec assurance.
Anthropic indique travailler sur une feuille de route de sûreté physique et veut construire des évaluations avec les partenaires de la préversion. C’est une démarche nécessaire, mais encore inachevée. Le billet ne fournit ni certification générale, ni taux d’incident comparable entre pilotes, ni méthode publique permettant de décider qu’un agent peut agir sans supervision sur une catégorie d’appareils.
Une préversion ambitieuse, pas encore un standard acquis
Anthropic annonce le soutien ou l’expérimentation de nombreux acteurs : AWS, Automata, Danaher, Doosan Robotics, MBF Bioscience, QIAGEN, Tecan et Universal Robots figurent parmi les partenaires matériels ou logiciels. Hugging Face prévoit une intégration dans LeRobot et Raspberry Pi travaille sur plusieurs produits après des tests avec un pilote de caméra.
Cette liste donne à MHS une crédibilité industrielle initiale. Elle ne garantit pas son adoption comme standard durable. Un véritable standard doit rester utile hors de l’écosystème de son créateur, documenter ses compromis, accueillir une gouvernance pluraliste et survivre à la concurrence d’autres protocoles. L’ouverture future du code sera donc une étape importante, mais pas la dernière.
Les fabricants devront également accepter d’exposer des fonctions suffisamment riches sans perdre le contrôle de leur sécurité, de leur support et de leur propriété intellectuelle. Les laboratoires devront financer la création et la maintenance de pilotes fiables. Et les régulateurs ou assureurs voudront savoir qui répond d’une action lorsque l’agent, le pilote, le fabricant et l’intégrateur appartiennent à quatre organisations différentes.
Le pari d’Anthropic dépasse Claude
MHS révèle une orientation stratégique : après avoir relié les modèles aux logiciels avec MCP, Anthropic veut contribuer à la couche qui les reliera aux machines. Si cette interface devient largement adoptée et réellement indépendante des modèles, elle pourrait réduire un frein majeur à l’automatisation scientifique et industrielle. Une expérience ne serait plus programmée pour une station unique, mais décrite de manière portable puis exécutée par le matériel disponible.
Le gain potentiel est réel : moins d’intégrations artisanales, des expériences mieux journalisées, une surveillance continue et davantage de temps humain consacré à la conception et à l’interprétation. Mais la portée du risque augmente dans la même proportion. Plus une interface rend l’action facile, plus elle doit rendre les limites explicites et impossibles à contourner.
Le Model Hardware Standard ne donne donc pas encore des mains sûres aux agents IA. Il définit plutôt les articulations, les commandes et la fiche technique dont ils auront besoin. La préversion devra maintenant prouver que cette grammaire commune peut rester compréhensible, auditable et restrictive lorsque le monde physique résiste — ce qu’il fait toujours.
Références
- Anthropic — Previewing the Model Hardware Standard, 27 août 2026
- Reuters — Anthropic unveils new framework allowing AI agents to operate physical devices, 27 août 2026
- Anthropic — Introducing the Model Context Protocol
- Model Context Protocol — Documentation officielle
- NSA — Security Design Considerations for AI-Driven Automation Leveraging MCP, 20 mai 2026
- The Pingouin — LabOSBench : les agents IA savent cliquer, mais pas encore piloter un laboratoire
