Anthropic vient d'ouvrir une prévisualisation de recherche pour le Model Hardware Standard (MHS), une spécification partagée qui permet à un agent IA de découvrir et de piloter directement du matériel physique : microscopes, bras robotisés, automates de laboratoire. L'entreprise compare ce standard à un USB-C universel pour les machines. Premiers partenaires : Genentech, Carnegie Mellon, QuEra Computing et le HHMI Janelia Research Campus. ## Pourquoi les laboratoires ont-ils besoin d'un standard pour piloter du matériel avec l'IA ? Dans la plupart des laboratoires de recherche ou des lignes de fabrication, chaque instrument possède sa propre interface de programmation, et il n'existe aujourd'hui aucune façon standardisée de les connecter entre eux. Résultat : intégrer un microscope, un bras robotisé et un lecteur de plaques dans un même flux de travail exige des semaines, voire des mois, de développement sur mesure par un spécialiste en automatisation. Le MHS s'attaque à ce goulot d'étranglement en introduisant un pilote standardisé, un logiciel qui traduit les commandes entre le système d'exploitation d'un ordinateur et n'importe quel appareil physique doté d'une interface programmable. Ce pilote repose sur un jeu de primitives simples, comme « lire » une température ou « écrire » une nouvelle consigne, que tout appareil peut comprendre et exécuter. Il rend aussi chaque machine détectable dans un format standard, si bien que les appareils et les agents peuvent se trouver et communiquer sur un réseau sans traducteur sur mesure entre les deux. Autre apport clé : le pilote MHS encode des informations qui, jusqu'ici, ne vivaient que dans des manuels papier ou dans la tête d'un technicien expérimenté, comme le poids d'un bras robotisé ou ses limites de sécurité. Chez Anthropic, on résume l'effet observé en une phrase. > Selon Anthropic, une fois les appareils connectés via MHS, l'agent Claude interagit avec les expériences de façon exploratoire, presque comme le ferait un scientifique : il ajuste un laser, observe le résultat via une caméra, recommence, puis transforme ce qu'il a appris en un script déterministe capable de reproduire l'opération sans avoir à raisonner à chaque étape. ## Quels résultats concrets les premiers partenaires ont-ils obtenus avec le MHS ? Les retours des laboratoires partenaires donnent une idée assez précise de ce que change ce standard une fois déployé sur du matériel réel. Chez Carnegie Mellon University, une équipe a utilisé le MHS pour orchestrer un lecteur de plaques, un bras robotisé et un système de dilution en série réparti sur trois ordinateurs aux interfaces totalement incompatibles : l'intégration complète, tests inclus, a pris huit heures contre plusieurs semaines pour une installation fournisseur classique, et les expériences de dose-réponse tournent désormais environ trois fois plus vite. Chez QuEra Computing, qui construit des ordinateurs quantiques à atomes neutres, un agent Claude a développé en une nuit un contrôleur capable de récupérer automatiquement le verrouillage de fréquence d'un laser 99,3 % du temps sans intervention humaine, contre 58 % de réussite pour un script écrit à la main par une équipe d'ingénieurs sur plusieurs mois. Chez Genentech, le MHS a permis d'automatiser un dosage protéique BCA en coordonnant un système de manipulation de liquides, un bras robotisé et un lecteur de plaques, avec un agent capable de détecter et corriger lui-même des erreurs de pipetage liées à la formation de bulles. Ces gains ne relèvent pas de la démonstration marketing : ils sont mesurés, documentés, et reproduits sur du matériel de laboratoire réellement utilisé en recherche pharmaceutique et en calcul quantique. | Partenaire | Tâche automatisée | Résultat mesuré | |---|---|---| | Carnegie Mellon University | Dose-réponse par dilution en série | Intégration en 8h (vs semaines) ; expériences ~3x plus rapides | | QuEra Computing | Récupération de verrouillage laser quantique | 99,3 % de réussite (vs 58 % pour un script manuel) | | Genentech | Dosage protéique BCA automatisé | Détection et correction autonome des erreurs de pipetage | | HHMI Janelia | Microscopie two-photon sur poisson-zèbre | 7 logiciels fournisseurs unifiés en une seule interface |  ## Quelles limites et quels risques accompagnent cette IA physique ? Anthropic est explicite sur le fait que le MHS reste une prévisualisation de recherche, réservée pour l'instant à un premier groupe de laboratoires scientifiques et de fabricants avancés, avant une future mise en open source. Les tests menés chez Genentech ont montré les limites actuelles des modèles : bien qu'ils excellent en raisonnement général, ils peinent encore avec les contraintes physiques, chimiques et biologiques, en particulier pour diagnostiquer des pannes qui demandent une intuition du monde réel. Un exemple frappant concerne la formation de bulles lors de la manipulation de liquides : l'instinct par défaut de l'agent a d'abord été de relancer l'opération avec les mêmes paramètres, ce qui a aggravé le problème au lieu de le résoudre, avant qu'on ne lui enseigne explicitement la physique sous-jacente de l'erreur. Cette dépendance à la supervision humaine est justement au cœur de la stratégie d'Anthropic pour cette phase : construire des évaluations de sécurité et des bonnes pratiques avant toute ouverture large du standard, notamment sur les questions de limites physiques et de risque de dommage matériel. Des fabricants comme AWS (via Strands Robots), Universal Robots, Tecan ou QIAGEN travaillent déjà à intégrer le MHS dans leurs équipements, ce qui laisse penser que l'écosystème matériel se prépare activement à cette bascule vers des agents capables d'agir directement sur le monde physique, et pas seulement sur des données. Pour les dirigeants de PME industrielles ou les professionnels qui envisagent d'automatiser des processus métier avec des agents IA, ce type d'annonce illustre bien la trajectoire du secteur : l'agentique quitte progressivement l'écran pour toucher au matériel, ce qui rend d'autant plus utile de comprendre comment cartographier ses propres flux et concevoir un agent avec mémoire, logique et supervision, une compétence que la formation [Automatiser ses workflows et créer des agents IA](https://www.travelearn.fr/formation/automatiser-ses-workflows-et-crer-des-agents-ia) aborde justement de façon concrète. --- **Sources** - [Previewing the Model Hardware Standard](https://www.anthropic.com/news/model-hardware-standard-research-preview) - [Anthropic Model Hardware Standard connects AI to lab equipment](https://qz.com/anthropic-model-hardware-standard-ai-robots-lab-equipment-082826) - [Anthropic Lets AI Agents Run Lab Robots With a New Hardware Standard](https://www.iphoneincanada.ca/2026/08/28/anthropic-model-hardware-standard/)