Anthropic presenta en vista previa el Model Hardware Standard

Anthropic anunció el 27 de agosto de 2026 el Model Hardware Standard (MHS), una especificación compartida para que los agentes de IA operen dispositivos físicos: microscopios, brazos robóticos, manejadores de líquidos, centrífugas e instrumentos de manufactura avanzada. La compañía lo describe como «una especificación compartida para que los agentes de IA operen dispositivos físicos de forma segura».

El estándar nació de una colaboración entre Anthropic y el HHMI Janelia Research Campus. La idea original vino de Arco Bast, científico postdoctoral del laboratorio Spruston: un diccionario estandarizado con el estado completo del equipo en memoria compartida, legible desde cualquier lenguaje. Su microscopio fue el primero en correrlo.

¿Qué problema resuelve el Model Hardware Standard?

Integrar hardware de laboratorio con software es lento y caro. Según los casos publicados, hacerlo de forma tradicional toma meses o años y cuesta entre miles y millones de dólares. MHS apunta a reducir esa integración a horas o minutos.

Técnicamente funciona con tres piezas. Primero, un driver estandarizado que traduce entre el sistema operativo y el equipo usando primitivas simples de lectura y escritura, del tipo «obtener temperatura» o «fijar temperatura». Segundo, un formato estándar de descubrimiento, para que agentes y dispositivos se encuentren en la red sin un traductor a medida. Tercero, tags en lenguaje natural donde el usuario carga lo que el código no deduce solo, como el peso de un brazo robótico; con eso el driver genera un archivo de referencia con qué mide el equipo, qué es ajustable y qué límites de seguridad se aplicarán.

El control se ejerce por tres vías que trabajan juntas: MCP (Model Context Protocol), una interfaz de línea de comandos y archivos de código. Es agnóstico de modelo: cualquier harness de agentes puede conectarse por protocolos estándar. Funciona con cualquier dispositivo que tenga una interfaz programable, y el equipo de Carnegie Mellon reporta que también maneja equipos que solo exponen una interfaz gráfica, operándola como lo haría una persona.

¿Qué resultados mostraron las pruebas?

Los números son la parte más contundente del anuncio.

• QuEra Computing. Un script hecho a medida por cuatro especialistas durante varios meses recuperaba el lock de un láser de titanio-zafiro el 58% de las veces, en unos 150 segundos por intento. Con MHS, cuatro instancias de Claude en loop desatendido durante una noche produjeron un script determinista que baja el tiempo a unos 6 segundos. En una prueba ciega final de 700 intentos hubo 695 recuperaciones correctas: 99,3% de éxito. En un run de 19 horas, los parámetros PID ajustados por el agente no perdieron el lock ni una vez, mientras los del experto humano se desbloqueaban unas 1,6 veces por hora.
• Carnegie Mellon University. Curvas dosis-respuesta con tres equipos repartidos en tres computadores de interfaces incompatibles, uno de ellos sin interfaz programática. Escribir los drivers y la capa de orquestación tomó unas 8 horas contra varias semanas de un setup provisto por el fabricante. Se indujeron artificialmente seis condiciones de riesgo (placa faltante, placa rotada, lector ocupado, cámara desconectada, dispositivo inalcanzable, parada de emergencia) y el sistema bloqueó las seis antes de que cualquier equipo se moviera. Ante un ajuste rechazado por saturación, el modelo descartó la placa y repitió el experimento por su cuenta hasta lograr R² sobre 0,98, sin intervención humana.
• HHMI Janelia. Un montaje de microscopía que antes exigía lanzar siete programas de distintos fabricantes en un orden fijo pasó a un solo clic en un dashboard. Agregar hardware nuevo bajó de un proyecto de varios días a unos pocos minutos.
• Genentech. Claude optimizó de forma autónoma el flujo de dispensado de un ensayo de proteína, ajustando cerca de 140 µL/s para agua y unos 10 µL/s para una solución viscosa, valores que los expertos de automatización de la empresa validaron como razonables.
• University of Washington. Conectar seis instrumentos, incluidos los drivers, tomó menos de una semana. Un brazo robótico open source coordinado con un manejador de líquidos no tuvo ni una colisión en pruebas repetidas.

¿Quiénes están construyendo soporte para MHS?

Anthropic listó fabricantes y plataformas que ya trabajan en compatibilidad: Amazon Web Services (vía su librería Strands Robots), Tecan en sus plataformas Fluent, QIAGEN con una prueba de concepto sobre QIAsymphony Connect, Danaher, Doosan Robotics, Automata, MBF Bioscience y Universal Robots. Se suman Hugging Face, que añade soporte en LeRobot, y Raspberry Pi, que lo habilita en varios de sus productos.

El estado del release importa para no sobreinterpretar el anuncio: es una research preview con lista de espera, abierta a un primer grupo de laboratorios y fabricantes. Anthropic dice explícitamente que todavía le falta trabajo antes de abrir el estándar como open source.

¿Qué limitaciones reconoce Anthropic?

El anuncio es inusualmente franco con lo que no funciona. Claude aprende del mundo físico por texto e imágenes, así que su razonamiento espacial sigue requiriendo supervisión experta. En Genentech hubo que explicarle que los errores por burbujas eran fallas físicas y no bugs de software, porque su instinto era reintentar en el mismo pozo. En QuEra, cuando algo fallaba en el hardware, el modelo no sabía diagnosticarlo, y con frecuencia se detenía a esperar confirmación humana ante acciones que consideraba mínimamente riesgosas, dejando experimentos pausados durante la noche.

MHS tampoco funciona todavía con equipos que carecen de cualquier interfaz de programación, y los equipos de la University of Washington advierten que correr un agente en ventanas largas de monitoreo tiene un costo de cómputo que hay que pesar contra el tiempo de investigador ahorrado.

Análisis de Revenue Hub

La lectura corta para un líder comercial en Chile y Latinoamérica es que MHS no cambia nada en tu CRM esta semana. La lectura larga sí importa: Anthropic está repitiendo, en el mundo físico, exactamente la jugada que hizo con MCP en el mundo del software. Primero un estándar abierto de conexión, después un ecosistema de fabricantes que lo adopta, y al final el modelo queda instalado como la capa de orquestación por defecto. Quien controla el estándar de integración termina controlando dónde se toman las decisiones.

El dato que sí es transferible a una operación comercial es el de Carnegie Mellon: ocho horas para integrar tres sistemas incompatibles, uno de ellos sin API. Ese es el mismo perfil de problema que enfrenta cualquier empresa mediana en Chile con un ERP antiguo, un CRM moderno y un sistema de facturación que solo expone pantallas. Si el costo de integrar sistemas cae un orden de magnitud, la excusa de «no se puede conectar» deja de ser técnica y pasa a ser una decisión de prioridad. Vale la pena revisar qué proyectos de integración quedaron congelados en tu roadmap por presupuesto y volver a cotizarlos con este supuesto.

La advertencia también aplica. En los casos publicados el agente falla justo donde no tiene contexto: no distingue una falla física de un bug, y se detiene a pedir permiso cuando percibe riesgo. Traducido a ventas y operaciones, un agente sin contexto de negocio bien cargado va a producir el mismo patrón, mucha actividad y decisiones detenidas esperando a un humano. El trabajo de calidad de datos y de reglas explícitas sigue siendo el prerrequisito, no el paso opcional. Si estás evaluando agentes sobre tu operación comercial, revisa nuestra cobertura de IA aplicada a ventas y el blog de Revenue Hub.