Los agentes de inteligencia artificial ya pueden navegar por páginas web, escribir código, rellenar formularios o coordinar herramientas digitales. Anthropic quiere llevar esa misma lógica fuera del ordenador. La compañía ha presentado Model Hardware Standard (MHS), una especificación compartida para que los agentes puedan descubrir, entender y manejar equipos físicos.
La diferencia no es menor. Cuando un agente se equivoca al usar una aplicación, el problema suele quedarse dentro de un sistema informático. Si controla una pipeta automática, un láser o un brazo robótico, una mala decisión puede desperdiciar una muestra, dañar un equipo o generar un riesgo físico. La noticia no es simplemente que Claude pueda conectarse a más aparatos: Anthropic está intentando construir una capa común para que los modelos puedan actuar sobre el mundo real.
Un lenguaje común para máquinas que hasta ahora hablaban idiomas distintos
MHS se estrena como una vista previa de investigación para laboratorios científicos y fabricantes avanzados. Anthropic cita microscopios, manipuladores de líquidos, brazos robóticos y hardware de computación cuántica. La especificación funciona, según la compañía, con cualquier dispositivo que tenga una interfaz programable y no está ligada a Claude: otros agentes pueden acceder a ella mediante protocolos estándar como Model Context Protocol (MCP).
La idea recuerda precisamente a MCP, pero aplicada al hardware. En lugar de crear una integración distinta para cada instrumento, MHS describe qué puede hacer un dispositivo, qué estado tiene, qué comandos acepta y qué límites no deben superarse. Anthropic asegura que una integración que hoy puede requerir semanas o meses podría reducirse a horas o minutos.
Eso no significa que cualquier modelo obtenga control universal sobre cualquier máquina. Cada dispositivo necesita una interfaz programable, permisos concretos y límites de seguridad. La calidad de esas integraciones será tan importante como la inteligencia del agente.
Ya no es solo una demostración
Lo interesante es que Anthropic no se ha limitado a enseñar un concepto. En las primeras pruebas, agentes conectados mediante MHS han trabajado con equipamiento real en varios centros.
En Genentech, un agente ejecutó un experimento de descubrimiento de fármacos y fue capaz de gestionar errores durante el proceso. En HHMI Janelia Research Campus, la compañía asegura que una tarea de imagen que normalmente se extendía durante semanas se comprimió hasta aproximadamente un día. Y en QuEra, dedicada a computación cuántica, el sistema mejoró la estabilización de un láser del 58% al 99,3%.
Son resultados proporcionados por Anthropic y sus socios, así que todavía necesitan más evaluación independiente. Pero sirven para entender que estamos hablando de algo más concreto que un agente pulsando botones en una interfaz simulada.
¿Qué cambia realmente en un laboratorio?
La automatización científica no nació con la IA. Los laboratorios llevan décadas utilizando robots de pipeteo, sistemas de análisis y secuencias programadas. La novedad es que un agente puede interpretar un objetivo más amplio, elegir herramientas, adaptar el siguiente paso a los resultados y documentar el proceso sin que una persona programe cada transición de antemano.
En la práctica, podría preparar muestras, observarlas al microscopio, detectar que una medición parece anómala y repetir solo la parte necesaria. También podría coordinar equipos que normalmente utilizan interfaces y programas diferentes. Si funciona de forma fiable, esto podría reducir trabajo repetitivo y aprovechar durante más horas instalaciones que cuestan millones.
Pero conviene separar automatización de ciencia autónoma. Un agente puede ejecutar un protocolo y explorar combinaciones, pero eso no convierte automáticamente sus resultados en conocimiento fiable. Siguen siendo necesarios controles, replicación, trazabilidad y supervisión experta.
El mismo planteamiento puede acabar en fábricas
MHS no está pensado únicamente para investigación. Anthropic también habla de fabricación avanzada, donde un agente podría coordinar sensores, maquinaria y brazos robóticos a partir de un objetivo más general.
Ahí el potencial es enorme, pero también lo es la distancia entre una prueba controlada y una línea industrial certificada. En una fábrica importan la latencia, la disponibilidad, la seguridad funcional y la capacidad de demostrar por qué se ejecutó cada acción. Un sistema que funciona correctamente el 99% del tiempo puede seguir siendo inaceptable si ese 1% restante implica una máquina de varias toneladas.
La seguridad ya no puede depender del prompt
Este es probablemente el punto más importante de MHS. Los límites físicos no deberían depender de que el modelo interprete bien una instrucción. El propio dispositivo debe imponer restricciones sobre velocidad, temperatura, presión, potencia, zonas de movimiento o cualquier otra variable crítica.
La documentación del proyecto pone precisamente el énfasis en esos límites a nivel de dispositivo. Un agente puede decidir qué hacer dentro del margen permitido, pero no debería poder superar una restricción crítica simplemente porque una instrucción o una cadena de razonamiento se lo sugiera.
A eso hay que sumar permisos mínimos, registros completos, simulación previa cuando sea posible y confirmación humana para determinadas acciones irreversibles. Un microscopio puede tolerar bastante autonomía; un equipo que maneja sustancias peligrosas necesita otra categoría de control.
También aparece una nueva superficie de ciberseguridad. Cuantos más dispositivos puedan ser descubiertos y operados mediante interfaces comunes, más importante será proteger credenciales, redes y permisos. La experiencia reciente con agentes que han encontrado formas de salir de entornos controlados obliga a tomarse muy en serio esa posibilidad.
La IA empieza a salir de la pantalla
MHS sigue siendo una vista previa limitada y Anthropic todavía controla buena parte del relato inicial sobre sus capacidades. La compañía quiere trabajar primero con socios en evaluaciones de seguridad y buenas prácticas antes de publicar el estándar como código abierto.
Aun así, la dirección es importante. Durante los últimos años hemos hablado de agentes capaces de actuar dentro de un ordenador. Ahora empiezan a aparecer interfaces para que esos mismos sistemas puedan ejecutar un experimento, mover una pieza o ajustar una máquina.
Ese salto puede acelerar la ciencia y la industria, pero también cambia la naturaleza del error. Cuando la IA deja de limitarse al software, equivocarse deja de ser únicamente un problema digital.
