En pocas palabras: Anthropic largó el Model Hardware Standard (MHS) el 28 de agosto de 2026. Este estándar abierto permite que agentes como Claude controlen equipos reales, reduciendo la integración que antes llevaba semanas a solo horas.
Anthropic acaba de largar el Model Hardware Standard (MHS), un estándar abierto que permite que agentes de IA como Claude controlen dispositivos físicos — microscopios, brazos robóticos, equipos de laboratorio — usando lenguaje natural. Lo anunciaron el 28 de agosto de 2026 como research preview, después de meses de pruebas con Genentech, la Universidad de Washington, Carnegie Mellon y QuEra. El resultado: acorta integraciones de semanas a horas.
El Model Hardware Standard de Anthropic es un marco de comunicación estandarizado que traduce instrucciones en lenguaje natural a comandos que cualquier dispositivo con interfaz programable puede ejecutar, usando primitivas simples de lectura y escritura con etiquetas de seguridad integradas. Si alguna vez tuviste que integrar hardware con software, sabés que el 80% del laburo es hacer que dos cosas que hablan idiomas distintos se entiendan. MHS resuelve eso rápidamente.
En 30 segundos
- Qué es: un estándar de hardware que permite a los agentes de IA de Anthropic controlar dispositivos físicos usando lenguaje natural.
- Cuándo se anunció: 28 de agosto de 2026, como research preview con 10 socios industriales.
- Resultados concretos: Carnegie Mellon hizo experimentos 3× más rápidos, QuEra logró un 99.3% de recuperación de bloqueos láser automatizada.
- Limitación clave: Claude todavía se equivoca con razonamiento espacial — errores por espuma en muestras, por ejemplo — así que requiere supervisión humana experta.
- Futuro: Anthropic planea abrir el estándar como open-source después de esta preview.
¿Qué es el Model Hardware Standard (MHS) de Anthropic?
El Model Hardware Standard es un driver estandarizado que Anthropic desarrolló junto con el HHMI Janelia Research Campus para que los agentes de IA — en concreto Claude — puedan operar hardware de laboratorio y robótica sin que un ingeniero pase semanas escribiendo código de integración. La promesa es ambiciosa: convertir semanas en horas o minutos.
El estándar expone dos primitivas universales — read y write — que cualquier dispositivo con interfaz programable entiende. Cada dispositivo se describe con etiquetas en lenguaje natural que incluyen no solo sus capacidades, sino también advertencias de seguridad, valores máximos, unidades y restricciones. Básicamente, el driver le dice a Claude: “podés mover este brazo robótico entre 0 y 180 grados, pero no más rápido que X porque rompés algo”.
La lógica de seguridad viene embebida en el propio estándar. No es un middleware que corre después a verificar si lo que hizo el modelo estuvo bien — las restricciones viajan con cada comando. Eso es un diferencial importante frente a otros enfoques de robótica con IA que vimos en los últimos dos años.
¿Cómo funciona el MHS para conectar IA con dispositivos físicos?
El MHS expone cada dispositivo a través de tres mecanismos de control, según el nivel de integración que necesites. Podés interactuar usando el Model Context Protocol (MCP) — el mismo que ya usan otros servicios de Anthropic —, directo desde línea de comandos, o mediante archivos de código que funcionan como APIs autocontenidas. La idea es que elijas el nivel de abstracción según tu caso de uso y tu tolerancia al riesgo.
Acá viene lo interesante: el driver no hardcodea ninguna funcionalidad específica del dispositivo. Lo único que hace es exponer las capacidades que el fabricante declaró en las etiquetas de lenguaje natural. Claude lee esas etiquetas, entiende qué puede y qué no puede hacer, y genera comandos read o write dentro de esos límites. Si el fabricante documentó mal el dispositivo, Claude opera con información incompleta — igual que le pasaría a un técnico humano con un manual mal escrito. Para más detalles técnicos, mirá en nuestra comparativa de Claude vs Gemini 2.5.
¿Qué tipos de dispositivos puede controlar la IA con MHS?
La lista de dispositivos que ya probaron en la preview es variada y bastante concreta: microscopios, brazos robóticos, lectores de placas, liquid handlers para manejo de muestras líquidas, sistemas láser en computadoras cuánticas y equipos de PCR para análisis genético. Anthropic aclara que cualquier dispositivo con interfaz programable es candidato — no hay limitación de categoría.
El punto fuerte acá es que no necesitás hardware nuevo ni especializado. Si tu equipo de laboratorio ya tiene una API o acepta comandos por puerto serie, MHS lo toma. En los casos de prueba, usaron equipo estándar de laboratorio que ya estaba funcionando en las instalaciones de los socios — Genentech, por ejemplo, automatizó un ensayo BCA con el mismo lector de placas que venía usando manualmente.
¿Cuáles fueron los resultados de las pruebas con MHS en entornos reales?
Los números de la preview son sólidos, y vienen de instituciones que no son precisamente un jardín de infantes. Estos son los cuatro proyectos principales que Anthropic documentó:
| Organización | Proyecto | Resultado |
|---|---|---|
| Genentech | Automatización de ensayo BCA para cuantificación de proteínas | Reducción de semanas de integración a horas. Claude operó pipetas y lectores de placas leyendo protocolos estándar. |
| Universidad de Washington | Monitoreo remoto de experimentos y qPCR supervisado | Claude monitoreó sesiones de qPCR y ajustó parámetros en tiempo real con supervisión de un investigador. |
| Carnegie Mellon | Experimentos de dilución serial con robots de laboratorio | 3× más rápidos que la configuración manual (sí, en serio). Claude manejó el brazo robótico y liquid handler coordinados. |
| QuEra Computing | Recuperación automatizada de bloqueos láser en computadoras cuánticas | 99.3% de recuperación exitosa. Antes esto lo hacía un operador humano con diagnóstico manual. |
Lo que me llama la atención del caso QuEra: una computadora cuántica pierde calibración láser constantemente — es parte del juego. Que un agente de IA pueda detectar el bloqueo, diagnosticarlo y recalibrar con 99.3% de efectividad sin intervención humana es un golazo. Eso cambia el modelo operativo de un laboratorio cuántico entero.
¿Qué limitaciones tiene actualmente el MHS?
Acá hay que ser honesto: no es magia. Las limitaciones son reales y Anthropic las reconoce abiertamente. Claude tiene problemas con razonamiento espacial y físico fino. Durante las pruebas, los investigadores reportaron errores por cosas tan simples como espuma en muestras líquidas — el modelo no “ve” que el líquido tiene burbujas y asume volúmenes incorrectos. Por eso todas las implementaciones actuales requieren supervisión experta humana.
Otra limitación obvia: el dispositivo tiene que tener interfaz programable. Si tu hardware es completamente analógico o no expone ninguna API, no hay forma de conectarlo. Anthropic dice que está trabajando con fabricantes para que incorporen drivers MHS de fábrica, pero eso depende de adopción industrial — y eso lleva tiempo. No es algo que se resuelva con un paper. Más contexto en como analizamos en la comparación con GPT-4o.
El estándar tampoco cubre percepción visual integrada. Claude puede leer datos de sensores, sí, pero no puede “mirar” por una cámara y tomar decisiones basadas en imágenes — al menos no sin un módulo externo que traduzca visión a datos estructurados. Esto es un agujero importante si pensás en robótica autónoma real.
¿Qué empresas y organizaciones ya adoptaron MHS?
La research preview arrancó con 10 socios que cubren desde cloud computing hasta robótica educativa. La lista completa, según el anuncio oficial de Anthropic:
- Amazon Web Services: integró MHS con sus robots Strands para logística de laboratorio automatizada.
- Danaher: conglomerado de ciencias de la vida — están evaluando MHS en equipos de diagnóstico.
- Doosan Robotics: fabricante de brazos robóticos industriales, probando MHS para control de manipuladores.
- MBF Bioscience: software de microscopía — integración con sistemas de imagen para neurociencia.
- QIAGEN: equipos de PCR y preparación de muestras genéticas.
- Hugging Face: sí, la plataforma de modelos open-source está metida en hardware ahora — están desarrollando drivers comunitarios.
- Raspberry Pi: esto es interesante: llevar MHS a hardware educativo y de prototipado barato.
¿Qué planes tiene Anthropic para el futuro del MHS?
La empresa confirmó que va a abrir el estándar como open-source cuando termine la preview. No dieron fecha exacta, pero el patrón de Anthropic con MCP — que también arrancó como estándar abierto — sugiere que no van a encerrarlo en un jardín amurallado. Tiene sentido: si querés que fabricantes de hardware adopten tu estándar, no podés cobrarle licensing.
También anunciaron una hoja de ruta de seguridad física que van a desarrollar con los socios de la preview. El año 2026 fue particularmente intenso en discusiones sobre seguridad de agentes de IA — este roadmap llega en un momento donde los reguladores están mirando con lupa cualquier sistema que mueva átomos, no solo bits.
Las evaluaciones de seguridad que Anthropic está corriendo con los socios incluyen escenarios de fallo, comandos maliciosos simulados y condiciones de borde físicas. Hasta ahora no publicaron un paper de seguridad completo, pero dicen que está en camino para cuando el estándar se abra.
¿Qué significa esto para laboratorios y empresas de Latinoamérica?
Si tenés un laboratorio de biotecnología, agrotech o ciencias de materiales en la región, MHS te puede cambiar el esquema de costos de automatización. Hoy automatizar un flujo de PCR o un ensayo de dilución implica contratar ingenieros de integración o comprar paquetes llave en mano que salen una fortuna. Con MHS, la promesa es que un investigador que sepa describir su protocolo en lenguaje natural pueda poner a Claude a operar el equipo — con supervisión, claro.
¿Lo veo reemplazando técnicos? No. Por ahora, la supervisión experta es obligatoria y los errores por razonamiento espacial son frecuentes. Pero sí puede acelerar el trabajo de un técnico calificado, que en vez de estar tres horas pipeteando manualmente supervisa a Claude mientras hace 30 minutos de ese mismo laburo aburrido y se concentra en el análisis de resultados. Relacionado: más detalles en la comparativa frente a GPT-5.
Para la parte de infraestructura — si tu laboratorio necesita exponer dispositivos en red para que Claude los controle, vas a querer conectividad estable. En entornos donde el equipo está disperso geográficamente, un hosting local como donweb.com puede servir para montar el MCP server que intermedia entre Claude y tus dispositivos, sobre todo si necesitás baja latencia desde la nube de Anthropic a tu red local.
Errores comunes al pensar en MHS
Creer que es plug-and-play universal. No lo es. Cada dispositivo necesita un driver que lo describa en el estándar MHS. Si el fabricante no lo provee, lo tenés que escribir vos — y eso requiere saber qué hace el dispositivo y cómo documentarlo con precisión. No es magia negra, pero tampoco es “conecto y anda”.
Asumir que Claude entiende física. No tiene modelo de mundo físico real. Si le decís “pipeteá 50 microlitros”, no sabe que hay que inclinar la punta, evitar burbujas o limpiar entre muestras — salvo que el driver lo especifique. Durante las pruebas de Genentech, este tipo de omisiones en la documentación del dispositivo generaron errores concretos.
Confundir MHS con robótica autónoma completa. MHS es un estándar de comunicación hardware-IA, no un framework de control robótico. No planifica trayectorias, no hace SLAM, no maneja cinemática inversa. Si necesitás eso, vas a tener que integrar MHS con ROS o algo similar — y ahí la complejidad vuelve a aparecer.
Pensar que reemplaza protocolos de seguridad de laboratorio. No, no lo hace. Las etiquetas de seguridad del driver son una capa más, no un sustituto de interlocks físicos, protocolos de emergencia o buenas prácticas. Si tu láser de Clase 4 no tiene corte de emergencia físico, MHS no te salva de un accidente.
Preguntas Frecuentes
¿Qué es el Model Hardware Standard de Anthropic?
Es un estándar de comunicación que permite a los agentes de IA de Anthropic — principalmente Claude — controlar dispositivos físicos usando lenguaje natural. Fue desarrollado junto con HHMI Janelia y anunciado el 28 de agosto de 2026 como research preview. Usa dos primitivas universales (read y write) y etiquetas de seguridad en lenguaje natural para que la IA entienda qué puede y qué no puede hacer con cada dispositivo.
¿Cuánto cuesta usar MHS?
Durante la research preview, el acceso a MHS está incluido para los socios participantes. Anthropic no anunció precios finales ni modelo de licenciamiento para cuando se abra el estándar. La intención declarada es hacerlo open-source, lo que sugiere que el estándar en sí no va a tener costo — el gasto va a venir del uso de Claude como agente y de la infraestructura para correrlo. Ya lo cubrimos antes en revisa nuestra comparativa de precios con Google.
¿Qué diferencia a MHS de otros estándares de hardware para IA?
La diferencia principal es el uso de lenguaje natural como interfaz universal y la integración nativa de restricciones de seguridad en el propio driver, no como capa externa. Google y OpenAI tienen iniciativas de robótica, pero ninguna publicó un estándar abierto comparable con primitivas tan elementales — la mayoría usa APIs propietarias o frameworks complejos como ROS. MHS apuesta a simplicidad extrema: read y write, nada más.
¿Puedo usar MHS con hardware que ya tengo en mi laboratorio?
Sí, siempre que el dispositivo tenga una interfaz programable (API, puerto serie, TCP/IP). Necesitás escribir o conseguir un driver MHS que describa el dispositivo con las etiquetas de seguridad y capacidades correspondientes. Hugging Face ya está trabajando en una biblioteca de drivers comunitarios para dispositivos comunes, y Raspberry Pi está adaptando MHS para hardware de prototipado.
¿Qué tan seguro es dejar que una IA controle equipos físicos?
Es la pregunta del millón. Las pruebas mostraron errores por razonamiento espacial limitado y Anthropic exige supervisión humana en todas las implementaciones actuales. El estándar incluye restricciones de seguridad embebidas, y la compañía está desarrollando una hoja de ruta de seguridad con los socios. Pero estamos en etapa de research preview — pondría un signo de pregunta grande sobre autonomía total sin operador humano presente. Probablemente en 2027 tengamos datos más sólidos.
Conclusión
El Model Hardware Standard es la movida más concreta que vi de Anthropic para sacar a los agentes de IA del mundo de los bits y meterlos en el mundo real. No es un producto terminado — es una research preview con 10 socios, errores documentados y limitaciones claras — pero los resultados de Genentech, Carnegie Mellon y QuEra muestran que el enfoque funciona en entornos controlados.
Lo que me cierra es la simpleza del estándar: read y write, etiquetas de lenguaje natural, seguridad integrada. Es el tipo de abstracción que no intenta resolver todos los problemas del mundo, solo el de la comunicación — y eso lo hace adoptable. Lo que no me cierra es la dependencia de supervisión humana y la falta de percepción visual integrada. Si tuviéramos eso resuelto, estaríamos hablando de otra cosa. Por ahora, MHS es un paso enorme en la dirección correcta, pero con las rueditas de entrenamiento puestas.
Si trabajás en automatización de laboratorio o robótica, ponelo en el radar. Cuando el estándar se abra, los early adopters que escriban buenos drivers van a tener ventaja — y los fabricantes que lo integren de fábrica van a mover la aguja del mercado de equipamiento científico.
Fuentes
- Anthropic – Model Hardware Standard research preview — anuncio oficial con detalles del estándar, socios y resultados de pruebas.
- Ars Technica – Anthropic’s new hardware standard lets AI agents control the physical world — cobertura de la preview con análisis de los casos de uso.
- La Razón – Anthropic saca a Claude de la pantalla: su IA ya puede controlar robots, microscopios y equipos de laboratorio — reporte en español con foco en aplicaciones científicas.
- MarketScreener – Anthropic presenta un nuevo marco que permite a los agentes de IA operar dispositivos físicos — listado de socios y planes de open-source.