Anthropic lanceert MHS: AI-agenten besturen machines

Op 27 augustus 2026 opende Anthropic een onderzoekspreview van de Model Hardware Standard (MHS), een gedeelde specificatie waarmee AI-agenten fysieke apparaten veilig kunnen bedienen. De standaard, ontwikkeld samen met het HHMI Janelia Research Campus, moet een agent zoals Claude in staat stellen meerdere labo- of productie-instrumenten tegelijk aan te sturen — microscopen, robotarmen, vloeistofdoseerders — voor taken variërend van een geneesmiddelontdekkingsexperiment tot laserkalibratie op een kwantumcomputer. Het is de eerste keer dat Anthropic zijn agenten voorbij het scherm laat gaan, naar directe besturing van machines.

Een gemeenschappelijke taal om met machines te praten

Apparaten in een labo of fabriek met elkaar laten communiceren, duurt doorgaans weken, zo niet maanden: de meeste apparaten praten niet met elkaar, waardoor specialisten voor elke hardwarecombinatie op maat gemaakte integraties moeten bouwen. MHS brengt dat werk terug tot enkele uren door een gestandaardiseerd stuurprogramma te introduceren — software die vertaalt tussen het besturingssysteem van een computer en een fysiek apparaat. Dat stuurprogramma steunt op een kleine set basiscommando's, zoals leescommando's (bijvoorbeeld een temperatuur opvragen) of schrijfcommando's (bijvoorbeeld een temperatuur instellen), die elk apparaat met een programmeerbare interface kan begrijpen. Zo wordt elk toestel herkenbaar in een gemeenschappelijk formaat: apparaten en agenten vinden en communiceren met elkaar over een netwerk zonder telkens een op maat gemaakt «vertaal»-programma nodig te hebben. Een agent kan de apparaten vervolgens op drie manieren aansturen: via het Model Context Protocol (MCP), de commandoregel, of codebestanden (API's).

Het MHS-stuurprogramma lost ook een probleem op dat code alleen niet kan beschrijven: een agent die vooral in een virtuele wereld werd getraind, kent het gewicht van een robotarm niet, noch het veilige bereik van een laser. Daarom bevat MHS een tagsysteem dat de fysieke kenmerken van een apparaat, de instelbare parameters en de opgelegde veiligheidslimieten in natuurlijke taal beschrijft — gebruikers kunnen dit zelf invullen, of in gesprek met een agent die hen over hun apparatuur ondervraagt. Die informatie genereert automatisch een referentiebestand dat de agent alles geeft wat hij nodig heeft om een nooit eerder gezien apparaat te bedienen, zonder papieren handleiding of de stilzwijgende kennis van een technicus.

Van laboratoria naar industrie

Anthropic deelde een vroege versie van MHS met een eerste groep laboratoria en fabrikanten in biotechnologie, robotica, kwantumcomputing en elektronica. Bij Genentech testten onderzoekers MHS om een eiwitassay te automatiseren waarvoor een vloeistofdoseerder, een robotarm en een plaatlezer op elkaar moeten worden afgestemd. Aan de Universiteit van Washington bouwde een doctoraatsstudent van de Baker- en Pinglay-labs een dashboard voor monitoring op afstand en een agent die een polymerasekettingreactie (PCR) bewaakt en op het juiste moment stopzet.

• Aan Carnegie Mellon University voerde een agent die een vloeistofdoseerder, een plaatlezer, een robotarm en camera's aanstuurde, dosis-responsexperimenten ongeveer drie keer sneller uit.
• Op de HHMI Janelia-campus, waar het project ontstond, verenigde een agent een microscopie-opstelling die voorheen afhankelijk was van zeven verschillende leverancierprogramma's zonder gemeenschappelijke interface.
• Bij QuEra Computing herstelde een agent die een deel van het lasersysteem van een kwantumcomputer bestuurde, in 99,3% van de gevallen zonder menselijke tussenkomst de ultraprecieze frequentie-«vergrendeling» van de lasers.
• Bij Tetsuwan Scientific coördineerde MHS een PCR-workflow voor een burgerwetenschapsproject over de vervuiling van een beek in Californië.

Anthropics gok op hardware

Amazon Web Services zal MHS integreren in Strands Robots, zijn bibliotheek om agenten met fysieke apparaten te verbinden; Hugging Face (LeRobot), Raspberry Pi, Automata en Universal Robots behoren tot de andere hardwarepartners, en Danaher onderzoekt een samenwerking. Voorlopig beperkt tot een kleine groep, moet MHS later een open, modelonafhankelijke standaard worden — zoals in 2024 gebeurde met het Model Context Protocol, een andere norm ontstaan bij Anthropic die het bedrijf open source maakte. «We hebben dit gebouwd voor de wetenschap, om de belofte van AI te tonen, maar er zijn ook enorme voordelen voor bedrijven en de industrie», vertelde Elizabeth Kelly, verantwoordelijk voor beneficial deployments bij Anthropic, aan CNBC. De aankondiging komt terwijl Anthropic een eigen chipteam opbouwt en onlangs Caitlin Kalinowski aannam, een hardware-directeur die eerder bij OpenAI, Meta en Apple werkte — een teken dat de maker van Claude wil meewegen tegenover rivalen die al zwaar investeren in hardware.

Als je hypothesen sneller kunt testen, kun je sneller algemene technologieën creëren. Zo kan een eeuw vooruitgang worden samengebald in een decennium.

Wat dit betekent voor Nederlandse bedrijven

Voor een onderzoekslabo of productielocatie in Nederland belooft MHS een bekend probleem te verminderen: weken die verloren gaan aan het op elkaar afstemmen van apparaten van verschillende leveranciers, in plaats van die tijd te besteden aan het eigenlijke experiment. De standaard blijft voorlopig een gesloten preview, voorbehouden aan een eerste kring van partners, dus toegang in Nederland hangt af van het openstellingsschema dat Anthropic aankondigt — maar het modelonafhankelijke ontwerp en de geplande opensourcepublicatie beperken het risico om vast te zitten aan één AI-leverancier. Nederlandse industrieën en publieke laboratoria doen er goed aan deze opening op de voet te volgen: dezelfde standaardisering die het Model Context Protocol tot een succes maakte, zou deze keer rechtstreeks kunnen worden toegepast op hun productielijnen en testbanken.