La fragmentation de l'IoT freine l'automatisation. Le Model Hardware Standard (MHS) d'Anthropic résout ce problème en traduisant les ordres de l'IA en commandes physiques universelles via un protocole ouvert. Pour les entreprises, c'est l'opportunité de diviser par trois les temps de déploiement de leurs robots et équipements industriels. Le contrôle matériel par l'intelligence artificielle reste fortement fragmenté. Les équipes d'automatisation doivent souvent concevoir des adaptateurs logiciels spécifiques pour relier bras robotiques, pompes, microscopes, lasers ou autres instruments. Avec le Model Hardware Standard (MHS), Anthropic cherche à créer une interface commune permettant à ces équipements de devenir découvrables et contrôlables par des agents, notamment à travers le Model Context Protocol, déjà au cœur d'autres architectures agentiques comme ElevenLabs MCP . Anthropic affirme que certaines intégrations qui exigeaient auparavant plusieurs semaines ou mois ont pu être ramenées à quelques heures ou minutes dans ses premiers projets pilotes. Ces résultats restent toutefois liés à des environnements expérimentaux et ne constituent pas encore un benchmark industriel généralisable. Cette standardisation intervient alors que la concurrence s'accélère autour de l'IA physique. MHS reste model-agnostic selon Anthropic et plusieurs fournisseurs commencent déjà à expérimenter son intégration. AWS prévoit ainsi un support via Strands Robots pendant la Research Preview, tandis qu'Automata, Doosan Robotics, Tecan et Universal Robots travaillent ou expérimentent autour du standard. Hugging Face prévoit également une intégration dans LeRobot et Raspberry Pi teste MHS sur certains produits. Cette diversité suggère davantage la construction progressive d'un écosystème que l'imposition immédiate d'un nouveau standard industriel. L'enjeu dépasse le simple confort de développement. Les pilotes présentés par Anthropic illustrent une accélération possible de l'itération scientifique. Chez Genentech, Claude a orchestré plusieurs équipements dans un test d'automatisation d'un dosage protéique ; chez QuEra, un agent a optimisé un contrôleur de laser ; et dans d'autres laboratoires, MHS a servi à coordonner microscopes, bras robotiques ou workflows de qPCR. Ces résultats demeurent des preuves de concept et Anthropic souligne explicitement que les modèles actuels ont encore besoin d'une supervision experte lorsqu'un problème exige une véritable compréhension physique du dispositif. Manipuler la matière par l'intermédiaire d'un réseau de neurones artificiels quitte progressivement le domaine de la science-fiction. Les premières expérimentations autour de MHS montrent qu'un agent peut observer des instruments, modifier certains paramètres, tester des hypothèses puis transformer ce qu'il a appris en procédures ou scripts déterministes. C'est peut-être là que réside la véritable rupture : non pas laisser un LLM piloter chaque mouvement en permanence, mais lui permettre d'explorer un problème puis de transférer une solution vers un système plus prévisible et inspectable. Cette convergence redéfinit notre relation à l'outil. Les équipes peuvent progressivement déplacer une partie de leur effort depuis les connexions propriétaires vers la description des capacités, des objectifs et surtout des contraintes physiques. Le glissement est fascinant mais exigeant : dès qu'un système probabiliste intervient dans une boucle ayant des conséquences matérielles, l'incertitude doit être enfermée dans des frontières techniques explicites. L'avenir de l'automatisation agentique appartiendra peut-être moins à ceux qui laisseront l'IA contrôler le plus de choses qu'à ceux qui sauront déterminer précisément ce qu'elle peut observer, décider, modifier et quand elle doit impérativement rendre la main à un système déterministe ou à un humain.