Il 27 agosto 2026 Anthropic ha aperto la sperimentazione del Model Hardware Standard (MHS), la specifica comune che consente agli agenti AI di riconoscere e comandare microscopi, laser, sistemi per i liquidi e bracci robotici. L’integrazione tra strumenti diversi passa da settimane a ore e la ricerca accelera; nello stesso movimento l’errore di un modello esce dallo schermo e acquista massa e velocità. Nel pezzo: i primi test con Genentech e QuEra, la sicurezza costruita per strati e le implicazioni di AI Act e Regolamento Macchine.
Il 27 agosto 2026 Anthropic ha aperto a un primo gruppo di laboratori scientifici e produttori avanzati la sperimentazione del Model Hardware Standard, abbreviato in MHS: una specifica comune che consente agli agenti AI di riconoscere, coordinare e controllare strumenti fisici dotati di un’interfaccia programmabile. Microscopi, sistemi per il trasferimento di liquidi, laser e bracci robotici possono così essere collegati allo stesso agente, che legge i risultati di un’operazione, modifica i parametri e decide il passaggio successivo. La novità ha una portata più ampia del suo nome tecnico. Finora gli agenti AI hanno operato soprattutto dentro computer e servizi cloud, aprendo pagine web, scrivendo codice, interrogando database o modificando documenti; MHS porta quella capacità nella materia, dove un comando può spostare una piastra di laboratorio, cambiare la potenza di un laser oppure far muovere un robot industriale.
Quando l’agente sbaglia su un foglio elettronico, di solito lascia una cella errata e una cronologia da ripristinare. Quando sbaglia davanti a un microscopio, può rovinare un campione preparato per ore; accanto a una macchina, l’errore percorre centimetri e può incontrare oggetti, impianti o persone. L’intelligenza artificiale acquista conseguenze fisiche.
Indice dei contenuti
Model Hardware Standard: che cos’è e come funziona
Il Model Hardware Standard presentato da Anthropic nasce da un problema molto concreto. Nei laboratori e nelle fabbriche, strumenti costruiti da produttori diversi usano software, linguaggi e interfacce differenti; per farli lavorare insieme servono integrazioni su misura che possono richiedere settimane o mesi, anche quando ogni singolo apparato è già automatizzato.
MHS introduce un driver standardizzato, cioè uno strato software che traduce le funzioni della macchina in un gruppo di comandi comuni. Le operazioni di base sono volutamente semplici: leggere un valore, per esempio la temperatura, oppure scriverne uno, come la temperatura da impostare. Il driver descrive inoltre ciò che lo strumento può misurare, quali parametri consente di modificare e quali limiti di sicurezza devono essere rispettati.
Una parte di queste informazioni può essere inserita in linguaggio naturale. Il peso di un braccio robotico, la corsa massima di un componente, la potenza consentita a un laser o le condizioni nelle quali un’operazione deve fermarsi diventano elementi della scheda che l’agente consulta prima di agire. Il dispositivo viene poi reso individuabile in un formato comune, così l’agente può trovarlo sulla rete senza richiedere ogni volta un programma scritto appositamente.
Il controllo avviene attraverso tre canali: il Model Context Protocol, l’interfaccia a riga di comando e le API richiamate dal codice. MHS resta indipendente dal modello, quindi non è riservato a Claude; in linea teorica, qualsiasi agente compatibile può utilizzare i driver e orchestrare gli strumenti.
Su Digitalic avevamo descritto il Model Context Protocol come la tubatura comune che permette agli agenti di raggiungere dati e software, raccontando il caso del MCP applicato da Kolsquare all’influencer marketing. MHS estende quella logica: alla fine della tubatura, questa volta, c’è una macchina.
Model Hardware Standard: Anthropic non ha costruito un robot scienziato
La lettura più facile sarebbe quella dello scienziato autonomo, il laboratorio affidato interamente a Claude. La descrizione tecnica racconta qualcosa di meno spettacolare e, proprio per questo, più rilevante per le imprese.
MHS non fornisce a un modello la comprensione completa dello spazio e non sostituisce i sistemi di sicurezza incorporati nelle macchine; crea una lingua comune tra l’agente e dispositivi che possiedono già un controllo digitale. La capacità di muovere con precisione un braccio dipende ancora dal robot, dai sensori e dal suo controller. L’agente opera a un livello superiore: osserva lo stato degli strumenti, stabilisce la sequenza delle attività, modifica alcuni parametri e reagisce ai risultati.
La differenza rispetto all’automazione tradizionale sta nel punto in cui viene presa la decisione. Un impianto industriale esegue da tempo sequenze programmate, protette da controllori, barriere, arresti e procedure validate; un agente basato su un modello linguistico può invece scegliere il passaggio successivo in base a un obiettivo e a ciò che interpreta durante l’esecuzione. Anthropic racconta di avere osservato Claude regolare un laser, controllarne lo spostamento attraverso una telecamera e ripetere l’operazione fino a comprendere il comportamento del sistema; una volta trovata la procedura, il modello l’ha trasformata in uno script deterministico, eseguibile con un solo comando.
In quella trasformazione si legge la logica di fondo di MHS: l’agente esplora quando serve giudizio, poi consegna alla macchina una procedura stabile quando la velocità o la durata del compito rendono inadatto ragionare a ogni singolo passaggio.
Dai laboratori ai computer quantistici: i primi test di Model Hardware Standard (MHS)
Anthropic ha pubblicato diversi casi realizzati con i partner della sperimentazione. Genentech ha usato MHS in un proof of concept per coordinare un liquid handler, un braccio robotico e un lettore di micropiastre durante un test sulla concentrazione delle proteine. Alla Carnegie Mellon University un agente basato su Claude Opus 4.8 ha orchestrato quattro tipi di apparecchiature per costruire curve dose-risposta: il gruppo riferisce di avere sviluppato i driver e il livello di coordinamento in circa otto ore, rispetto alle settimane richieste da un’integrazione realizzata dal fornitore, eseguendo gli esperimenti a una velocità circa tre volte superiore.
I laboratori Baker e Pinglay dell’Università di Washington hanno collegato sei strumenti in meno di una settimana. In una dimostrazione, Claude Code ha coordinato un sistema per il trasferimento di liquidi e un braccio robotico che sostituiva le piastre; secondo il resoconto pubblicato da Anthropic, nei test ripetuti i due dispositivi non sono entrati in collisione, perché ogni movimento iniziava soltanto dopo il completamento di quello precedente.
QuEra, che costruisce computer quantistici basati su atomi neutri, ha affidato a un agente il recupero del lock del laser, la frequenza estremamente precisa necessaria per interagire con gli atomi. Il controller sviluppato attraverso MHS avrebbe ripristinato l’aggancio nel 99,3% dei casi senza intervento umano.
Sono risultati significativi, con un limite che deve restare visibile: arrivano dall’annuncio dell’azienda che propone lo standard e dai partner selezionati per la fase iniziale. Non costituiscono ancora una valutazione indipendente dell’affidabilità di MHS su impianti diversi, in condizioni impreviste o durante un utilizzo prolungato. Anthropic stessa definisce questi progetti proof of concept e riconosce che protocolli più complessi richiederanno ottimizzazione, supervisione ed esami di sicurezza ulteriori.
La sperimentazione serve esattamente a colmare questa distanza. Lo standard diventerà open source soltanto dopo la costruzione di valutazioni, pratiche operative e protezioni per il controllo di apparecchiature fisiche.
L’errore di un agente AI ora ha massa e velocità
Il rischio fisico non comincia con MHS. Robot industriali, macchine a controllo numerico e sistemi di laboratorio automatici eseguono comandi software da molti anni; la sicurezza funzionale è nata per impedire che un guasto elettronico o un’istruzione errata producano un movimento pericoloso.
L’agente introduce però un tipo diverso di incertezza. Il software tradizionale percorre una sequenza definita in anticipo e, se il codice non cambia, tende a ripetere lo stesso comportamento nelle stesse condizioni. Un modello linguistico interpreta istruzioni, seleziona strumenti e costruisce un piano durante l’esecuzione; può quindi trovare una soluzione che il progettista non aveva scritto, insieme a una scorciatoia che il progettista non aveva previsto.
La cronaca recente mostra quanto questa autonomia richieda prudenza. Durante test di cybersecurity, alcuni agenti sono riusciti a oltrepassare gli ambienti predisposti per valutarli e a raggiungere sistemi esterni; Digitalic ha ricostruito sia l’attacco degli agenti OpenAI contro Hugging Face, sia i test nei quali modelli Anthropic hanno violato sistemi aziendali reali. Quegli incidenti si sono svolti nel dominio digitale, ma hanno evidenziato un principio trasferibile: l’obiettivo assegnato all’agente non descrive tutte le strade che il sistema può scegliere per raggiungerlo.
Nel mondo fisico, anche una lettura sbagliata può diventare un’azione corretta dal punto di vista formale. Anthropic racconta che, durante un test con campioni proteici, Claude interpretò la schiuma come un problema software; furono i ricercatori di Genentech a spiegare che si trattava di un fenomeno materiale, risolvibile soltanto con un intervento fisico adeguato. Il modello aveva ricevuto i dati, ma non possedeva l’esperienza tacita di chi conosce il banco di laboratorio Il limite più difficile da codificare: una macchina può sapere quanto pesa un braccio perché il valore compare nella scheda MHS, mentre fatica a riconoscere ciò che nessuno ha pensato di scrivere.
I limiti di sicurezza nel Model Hardware Standard
Anthropic ha progettato MHS affinché il driver esponga e faccia rispettare i limiti del dispositivo. Nel caso di un microscopio laser, per esempio, il ricercatore può impedire all’agente di superare una determinata potenza, evitando di scolorire le molecole fluorescenti e danneggiare il campione. Questo sposta una parte della sicurezza dal comportamento generale del modello al punto più vicino alla macchina, dove il vincolo può essere preciso e verificabile.
È una scelta corretta, purché il limite non venga confuso con un sistema completo di protezione. Una soglia sulla potenza non garantisce che il laser sia rivolto nel punto giusto; la corsa massima di un robot non impedisce una collisione all’interno dell’area consentita. Ogni strumento ha vincoli locali, ma l’incidente può nascere dall’interazione tra due dispositivi che, presi separatamente, stanno rispettando tutte le regole.
La sicurezza degli agenti fisici deve quindi essere costruita per strati. Il modello propone l’azione; il driver verifica i parametri; il controller della macchina applica i limiti funzionali; sensori e dispositivi indipendenti fermano il movimento quando la situazione supera il perimetro ammesso. La supervisione umana resta necessaria nei passaggi in cui un errore può compromettere persone, materiali costosi o risultati scientifici non ripetibili.
La stessa logica è già presente negli standard industriali. La ISO 10218-1:2025 definisce i requisiti per la progettazione sicura dei robot industriali, mentre la ISO 10218-2:2025 riguarda la loro integrazione nelle applicazioni e nelle celle robotiche. MHS aggiunge un’interfaccia, non cancella queste responsabilità.
L’AI fisica amplia anche la superficie di attacco
Un dispositivo raggiungibile da un agente attraverso la rete diventa parte di un sistema informatico più esteso. L’interoperabilità riduce le integrazioni artigianali, che sono spesso fragili e poco documentate; allo stesso tempo, un protocollo comune rende più semplice collegare strumenti diversi e amplia ciò che un’identità compromessa può tentare di raggiungere.
Il problema riguarda i permessi, e va risolto al livello del singolo comando. Un agente incaricato di leggere una temperatura non deve per questo poterla modificare; quello che riceve le immagini di una telecamera non deve necessariamente muovere il braccio che la telecamera osserva. Anche l’attribuzione delle credenziali pesa: il perimetro del rischio cambia a seconda che il diritto di agire appartenga al modello, alla sessione, all’operatore o al singolo esperimento. In un sistema fisico il principio del privilegio minimo deve arrivare fino al comando elementare, non fermarsi all’accesso generale al dispositivo.
Servono inoltre registri non modificabili delle decisioni e delle azioni, autenticazione tra agente e macchina, segmentazione delle reti operative, simulazioni prima dell’esecuzione e un arresto indipendente dal modello. Un prompt malevolo nascosto in un documento, un dato sensoriale alterato o una telecamera compromessa non devono poter diventare, senza ulteriori controlli, un’istruzione motoria.
La possibilità di spegnere o isolare un sistema avanzato, già discussa nel dibattito sugli AI kill switch, acquista qui un significato meno teorico. Il pulsante di arresto deve interrompere energia e movimento anche quando l’agente ritiene di avere una buona ragione per continuare.
Model Hardware Standard e regole europee
Per le imprese europee l’adozione di MHS non potrà essere trattata come l’installazione di un normale connettore software. A seconda dell’impiego, un sistema AI incorporato in una macchina o utilizzato come componente di sicurezza può rientrare nel regime dei sistemi ad alto rischio previsto dall’AI Act; il testo europeo richiede, tra le altre condizioni, strumenti che consentano una supervisione umana effettiva durante l’utilizzo. Il Regolamento europeo sulle macchine considera inoltre i rischi che possono emergere dall’evoluzione del comportamento di sistemi dotati di diversi livelli di autonomia.
La classificazione dipenderà dal prodotto, dalla funzione e dal modo in cui l’agente viene integrato: collegare un modello a una telecamera di prova non equivale ad affidargli una funzione che incide sulla sicurezza di una linea produttiva. Per questo la conformità non può essere attribuita allo standard in astratto. Va valutato l’intero sistema, comprendendo modello, driver, macchina, ambiente, operatore e procedure di emergenza.
Qui si apre anche il tema della responsabilità. Se un braccio danneggia un campione perché il modello ha interpretato male un’immagine, la causa può trovarsi nell’agente, nel sensore, nella descrizione MHS incompleta, nel limite configurato dal laboratorio oppure nella scelta di lasciare il processo senza supervisione. La standardizzazione facilita la connessione; per evitare che disperda le responsabilità, deve rendere leggibile l’origine di ogni comando.
Cosa cambia per laboratori e imprese manifatturiere
Il vantaggio immediato di MHS riguarda l’integrazione. Una fabbrica o un laboratorio non devono sostituire l’intero parco macchine per sperimentare gli agenti AI; possono descrivere attraverso driver comuni apparati programmabili già presenti e consentire al sistema di coordinarli. Per aziende con strumenti di produttori differenti, ridurre settimane di lavoro a giorni o ore può rendere sostenibili automazioni che prima costavano più del problema da risolvere.
Il secondo vantaggio riguarda il tempo di utilizzo. Un agente può sorvegliare un esperimento lungo, reagire a una deviazione, recuperare alcuni errori e avviare il passaggio successivo senza attendere l’arrivo di un tecnico. Questo non elimina il lavoro dello scienziato o dell’operatore; sposta il suo intervento dalla ripetizione delle sequenze alla progettazione dell’esperimento, alla definizione dei limiti e alla verifica dei risultati.
Prima di collegare un agente a una macchina, però, CIO, responsabili OT e responsabili della sicurezza dovrebbero pretendere almeno sei elementi concreti:
- Un inventario delle azioni consentite, definito per singolo dispositivo e non per categorie generiche.
- Limiti applicati dal controller, indipendenti dalla capacità del modello di ricordare o interpretare una regola.
- Una simulazione o modalità shadow, nella quale l’agente propone i comandi senza eseguirli sull’hardware.
- Autorizzazioni progressive, con approvazione umana per le azioni irreversibili e per ogni aumento del perimetro operativo.
- Registri completi e protetti, capaci di collegare obiettivo, osservazione, decisione, comando e risposta della macchina.
- Un arresto fisico e una procedura di recupero, verificati in condizioni reali e non affidati allo stesso agente che controlla il processo.
Gli agenti AI si distinguono dai chatbot per la possibilità di usare strumenti e compiere azioni. MHS rende visibile la conseguenza estrema di quella definizione: lo strumento può essere un braccio di metallo, il dato può arrivare da una telecamera, l’azione può continuare mentre nessuno guarda lo schermo.
L’AI esce dallo schermo, il controllo deve seguirla
Il Model Hardware Standard potrebbe diventare per le macchine ciò che MCP sta diventando per il software: un’interfaccia comune che riduce il costo di ogni nuova connessione e permette agli agenti di passare da uno strumento all’altro. Il valore economico è evidente nei laboratori che oggi perdono settimane a far comunicare apparecchi già automatizzati; lo è anche nelle fabbriche, dove una parte consistente della complessità si nasconde tra sistemi proprietari incapaci di scambiarsi informazioni.
Proprio questa facilità impone un criterio più severo. Nel software, collegare un nuovo strumento amplia ciò che l’agente può fare; nel mondo fisico amplia ciò che l’agente può muovere, riscaldare o rompere. La sicurezza non può risiedere nella promessa che il modello sceglierà sempre l’azione corretta. Deve essere incorporata nei limiti della macchina, nei permessi, nella rete, nelle procedure e nell’autorità umana di fermare il processo.
