Anthropic veut brancher ses agents sur les paillasses avec le Model Hardware Standard

Faire écrire du code à un agent est une chose ; lui faire pipeter un réactif sans faire déborder la plaque en est une autre. C'est précisément le fossé qu'Anthropic dit vouloir combler avec le Model Hardware Standard (MHS), dévoilé le 27 août 2026 en accès de recherche limité. Le principe : une spécification partagée pour que des agents IA pilotent « en toute sécurité des dispositifs physiques » de laboratoire et de fabrication. Derrière l'aridité de l'intitulé se cache une ambition explicite — le laboratoire autonome — et une reconnaissance rare de la part d'un laboratoire d'IA : ses modèles restent maladroits dès qu'ils touchent au monde réel.

De semaines d'intégration à quelques heures

Le point de départ est un irritant très concret. Connecter un modèle à un instrument — un microscope, un distributeur de liquides, un thermocycleur — demandait jusqu'ici « des semaines, voire des mois » de développement sur mesure. MHS ramène ce délai à « des heures ou des minutes » en standardisant la couche logicielle. Techniquement, le standard s'appuie sur le Model Context Protocol, la couche de communication qu'Anthropic pousse depuis 2024, complété par une interface en ligne de commande et un « pilote standardisé » qui expose à l'agent les primitives d'un appareil ainsi qu'une description en langage naturel de ses caractéristiques.

Le champ d'application est large : microscopes deux-photons, bras robotiques de transfert de plaques, lecteurs d'absorbance, centrifugeuses, thermocycleurs qPCR, jusqu'aux lasers titane-saphir des calculateurs quantiques. « MHS fonctionne avec tout appareil doté d'une interface programmable », résume Anthropic. Sur le papier, un même agent peut orchestrer plusieurs instruments en parallèle et enchaîner des tâches — d'une expérience de découverte de médicaments à la calibration d'un laser.

Des chiffres qui impressionnent, une intuition physique qui manque

Anthropic accompagne l'annonce de résultats chiffrés, obtenus avec des partenaires nommés. Chez le fabricant de calculateurs quantiques QuEra, le recalage d'un laser passe d'un taux de succès de 58 % à 99,3 % et d'environ 150 secondes à 6 secondes une fois piloté par Claude. Chez Tetsuwan Scientific, plus de 9 000 distributions de liquide et 300 types de transfert servent à améliorer de 12 % la précision par rapport aux spécifications du fabricant. Genentech automatise des dosages de protéines, l'université de Washington conçoit des protéines de novo, Carnegie Mellon trace des courbes dose-réponse en huit heures d'intégration. La liste des industriels associés au support matériel — QIAGEN, Tecan, Universal Robots, Doosan Robotics, Danaher, AWS — signale une volonté d'imposer un standard de fait, pas une démonstration de laboratoire.

Ces chiffres proviennent toutefois d'Anthropic et de ses partenaires, dans le cadre d'une communication produit : aucun tiers indépendant ne les a rejoués. Et l'entreprise a l'honnêteté de documenter les limites. Genentech rapporte que Claude « peine encore avec les contraintes physiques, chimiques et biologiques », en particulier au dépannage : le modèle ne comprenait pas que des bulles formées au pipetage étaient des « échecs physiques, pas des bugs logiciels » exigeant un geste, pas une correction de code. Anthropic le formule sans détour : un grand modèle de langage « apprend le monde physique par le texte et l'image », d'où un raisonnement spatial qui « requiert encore une supervision experte ».

Le laboratoire autonome, et l'angle mort européen

L'objectif affiché par Genentech dessine la direction : « bâtir des laboratoires autonomes où l'IA prend en charge les parties fastidieuses et mécaniques de l'exécution des expériences, à grande échelle », pour libérer les chercheurs sur la partie créative. C'est une vision séduisante, et une inflexion notable : après avoir tenté de faire des modèles des générateurs d'hypothèses — un pari plus discutable, comme l'avait montré l'échec des agents scientifiques à NeurIPS —, l'industrie les repositionne sur l'exécution, là où leur fiabilité est plus mesurable. Confier le geste répétitif à la machine et l'idée à l'humain est un partage des tâches plus défendable que l'inverse.

Pour l'écosystème français, deux lignes de crête se dessinent. La première est stratégique : la totalité des laboratoires cités — Genentech, Carnegie Mellon, l'université de Washington, Janelia — sont américains, et le standard s'écrit autour de Claude et de l'infrastructure d'Anthropic. Si le laboratoire autonome devient la norme en biotech, en chimie ou en calcul quantique, dépendre d'un standard privé étranger pour piloter ses propres paillasses est un sujet de souveraineté aussi réel que celui des centres de données. La seconde est réglementaire : un agent qui manipule des instruments capables de synthétiser des molécules déplace la sécurité de l'IA du terrain purement numérique vers le monde physique. Les garde-fous décrits par Anthropic — limites codées, approbation humaine — vont dans le bon sens, mais ils relèvent pour l'instant de l'autorégulation d'un acteur privé. Reste à voir qui, en Europe, aura les moyens de vérifier ces promesses plutôt que de les prendre au mot.