Une IA qui prépare un compte rendu reste dans le monde des logiciels. Une IA qui déclenche une mesure ou coordonne un bras robotisé intervient sur le terrain. Avec le Model Hardware Standard, ou MHS, Anthropic explore cette seconde voie.
Pour les dirigeants de PME, l’enjeu mérite d’être compris : quelles tâches pourrait-on déléguer à un agent connecté aux équipements, et à quelles conditions ?
Qu’est-ce que MHS ?
Présenté le 27 août 2026, MHS définit une interface commune permettant aux agents IA d’interagir avec des équipements physiques. Des pilotes standardisés exposent leurs états, leurs commandes et leurs caractéristiques, notamment les limites de sécurité. L’agent peut les découvrir, lire des mesures et demander des actions. MHS est indépendant du modèle et peut notamment être utilisé via MCP. Source : annonce d’Anthropic.
Le projet est né d’une collaboration avec HHMI Janelia Research Campus. Il vise d’abord la recherche scientifique et la fabrication avancée. Au moment de cette rédaction, le site officiel présente un aperçu de recherche limité, accessible sur candidature, avant une ouverture du code annoncée pour la suite. Il ne s’agit donc pas encore d’une offre grand public à activer dans un abonnement. Source : site officiel MHS.
MHS et MCP : quelle différence ?
MCP fournit un protocole commun pour connecter les assistants IA à des données et à des outils logiciels. Il facilite les échanges entre une application utilisant un modèle et les systèmes auxquels elle doit accéder. Source : présentation officielle de MCP.
MHS concerne l’interface avec les équipements. Les deux approches sont donc complémentaires : MCP peut constituer un moyen d’accès aux fonctions décrites par MHS.
Pour découvrir un exemple dans le domaine des données, retrouvez notre article sur le serveur MCP de data.gouv.fr.
Ce que montrent les premières démonstrations
Chez Genentech, une preuve de concept coordonne un robot de manipulation de liquides, un bras robotisé et un lecteur de microplaques pour un dosage de protéines. L’expérience révèle aussi une limite : face à des bulles, certaines tentatives de correction de Claude ont aggravé le problème avant l’intervention des chercheurs.
À Carnegie Mellon, les équipes rapportent une intégration réalisée en environ huit heures et des expériences de dilution environ trois fois plus rapides. Ces résultats concernent un montage expérimental précis ; ils ne prédisent pas les gains d’une installation industrielle. Source : retours des partenaires publiés par Anthropic.
Quels usages envisager dans une PME ?
Les scénarios suivants sont des pistes d’application proposées par Dixie Consulting, et non des déploiements MHS que nous aurions réalisés ou des fonctionnalités garanties sur votre matériel.
Suivre un banc de test et préparer le compte rendu
Imaginons une PME qui teste des composants électroniques. Un technicien lance les mesures, surveille leur progression, récupère les fichiers et rédige une synthèse.
Un projet pilote pourrait commencer par confier à un agent la lecture des résultats et la préparation du rapport. L’étape suivante consisterait à lui permettre de proposer un nouveau test, soumis à validation.
Le bénéfice à mesurer serait le temps réellement rendu au technicien, après déduction du temps de vérification des rapports et de traitement des erreurs.
Regrouper les informations d’un atelier
Autre scénario : plusieurs équipements produisent des informations dispersées. Une interface commune pourrait permettre de demander : « Quels essais sont terminés ? Quel poste attend une intervention ? »
L’intérêt serait de réduire les vérifications manuelles et les changements d’écran. Avant d’autoriser une commande, l’entreprise pourrait évaluer la fiabilité de cette seule fonction de consultation : fraîcheur des données, bonne identification des équipements et qualité des alertes.
Assister la recherche d’une anomalie
Un agent pourrait rapprocher un message d’erreur de l’historique d’un équipement et de sa documentation, puis préparer une proposition d’intervention pour le technicien.
Cette piste suppose notamment des notices à jour et des historiques exploitables. Pour la partie documentaire, notre article consacré à OpenRAG et à l’interrogation des documents internes présente une approche complémentaire. Cela ne constitue pas une annonce de compatibilité entre OpenRAG et MHS.
Quelle autonomie accorder à l’agent ?
Notre approche consiste à définir les permissions par action, plutôt qu’à autoriser globalement un agent à « gérer la machine ».
| Action envisagée | Périmètre conseillé pour un premier pilote |
|---|---|
| Consulter les états et mesures | Accès en lecture aux seules données nécessaires |
| Rédiger un rapport d’essai | Brouillon vérifié par un collaborateur |
| Proposer un changement de réglage | Proposition expliquée, sans exécution automatique |
| Déclencher un essai | Scénario préalablement validé par le responsable technique |
| Réagir à une panne inhabituelle | Alerte et reprise par une personne compétente |
Cette grille sert à cadrer un projet ; elle ne remplace pas l’analyse de risques propre à l’équipement. Une commande physique demande des protections adaptées, indépendantes des seules instructions données au modèle. Les sécurités matérielles et les possibilités de reprise par l’opérateur doivent rester effectives.
Nous détaillons cette logique dans notre article sur les permissions, validations et mécanismes d’arrêt des agents IA.
Comment évaluer l’intérêt économique ?
Pour une PME, une démonstration impressionnante ne suffit pas à justifier un investissement. Nous proposons de comparer le coût complet du pilote au travail qu’il permet réellement d’économiser.
Le budget prévisionnel devrait intégrer la connexion aux équipements, les adaptations nécessaires, l’utilisation des modèles, les essais, la supervision et la maintenance. Il faut également compter le temps passé à corriger les erreurs de l’agent.
Le pilote peut ensuite être évalué sur quelques critères simples : durée d’une opération, temps humain mobilisé, nombre d’interventions imprévues et qualité des résultats. Fixer les critères de réussite avant l’expérimentation évite de confondre une belle démonstration avec un outil utile au quotidien.
Le regard de Dixie Consulting
Pour une PME intéressée par MHS, nous privilégierions un premier projet délimité : un équipement, une tâche, un responsable et un résultat mesurable. La consultation et l’aide à la décision constituent un point de départ pertinent avant d’envisager des actions physiques.
La question à poser est concrète : quelle opération répétitive consomme du temps, dispose de données fiables et pourrait être assistée sans rendre le fonctionnement de l’atelier plus fragile ?
Vous souhaitez identifier les usages de l’IA adaptés à votre activité ? Échangeons avec Dixie Consulting pour examiner vos processus et vos priorités.
