Skip to content
WISSEN BERATUNG

Blog · September 7, 2026 · Tobias Wissen

Physical AI: Was Anthropics Model Hardware Standard für den deutschen Maschinenbau bedeutet

Am 27. August hat Anthropic eine Spezifikation vorgestellt, die auf den ersten Blick nach Laborausrüstung klingt und auf den zweiten nach einer Standortfrage. Die WirtschaftsWoche titelte am 6. September: „Attacke auf Siemens."

Physical AI: Was Anthropics Model Hardware Standard für den deutschen Maschinenbau bedeutet

Am 27. August hat Anthropic eine Spezifikation vorgestellt, die auf den ersten Blick nach Laborausrüstung klingt und auf den zweiten nach einer Standortfrage. Die WirtschaftsWoche titelte am 6. September: „Attacke auf Siemens.”

Diese Zuspitzung führt in die Irre. Die Sache selbst ist trotzdem eine der wichtigeren Entwicklungen des Jahres — nicht wegen dem, was heute möglich ist, sondern wegen der Frage, wer in den nächsten drei Jahren festlegt, wie KI-Systeme mit Maschinen sprechen.

Dieser Beitrag ordnet ein, was der Standard tatsächlich kann, wo seine dokumentierten Grenzen liegen, und was ein mittelständischer Betrieb daraus mitnehmen sollte — auch dann, wenn er weder Labor noch Roboterflotte betreibt.

Das Problem, das gelöst werden soll

Stellen Sie sich eine Fertigungszelle vor. Ein Roboterarm von einem Hersteller. Kameras von einem zweiten. Sensoren von einem dritten. Eine Prüfmaschine von einem vierten. Jedes Gerät lässt sich einzeln programmieren, aber keines spricht die Sprache des anderen.

Wer diese Geräte verbinden will, baut für jedes Paar eine eigene Brücke. Bei vier Geräten sind das schon mehrere Übersetzungen, die jemand von Hand schreibt und pflegt. In Laboren ist die Lage identisch: Eine Forscherin am HHMI Janelia beschreibt, dass sie für den Start eines einzigen Experiments sieben Programme in einer festen Reihenfolge starten musste — und dass die falsche Reihenfolge die ganze Sitzung kosten konnte.

Genau daran ist der Standard entstanden. Der Neurowissenschaftler Arco Bast wollte kein Ökosystem gründen, er wollte schneller experimentieren. Seine Idee, den Zustand aller Geräte in ein gemeinsames Wörterbuch im geteilten Speicher zu schreiben, wurde zusammen mit Anthropic zur Grundlage von MHS.

Was MHS technisch ist

MHS steht für Model Hardware Standard. Der Kern ist ein standardisierter Treiber — also die Schicht zwischen Betriebssystem und Gerät.

Dieser Treiber leistet drei Dinge:

Er reduziert die Bedienung auf einfache Grundbefehle. Lesen und Schreiben. „Temperatur abfragen”, „Temperatur setzen”. Jedes Gerät versteht dieselbe Handvoll Kommandos, unabhängig davon, was der Hersteller sich ausgedacht hat.

Er macht Geräte auffindbar. Agent und Gerät finden sich über das Netzwerk selbst, ohne dass dazwischen ein maßgeschneidertes Übersetzungsprogramm stehen muss.

Er hinterlegt das Wissen, das sonst im Handbuch steht. Das ist der interessanteste Teil. Der Treiber enthält Felder, in die man in normaler Sprache schreiben kann, was ein Gerät ausmacht — etwa das Gewicht eines Roboterarms, weil davon abhängt, wie man ihn sicher bewegt. Aus diesen Angaben erzeugt der Treiber automatisch eine Beschreibungsdatei: was das Gerät messen kann, was sich einstellen lässt, und welche Sicherheitsgrenzen erzwungen werden.

Die Steuerung selbst läuft über drei Wege: das Model Context Protocol, eine Kommandozeile und Code-Dateien. Der Standard ist ausdrücklich modellagnostisch — er funktioniert nicht nur mit Claude, sondern mit jedem Agentensystem, das die üblichen Protokolle spricht.

Der Unterschied zu MCP

Wer schon mit MCP arbeitet, kennt das Muster. Das Model Context Protocol hat 2024 dafür gesorgt, dass KI-Anwendungen Datenbanken, APIs und Werkzeuge über ein gemeinsames Protokoll erreichen, statt für jede Verbindung einen eigenen Konnektor zu bauen.

MHS überträgt diese Idee auf physische Geräte, ist aber nicht dasselbe: MHS beschreibt und standardisiert die Hardware-Schnittstelle. MCP ist einer der Wege, über den ein Agent diese Schnittstelle erreicht. Die beiden liegen übereinander, nicht nebeneinander.

Was in den Pilotprojekten herauskam

Anthropic hat den Standard vorab mit einer Handvoll Labore und Hersteller getestet. Die veröffentlichten Ergebnisse sind konkreter als das, was man bei solchen Ankündigungen sonst bekommt.

Carnegie Mellon University. Ein Team baute Treiber für einen Pipettierroboter, ein Plattenlesegerät, einen Roboterarm und Überwachungskameras — verteilt auf drei Rechner mit grundlegend unverträglichen Steuerungsarten. Eines der Geräte hatte überhaupt keine Programmierschnittstelle, nur eine Bildschirmoberfläche, die der Agent wie ein Mensch bedienen musste. Vom nicht automatisierten Aufbau bis zur fertigen Messkurve, inklusive eines selbst entschiedenen Wiederholungslaufs: acht Stunden. Ein herstellerseitig gelieferter Aufbau braucht dafür üblicherweise mehrere Wochen. Zur Sicherheitsprüfung wurden sechs Fehlerzustände künstlich herbeigeführt — fehlende Platte, verdrehte Platte, belegtes Lesegerät, getrennte Kamera, nicht erreichbares Gerät, ausgelöster Not-Halt. Das System blockierte alle sechs, bevor sich irgendein Gerät bewegte.

QuEra Computing. Das ist die eindrucksvollste Zahl. Ein Team aus vier Fachleuten hatte über mehrere Monate ein Skript entwickelt, das einen Laser wieder auf seine exakte Frequenz bringt, wenn er sie verliert. Erfolgsquote: 58 Prozent, rund 150 Sekunden je Versuch. Ein Mensch am Gerät braucht dafür fünf bis zehn Minuten. Über eine unbeaufsichtigte Nacht ließ das Unternehmen einen Agenten in einer Schleife arbeiten: einer stellte eine Hypothese auf, einer schrieb sie ins Skript, einer testete am echten Laser, einer las das Protokoll und entschied, was als Nächstes zu ändern war. Im anschließenden Blindtest über 700 Durchläufe: 695 Treffer, 99,3 Prozent, zwischen 0,9 und 14 Sekunden. Das Ergebnis war ein normales, vollständig prüfbares Skript, das ohne Agent im Betrieb läuft.

Beim Feinabstimmen der Reglerparameter desselben Lasers kam ein zweites Ergebnis heraus: Der Restfehler sank von 15,7 auf 1,55 Millivolt. Über einen 19-Stunden-Lauf verlor die vom Agenten gefundene Einstellung die Frequenz kein einziges Mal, während die von einem Spezialisten eingestellte etwa 1,6-mal pro Stunde heraussprang.

University of Washington. Ein Doktorand verband sechs Geräte in weniger als einer Woche, das Schreiben der Treiber eingerechnet. Seine vorherigen Automatisierungsversuche hatte er nach Wochen aufgegeben.

HHMI Janelia. Der Einbau einer neuen Kamera in einen bestehenden Mikroskopaufbau schrumpfte von einem mehrtägigen Projekt auf wenige Minuten. Der Experimentstart von sieben Programmen in fester Reihenfolge auf einen Klick.

Wo die Grenzen liegen

Diese Zahlen sind beeindruckend. Sie sind auch nur die halbe Geschichte, und die andere Hälfte steht bemerkenswerterweise in derselben Ankündigung.

Physikalische Intuition fehlt. Ein Sprachmodell lernt die Welt über Text und Bilder. Bei Genentech entstanden beim Pipettieren einer zähen Proteinlösung Blasen. Der Agent tat, was naheliegt: Er wiederholte den Vorgang mit anderen Werten in derselben Vertiefung — und erzeugte dadurch nur noch mehr Blasen. Erst als ein Mensch erklärte, dass der Fehlercode von echten Blasen stammt und man in eine saubere Vertiefung wechseln und langsamer mischen muss, kam er weiter.

Bei Hardwaredefekten hilft der Agent nicht. QuEra beschreibt, dass der Agent bei physischen Störungen am Aufbau nicht weiterwusste, weil sein Verständnis der Anlage programmatisch ist, nicht körperlich.

Er ist eher zu vorsichtig als zu forsch. Bei QuEra blieben Experimente über Nacht stehen, weil der Agent auf eine menschliche Bestätigung wartete, bevor er etwas tat, das er auch nur leicht riskant fand. Das Unternehmen bewertet das ausdrücklich als das kleinere Übel.

Der Kontextaufwand ist hoch. Damit die Aufgaben gelingen, musste dem Agenten sehr ausführlich erklärt werden, was gewollt ist und wie er vorgehen soll.

Geräte ohne Programmierschnittstelle fallen raus. Für diese Fälle arbeitet Anthropic mit Herstellern an Treibern.

Und es ist ein Research Preview. Nicht frei verfügbar, sondern für einen ausgewählten Kreis. Die Veröffentlichung als Open Source ist angekündigt, aber noch nicht erfolgt.

Die Siemens-Frage

Kommen wir zur Schlagzeile zurück. Angriff auf die deutsche Industrie?

Die Fakten passen nicht gut zu dieser Erzählung. Der Standard ist modellagnostisch, er soll quelloffen werden, und auf der Partnerliste stehen ausgerechnet europäische Namen: Qiagen aus Hilden, Tecan aus der Schweiz, Universal Robots aus Dänemark, dazu Danaher, Doosan Robotics, MBF Bioscience, Automata und AWS. Auch Raspberry Pi und Hugging Face bauen Unterstützung ein. Siemens wird in der Ankündigung nicht erwähnt.

Das ist keine Belagerung. Das ist eine Einladung — und strategisch ist das die deutlich wirksamere Variante. Wer einen Standard setzt, muss niemanden angreifen. Er muss nur früh genug da sein und offen genug wirken, dass alle anderen mitmachen.

Genau darin liegt der berechtigte Kern der Sorge. Ein Forschungsmanager bei Qiagen bringt es in der WirtschaftsWoche auf den Punkt: Deutschland habe viel Wissen über die physische Welt — in Maschinenbau, Automation, Diagnostik, Life Sciences. Wenn Standards für die Verbindung von KI und Hardware aber ausschließlich außerhalb Europas entstünden, bestehe das Risiko, einen Teil der Wertschöpfung abzugeben. Deshalb sei es wichtig, dass deutsche Unternehmen solche Standards früh testen und mitgestalten.

Dem ist wenig hinzuzufügen. An Beschreibungssprachen für Maschinen mangelt es hier nicht — OPC UA beschreibt Geräte seit Jahren sehr genau. Offen ist die Ebene darüber: diejenige, auf der ein Agent versteht, was ein Gerät kann, was es darf und wo die harte Grenze verläuft. Diese Ebene wird gerade gebaut, und die Frage ist schlicht, wer dabei am Tisch sitzt.

Was das für Ihren Betrieb bedeutet

Sie betreiben kein Labor und keine Roboterflotte? Dann ist MHS heute nichts, was Sie einführen. Aber es gibt drei Muster darin, die für Sie schon jetzt gelten.

1. Die Integrationskosten fallen — und ändern damit Ihre Rechnung. Die immer gleiche Aussage aus allen Pilotprojekten lautet: Was Wochen dauerte, dauert Stunden. Wenn das trägt, kippen Automatisierungsvorhaben, die Sie bisher aus Kostengründen verworfen haben. Die Frage „Lohnt es sich, diese zwei Systeme zu verbinden?” wird in den nächsten zwei Jahren anders zu beantworten sein als heute. Das gilt für Maschinen wie für Software.

2. Ein Agent ist ein Benutzer mit Rechten — bei Maschinen doppelt. Bei Software kostet ein Fehler des Agenten eine falsche Rechnung oder einen versendeten Datensatz. Bei Maschinen bewegt sich Material. Deshalb ist der bemerkenswerteste Teil von MHS nicht die Geschwindigkeit, sondern dass Sicherheitsgrenzen im Treiber liegen und Aktionen blockieren, bevor sich etwas bewegt. Übertragen auf Ihre Automatisierungen: Die Grenze gehört in das System, nicht in die Anweisung an den Agenten. Was der Agent nicht darf, soll er technisch nicht können.

3. Wer die Schnittstelle besitzt, besitzt die Beziehung. Wir haben dieses Muster gerade erst bei Software gesehen. Wer festlegt, wie Systeme miteinander sprechen, bestimmt, wessen Produkt austauschbar wird. Wenn Sie Maschinen bauen oder ausrüsten, ist die Frage, ob Ihre Geräte für Agenten beschreibbar sind, in fünf Jahren keine technische mehr, sondern eine vertriebliche.

Fünf Dinge, die Sie tun können

Prüfen Sie, welche Ihrer Geräte überhaupt eine Programmierschnittstelle haben. API, SDK oder wenigstens eine bedienbare Oberfläche. Alles ohne Schnittstelle bleibt vorerst außen vor — und das ist ein Kriterium für die nächste Beschaffung.

Schreiben Sie auf, was heute nur im Kopf steckt. Der eigentliche Trick an MHS ist, dass Erfahrungswissen in normaler Sprache neben dem Gerät liegt. Diese Sammlung ist unabhängig von jedem Standard wertvoll — und ohne sie nützt Ihnen später keine Spezifikation.

Fragen Sie Ihre Maschinenlieferanten, wie sie es mit KI-Schnittstellen halten. Nicht um heute zu kaufen, sondern um zu sehen, wer eine Antwort hat und wer nicht.

Fangen Sie bei Software an, nicht bei Maschinen. Wenn Sie Agenten einsetzen wollen, sammeln Sie die Erfahrung dort, wo ein Fehler nichts zerstört. Die Lehren übertragen sich.

Behalten Sie den Zeitpunkt der Quelloffenlegung im Blick. Solange MHS ein Preview ist, ist es Beobachtungsstoff. Wenn es offen wird und Universal Robots oder Tecan Unterstützung ausliefern, wird es Beschaffungsthema.

Die ehrliche Einordnung

MHS ist heute kein Produkt, das man kauft, sondern eine Spezifikation im Vorabtest mit einer Handvoll Laboren. Wer daraus eine unmittelbare Bedrohung für den deutschen Maschinenbau macht, überzeichnet.

Wer allerdings aus den Grenzen des heutigen Stands ableitet, dass sich nichts ändert, unterschätzt die Richtung. Ein Agent, der über Nacht ein Skript verbessert, dessen Trefferquote von 58 auf 99 Prozent steigt, ist kein Ausblick. Das ist ein dokumentiertes Ergebnis mit Datum.

Zwischen Panik und Achselzucken liegt die vernünftige Reaktion: hinschauen, die eigenen Schnittstellen kennen, und bei der nächsten Investitionsentscheidung eine Frage mehr stellen als bisher.

Sie wissen nicht, welche Ihrer Systeme sich überhaupt für Agenten öffnen lassen? Darf ich mir das einmal mit Ihnen ansehen — eine nüchterne Bestandsaufnahme Ihrer Schnittstellen, ohne Verkaufsdruck. Danach wissen Sie, wo Sie stehen.

Quellen, Stand und Offenlegung

Offenlegung: Die Zahlen aus den Pilotprojekten stammen vom Anbieter des Standards selbst und sind nicht unabhängig geprüft. Sie sind hier bewusst mit den ebenfalls vom Anbieter dokumentierten Grenzen zusammen wiedergegeben.

Stand dieses Beitrags: 7. September 2026. MHS befindet sich zu diesem Zeitpunkt im Research Preview; Verfügbarkeit und Funktionsumfang können sich ändern.

← Back to all posts

Last reviewed: