Anthropic flyttar AI-agenter från datorn till den fysiska världen. Med nya Model Hardware Standard, MHS, ska en AI-agent kunna läsa av och styra programmerbar utrustning som robotarmar, mikroskop och avancerade laboratorieinstrument. Tekniken testas redan inom läkemedelsforskning, kvantdatorer och industriell automation – och kan bli särskilt intressant för ett Sverige med både hög robotisering och snabbt växande AI-användning.

Det här är inte en ny robot från Anthropic. Det är snarare ett gemensamt språk mellan AI och maskiner.

Model Hardware Standard ska göra det möjligt för en AI-agent att förstå vilka funktioner en maskin har, läsa av dess status och skicka instruktioner utan att varje koppling måste byggas från grunden.

Det kan låta tekniskt, men konsekvensen är ganska konkret: en forskare eller ingenjör skulle i framtiden kunna beskriva vad som ska göras på en högre nivå, medan AI-agenten samordnar flera maskiner och genomför delar av arbetsflödet.

Så fungerar Anthropics Model Hardware Standard

I dagens fabriker och laboratorier finns redan stora mängder programmerbar utrustning. Problemet är att maskiner från olika tillverkare ofta har egna gränssnitt, styrsystem och sätt att kommunicera.

Det gör integration dyr och tidskrävande.

Anthropics idé med MHS är att ge varje kompatibel maskin ett standardiserat gränssnitt som beskriver exempelvis:

• vilka mätvärden agenten kan läsa
• vilka inställningar som går att ändra
• vilka kommandon som kan skickas
• vilka gränser och säkerhetsregler som gäller

En AI-agent kan därefter arbeta mot samma grundläggande struktur oavsett om den kommunicerar med en robotarm, laser, sensor eller laboratoriemaskin.

Det är alltså integrationslagret som är den stora nyheten.

Anthropic beskriver MHS som en research preview och inte som ett färdigt system för fri användning i vilken fabrik som helst. Men de första försöken visar varför tekniken kan få betydelse.

Från läkemedelsforskning till kvantdatorer

MHS har redan testats i flera miljöer där avancerad fysisk utrustning måste samordnas.

Testmiljö	Vad AI-agenten gjorde
Läkemedelsforskning	Samordnade bland annat robotarm, vätskehanterare och plattläsare
Kvantdatorer	Utvecklade en metod för att automatiskt återställa en känslig laser
Mikroskopi	Justerade lasrar, speglar och sensorer och kontrollerade resultatet

Hos läkemedelsbolaget Genentech användes Claude tillsammans med MHS för ett arbetsflöde där flera laboratorieinstrument behövde arbeta ihop.

Enligt Anthropic kan integrationen av sådana system i dag kräva veckor eller månader av tekniskt arbete. Om ett gemensamt standardlager minskar den tröskeln blir det betydligt lättare att bygga om och automatisera laboratorier.

I ett projekt vid Carnegie Mellon University kopplades robotarmar, vätskehanterare, kameror och annan utrustning ihop på omkring åtta timmar. Forskarna genomförde därefter dos–responsförsök ungefär tre gånger snabbare än tidigare.

Säkerheten testades samtidigt genom att sex olika fel skapades avsiktligt. Det handlade bland annat om felplacerad utrustning och aktiverat nödstopp. Systemet stoppade då rörelsen innan utrustningen körde vidare.

Claude lyckades återställa laser i 695 av 700 tester

Ett av de mest intressanta försöken gjordes tillsammans med kvantdatorföretaget QuEra.

Claude använde MHS för att experimentera fram en metod som kunde återställa en känslig laser efter störningar. När rätt metod hade hittats omvandlades arbetet till ett vanligt deterministiskt program.

Det programmet klarade 695 av 700 blindtester, motsvarande 99,3 procent.

Poängen är viktig.

AI:n behöver inte nödvändigtvis stå och fatta nya beslut varje sekund när maskinen arbetar. Agenten kan i stället hjälpa till att förstå problemet, hitta rätt process och sedan skapa ett stabilt program som körs utan språkmodellen.

Det minskar både kostnaden och risken för att en modell börjar improvisera mitt i en känslig fysisk process.

AI kan arbeta medan laboratoriet är tomt

Den kanske största ekonomiska möjligheten är inte robotarmen i sig.

Det är tiden.

Många forsknings- och industriprocesser består fortfarande av långa perioder där människor måste kontrollera instrument, flytta prover, justera inställningar eller starta nästa steg.

En AI-agent som kan övervaka flera maskiner och reagera på mätresultaten skulle kunna fortsätta ett arbetsflöde även när personalen har gått hem.

Experiment kan då i teorin köras, utvärderas och följas av nya tester under natten.

Det skapar något som ligger betydligt närmare ett autonomt laboratorium än tidigare generationers fasta industrirobotar.

Anthropic beskriver på sin egen sida om Model Hardware Standard just möjligheten att bygga experimentloopar där AI och fysisk utrustning arbetar tillsammans.

Sverige är redan ett av världens mest robotiserade länder

För Sverige är utvecklingen särskilt relevant.

Svensk tillverkningsindustri har omkring 377 industrirobotar per 10 000 anställda, vilket placerar Sverige bland världens mest robotiserade industrinationer.

Samtidigt använder allt fler svenska företag AI.

Under 2025 uppgav omkring 35 procent av svenska företag att de använde någon form av AI. Bland stora företag var andelen omkring 72 procent.

Utvecklingen går snabbt även i den traditionella industrin. Inom tillverkning av transportmedel ökade andelen företag som använde AI från 9,4 procent 2024 till 45,1 procent 2025.

Det gör frågan om fysisk AI ovanligt relevant här.

Sverige behöver inte vänta på att humanoida robotar ska bli tillräckligt billiga eller skickliga för att ersätta människor på fabriksgolvet. En stor del av den maskinpark som behövs för nästa automatiseringssteg finns redan.

Det nya är möjligheten att låta intelligenta agenter samordna den.

Befintliga robotar kan bli betydligt mer användbara

Dagens industrirobotar är ofta mycket bra på en exakt definierad uppgift.

De svetsar samma punkt, flyttar samma komponent eller genomför samma rörelse tusentals gånger.

Det svåra kommer när produktionen förändras.

Om en ny produkt kräver att flera maskiner programmeras om, testas och kopplas samman kan integrationskostnaden bli så hög att automatiseringen inte längre lönar sig.

Där kan MHS-idén få betydelse.

Om AI-agenter enklare kan förstå och kommunicera med redan installerad utrustning kan automation bli ekonomiskt intressant även för kortare produktionsserier och mer föränderliga processer.

För svensk fordonsindustri, verkstadsindustri, elektronikproduktion och annan avancerad tillverkning är det potentiellt ett betydligt större steg än ännu en ny robotmodell.

Svenska laboratorier kan påverkas ännu tidigare

Laboratorier kan vara det område där tekniken får genomslag först.

Sverige har en stor life science-sektor och exporterade läkemedel för omkring 154 miljarder kronor under 2025.

Många forskningslaboratorier använder samtidigt exakt den typ av programmerbara maskiner som MHS är konstruerat för: vätskehanterare, plattläsare, mikroskop, robotarmar, lasrar och sensorer.

Ett vanligt experiment kan bestå av mängder av repetitiva steg som måste genomföras i rätt ordning.

Om forskaren i stället kan beskriva målet medan agenten sköter stora delar av det praktiska flödet förändras arbetssättet.

Det kan göra det möjligt att testa fler hypoteser på samma tid, låta experiment fortsätta under natten och använda dyr laboratorieutrustning en större del av dygnet.

Även svensk kvantforskning kan ligga nära de första användningsområdena. Experiment inom kvantteknik är ofta beroende av känsliga lasrar, optik och instrument som behöver justeras kontinuerligt.

QuEra-testet visar åtminstone att AI-agenter kan bli ett verktyg för just den typen av uppgift.

Arbetsmarknaden får en ny typ av AI-fråga

Den generativa AI-boomen har hittills framför allt handlat om kontorsarbete.

Programmerare, journalister, analytiker, designers, jurister och administratörer har fått verktyg som kan utföra delar av deras digitala arbete.

Fysisk automation breddar frågan.

Om AI-agenter börjar styra instrument och robotar påverkas även tekniker, laboratoriepersonal, maskinoperatörer, kvalitetskontroll och underhåll.

Det behöver inte innebära att hela yrken försvinner.

Utvecklingen kan snarare flytta människans roll från att genomföra varje moment till att bestämma vad systemet ska göra, kontrollera resultaten och hantera situationer där automationen inte fungerar.

Den svenska diskussionen om vad som händer när AI förändrar arbetsmarknaden får därmed ytterligare en dimension.

AI:n behöver inte längre bara kunna skriva bättre än människan.

Den börjar också kunna påverka den fysiska arbetsplatsen.

Fysiska AI-agenter innebär också större risker

Samtidigt blir konsekvenserna av ett fel betydligt allvarligare.

Om en digital AI-agent gör ett dåligt val kan resultatet bli en felaktig fil, ett trasigt program eller ett skickat mejl som inte borde ha skickats.

Om samma typ av agent kontrollerar en robotarm kan ett fel skada dyr utrustning eller i värsta fall en människa.

Det gör kontrollsystem, nödstopp och fasta säkerhetsgränser centrala.

Anthropic har tidigare fått uppmärksamhet för experiment där avancerade AI-agenter agerat på oväntade sätt i digitala miljöer. Hurbra har tidigare gått igenom hur AI-agenter kan gå utanför de ramar människor tänkt sig.

När agenten får tillgång till fysisk utrustning blir samma problem mer konkret.

Anthropic betonar också själv att dagens modeller fortfarande har begränsningar i sin förståelse av den fysiska världen.

I ett av testerna misstolkade Claude exempelvis ett problem orsakat av skum i ett laboratorieförsök som ett mjukvarufel. Människor behövde förklara vad som faktiskt hände.

MHS är fortfarande ett experiment – men riktningen är tydlig

Det är därför för tidigt att beskriva Model Hardware Standard som starten på helt autonoma fabriker.

MHS är fortfarande en forskningsförhandsversion. De imponerande resultaten kommer dessutom från ett begränsat antal partnerprojekt och kontrollerade miljöer.

Att QuEras system klarade 99,3 procent av sina tester betyder inte att en generell AI-agent kan gå in i valfri svensk fabrik och börja styra produktionen.

Men utvecklingsriktningen är viktig.

AI-agenter har de senaste åren gått från att svara på frågor till att använda datorer, skriva kod och själva genomföra längre digitala arbetsflöden.

Nästa steg är att samma agentlogik kopplas till den fysiska världen.

Och i ett land som Sverige, där robotarna och de programmerbara maskinerna redan står på plats, kan den förändringen komma betydligt snabbare än den först verkar.