Der am 26. Oktober 2026 eingereichte Börsenprospekt von Anthropic nennt Robotik und physische Arbeit explizit als Wachstumsbereiche. Der Claude-Entwickler plant, KI-Agenten über den Model Hardware Standard (MHS) mit programmierbaren Geräten in Laboren und Fabriken zu vernetzen. (SEC: Index der Einreichung)
Ein Börsenprospekt ist selten ein Genre, das man einem guten Robotervideo vorzieht. Es gibt keine Rückwärts-Saltos schlagenden Humanoiden, und das Kapitel über Risikofaktoren lockt normalerweise kein Stadionpublikum an. In den Papieren von Anthropic verbirgt sich jedoch eine Geschichte, die interessanter ist als der reine Aktienpreis: Einer der führenden Entwickler von Chatbots sieht ein Geschäft darin, Maschinen tatsächlich zu bedienen.
Dafür muss das Unternehmen nicht einmal zwangsläufig eigene Roboter bauen. Der Clou liegt darin, eine gemeinsame Softwareschicht über bereits existierende Roboterarme, Mikroskope und Laborgeräte zu legen. Die Robotikindustrie kann seit langem starke Arme bauen. Die Maschinen verschiedener Hersteller zu verheiraten, gleicht jedoch oft immer noch der Installation eines Familien-Druckers — nur dass hier neben dem Wochenende auch gleich der gesamte Produktionsplan baden gehen kann.
Was sagt der IPO-Antrag tatsächlich aus?
Anthropic diskutiert Robotik, fortschrittliche Fertigung und Logistik als neue Marktchancen. Im Abschnitt zur Wachstumsstrategie wird die Expansion in die physische Welt namentlich erwähnt; unter den Beispielen für den MHS werden Mikroskope, Liquid-Handling-Systeme und kommerziell erhältliche Roboterarme aufgeführt. Die relevanten Passagen finden sich auf den gedruckten Seiten 186, 198 und 202 des Dokuments. (Anthropic Form S-1)
Dies ist eine strategische Absichtserklärung. Daraus lässt sich noch nicht ableiten, wie viele Fabriken dafür bezahlen werden oder wann daraus ein bedeutender Geschäftszweig wird. Die Einreichung des S-1 bedeutet für sich genommen auch noch nicht den Abschluss des Börsengangs.
In der Lesart von RoboHorizon liegt die entscheidende Änderung in der Grenze der Aufgabe: Die Arbeit der KI kann nach der geschriebenen Anweisung fortgesetzt werden. Ein Experiment muss tatsächlich gestartet, das Ergebnis gemessen und basierend darauf der nächste Schritt gewählt werden. Zur schönen Antwort gesellt sich die Verantwortung für die Ausführung.
Bild: KI-generierte redaktionelle Illustration. Der Roboterarm ist eine Konzeptgrafik, kein angekündigtes Hardwareprodukt von Anthropic.
Was ist der MHS und wie hängt er mit dem MCP zusammen?
Der Model Hardware Standard zielt auf eine gemeinsame Beschreibung und Erreichbarkeit von Geräten ab. Laut einer Präsentation von Anthropic vom 27. August 2026 macht der Standard-Treiber die Hardware auffindbar, stellt ihre Operationen bereit und liefert Informationen über Fähigkeiten, Merkmale und Betriebsgrenzen. Zu den Basisoperationen gehören einfache Lese- und Schreibbefehle. (Technische Präsentation von Anthropic)
Das Model Context Protocol (MCP) ist einer der Zugangswege; der MHS kann sowohl über die Kommandozeile als auch über Programmcode genutzt werden. Die Lösung ist modellunabhängig: Ziel ist eine Hardware-Verbindungsschicht, die mit verschiedenen KI-Agenten genutzt werden kann.
Stellen wir uns eine Workstation vor, an der ein Roboterarm eine Probenplatte zu einem Messgerät bringt. Die Aufgabe endet nicht damit, dass der Arm sich bewegen kann. Man muss wissen, wann die Platte gegriffen werden darf, ob das Empfangsgerät bereit ist, ob die Messung beendet wurde und was passiert, wenn einer dieser Schritte hakt. Ein gemeinsames Interface kann in dieser Abstimmung zwischen vielen Akteuren wertvoll sein.
Ein Hardwarestandard allein lehrt der KI jedoch keine Physik. Die Verfügbarkeit der Geräte, die Qualität der Bewegung und die Sicherheit des Gesamtsystems sind jeweils separat zu lösende Aufgaben. Nur weil alle Instrumente mit demselben Dirigenten verbunden sind, muss das Orchester trotzdem noch proben.
Wer testet es bereits an Robotern?
Doosan Robotics bestätigt durch eigene Mitteilungen die Teilnahme am Forschungsprogramm; Anthropic erwähnt Tests zur Qualitätssicherung und zur Koordination mehrerer Roboter. Hugging Face arbeitet laut Anthropic-Ankündigung an der MHS-Unterstützung für die Robotik-Bibliothek LeRobot. Hierbei sollte man die Zeitform wahren: Tests und Entwicklung sind noch keine allgemein verfügbaren Produkte. (Doosan Robotics, Anthropic)
Universal Robots präsentierte am 28. August ein detaillierter dokumentiertes Experiment. Laut Unternehmen entdeckte ein Claude-basierter Agent über die PolyScope X Plattform vier Cobots und koordinierte deren Anwendungen, einschließlich der Übergabe von Werkstücken. Die Firma beschreibt die Demonstration ausdrücklich als Proof of Concept. (Universal Robots: Das Experiment mit vier Cobots)
Ebenso wesentlich ist der Aufbau der Steuerung: Laut Universal Robots blieb die eigene Sicherheitsarchitektur die Basis, während der MHS die vom Gerät vorgegebenen Grenzen, Verriegelungen und Notstopps für den Agenten interpretierbar macht. Auf mobilen Robotern wurde dieser Ansatz zu diesem Zeitpunkt noch nicht getestet.
Hier beginnt die Geschichte über den einzelnen geschickten Roboterarm hinauszuwachsen. Für einen Betrieb ist die kollaborative Zelle die sinnvolle Einheit: Eine Maschine führt zu, die zweite greift, die dritte misst. Wenn davon nur eine eine spektakuläre Demo liefert, bleiben die anderen beiden weiterhin zahlende Zuschauer.
Warum ist ein Laserfehler interessanter als noch eine Roboter-Demo?
Das Experiment von QuEra Computing liefert ein greifbares Beispiel dafür, wie KI-gestützte Forschung in traditionelle Automatisierung übergehen kann. Das Unternehmen arbeitete im MHS-Forschungsprogramm mit Claude daran, das Lasersystem eines Quantencomputers auf einer präzisen Frequenz zu halten und das System nach Fehlern wiederherzustellen. (QuEra: Detaillierte Ergebnisse des Experiments)
Laut QuEra stellte der erstellte Controller das System in 695 von insgesamt 700 zeitgesteuerten Versuchen bei sieben Fehlertypen wieder her. Das sind die oft zitierten 99,3 Prozent. Die meisten Fehler wurden innerhalb von sechs Sekunden behoben; schwierigere Fälle benötigten etwa 10 bis 14 Sekunden.
Das entscheidende technische Detail: Das Ergebnis war ein überprüfbares, herkömmliches Programm. Für die Steuerung während des Betriebs musste nicht ständig auf Entscheidungen des Sprachmodells gewartet werden. Die Ingenieure legten den Rahmen der Aufgabe und die Erfolgskriterien fest und überwachten die Entwicklung.
Das Ergebnis basiert auf dem Bericht des Unternehmens in einem eingegrenzten Test. Es ist kein allgemeiner Indikator für die Zuverlässigkeit in der Robotik und keine Aussage über die Verfügbarkeit des gesamten Quantencomputers.
Diese Arbeitsteilung ist besonders interessant: Die KI erkundet, experimentiert und erstellt ein Programm, während die wiederkehrende Aufgabe von berechenbarem Code erledigt wird. Für einen Fabrikleiter ist ein langweilig wiederholbarer Betrieb eine äußerst attraktive Eigenschaft. Einem Gerät tut es selten gut, wenn es sich in jeder Schicht neu erfindet.
Warum könnte das Labor das erste wirklich gute Terrain sein?
Im Labor ist der Übergang zwischen dem von der KI vorgeschlagenen nächsten Experiment und der physischen Messung ein eigenständiges Problem. Waters gab am 13. Oktober den Beitritt zum MHS-Forschungsprogramm sowie die Lösung Waters AI Link bekannt, die MCP mit der waters_connect Plattform verbindet. Die Plattform unterstützt Workflows in der Flüssigkeitschromatographie und Massenspektrometrie: Vereinfacht gesagt trennt sie Stoffe und hilft dann, sie zu identifizieren und zu messen. (Waters: Offizielle Ankündigung)
Waters bot zu diesem Zeitpunkt einen frühen Zugang zu AI Link an, die allgemeine Verfügbarkeit war für November geplant. Dieser Zeitplan bezog sich auf AI Link; auf die Verfügbarkeit des gesamten MHS lässt sich daraus nicht schließen.
Die attraktive Geschäftsmöglichkeit liegt im Schließen des experimentellen Kreislaufs: Das Modell schlägt vor, das Instrument misst, das Ergebnis fließt zurück in die Analyse. Wenn sich dieser Kreis beschleunigt, können in der gleichen Zeit mehr Hypothesen untersucht werden. Die Rentabilität muss jedoch am gesamten Workflow gemessen werden, inklusive Probenvorbereitung, Kontrollen und misslungenen Versuchen. Die Pipette hat die Präsentation nicht gelesen, laut der ab jetzt alles zehnmal schneller geht.
Was passiert, wenn die falsche Antwort tatsächlich etwas bewegt?
Auf der gedruckten Seite 81 des Antrags diskutiert Anthropic die Forschung an Robotik und physischer KI als eine Tätigkeit, die über bisherige Software-Aktivitäten hinausgeht. Zusammen mit den Laboren treten Arbeitsschutz-, biologische, Umwelt- und Gefahrgut-Anforderungen sowie Haftungsrisiken für Verletzungen oder Kontaminationen auf den Plan. (Das Risikokapitel des S-1)
Anthropics eigener technischer Bericht erwähnt ebenfalls Grenzen: Claudes räumliches und physikalisches Denken erfordert weiterhin Aufsicht. Bei einem Experiment mit Proteinproben war beispielsweise Hilfe nötig, um ein durch Schaumbildung verursachtes Problem als physischen Fehler zu behandeln. (Anthropic: Grenzen und weitere Sicherheitsarbeit)
In der Softwareentwicklung kann man nach einem misslungenen Versuch den Test oft einfach neu starten. Für eine heruntergefallene Probenplatte braucht man eventuell einen Besen. Daher wird laut RoboHorizon der Maßstab für eine ernsthafte Einführung sein, wie mit unsicheren Situationen umgegangen wird: Was prüft das System selbstständig, wann stoppt es und wann bittet es um menschliches Eingreifen? Die Behauptung „sicher betreiben“ muss letztlich an der jeweiligen Hardware und dem Workflow bewiesen werden.
Wo könnte das wahre Geschäft liegen?
Unserer Meinung nach bei den Integrationskosten. Für einen Hersteller ist die Fähigkeit des Roboters nur die halbe Gleichung. Ebenso wichtig ist, wie viel Arbeit für die Installation, die Vernetzung der Geräte und die Neukonfiguration bei einer geänderten Aufgabe nötig ist.
Wenn die KI diese Ingenieursaufgaben zuverlässig übernehmen kann, könnte auch eine Automatisierung wirtschaftlich werden, bei der die Vorbereitung bisher zu teuer war. Kleinere Serien, häufig wechselnde Produkte und ein heterogener Maschinenpark wären besonders interessante Testfelder. Dies ist eine Schlussfolgerung über den potenziellen Wert der Technologie; die gezeigten Experimente beweisen die Rentabilität in diesen Betrieben noch nicht.
Der MHS ist ein begrenzter Research Preview mit Zugang nach Anmeldung. Laut der offiziellen Projektseite gehen der Open-Source-Veröffentlichung weitere Tests und Sicherheitsbewertungen voraus. (Die offizielle MHS-Seite)
Das nächste interessante Ergebnis wäre daher ein System aus verschiedenen Geräten, das dauerhaft, messbar günstiger und mit weniger Fehlern arbeitet. Wie viele Ingenieursstunden spart es ein? Wie oft muss eingegriffen werden? Wie lange dauert das Einrichten einer neuen Aufgabe? Das sind weniger spektakuläre Zahlen als ein Salto schlagender Roboter, aber sie liegen deutlich näher an einer Kaufentscheidung.
Der Antrag von Anthropic zeigt, dass das Unternehmen mit dieser Möglichkeit rechnet. Für RoboHorizon wird die physische KI genau hier spannend: Wenn zwischen der denkenden Software und der arbeitenden Maschine endlich weniger individuelle Kabel, Adapterprogramme und nächtliche Fehlersuche übrig bleiben. Der Roboterarm ist bereits da. Jetzt müsste man die Zusammenarbeit dazu liefern.