Anthropic bringt MHS: Claude steuert jetzt reale Maschinen (Roboter, Mikroskope, Laser) – was sich für Unternehmen und Sicherheit ändert

von Denis Shokhirev, Enterprise AI Architect aus Freiburg im Breisgau. Ich liefere agentenbasierte KI-Systeme für DACH-B2B-Kunden – nicht als Demo, sondern produktiv: Claude, Supabase, n8n, Doppler, selbstgehostetes Postgres. Spätestens wenn der Kunde fragt, wie KI künftig reale Maschinen steuert und was das für Sicherheit bedeutet, ist die Komfortzone vorbei.

Was ist das MHS von Anthropic – und warum ist es relevant?

Mit dem Machine Handling Standard (MHS) hat Anthropic einen Rahmen geschaffen, der es Claude ermöglicht, reale Geräte über ein standardisiertes Protokoll direkt anzusteuern (Anthropic Docs, 2024). Gemeint sind nicht nur Prototypen: Roboter, Mikroskope, Laser – alles kann über MHS-Adapter angebunden und von einem LLM-Agenten in Echtzeit gesteuert werden. In der Praxis bedeutet das: KI übernimmt physische Prozesse, ohne dass noch ein Mensch zwischen Gerät und Logik steht.

Drei MHS-Szenarien im B2B-Einsatz

Szenario	Hardware	Vorteile	Risiken
Laborautomatisierung	Mikroskope, Spektrometer	Weniger Fehler, höhere Auslastung	Probenschäden durch falsche Befehle
Logistik	Roboter, Fördertechnik	Dynamische Steuerung, Effizienz	Verluste bei Fehlsteuerung
Produktion	Laser, Manipulatoren	End-to-End-Automatisierung	Unfälle, Personensicherheit

Sicherheitsfragen: Was im Echtbetrieb schiefgeht

Sobald Claude über MHS auf Maschinen zugreift, reicht das klassische „LLM–API–Sandbox“-Modell nicht mehr aus. In meinen Projekten habe ich mehrere Male erlebt, dass der Agent nach einem Gerätefehler aggressive Wiederholungsbefehle sendet – das führte zu Linienstillstand oder sogar Not-Aus. Das Kernproblem liegt in der Validierung und Filterung von LLM-Befehlen sowie im Umgang mit mehrdeutigen Geräte-Rückmeldungen.

Laut OWASP Top 10 für LLMs (2024) zählen Zustandsverwaltung und unsichere Code-Ausführung zu den drei größten Risiken. Ich selbst habe LLMs erlebt, die in Grenzfällen „reset“ oder „shutdown“ auf Produktionsrobotern auslösten – ausgelöst durch fehlende Überprüfung im Adapter oder unklare Rückgaben vom Gerät.

Code-Beispiel: Befehlsfilter als Zwischenschicht


import supabase
import n8n
import logging

def safe_command_dispatch(command, device_id):
    # Kritische Befehle blockieren, alles protokollieren
    if 'shutdown' in command or 'reset' in command:
        logging.warning(f"Befehl blockiert: {command}")
        return False
    try:
        n8n.send_command(device_id=device_id, command=command)
        logging.info(f"Befehl versendet: {command}")
    except Exception as e:
        logging.error(f"Fehler beim Senden: {e}")
        return False
    return True

Solche Zwischenschichten haben in meinem Stack bereits zahlreiche Fehlbefehle vor dem Hardware-Zugriff gestoppt.

Grenzen von MHS: Sicherheit und Compliance

Sicherheitsprüfung und Feedback

Vertrauen Sie keinem LLM direkt am Hardware-Endpunkt. Notwendig sind mehrstufige Kontrollen: Statische Analyse (semgrep, bandit), Laufzeit-Sandboxing im Adapter und manuelle Überprüfung der Geräteprotokolle. Gerade bei mehrdeutigen Rückmeldungen passieren Fehler, die keine Automatisierung abfängt.

Regulatorischer Rahmen

In der EU gelten für KI-gestützte Steuerung realer Prozesse bereits AI Act (2024), NIS2 und ISO 27001. In Deutschland fordert BSI Grundschutz eine saubere Trennung und Prüfbarkeit für alle Systeme mit physischem Einfluss. DACH-Kunden verlangen vollständige Audit-Trails und Eventlogs für jede LLM-Hardware-Transaktion.

MHS in die Praxis bringen: Drei Schritte

1. Rechte und Verantwortungen trennen

Ich lege für jede Anlagenlinie eigene Service-Accounts an, Berechtigungen werden über Supabase auf Kommandoebene geregelt. So bleibt Eskalation auf einzelne Linien begrenzt.

2. Live-Protokollierung und Transparenz

Alle Agentenaktionen werden in eine eigene Postgres-Tabelle geschrieben, die ich unter live.gerdennisai.com öffentlich streame. Das ist die wirksamste Methode, um „stille“ Fehler oder Auffälligkeiten früh zu entdecken.


// n8n-Webhook-Logging in Supabase
const { createClient } = require('@supabase/supabase-js')
const supabase = createClient(process.env.SUPABASE_URL, process.env.SUPABASE_KEY)

async function logAction(agent, action, device) {
  await supabase
    .from('actions_log')
    .insert([{ agent, action, device, ts: new Date() }])
}

3. Tests auf physikalischen Prüfständen

Vor der Freigabe für reale Maschinen läuft jeder Agentencode auf Simulatoren oder Testständen mit Dummy-Daten. So werden Fehler entdeckt, die statische Checks nicht abfangen.

FAQ

Gibt es MHS auch bei OpenAI oder anderen LLMs?

Bisher nein. MHS ist proprietär von Anthropic. OpenAI und Google bieten API-Integrationen, aber keinen Standard für Hardware-Steuerung (Stand: August 2024).

Wie aufwändig ist die MHS-Integration in bestehende Systeme?

Wer schon REST/Webhook-Schnittstellen nutzt, kann MHS-Adapter meist in wenigen Tagen anbinden. Der Hauptaufwand liegt in der Sicherheitstrennung.

Was sind typische Fehler bei der Integration?

Überschätzung der „Intelligenz“ des LLM: Ohne Filter im Adapter kann der Agent bei unklaren Rückmeldungen Fehlbefehle erzeugen.

Welche Tools setzen Sie für die Sicherheitsprüfung ein?

Ich nutze semgrep für statische Analyse, bandit für Python, gitleaks für Secret-Scanning. Logs werte ich direkt in Postgres aus.

Lässt sich das Produktionsmonitoring komplett automatisieren?

Nein, für kritische Hardware bleibt der letzte Check menschlich, insbesondere bei sicherheitsrelevanten Anlagen.

Wo entstehen in Ihrem Produktivsystem die meisten Fehler – beim Agent, im Adapter oder direkt am Gerät? Mich interessieren echte Fälle aus der Praxis. Ich biete einen kostenlosen 30-min Stack-Audit für DACH-Unternehmen im regulierten Markt an. Kontaktieren Sie mich via LinkedIn oder schreiben Sie an @ger_dennis_ai.