LIMS IA-first: den nye generation af det udvidede laboratorium

Traditionelle LIMS-systemer lægger AI oven på en arkitektur, der blev udviklet i 1990'erne. Den nye generation er AI-first: en agentmotor i centrum, en åben bus med konnektorer og de eksisterende værktøjer (eLabFTW, ELN, instrumenter, ERP) i periferien. Sådan ser det ud – og her er hvor Charlie passer ind.

Emerit Science-holdet

April 2026

IA-first-baseret LIMS: Charlie + MCP + eLabFTW

LIMS-systemer (Laboratory Information Management Systems) har i tredive år sikret sporbarheden af prøver, analyser og resultater i laboratorier. De er blevet uundværlige – og alligevel beskriver næsten alle brugere dem som »tunge«, »lidt intuitive« og »stive«. Denne opfattelse er udbredt overalt, lige fra kvalitetskontrol i fødevareindustrien til farmaceutisk forskning og udvikling.

I 2024-2025 begyndte udbyderne at integrere AI i disse eksisterende arkitekturer: hjælp til dataindtastning, forudsigelse af afvigelser, forslag til protokoller. Det er nyttigt, men det er stadig kun et plaster på et træben – AI bliver ikke systemets tyngdepunkt. Den virkelige nye generation, der dukker op i 2026, vender op og ned på problemet: AI-agenten er centrum, og resten kobles sammen omkring den.

AI-bolted-on vs. AI-first: den egentlige forskel

Forskellen er mere end blot et markedsføringsargument. Et »AI-ready« LIMS konsoliderer sine data, så et AI-modul efterfølgende kan udnytte dem. Et »AI-first« LIMS er bygget op omkring en AI-agent, der fra starten koordinerer indsamling, sammenkobling, fortolkning og beslutningstagning.

Dimension	Traditionelt LIMS (med AI-tilkobling)	LIMS med kunstig intelligens i centrum
Tyngdepunkt	Indtastningsformular + database	Chatbot + logisk ræsonnement
Interaktion	Klik, menuer, formularer	Naturligt sprog, stemme, multimodal
Integrationer	Proprietære konnektorer, REST fra sag til sag	Universel bus (MCP), alle værktøjer kan findes
Arbejdsgang	Lineær, fastkodet	Tilpasningsdygtig, planlagt af mægleren
Holdets historie	Tekstfelter til noter, der er svært anvendelige	Vedvarende projektlager, på tværs af sessioner
Overvågning og litteratur	Uden for omfanget, separat værktøj	Native — udendørsvidenskaben finder vej ind i LIMS

Ifølge Pistoia Alliance Lab of the Future Survey 2024 er brugen af AI i laboratorier steget med 14 % på et år, men næsten 40 % af de adspurgte nævner stadig vanskelighederne med at gøre deres data FAIR (Findable, Accessible, Interoperable, Reusable) som den største hindring. At lægge AI oven på et system, der ikke producerer FAIR-data, løser intet — arkitekturen skal gentænkes.

Hvorfor nu? Tre kræfter mødes i 2026

De videnskabelige AI-agenter er modne. Ræsonnementmodellerne fra 2026-generationen udfører flerstrengede søgninger, bruger værktøjer, husker et projekt og angiver deres kilder. Det, der for 18 måneder siden virkede spekulativt, fungerer i dag i produktionsmiljøet.
MCP er blevet standard. Model Context Protocol (Anthropic, åben) er i 2026 den universelle bus mellem AI-agenter og værktøjer. Man behøver ikke længere at skrive en skræddersyet connector for hver LLM × hvert værktøj — det er nok, at et værktøj stiller en MCP-grænseflade til rådighed, og så kan enhver kompatibel agent bruge den.
Det videnskabelige miljø tager det til sig. MCPmed-projektet opfordrer til, at bioinformatiske webtjenester udbydes i MCP-format, så de kan behandles automatisk af agenter. eLabFTW, udviklerne af det open source-baserede ELN, samt flere instrumentleverandører er i gang med at udvikle prototyper på deres MCP-grænseflader.

For første gang kan man forestille sig et laboratorium, hvor AI-agenten er det primære indgangspunkt, og hvor alle værktøjer (laboratoriejournal, instrumenter, indkøbs-ERP, database) taler det samme tekniske sprog.

Målarkitekturen: Charlie som kerne, MCP som bus, værktøjer i periferien

Konkret ser et AI-first LIMS, der er bygget op om Charlie, sådan ud:

1 Charlie I centrum — brugeren kommunikerer med agenten på naturligt eller struktureret sprog. Charlie opbevarer en projektdatabase, forstår den videnskabelige kontekst og kan ræsonnere i flere trin.
2 MCP som universel bus — Charlie finder dynamisk de MCP-værktøjer, der er tilgængelige i laboratoriemiljøet, og vælger selv, hvilket værktøj der skal kaldes for at imødekomme en anmodning.
3 eLabFTW som laboratoriejournal — når den tilsluttes via en MCP-stik, bliver den læse-/skriveadgang til Charlie: opret et forsøg, vedhæft en protokol, tilføj en observation, knyt en prøve til.
4 Indfødte videnskabelige kilder — PubMed, bioRxiv, HAL, PMC, web: allerede integreret i Charlie. Overvågning er ikke længere et separat værktøj, men findes i samme miljø som laboratoriedataene.
5 Voksende tilslutninger — instrumenter (kromatograf, sekventer, pladelæser), ERP-indkøb, interne databaser, delte drev: Hver ny MCP, der tilføjes, udvider øjeblikkeligt kapaciteten i Charlie uden at omskrive stakken.

Kontrasten til et traditionelt LIMS er markant. Hvor man før skulle åbne fire faner – LIMS til indtastning, eLabFTW til at læse protokollen, en browser til PubMed og Excel til analyse – sender man nu en anmodning på fransk til Charlie: »Sammenlign resultaterne af mine PCR-kørsler fra sidste måned med referenceværdierne fra Smith-teamets seneste publikation, og markér afvigelserne«. Systemet gennemgår værktøjerne, leverer en oversigt til dig og skriver sporingen i eLabFTW.

Tre konkrete anvendelsestilfælde

1. Forbered et eksperiment ud fra en publikation

En ph.d.-studerende: »Tilpas protokollen fra figur 3 i denne artikel til vores HEK293-cellekultur, og opret den tilhørende post i eLabFTW.« Charlie læser figuren, identificerer reagenserne, kontrollerer, om de er på lager, genererer det forudfyldte eLabFTW-ark og vedhæfter referencen.

2. Analysere en instrumentoptagelse og drage konklusioner

En ingeniør: »Indlæs den seneste kørsel fra sekvenseren, udfør kvalitetskontrol, identificer de prøver, der skal gentages, og sammenfat resultaterne i en projektnotat.« Charlie henter filerne via instrumentets MCP-stik, anvender kvalitetskontroltærsklerne, genererer en rapport og skriver notatet. Alt bliver registreret.

3. Udnytte et teams erfaringer

En ny ph.d.-studerende ankommer: «Giv mig den interne status på p53/MDM2-vejen i triple-negativ brystkræft, med de protokoller, som teamet har valideret, og de spor, I har udelukket.» Charlie søger i eLabFTW, projektnoter og litteraturovervågning og leverer en intern sammenfatning — som bliver udgangspunktet for afhandlingen i stedet for 6 måneders indkøring.

»De traditionelle LIMS-systemer blev udviklet til at registrere det, forskerne allerede gjorde. Den nye generation er udviklet til at styrke det, de gør. Det er et skift i filosofi: man registrerer ikke længere, man tænker med systemet.« — Teamet bag »Emerit Science«

Charlie : en selvstændig videnskabelig AI-agent, klar til at være denne drivkraft

Alle komponenterne er allerede på plads i Charlie til at varetage denne opgave:

Agentmotor v2 — flertrinskoordinering, Refleksions-tilstand (krydsning mellem litteratur og web), 4-trins hukommelse (session / projekt / bruger / global), klikbare citater med entydig identifikator.
Videnskabelige kilder — PubMed, bioRxiv, HAL, PMC, web. Teknologisk og økonomisk overvågning, dataanalyse og eksperimentelle tilgange samlet på ét sted.
Integrationen med eLabFTW er allerede beskrevet — se vores artikel om emnet. Det er den første byggesten i Emerit Sciences AI-baserede LIMS.
Fransk suverænitet — Scaleway-hosting, overholdelse af GDPR og AI Act, ProConnect til den offentlige sektor. Dine videnskabelige data forbliver i Europa.
MCP-køreplan — eksponering af Charlie-værktøjer i MCP-serveren (så en ekstern agent kan søge i dit bibliotek, dine overvågninger og dine projekter) samt integration af tredjeparts-MCP-konnektorer (eLabFTW, instrumenter, ERP) er i gang.

Hvordan kommer man i gang (uden big bang)

Ingen skifter sit LIMS fra den ene dag til den anden. En AI-first-implementering foregår i flere trin:

Trin 1 — Implementer Charlie til overvågning og litteratur. Umiddelbar gevinst, ingen integration nødvendig, og afkastet kan ses inden for få uger.
Trin 2 — Tilslut eLabFTW. Charlie får læse- og skriveadgang til din laboratoriejournal. Protokoller, eksperimenter og noter bliver tilgængelige for agenten, som kan generere dem.
Trin 3 — Tilføj et internt instrument eller en intern base. Efterhånden som dine værktøjer eksponerer en MCP-overflade (eller mens vi udvikler adapteren sammen med dig), kommer de ind i agentens felt.
Trin 4 — Tag de overflødige LIMS-moduler ud af drift. Det gamle LIMS beholder de funktioner, det er godt til (lovmæssig sporbarhed, GMP/GLP-overholdelse), mens Charlie overtager resten.

Konklusion: Et LIMS, der tænker med dig, ikke endnu et skema

Løftet om et AI-first LIMS handler ikke om endnu et nyt produkt til din platform – det handler om, at platformen selv kan blive intelligent, åben og styret via naturligt sprog. Med MCP som standard, modne agenter som Charlie og et open source-økosystem som eLabFTW, der er velegnet til formålet, åbner muligheden sig i 2026.

For de europæiske laboratorier er der to udfordringer: at modernisere personalets daglige arbejde og bevare kontrollen over arkitekturen. Charlie er udviklet med dette dobbelte mål for øje – en uafhængig agent i centrum, omgivet af en åben bus.

Lad os tale om din arkitektur

Er I i gang med at evaluere jeres LIMS-/ELN- og videnskabelige værktøjer? Vi hjælper teams, der ønsker at skifte til en AI-first-arkitektur uden at sætte deres eksisterende systemer på spil. En 30 minutters demo for at afklare jeres behov.

Bestil tid Siden »For holdene«

Del denne artikel: