LIMS IA-first: Die neue Generation des erweiterten Labors

Herkömmliche LIMS-Systeme fügen KI lediglich als zusätzliche Schicht auf eine Architektur auf, die in den 1990er Jahren entwickelt wurde. Die neue Generation ist „AI-first“: Im Zentrum steht eine Agent-Engine, ein offener Konnektor-Bus, und die bestehenden Tools (eLabFTW, ELN, Instrumente, ERP) befinden sich am Rand. So sieht das aus – und wo sich Charlie einordnet.

Team „Emerit Science“

April 2026

LIMS (Laboratory Information Management Systems) sorgen seit dreißig Jahren für die Rückverfolgbarkeit von Proben, Analysen und Ergebnissen in Laboren. Sie sind unverzichtbar geworden – und doch beschreiben fast alle Nutzer sie als „schwerfällig“, „wenig intuitiv“ und „unflexibel“. Diese Einschätzung ist allgemein verbreitet, von der Qualitätskontrolle in der Lebensmittelindustrie bis hin zur pharmazeutischen Forschung und Entwicklung.

In den Jahren 2024–2025 begannen die Anbieter, KI in diese bestehenden Architekturen zu integrieren: Eingabe-Assistenten, Vorhersage von Anomalien, Vorschläge für Protokolle. Das ist nützlich, aber es bleibt ein Notbehelf – die KI wird nicht zum Dreh- und Angelpunkt des Systems. Die echte neue Generation, die 2026 auf den Markt kommt, kehrt das Problem um: Der KI-Agent steht im Mittelpunkt, und der Rest wird daran angebunden.

AI-bolted-on vs. AI-first: Der eigentliche Unterschied

Der Unterschied geht über ein reines Marketingargument hinaus. Ein „AI-ready“-LIMS konsolidiert seine Daten, damit ein KI-Modul diese anschließend auswerten kann. Ein „AI-first“-LIMS basiert auf einem KI-Agenten, der von Anfang an die Erfassung, den Abgleich, die Interpretation und die Entscheidungsfindung koordiniert.

Abmessung	Klassisches LIMS (AI-bolted-on)	LIMS mit KI-Fokus
Schwerpunkt	Eingabeformular + Datenbank	Chatbot + Schlussfolgerungen
Interaktion	Klicks, Menüs, Formulare	Natürliche Sprache, Sprache, multimodal
Integrationen	Proprietäre Schnittstellen, REST je nach Einzelfall	Universeller Bus (MCP), jedes Werkzeug kann erkannt werden
Workflow	Linear, fest codiert	Adaptiv, vom Agenten geplant
Bericht des Teams	Textfelder für Notizen, die kaum nutzbar sind	Dauerhafter, sitzungsübergreifender Projektspeicher
Beobachtung & Literatur	Außerhalb des Konsolidierungskreises, separates Tool	Native – die Wissenschaft der Außenwelt hält Einzug ins LIMS

Laut der Umfrage „Lab of the Future Survey 2024“ der Pistoia Alliance hat der Einsatz von KI in Laboren innerhalb eines Jahres um 14 % zugenommen, doch fast 40 % der Befragten nennen nach wie vor die Schwierigkeit, ihre Daten FAIR (Findable, Accessible, Interoperable, Reusable) zu gestalten, als größtes Hindernis. KI auf ein System zu stapeln, das keine FAIR-Daten produziert, löst das Problem nicht – die Architektur muss neu überdacht werden.

Warum gerade jetzt? Im Jahr 2026 laufen drei Kräfte zusammen

Wissenschaftliche KI-Agenten sind ausgereift. Die Denkmodelle der Generation 2026 führen mehrstufige Recherchen durch, nutzen Werkzeuge, speichern ein Projekt und geben ihre Quellen an. Was vor 18 Monaten noch spekulativ erschien, ist heute im Einsatz.
MCP hat sich zum Standard entwickelt. Das Model Context Protocol (Anthropic, offen) ist im Jahr 2026 der universelle Bus zwischen KI-Agenten und Tools. Es ist nicht mehr nötig, für jedes LLM und jedes Tool einen maßgeschneiderten Konnektor zu schreiben – es reicht aus, wenn ein Tool eine MCP-Schnittstelle bereitstellt, und jeder kompatible Agent kann diese nutzen.
Die wissenschaftliche Gemeinschaft nimmt es an. Das MCPmed-Projekt fordert dazu auf, bioinformatische Webdienste in MCP bereitzustellen, damit sie von Agenten maschinell verarbeitet werden können. eLabFTW, die Entwickler des Open-Source-ELN, sowie mehrere Instrumentenanbieter entwickeln Prototypen ihrer MCP-Oberfläche.

Zum ersten Mal kann man sich ein Labor vorstellen, in dem der KI-Agent den zentralen Zugangspunkt bildet und in dem jedes Werkzeug (Laborprotokoll, Instrumente, ERP-Einkaufssystem, Datenbank) dieselbe Fachsprache spricht.

Die Zielarchitektur: „Charlie“ als Kern, MCP als Bus, Peripheriegeräte

Konkret sieht ein KI-orientiertes LIMS, das auf „Charlie“ basiert, wie folgt aus:

1 Charlie Im Mittelpunkt steht der Austausch zwischen dem Nutzer und dem Agenten in natürlicher oder strukturierter Sprache. Charlie speichert den Projektverlauf, versteht den wissenschaftlichen Kontext und kann mehrstufige Schlussfolgerungen ziehen.
2 MCP als universeller Bus – „Charlie“ ermittelt dynamisch die in der Laborumgebung verfügbaren MCP-Tools und wählt selbst aus, welches davon zur Bearbeitung einer Anfrage aufgerufen werden soll.
3 eLabFTW als Laborheft – über einen MCP-Anschluss bereitgestellt, wird es für „Charlie“ les- und schreibbar: einen Versuch erstellen, ein Protokoll anhängen, eine Beobachtung hinzufügen, eine Probe verknüpfen.
4 Native wissenschaftliche Quellen – PubMed, bioRxiv, HAL, PMC, Web: bereits mit Charlie verknüpft. Die Informationsbeobachtung ist kein separates Tool mehr, sondern befindet sich im selben Bereich wie die Labordaten.
5 Wachsende Schnittstellen – Geräte (Chromatograph, Sequenzer, Plattenlesegerät), ERP-Einkauf, interne Datenbanken, gemeinsam genutzte Laufwerke: Jeder neu hinzugefügte MCP erweitert sofort die Funktionen von Charlie, ohne dass der Stack neu geschrieben werden muss.

Der Unterschied zu einem herkömmlichen LIMS ist radikal. Wo Sie früher vier Tabs öffnen mussten – LIMS zur Dateneingabe, eLabFTW zum Lesen des Protokolls, den Browser für PubMed und Excel zur Analyse –, senden Sie an Charlie nun eine Anweisung auf Französisch: „Vergleiche die Ergebnisse meiner PCR-Durchläufe vom letzten Monat mit den Referenzwerten aus der neuesten Veröffentlichung des Smith-Teams und markiere die Abweichungen“. Das System durchläuft die Tools, liefert Ihnen die Zusammenfassung und protokolliert den Vorgang in eLabFTW.

Drei konkrete Anwendungsfälle

1. Ein Experiment anhand einer Veröffentlichung vorbereiten

Ein Doktorand: „Passe das Protokoll aus Abbildung 3 dieses Artikels an unsere HEK293-Zelllinie an und erstelle den entsprechenden Eintrag in eLabFTW.“ Charlie liest die Abbildung, identifiziert die Reagenzien, überprüft deren Verfügbarkeit im internen Lager, generiert das vorausgefüllte eLabFTW-Datenblatt und fügt die Referenz bei.

2. Einen Instrumentenlauf analysieren und Schlussfolgerungen ziehen

Ein Ingenieur: „Lade den letzten Lauf des Sequenzers, führe die Qualitätskontrolle durch, identifiziere die Proben, die wiederholt werden müssen, und fasse die Ergebnisse in einem Projektbericht zusammen.“ Charlie ruft die Dateien über den MCP-Anschluss des Geräts ab, wendet die Qualitätskontrollschwellenwerte an, erstellt einen Bericht und verfasst den Bericht. Alles wird protokolliert.

3. Die Erfahrungen eines Teams nutzen

Ein neuer Doktorand kommt: „Gib mir den internen Stand der Forschung zum p53/MDM2-Signalweg bei dreifach-negativem Brustkrebs, einschließlich der vom Team validierten Protokolle und der Ansätze, die ihr verworfen habt.“ Charlie fragt eLabFTW, die Projektnotizen und die Literaturrecherche ab und liefert eine interne Zusammenfassung – die zum Ausgangspunkt der Dissertation wird, anstatt dass sechs Monate für die Einarbeitung benötigt werden.

„Herkömmliche LIMS wurden entwickelt, um die bisherigen Arbeitsabläufe der Forscher zu dokumentieren. Die neue Generation soll ihre Arbeit unterstützen. Das ist ein Paradigmenwechsel: Man erfasst nicht mehr nur Daten, sondern nutzt sie zur Analyse.“ – Team „Emerit Science“

Charlie : ein eigenständiger wissenschaftlicher KI-Agent, bereit, diese treibende Kraft zu sein

Alle Bausteine für diese Funktion sind bereits in Charlie vorhanden:

Agenten-Engine v2 – mehrstufige Orchestrierung, Reflexionsmodus (Verknüpfung von Literatur und Web), 4-stufiger Speicher (Sitzung / Projekt / Benutzer / global), anklickbare Zitate mit einheitlicher Kennung.
Wissenschaftliche Quellen – PubMed, bioRxiv, HAL, PMC, Web. Technisch-wirtschaftliche Beobachtung, Datenanalyse und experimenteller Ansatz unter einem Dach.
Die Integration von eLabFTW ist bereits dokumentiert – siehe unseren entsprechenden Artikel. Dies ist aus Sicht von Emerit Science der erste Baustein des KI-orientierten LIMS.
Französische Souveränität – Hosting durch Scaleway, Einhaltung der DSGVO und des AI Act, ProConnect für den öffentlichen Sektor. Ihre wissenschaftlichen Daten bleiben in Europa.
MCP-Roadmap – Bereitstellung der Tools „Charlie“ als MCP-Server (damit ein externer Agent auf Ihre Bibliothek, Ihre Überwachungsfunktionen und Ihre Projekte zugreifen kann) sowie Nutzung von MCP-Konnektoren von Drittanbietern (eLabFTW, Instruments, ERP), deren Integration derzeit im Gange ist.

Wie man anfängt (ohne Urknall)

Niemand ersetzt sein LIMS von heute auf morgen. Eine KI-orientierte Implementierung erfolgt schrittweise:

Schritt 1 – Setzen Sie „Charlie“ für Marktbeobachtung und Literaturrecherche ein. Sofortiger Nutzen, keine Integration erforderlich, der ROI ist bereits nach wenigen Wochen sichtbar.
Schritt 2 – eLabFTW verbinden. Charlie erhält Lese- und Schreibzugriff auf Ihr Laborheft. Protokolle, Experimente und Notizen können vom Agenten gelesen und generiert werden.
Schritt 3 – Ein internes Instrument oder einen internen Backend hinzufügen. Sobald Ihre Tools eine MCP-Schnittstelle bereitstellen (oder wir gemeinsam mit Ihnen den Adapter entwickeln), werden sie in den Bereich des Agenten aufgenommen.
Schritt 4 – Die redundanten LIMS-Module außer Betrieb nehmen. Das bisherige LIMS bleibt für die Aufgaben, die es gut erfüllt (gesetzliche Rückverfolgbarkeit, GMP-/GLP-Konformität), während „Charlie“ den Rest übernimmt.

Fazit: Ein LIMS, das mitdenkt – und nicht nur ein weiteres Formular

Das Versprechen eines KI-orientierten LIMS ist nicht einfach ein weiteres Produkt, das zu Ihrem Stack hinzukommt – es ist die Vorstellung, dass der Stack selbst intelligent, offen und über natürliche Sprache steuerbar werden kann. Mit MCP als Standard, ausgereiften Agenten wie Charlie und einem dafür geeigneten Open-Source-Ökosystem wie eLabFTW eröffnet sich im Jahr 2026 ein neues Fenster der Möglichkeiten.

Für europäische Labore geht es um zwei Dinge: die Modernisierung des Arbeitsalltags der Teams und die Beibehaltung der Kontrolle über die Architektur. „Charlie“ wurde für dieses doppelte Ziel konzipiert – mit einem eigenständigen Kern und einem offenen Bus-System.

Lassen Sie uns über Ihre Architektur sprechen

Sie evaluieren gerade Ihren LIMS-/ELN-/Wissenschafts-Tool-Stack? Wir unterstützen Teams, die auf eine KI-orientierte Architektur umsteigen möchten, ohne ihre bestehende Infrastruktur in Frage zu stellen. 30-minütige Demo, um Ihren Anwendungsfall zu erörtern.

Einen Termin vereinbaren Seite „Für Teams“

Diesen Artikel teilen: