LIMS IA-first: de nieuwe generatie augmented laboratories

Traditionele LIMS-systemen voegen AI toe als een extra laag bovenop een architectuur die in de jaren negentig is ontworpen. De nieuwe generatie is AI-first: een agent-engine vormt het middelpunt, een open connectorbus, en de bestaande tools (eLabFTW, ELN, instrumenten, ERP) bevinden zich aan de rand. Zo ziet dat eruit — en daar past Charlie perfect in.

TeamEmerit Science

april 2026

LIMS-systemen (Laboratory Information Management Systems) zorgen al dertig jaar voor de traceerbaarheid van monsters, analyses en resultaten in laboratoria. Ze zijn onmisbaar geworden — en toch omschrijven vrijwel alle gebruikers ze als „log“, „niet intuïtief“ en „star“. Deze constatering geldt overal, van kwaliteitscontrole in de voedingsmiddelenindustrie tot farmaceutisch onderzoek en ontwikkeling.

In 2024-2025 begonnen uitgevers AI aan deze bestaande architecturen toe te voegen: hulp bij gegevensinvoer, voorspelling van afwijkingen, suggesties voor protocollen. Dat is nuttig, maar het blijft een pleister op een houten been — AI wordt niet het zwaartepunt van het systeem. De echte nieuwe generatie, die in 2026 opkomt, draait het probleem om: de AI-agent is het middelpunt, en de rest sluit daarop aan.

AI-bolted-on versus AI-first: het echte verschil

Het verschil gaat verder dan alleen een marketingargument. Een „AI-ready“ LIMS consolideert zijn gegevens zodat een AI-module deze vervolgens kan verwerken. Een „AI-first“ LIMS is ontworpen rond een AI-agent die vanaf het begin het verzamelen, samenvoegen, interpreteren en besluitvormen coördineert.

Afmeting	Klassiek LIMS (met AI-ondersteuning)	LIMS met AI als uitgangspunt
Zwaartepunt	Invoerformulier + database	Chatbot + redenering
Interactie	Klikken, menu's, formulieren	Natuurlijke taal, spraak, multimodaal
Integraties	Eigen connectoren, REST per geval	Universele bus (MCP), elk gereedschap kan worden gedetecteerd
Workflow	Lineair, hard gecodeerd	Flexibel, gepland door de makelaar
Verslag van het team	Tekstvelden voor notities, die nauwelijks bruikbaar zijn	Permanent projectgeheugen, sessieoverschrijdend
Monitoring & literatuur	Buiten het toepassingsgebied, apart hulpmiddel	Native — de wetenschap van de buitenwereld doet zijn intrede in het LIMS

Volgens de Pistoia Alliance Lab of the Future Survey 2024 is het gebruik van AI in laboratoria in één jaar tijd met 14 % toegenomen, maar noemt bijna 40 % van de respondenten nog steeds de moeilijkheid om hun gegevens FAIR (Findable, Accessible, Interoperable, Reusable) te maken als belangrijkste belemmering. AI toevoegen aan een systeem dat geen FAIR-gegevens produceert, lost niets op — de architectuur moet worden herzien.

Waarom nu? In 2026 komen drie krachten samen

De wetenschappelijke AI-agenten zijn volwassen geworden. De redeneermodellen van de generatie 2026 voeren meerstapsonderzoeken uit, maken gebruik van hulpmiddelen, onthouden een project en vermelden hun bronnen. Wat 18 maanden geleden nog speculatief leek, wordt vandaag de dag in de praktijk toegepast.
MCP is de standaard geworden. Het Model Context Protocol (Anthropic, open source) is in 2026 de universele bus tussen AI-agenten en tools. Het is niet langer nodig om voor elke LLM en elke tool een connector op maat te schrijven — het volstaat dat een tool een MCP-interface aanbiedt, en elke compatibele agent kan deze gebruiken.
De wetenschappelijke gemeenschap omarmt het. Het MCPmed-project roept op om bio-informatica-webservices in MCP beschikbaar te stellen, zodat ze door agents machinaal kunnen worden verwerkt. eLabFTW, de ontwikkelaars van de open-source ELN, en verschillende leveranciers van instrumenten werken aan prototypes van hun MCP-interface.

Voor het eerst kunnen we ons een laboratorium voorstellen waarin de AI-agent het belangrijkste toegangspunt vormt en waarin alle tools (laboratoriumlogboek, instrumenten, ERP-systeem voor inkoop, database) dezelfde technische taal spreken.

De doelarchitectuur: Charlie als kern, MCP als bus, randapparatuur

Concreet ziet een AI-first LIMS dat is gebouwd op basis vCharlie, er als volgt uit:

1 Charlie centraal staat — de gebruiker communiceert met de agent in natuurlijke of gestructureerde taal. Charlie houdt een projectgeheugen bij, begrijpt de wetenschappelijke context en redeneert in meerdere stappen.
2 MCP als universele bus — Charlie detecteert dynamisch welke MCP-tools er in de laboratoriumomgeving beschikbaar zijn en kiest zelf welke tool moet worden aangeroepen om een verzoek te verwerken.
3 eLabFTW als labnotitieboek — aangesloten via een MCP-connector, wordt het lees- en schrijftoegang voor Charlie: een experiment aanmaken, een protocol toevoegen, een waarneming toevoegen, een monster koppelen.
4 Wetenschappelijke bronnen — PubMed, bioRxiv, HAL, PMC, web: al gekoppeld aan Charlie. Monitoren is niet langer een apart hulpmiddel, maar maakt deel uit van dezelfde omgeving als de laboratoriumgegevens.
5 Uitbreidbare connectoren — instrumenten (chromatograaf, sequencer, plate reader), ERP-inkoop, interne databases, gedeelde schijven: elke nieuwe MCP die wordt toegevoegd, breidt de mogelijkheden van Charlie onmiddellijk uit zonder dat de stack opnieuw hoeft te worden geschreven.

Het verschil met een klassiek LIMS is enorm. Waar u vroeger vier tabbladen moest openen – LIMS om gegevens in te voeren, eLabFTW om het protocol te lezen, de browser voor PubMed en Excel om te analyseren – stuurt u nu via Charlie een opdracht in het Frans: „Vergelijk de resultaten van mijn PCR-runs van vorige maand met de referentiewaarden uit de laatste publicatie van het Smith-team, en markeer de afwijkingen”. Het systeem doorzoekt de tools, geeft u een overzicht en schrijft het spoor op in eLabFTW.

Drie concrete toepassingsvoorbeelden

1. Een experiment voorbereiden aan de hand van een publicatie

Een promovendus: „Pas het protocol uit figuur 3 van dit artikel aan onze HEK293-celijn aan en maak de bijbehorende invoer aan in eLabFTW.“ Charlie leest de figuur, identificeert de reagentia, controleert of ze op voorraad zijn, genereert het vooraf ingevulde eLabFTW-formulier en voegt de referentie toe.

2. Een instrumentrun analyseren en conclusies trekken

Een ingenieur: „Laad de laatste run van de sequencer, voer de kwaliteitscontrole uit, bepaal welke monsters opnieuw moeten worden getest en vat de resultaten samen in een projectnotitie.“ Charlie haalt de bestanden op via de MCP-connector van het instrument, past de kwaliteitscontroledrempels toe, genereert een rapport en schrijft de notitie. Alles wordt bijgehouden.

3. De ervaringen van een team benutten

Er komt een nieuwe promovendus: “Geef me de interne stand van zaken over de p53/MDM2-route bij triple-negatieve borstkanker, inclusief de protocollen die het team heeft gevalideerd en de pistes die jullie hebben afgewezen.” Charlie raadpleegt eLabFTW, de projectnotities en de literatuurmonitoring, en levert een interne samenvatting op — die het uitgangspunt vormt voor het proefschrift in plaats van zes maanden inwerken.

„De klassieke LIMS-systemen zijn ontworpen om bij te houden wat onderzoekers al deden. De nieuwe generatie is ontworpen om hun werk te versterken. Het is een filosofische verschuiving: we registreren niet langer, maar redeneren ermee.” — Team Emerit Science

Charlie : een autonome wetenschappelijke AI-agent, klaar om die drijvende kracht te zijn

Alle bouwstenen zijn al aanwezig in Charlie om deze rol te vervullen:

Agent-engine v2 — coördinatie in meerdere fasen, Reflectie-modus (koppeling tussen literatuur en internet), geheugen met 4 niveaus (sessie / project / gebruiker / globaal), aanklikbare citaten met een uniforme identificatiecode.
Wetenschappelijke bronnen — PubMed, bioRxiv, HAL, PMC, web. Technisch-economische monitoring, gegevensanalyse en experimentele onderzoeken onder één dak.
De integratie met eLabFTW is al beschreven — zie ons speciale artikel. Dit is de eerste bouwsteen van het AI-first LIMS vanuit het perspectief van Emerit Science.
Franse soevereiniteit — hosting door Scaleway, naleving van de AVG en de AI Act, ProConnect voor de publieke sector. Uw wetenschappelijke gegevens blijven in Europa.
MCP-roadmap — beschikbaarstelling van de MCP-tools (Charlie) als MCP-server (zodat een externe agent uw bibliotheek, uw monitoring en uw projecten kan raadplegen), en integratie van MCP-connectoren van derden (eLabFTW, instrumenten, ERP) is momenteel in volle gang.

Hoe te beginnen (zonder een oerknal)

Niemand vervangt zijn LIMS van de ene op de andere dag. Een AI-first-implementatie verloopt in opeenvolgende fasen:

Stap 1 — Implementeer Charlie voor marktonderzoek en literatuuronderzoek. Direct voordeel, geen integratie nodig, het rendement is binnen enkele weken zichtbaar.
Stap 2 — Sluit eLabFTW aan. Charlie krijgt lees- en schrijftoegang tot uw labnotitieboek. De protocollen, experimenten en aantekeningen worden leesbaar en kunnen door de agent worden gegenereerd.
Stap 3 — Een instrument of interne basis toevoegen. Naarmate uw tools een MCP-interface blootstellen (of terwijl we samen met u de adapter schrijven), komen ze binnen in het bereik van de agent.
Stap 4 — De overbodige LIMS-modules buiten gebruik stellen. Het oude LIMS blijft in gebruik voor de taken waar het goed in is (wettelijke traceerbaarheid, GMP/GLP-conformiteit), terwijl Charlie de rest voor zijn rekening neemt.

Conclusie: een LIMS dat met u meedenkt, niet zomaar weer een formulier

De belofte van een AI-first LIMS is niet dat er nog een nieuw product aan uw stack wordt toegevoegd — het is het idee dat de stack zelf intelligent, open en via natuurlijke taal aan te sturen kan worden. Met MCP als standaard, volwassen agents zoals Charlie en een open-source-ecosysteem zoals eLabFTW dat zich hiervoor leent, ligt de kans in 2026 voor het grijpen.

Voor Europese laboratoria staat er een dubbele uitdaging op het spel: de dagelijkse werkzaamheden van de teams moderniseren en de controle over de architectuur behouden. Charlie is ontworpen met dit dubbele doel voor ogen: een soevereine agent als kern, omgeven door een open bus.

Laten we het eens hebben over uw architectuur

Bent u bezig met het evalueren van uw LIMS-/ELN-stack en wetenschappelijke tools? Wij ondersteunen teams die willen overstappen op een AI-first-architectuur zonder hun bestaande systemen in gevaar te brengen. Een demo van 30 minuten om uw situatie in kaart te brengen.

Een afspraak maken Pagina „Voor teams“

Dit artikel delen: