LIMS IA-first: den nya generationen av förstärkt laboratorium

Traditionella LIMS-system lägger till AI som ett extra lager ovanpå en arkitektur som utformades på 1990-talet. Den nya generationen är AI-first: en agentmotor i centrum, en öppen anslutningsbuss och befintliga verktyg (eLabFTW, ELN, instrument, ERP) i periferin. Så här ser det ut – och var Charlie passar in.

Emerit Science-laget

April 2026

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

LIMS-system (Laboratory Information Management Systems) har i trettio år hanterat spårbarheten för prover, analyser och resultat i laboratorier. De har blivit oumbärliga – och ändå beskriver nästan alla användare dem som ”tunga”, ”oinuitiva” och ”stela”. Detta är en allmän uppfattning, från kvalitetskontroll inom livsmedelsindustrin till läkemedelsforskning och utveckling.

Under 2024–2025 började leverantörerna integrera AI i dessa befintliga arkitekturer: hjälpmedel för datainmatning, förutsägelse av avvikelser, förslag på protokoll. Det är användbart, men det är bara ett plåster på ett träben – AI blir inte systemets tyngdpunkt. Den verkliga nya generationen, som dyker upp 2026, vänder på problemet: AI-agenten är centrum, och resten kopplas in runt omkring.

AI-bolted-on kontra AI-first: den verkliga skillnaden

Skillnaden är mer djupgående än ett marknadsföringsargument. Ett ”AI-ready” LIMS sammanställer sina data så att en AI-modul sedan kan utnyttja dem. Ett AI-first LIMS är utformat kring en AI-agent som redan från början samordnar insamling, sammanställning, tolkning och beslutsfattande.

Dimension	Traditionellt LIMS (med AI som tillägg)	LIMS med AI i fokus
Tyngdpunkt	Inmatningsformulär + databas	Konversationsagent + resonemang
Interaktion	Klick, menyer, formulär	Naturligt språk, röst, multimodalitet
Integrationer	Egenutvecklade gränssnitt, REST från fall till fall	Universell buss (MCP), alla verktyg kan upptäckas
Arbetsflöde	Linjär, fast kodad	Anpassningsbar, planerad av mäklaren
Teamets minnesanteckningar	Textfält för anteckningar, som är svåra att utnyttja	Projektminne som sparas mellan sessioner
Övervakning & litteratur	Utanför omfattningen, separat verktyg	Native – utomhusvetenskapen tar sig in i LIMS

Enligt Pistoia Alliances undersökning ”Lab of the Future Survey 2024” har användningen av AI i laboratorier ökat med 14 % på ett år, men nästan 40 % av de tillfrågade anger fortfarande svårigheten att göra sina data FAIR (Findable, Accessible, Interoperable, Reusable) som det största hindret. Att lägga till AI i ett system som inte producerar FAIR-data löser ingenting – arkitekturen måste omprövas.

Varför just nu? Tre faktorer samverkar år 2026

De vetenskapliga AI-agenterna är fullt utvecklade. Resonemangsmodellerna från 2026-generationen genomför flerstegsundersökningar, använder verktyg, lagrar projektinformation och anger källor. Det som verkade vara ren spekulation för 18 månader sedan är idag i full drift.
MCP har blivit standard. Model Context Protocol (Anthropic, öppet) är år 2026 den universella kommunikationskanalen mellan AI-agenter och verktyg. Man behöver inte längre skriva en skräddarsydd koppling för varje LLM × varje verktyg – det räcker att ett verktyg tillhandahåller ett MCP-gränssnitt, så kan alla kompatibla agenter använda det.
Det vetenskapliga ekosystemet tar det till sig. Projektet MCPmed uppmanar till att göra bioinformatiska webbtjänster tillgängliga i MCP-format så att de kan hanteras automatiskt av agenter. eLabFTW, utvecklarna av den öppen källkodsbaserade ELN-plattformen, samt flera instrumentleverantörer, arbetar med att ta fram prototyper för sina MCP-gränssnitt.

För första gången kan man föreställa sig ett laboratorium där AI-agenten är den huvudsakliga ingångspunkten, och där alla verktyg (laborationsanteckningar, instrument, inköps-ERP, databaser) talar samma tekniska språk.

Målarkitekturen: Charlie i kärnan, MCP som buss, verktyg i periferin

Här är ett konkret exempel på hur ett AI-inriktat LIMS som bygger på Charlie ser ut:

1 Charlie i centrum — användaren kommunicerar med agenten på naturligt eller strukturerat språk. Charlie förvarar projektinformation, förstår det vetenskapliga sammanhanget och resonerar i flera steg.
2 MCP som universell buss — Charlie upptäcker dynamiskt vilka MCP-verktyg som finns tillgängliga i laboratoriemiljön och väljer själv vilket som ska anropas för att hantera en begäran.
3 eLabFTW som laborationsbok – ansluten via en MCP-kontakt blir den läs- och skrivbar för Charlie: skapa ett försök, bifoga ett protokoll, lägga till en observation, koppla ett prov.
4 Vetenskapliga källor — PubMed, bioRxiv, HAL, PMC, webben: redan integrerade i Charlie. Informationsbevakningen är inte längre ett separat verktyg, utan ingår i samma miljö som laboratoriedata.
5 Tillväxtanslutningar – instrument (kromatograf, sekvenserare, plattläsare), inköps-ERP, interna databaser, delade enheter: varje ny MCP som läggs till utökar omedelbart kapaciteten hos Charlie utan att man behöver skriva om stacken.

Kontrasten mot ett traditionellt LIMS är enorm. Tidigare var du tvungen att öppna fyra flikar – LIMS för att mata in data, eLabFTW för att läsa protokollet, webbläsaren för PubMed och Excel för att analysera – men nu skickar du en begäran på franska till Charlie: ”Jämför resultaten från mina PCR-körningar från förra månaden med referensvärdena i Smith-teamets senaste publikation och markera avvikelserna”. Systemet går igenom verktygen, ger dig en sammanfattning och skriver in spåret i eLabFTW.

Tre konkreta användningsfall

1. Förbered ett experiment utifrån en publikation

En doktorand: ”Anpassa protokollet i figur 3 i den här artikeln till vår HEK293-cellinje och skapa motsvarande post i eLabFTW.” Charlie läser av figuren, identifierar reagensen, kontrollerar om de finns i det interna lagret, genererar ett förifyllt eLabFTW-formulär och bifogar referensen.

2. Analysera ett instrumentförlopp och dra slutsatser

En ingenjör: ”Ladda den senaste körningen från sekvenseraren, utför kvalitetskontrollen, identifiera de prover som måste tas om och sammanfatta resultaten i en projektnot.” Charlie hämtar filerna via instrumentets MCP-anslutning, tillämpar kvalitetskontrolltrösklarna, genererar en rapport och skriver noten. Allt dokumenteras.

3. Dra nytta av ett teams erfarenheter

En ny doktorand anländer: ”Ge mig en intern översikt över den senaste forskningen om p53/MDM2-signalvägen i trippelnegativ bröstcancer, inklusive de protokoll som teamet har validerat och de spår som ni har uteslutit.” Charlie söker information i eLabFTW, projektanteckningar och forskningsbevakning, och levererar en intern sammanfattning – som blir utgångspunkten för avhandlingen istället för sex månaders inarbetning.

”Traditionella LIMS-system har utformats för att dokumentera det som forskarna redan gjorde. Den nya generationen är utformad för att förstärka det de gör. Det är en förändring i filosofin: man registrerar inte längre, utan resonerar med systemet.” — Teamet bakom Emerit Science

Charlie : en självständig vetenskaplig AI-agent, redo att fungera som denna drivkraft

Alla byggstenar finns redan på plats i Charlie för att fylla denna funktion:

Agentmotor v2 — flerstegsorkestrering, Reflektionsläge (korsning mellan litteratur och webben), 4-nivåminne (session / projekt / användare / globalt), klickbara citat med enhetlig identifierare.
Vetenskapliga källor — PubMed, bioRxiv, HAL, PMC, web. Teknisk-ekonomisk bevakning, dataanalys och experimentellt arbete samlat på ett och samma ställe.
Integrationen med eLabFTW har redan dokumenterats – se vårt särskilda inlägg. Detta är den första byggstenen i det AI-drivna LIMS-systemet ur Emerit Sciences perspektiv.
Fransk suveränitet — webbhotell från Scaleway, efterlevnad av GDPR och AI Act, ProConnect för den offentliga sektorn. Era vetenskapliga data stannar i Europa.
MCP-färdplan — exponering av verktygen Charlie i MCP-servern (så att en extern agent kan söka i ditt bibliotek, dina bevakningar och dina projekt), samt användning av MCP-anslutningar från tredje part (eLabFTW, instrument, ERP) som håller på att integreras.

Hur man kommer igång (utan big bang)

Ingen byter ut sitt LIMS från en dag till en annan. En AI-prioriterad implementering sker i flera steg:

Steg 1 – Sätt in Charlie för marknadsbevakning och litteraturanalys. Omedelbar nytta, ingen integration krävs, avkastningen syns redan efter några veckor.
Steg 2 — Anslut eLabFTW. Charlie får läs- och skrivbehörighet till din laborationsanteckningsbok. Protokoll, experiment och anteckningar blir läsbara och kan genereras av agenten.
Steg 3 – Lägg till ett verktyg eller en intern bas. Allteftersom dina verktyg exponerar en MCP-gränssnitt (eller när vi skriver adaptern tillsammans med dig) läggs de till i agentens fält.
Steg 4 – Avveckla de redundanta LIMS-modulerna. Det gamla LIMS-systemet behålls för de uppgifter det sköter väl (spårbarhet enligt lagstiftning, GMP/GLP-efterlevnad), medan Charlie tar hand om resten.

Slutsats: ett LIMS som tänker med dig, inte ännu ett formulär

Löftet om ett AI-inriktat LIMS handlar inte om ytterligare en produkt i er teknikstack – utan om tanken att själva stacken kan bli intelligent, öppen och styrbar med naturligt språk. Med MCP som standard, mogna agenter som Charlie och ett lämpligt öppen källkodsekosystem som eLabFTW står dörren vidöppen 2026.

För de europeiska laboratorierna handlar det om två saker: att modernisera personalens dagliga arbete och att behålla kontrollen över arkitekturen. Charlie är utformat för just detta dubbla syfte – en självständig agent i centrum, omgiven av en öppen bus.

Låt oss diskutera er arkitektur

Överväger ni att utvärdera er LIMS-/ELN-/vetenskapliga verktygsstack? Vi hjälper team som vill övergå till en AI-first-arkitektur utan att behöva byta ut sina befintliga system. En 30-minutersdemo för att kartlägga era behov.

Boka tid Sidan ”För teamen”

Dela den här artikeln: