Einfach erklärt
Ein Labor nutzt oft mehrere Computerprogramme, die nicht gut miteinander sprechen. Dann müssen Menschen Informationen suchen und von Hand weitergeben – das kostet Zeit und kann zu Fehlern führen. Wenn die Programme und Arbeitsschritte besser verbunden sind, verstehen Menschen und intelligente Computerprogramme leichter, was gerade passiert und was als Nächstes ansteht.
Wenn es um künstliche Intelligenz im Labor geht, klingt eine neue Software oft nach dem entscheidenden Fortschritt. Doch ein zusätzliches Programm allein macht die Arbeit noch nicht besser. Damit ein intelligentes System sinnvoll helfen kann, muss es verstehen, was im Labor gerade geschieht: Welche Arbeitsschritte sind bereits erledigt? Welche Informationen gehören dazu? Und was sollte als Nächstes passieren? Sind diese Zusammenhänge über verschiedene Programme und Abläufe verstreut, ist die Technik zwar vorhanden, ihr fehlt aber der Kontext, der ihre Ergebnisse nützlich macht.
Genau darum geht es in der dritten Episode einer Gesprächsreihe des GEN-Podcasts zu diesem Thema. Denise Bell, Vice President für Produktmanagement und Marketing bei LabVantage, spricht darüber, wie sich Abläufe im Labor besser verbinden und im größeren Maßstab organisieren lassen. Dabei geht es nicht einfach darum, weitere digitale Werkzeuge einzuführen. Entscheidend ist vielmehr, wie die Systeme und Arbeitsschritte miteinander verknüpft sind, auf die sich der Laboralltag stützt.
Wenn wichtige Informationen auf getrennten Systemen liegen
Im Labor ist eine Information selten nur eine isolierte Zahl. Ein Messwert kann zu einem bestimmten Ergebnis, einer Probe oder einem Arbeitsschritt gehören, der davor oder danach stattfindet. Um die Information richtig einordnen zu können, muss klar sein, woher sie stammt und an welcher Stelle des Arbeitsablaufs sie steht. Speichern verschiedene Systeme jeweils nur Teile dieses Gesamtbilds, wird es schwieriger, die Informationen zusammenzuführen und ihre Beziehungen zu verstehen.
Für dieses Problem wird häufig das Bild von „Informationsinseln“ verwendet: Die Daten sind vorhanden, bleiben in der Praxis aber in Systemen eingeschlossen, die ihren Zusammenhang nicht ausreichend miteinander teilen. Das heißt nicht unbedingt, dass Daten verloren gegangen sind. Sie können durchaus gespeichert sein – doch sie sind nicht automatisch zugänglich oder mit den Vorgängen in anderen Phasen verknüpft. Wer von einem Arbeitsschritt zum nächsten wechselt, muss dann womöglich erneut nach Informationen suchen oder Einzelheiten von Hand übertragen, statt sie direkt im Arbeitsablauf vorzufinden.
Die Trennung erschwert nicht nur den Zugriff auf Daten, sondern auch deren Deutung. Ein Ergebnis an einer Stelle zeigt für sich genommen vielleicht nicht, was zuvor geschehen ist oder wie es mit einem laufenden Vorgang an anderer Stelle zusammenhängt. Je mehr einzelne Informationen aus verschiedenen Quellen zusammengesucht werden müssen, desto stärker hängt das Verständnis der Gesamtsituation davon ab, dass Menschen und Systeme sich abstimmen. Verknüpfungen sind deshalb mehr als eine technische Ordnungshilfe: Sie tragen dazu bei, den wissenschaftlichen und organisatorischen Zusammenhang eines Vorgangs über mehrere Arbeitsschritte hinweg zu bewahren.
Von Hand weitergeben: ein kleiner Schritt mit großen Folgen
Eine typische Folge der getrennten Systeme ist, dass eine Aufgabe oder Information von einer Phase zur nächsten von Hand weitergereicht wird. Das mag zunächst nach einem kleinen Zwischenschritt aussehen. Tatsächlich verlangt er aber zusätzliche Aufmerksamkeit: Die richtige Information muss am passenden Ort ankommen und im Zusammenhang mit dem nächsten Arbeitsschritt verstanden werden. Je stärker ein Ablauf auf solche Übergaben angewiesen ist, desto größer ist das Risiko für Verzögerungen oder Fehler bei der Übermittlung von Einzelheiten – genau auf dieses Problem macht die Diskussion aufmerksam.
Das bedeutet nicht, dass jeder menschliche Eingriff unerwünscht wäre oder sich alle Tätigkeiten sinnvoll automatisieren ließen. Gemeint sind vielmehr wiederkehrende Aufgaben, die Systeme voneinander trennen, ohne selbst einen wissenschaftlichen Mehrwert zu schaffen. Müssen Mitarbeitende immer wieder bereits vorhandene Informationen erneut eingeben oder von Hand herausfinden, in welchem Zustand sich ein vorheriger Arbeitsschritt befindet, kann eine bessere Verknüpfung der Abläufe diese Belastung verringern und den Übergang übersichtlicher machen.
Weniger manuelle Übergaben können dazu beitragen, dass Arbeitsabläufe einheitlicher und leichter nachvollziehbar werden. Eine neue KI-Funktion allein bewirkt das jedoch nicht. Zunächst muss klar sein, an welchen Stellen Informationen weitergereicht werden, welche Angaben dabei gebraucht werden und welche Systeme sie austauschen sollten. Fehlt dieser Überblick, wird ein neues Werkzeug womöglich in einen Prozess eingefügt, der weiterhin aus voneinander getrennten Teilen besteht. Dann bleibt das Grundproblem bestehen, auch wenn sich die verwendete Oberfläche verändert hat.
Vier Systemtypen in einer gemeinsamen Arbeitsumgebung
In der Diskussion geht es darum, vier Arten von Systemen in einer gemeinsamen Umgebung für Laborabläufe zusammenzuführen. Dazu gehört erstens das Laborinformations- und Managementsystem, kurz LIMS, das Informationen und Prozesse im Labor organisiert. Zweitens gibt es das elektronische Laborjournal, das ELN, in dem wissenschaftliche Arbeit digital dokumentiert wird. Das Labor-Execution-System LES konzentriert sich auf die Durchführung einzelner Arbeitsschritte. Das Scientific Data Management System SDMS wiederum dient der Verwaltung wissenschaftlicher Daten.
Jeder dieser Systemtypen erfüllt eine andere Aufgabe. Eine gemeinsame Umgebung bedeutet daher nicht, dass alle Systeme dieselben Funktionen übernehmen oder ein einzelnes System die übrigen überflüssig macht. Die Idee ist vielmehr, dass die Komponenten zusammenarbeiten, statt für die Nutzenden wie voneinander abgeschottete Inseln zu wirken. Wenn die Dokumentation eines Vorgangs mit den dazugehörigen Informationen, den Ausführungsschritten und den Daten verbunden ist, lassen sich die Beziehungen zwischen den einzelnen Teilen besser erkennen.
Der Vorteil einer solchen Verknüpfung: Der Zusammenhang eines Vorgangs muss nicht an der Grenze eines bestimmten Programms enden. Informationen, die ein Arbeitsschritt benötigt, können mit diesem Schritt verknüpft werden. Umgekehrt kann der Kenntnisstand über den Ablauf dabei helfen, zu bestimmen, was als Nächstes ansteht. Das beschreibt die Richtung, um die es in der Diskussion geht. Es ist jedoch kein Versprechen, dass jede Verbindung Fehler automatisch beseitigt: Eine gute Organisation, sorgfältige Planung und eine passende Umsetzung bleiben in jeder digitalen Umgebung wichtig.
Damit wird deutlich, warum die Abstimmung zwischen unterschiedlichen Laborfunktionen eine zentrale Rolle spielt. Statt jedes System nur als eigenständiges Werkzeug zu betrachten, lohnt sich der Blick auf den Ablauf als Ganzes: Wie folgen die Aufgaben aufeinander? Was muss jeder Teil des Prozesses wissen? Und an welcher Stelle müssen Informationen weitergegeben werden, damit ihr Zusammenhang erhalten bleibt? Solche Fragen helfen dabei, eine durchgängige Arbeitsumgebung zu planen und Möglichkeiten zu erkennen, manuelle Übertragungen und wiederholte Suchvorgänge zu reduzieren.
Warum künstliche Intelligenz Zusammenhang braucht
Ein KI-Werkzeug kann mit den Informationen arbeiten, die ihm zur Verfügung stehen. Wie hilfreich seine Unterstützung ist, hängt aber auch davon ab, ob klar ist, wofür diese Informationen stehen. Erhält das System Daten, ohne deren Bezug zum Arbeitsablauf erkennen zu können, sind seine Möglichkeiten, passende Unterstützung zu leisten, begrenzt. Sind die Daten dagegen mit den Arbeitsschritten und Funktionen verknüpft, aus denen sie hervorgegangen sind, kann das Werkzeug die Bedingungen der Arbeit besser einordnen, bei der es helfen soll.
Deshalb bringt die Diskussion die technische und organisatorische Grundlage des Labors mit dem möglichen Nutzen künstlicher Intelligenz in Verbindung. Der wissenschaftliche Kontext zeigt, wie eine Information mit der Arbeit zusammenhängt, aus der sie hervorgegangen ist. Der organisatorische Kontext ordnet sie in die Abfolge der Aufgaben ein. Zusammen schaffen diese beiden Ebenen eine bessere Grundlage für KI-Werkzeuge, als wenn sie mit verstreuten Informationen arbeiten, deren Beziehungen nicht ohne Weiteres erkennbar sind.
Besonders wichtig ist dabei die Frage des Vertrauens. Ein Labor braucht nicht einfach eine Antwort, die klug klingt, sondern Unterstützung, deren Grundlage sich innerhalb des jeweiligen Arbeitsprozesses nachvollziehen lässt. Die Quelle nennt weder konkrete Kennzahlen zur Genauigkeit oder zum Vertrauen noch Ergebnisse aus einem bestimmten Versuch. Sie formuliert vielmehr ein allgemeines Prinzip: Wenn Systeme und Arbeitsabläufe verbunden sind, entsteht der Kontext, der digitale Hilfe besser nutzbar und leichter erweiterbar machen kann.
Auch die Möglichkeit, KI breiter einzusetzen, hängt mit dieser Grundlage zusammen. Eine Ausweitung bedeutet mehr, als ein Werkzeug an einem einzigen Ort oder für eine einzelne Aufgabe zu verwenden. Sind die Abläufe miteinander verknüpft, lässt sich der Einsatz eher auf weitere Funktionen oder Abläufe übertragen, weil Informationen weniger stark von provisorischen Lösungen zwischen einzelnen Systemen abhängen. Eine Verbindung allein garantiert allerdings nicht, dass eine Anwendung erfolgreich ist. Sie schafft günstigere Voraussetzungen; der passende Einsatzbereich und die konkrete Umsetzung müssen weiterhin sorgfältig bestimmt werden.
Wo ein Labor anfangen kann
Die Diskussion behandelt praktische Ansatzpunkte für den Einstieg in die Nutzung künstlicher Intelligenz. Die verfügbare Beschreibung führt allerdings keine konkrete Schritt-für-Schritt-Liste auf. Aus dem geschilderten Problem lässt sich deshalb eine allgemeine Richtung ableiten, ohne Denise Bell detaillierte Empfehlungen zuzuschreiben, die in der Quelle nicht genannt werden: Zunächst sollten Labore verstehen, wie ihre bestehenden Abläufe funktionieren, statt anzunehmen, der Kauf eines neuen Werkzeugs werde sämtliche Hindernisse automatisch beseitigen.
Ein Labor kann den Weg einer Aufgabe vom Anfang bis zum Ende nachzeichnen und dabei fragen: Wo werden Informationen erfasst? An welchen Stellen müssen sie erneut eingegeben werden? Und wo geht beim Wechsel zwischen Systemen der Zusammenhang verloren? Eine solche Bestandsaufnahme hilft, die Art des Problems zu unterscheiden. Fehlen Informationen tatsächlich? Sind sie nur schwer zugänglich? Oder besteht die Schwierigkeit darin, dass vorhandene Daten nicht mit dem Arbeitsschritt verknüpft sind, der sie benötigt? Wer den Engpass genauer bestimmt, kann gezielter überlegen, welche Verbindungen erforderlich sind.
Im nächsten Schritt lohnt es sich, die Systeme nach ihrer Funktion zu betrachten und nicht nur nach ihren Namen. Welche Informationen verwaltet das Laborinformationssystem? Wie hängt das elektronische Laborjournal mit den Ausführungsschritten zusammen? Und wo liegen wissenschaftliche Daten, die im Rahmen des jeweiligen Vorgangs verständlich bleiben müssen? Eine Antwort, die für jedes Labor passt, gibt es nicht. Doch solche Fragen machen deutlich, welche Informationen die Systeme austauschen sollten, damit weniger Lücken entstehen.
Hilfreich ist außerdem, zwei verwandte, aber unterschiedliche Ziele auseinanderzuhalten: bessere Arbeitsabläufe und die Einführung künstlicher Intelligenz. Eine Prüfung der Abläufe kann zeigen, dass Prozesse zunächst geordnet oder miteinander verknüpft werden müssen. Sind die Beziehungen zwischen Daten und Arbeitsschritten klarer, lässt sich besser beurteilen, wo intelligente Werkzeuge tatsächlich helfen können. So wird KI nicht einfach eingesetzt, weil die Technik verfügbar ist, sondern in einen nachvollziehbaren Prozess eingebettet.
Verknüpfung als Grundlage – nicht als Zaubertrick
Der Begriff „gemeinsame Umgebung“ kann den Eindruck erwecken, die Lösung sei einfach: Alles müsse nur an einem Ort zusammenkommen. Darauf kommt es jedoch nicht allein an. Wichtiger ist, dass Informationen beim Wechsel zwischen Aufgaben und Systemen nachvollziehbar und verständlich bleiben. Werden verschiedene Werkzeuge lediglich zusammengebracht, ohne zu klären, wie sie Daten und Zusammenhänge austauschen, kann die Aufteilung trotz einer neuen Anordnung bestehen bleiben.
Die Podcastfolge verspricht auch nicht, dass künstliche Intelligenz sämtliche Fehler beseitigt oder jeden Ablauf verkürzt. Im Mittelpunkt stehen vielmehr die Voraussetzungen, die vor ihrem Einsatz geschaffen werden müssen: weniger zersplitterte Informationen, besser abgestimmte Arbeitsabläufe, weniger manuelle Übergaben und eine Verknüpfung der zentralen Laborwerkzeuge. So wird digitale Unterstützung stärker an die tatsächlichen Bedingungen im Labor angebunden. Sie ersetzt aber weder das Verständnis der jeweiligen Anforderungen noch die Prüfung, welche Lösung wirklich passt.
Ein klarer Zusammenhang zwischen den Informationen nützt nicht nur dem KI-Werkzeug. Auch die Beschäftigten im Labor brauchen einen besseren Überblick darüber, wie einzelne Angaben mit den Arbeitsschritten zusammenhängen. Ein gut verbundener Ablauf kann es leichter machen, die Arbeit nachzuverfolgen und den Platz jeder Information zu verstehen, ohne ständig zwischen getrennten Quellen wechseln zu müssen. Künstliche Intelligenz ist in diesem Sinne Teil eines umfassenderen Wandels der Arbeitsorganisation – kein Ersatz für eine durchdachte Organisation.
Fazit
Im Mittelpunkt von Denise Bells Gespräch in der dritten Folge des GEN-Podcasts steht die Frage, welche Grundlage künstliche Intelligenz im Labor braucht. Getrennte Systeme können Informationen an verschiedenen Stellen festhalten und ihnen dabei einen Teil ihres Zusammenhangs nehmen. Manuelle Übergaben kosten zusätzlich Zeit und können neue Fehlerquellen schaffen. Die Diskussion sieht in abgestimmten Abläufen und einer gemeinsamen Arbeitsumgebung, die LIMS, ELN, LES und SDMS verbindet, eine Möglichkeit, einen klareren wissenschaftlichen und organisatorischen Kontext zu schaffen.
Die Quelle nennt weder Zahlen noch quantitative Ergebnisse und beschreibt auch keinen detaillierten Umsetzungsplan. Ihr grundlegender Gedanke ist dennoch klar: Wer über KI im Labor nachdenkt, sollte nicht nur das Werkzeug betrachten. Wichtig ist zunächst, die Arbeitsabläufe zu verstehen, Informationsinseln abzubauen und den Austausch von Daten zu erleichtern. Eine sorgfältig geschaffene Grundlage kann intelligente Unterstützung nützlicher machen und ihre Ausweitung erleichtern. Dann geht es nicht mehr allein darum, ob KI im Labor eingesetzt wird, sondern darum, sie dort einzubinden, wo sie die Arbeit tatsächlich verstehen und unterstützen kann.