Umgang mit Personalfluktuation im Labor: So bewahren Sie institutionelles Wissen, wenn Mitarbeiter gehen
Wenn Laborpersonal geht, gehen auch Daten, Kontext und Know-how verloren. Erfahren Sie hier, wie Sie Schatten-Tools aufspüren, Aufzeichnungen vernetzen und Laborwissen sichern.

Download Whitepaper
TL;DR
Der beste Weg, den Personalwechsel im Labor zu bewältigen, ist die Bündelung des Laborwissens in einem gemeinsamen, benutzerfreundlichen System. Dieses erfasst die Zusammenhänge zwischen Proben, Experimenten, Protokollen und Geräten, sodass die Arbeit auch nach dem Ausscheiden der verantwortlichen Person nachvollziehbar bleibt.
- Personalwechsel ist ein Dauerzustand.
Postdocs beenden ihre Zeit, Studierende schließen ihr Studium ab und Fachkräfte in der Biopharmabranche ziehen weiter: In einer Umfrage von BioSpace unter 1.499 Fachkräften Ende 2025 gaben 52 % der Befragten an, aktiv nach einer neuen Stelle zu suchen. Eine eLife-Studie aus dem Jahr 2021 verdeutlicht die Kosten: Bei 68 % von 193 untersuchten Krebsbiologie-Experimenten konnten die Originaldaten nicht mehr beschafft werden.
- Schatten-Tools verschleiern Verluste.
Gartner schätzte, dass 41 % der Mitarbeitenden im Jahr 2022 Technologien außerhalb der IT-Kontrolle erworben, modifiziert oder erstellt haben. Im Labor bedeutet das: persönliche Tabellenkalkulationen, private Laufwerke und Gefrierschrank-Pläne, die nur eine einzige Person kennt. Wenn diese Person geht, kann niemand Daten übergeben, von deren Existenz niemand wusste.
- Der Kontext ist entscheidend.
Eine zentrale Datenquelle muss nicht nur Dateien, sondern auch deren Zusammenhänge speichern: Welche Proben wurden in welchem Experiment verwendet, welche Geräte und Protokollversionen kamen zum Einsatz und wie hängen verschiedene Studien zusammen? Mit SciSure ELN und LIMS können Teams diese Datensätze verknüpfen, damit die nächste Person die Arbeit lückenlos nachvollziehen kann.
- Akzeptanz ist wichtiger als Vorgaben.
Wissen bleibt nur erhalten, wenn es im offiziellen System dokumentiert wird. Tools, die sich in den Laboralltag integrieren lassen, Vorlagen bieten und mit vorhandenen Geräten kommunizieren, erhöhen die Wahrscheinlichkeit dafür erheblich. Das Fugolin-Labor der OHSU nutzt SciSure, damit rotierende Trainees dieselben Protokolle befolgen und sich schnell einarbeiten können.
Wir haben diesen Beitrag erstmals 2024 veröffentlicht und 2026 aktualisiert, um verifizierte Forschungsergebnisse ab 2021, Schatten-IT in Laboren, eine Checkliste für das Offboarding sowie weitere Details zum Wissensmanagement im Labor und zur KI-Bereitschaft aufzunehmen.
Ready to see SciSure in action?
No commitment · Free consultation
In jedem Labor gibt es Personalwechsel. Postdocs erhalten Professuren, Doktoranden verteidigen ihre Arbeit und gehen, und Unternehmen strukturieren sich um. Der Wechsel an sich ist normal. Was schmerzt, ist das, was mit der Person geht: die kleine Anpassung am Protokoll, die nie in die SOP aufgenommen wurde, die Gefrierbox, die nur diese eine Person finden konnte, oder die Excel-Tabelle auf dem Laptop, in der drei Jahre lang Aliquots nachverfolgt wurden.
Ich habe jahrelang Labore dabei unterstützt, ihr Datenmanagement aufzubauen, zunächst bei eLabNext und jetzt bei SciSure, und das Muster ist immer gleich. Labore, die gut mit Personalwechsel umgehen, verlieren zwar auch Leute. Der Unterschied ist, dass ihr Wissen in einem gemeinsamen System lebt, das tatsächlich genutzt wird, und zwar mit so viel Kontext, dass eine neue Person die Arbeit übernehmen und ihr vertrauen kann.
Dieser Leitfaden behandelt, warum der Personalwechsel im Labor mehr kostet als nur einen unbesetzten Arbeitsplatz, wo Wissen verloren geht, was eine zentrale Datenquelle enthalten muss und was Sie vor dem nächsten Abschied tun sollten.
Warum der Personalwechsel im Labor mehr kostet als nur einen unbesetzten Arbeitsplatz
In einer Umfrage unter 1.499 Fachkräften aus der Biotech- und Pharmabranche Ende 2025 gaben 52 % der befragten Arbeitnehmer an, aktiv auf Jobsuche zu sein – ein Anstieg gegenüber 46 % im Vorjahr. In akademischen Laboren ist eine hohe Fluktuation fest im Modell verankert: Studierende schließen ihr Studium ab und Postdocs arbeiten mit befristeten Verträgen. Die Kosten für Neueinstellungen sind dabei nur der sichtbare Teil; der größere Verlust entsteht durch Arbeiten, die nicht mehr nachvollzogen, überprüft oder weitergeführt werden können, sobald ihr Urheber das Labor verlassen hat.
Die deutlichsten Belege stammen aus dem Reproducibility Project: Cancer Biology. Forschende machten sich daran, 193 Experimente aus 53 einflussreichen Fachartikeln zu wiederholen. Ihr Ergebnis:
- Keines der 193 Experimente war so detailliert beschrieben, dass eine Wiederholung ohne Rückfragen bei den ursprünglichen Autoren möglich gewesen wäre.
- Selbst nach einer Anfrage konnten für 68 % der Experimente keine Originaldaten beschafft werden.
- Bei 32 % der Experimente waren die Autoren nicht kooperativ oder reagierten überhaupt nicht.
- Letztendlich konnte das Team nur 50 der 193 Experimente abschließen.
Die Autoren nennen einen offensichtlichen Grund für das Scheitern von Datenanfragen: Diese kommen oft „lange nachdem die ursprünglichen Forschenden das Projekt verlassen haben“. Und das gilt für veröffentlichte Artikel, also die am sorgfältigsten aufbereiteten Aufzeichnungen eines Labors. Interne Notizbücher, Gefrierschrank-Listen und persönliche Tabellenkalkulationen sind meist deutlich chaotischer.
Geldgeber erwarten mehr. Seit dem 25. Januar 2023 schreibt die NIH Data Management and Sharing Policy für NIH-finanzierte Forschung, bei der wissenschaftliche Daten generiert werden, einen Plan zur Datenverwaltung und -weitergabe vor, dessen Einhaltung während des gesamten Projekts verpflichtend ist. Ein ausscheidender Postdoc entbindet nicht von dieser Verpflichtung.
Was meistens mit dem Weggang verloren geht:
- Kleine Protokolländerungen, die nie in die offizielle Version eingeflossen sind
- Wo Proben gelagert werden, wie sie hergestellt wurden und was noch vorhanden ist
- Warum eine Entscheidung getroffen oder ein Ansatz verworfen wurde
- Wo die Rohdaten tatsächlich gespeichert sind
- Die Eigenheiten eines bestimmten Geräts oder Lieferanten
„Geistersysteme“: Das Laborwissen, dessen Verlust man gar nicht bemerkt
Der am schwersten zu kontrollierende Wissensverlust ist der, den niemand sieht. Eine große Quelle dafür ist Schatten-IT: Software und Tools, die von Mitarbeitern genutzt werden, ohne dass die IT-Abteilung davon weiß oder diese genehmigt hat. Ich nenne sie Ghost-Systeme, denn sie werden erst sichtbar, wenn sie bereits verschwunden sind.
Das ist kein Nischenphänomen: Gartner schätzte, dass 41 % der Mitarbeitenden im Jahr 2022 Technologien außerhalb der IT-Sichtbarkeit erworben, modifiziert oder erstellt haben, und prognostizierte, dass dieser Wert bis 2027 auf 75 % steigen wird.
In einem Labor wirken Ghost-Systeme ganz gewöhnlich:
- Ein Proben-Tracker in einer persönlichen Excel-Datei oder einer Google-Tabelle auf einem privaten Account
- Protokollnotizen in einer kostenlosen Notiz-App
- Geräteexporte, die auf einem persönlichen Cloud-Speicher abgelegt wurden
- Handyfotos von einem Whiteboard-Plan für Gefrierschränke
- Ein Protokoll, das zur Fehlerbehebung in einen kommerziellen KI-Chatbot kopiert wurde
Die Leute tun das selten, um schwierig zu sein; sie tun es, weil das offizielle Tool zu langsam ist, nicht zu ihrer Arbeit passt oder noch gar nicht existiert – und sie heute ein Experiment durchführen müssen.
Das Problem beginnt, wenn sie gehen. Ihre Konten werden geschlossen, ihre Laptops gelöscht und die Daten verschwinden entweder oder liegen irgendwo, wo niemand danach sucht. Man kann keine Übergabe für Daten planen, von deren Existenz niemand wusste. Oft erfährt das Labor erst Monate später davon, wenn ein Gutachter nach Rohdaten fragt oder jemand versucht, ein Experiment zu wiederholen.
Diese Tools zu verbieten, funktioniert selten. Ein besserer Ansatz ist es, den Leuten ein offizielles System an die Hand zu geben, das einfacher zu bedienen ist als die Umgehungslösung – genau hier entscheiden sich die meisten Strategien zur Wissenssicherung zwischen Erfolg und Misserfolg.
Was passiert, wenn jeder neue Verantwortliche ein neues Tool wählt
Ich habe einmal mit einem Labor zusammengearbeitet, das versucht hatte, sein Gefrierschrank-Management mehrfach zu optimieren. Jedes Mal wählte die mit dem Projekt beauftragte Person ein neues Tool, startete eine Inventurprüfung, begann mit der Datenmigration und leitete die Einführung ein. Jedes Mal verlief das Projekt im Sande und die Leute kehrten zu den Tabellen zurück, die jeder für seine eigenen Proben führte.
Die nächste Person fing nicht bei Null an, sondern erbte alle halbfertigen Systeme ihrer Vorgänger, die nun voller doppelter Einträge und widersprüchlicher Speicherorte waren, wobei niemand mehr wusste, welcher Datensatz korrekt war. Jeder Personalwechsel fügte eine weitere Ebene hinzu: N+1 teilweise implementierte Systeme, von denen jedes die Daten weiter fragmentierte.
Niemand in diesem Labor arbeitete nachlässig. Jeder Versuch war eine halbgare Lösung, für die sich eine einzelne Person verantwortlich fühlte, ohne dass es eine laborweite Entscheidung darüber gab, wo Probendaten gespeichert werden und wer sie aktuell hält. Wenn der Verantwortliche ging, verschwand auch die Strategie.
Was ich daraus gelernt habe: Bevor Sie irgendetwas kaufen, legen Sie ein einheitliches System fest, planen Sie, wie alte Daten bereinigt und archiviert werden, und machen Sie die Einführung zu einer Teamaufgabe statt zu einem Nebenprojekt einer einzelnen Person.
Wissensmanagement im Labor: Warum der Kontext genauso wichtig ist wie die Daten selbst
Eine zentrale Datenquelle leistet mehr, als nur alle Daten an einem Ort zu bündeln. Sie bewahrt den Kontext der Daten. Ein freigegebenes Laufwerk voller ordentlich benannter Dateien kann dennoch den Zusammenhang zwischen diesen Dateien verlieren.
Wenn jemand ein Projekt übernimmt, sind dies die Fragen, auf die er Antworten benötigt, ohne die Person suchen zu müssen, die das Unternehmen verlassen hat:
- Welche Proben wurden in diesem Experiment verwendet und welche neuen wurden dabei erzeugt?
- Wo befinden sich diese Proben jetzt und wie viel ist noch übrig?
- Welche Geräte wurden für die Bearbeitung genutzt?
- Welche Version des Protokolls wurde befolgt?
- Wie verhält sich Experiment A zu den Ergebnissen aus Studie XYZ?
- Wer hat die Arbeit durchgeführt, wann, und wer hat sie überprüft?
Wo SciSure ansetzt
Fragmentierte Tools können die meisten dieser Fragen nicht beantworten, da die Verknüpfungen zwischen den Datensätzen nur im Kopf der Mitarbeiter existieren; doch mit SciSure ELN und LIMS können Teams diese Verknüpfungen direkt im Datensatz festhalten:
- Proben und Experimente. Verwendete und erzeugte Proben werden im Experiment erfasst, und jeder Probendatensatz zeigt an, in welchen Experimenten er verwendet wurde oder durch welche er entstanden ist.
- Geräte.
Experimente können mit den verwendeten Geräten verknüpft werden, und Gerätedaten können Buchungskalender, Status- und Validierungspläne enthalten. - Protokolle.
Eine spezifische Protokollversion kann in ein Experiment eingefügt werden, sodass der Datensatz genau zeigt, was tatsächlich durchgeführt wurde.

- Herkunft und Lagerung.
Eltern-Kind-Beziehungen von Proben, genaue Lagerpositionen und Restmengen bleiben bei jeder Probe gespeichert. - Projektstruktur.
Projekte, Studien und Experimente halten zusammengehörige Arbeiten gebündelt, mit Platz für Metadaten wie etwa Förderkennzeichen. - Historie.
Audit-Trails und Versionsverläufe zeigen, wer wann welche Änderungen vorgenommen hat – inklusive Signaturen und Bestätigungen durch Zeugen, sofern dies in Ihrem Labor aktiviert ist.
Dieser Kontext ist weit über die Übergabe von Projekten hinaus wertvoll. Er hilft Teams bei der Fehlersuche, bei Entscheidungen über die Fortführung von Projekten und bei der Absicherung ihrer Ergebnisse.
Das ist auch für KI entscheidend. Ein KI-Assistent kann nicht erkennen, dass eine Probe aus einer bestimmten Zelllinien-Charge stammt, wenn es keinen entsprechenden Datensatz gibt. Strukturierte, verknüpfte Aufzeichnungen bieten KI-Tools eine zuverlässige Arbeitsgrundlage und dienen Wissenschaftlern als Quelle zur Überprüfung von Antworten.
Akzeptanz ist die wahre Strategie zur Wissensbewahrung
Ein System ist nur so gut wie die Daten, die darin erfasst werden. Wenn das offizielle Tool komplizierter ist als eine Tabellenkalkulation, gewinnt die Tabelle und die Schatten-IT kehrt zurück. Betrachten Sie Benutzerfreundlichkeit daher bei der Evaluierung von Tools als Grundvoraussetzung, denn sie entscheidet darüber, ob das Wissen im Unternehmen bleibt.
Hier sind einige Faktoren, die dazu beitragen, dass ein System tatsächlich genutzt wird:
- Es passt zur Arbeit am Labortisch.
Vorlagen für wiederkehrende Experimente, Probentypen, die zu Ihrer Forschung passen, sowie Barcode-Scanning oder eine mobile App für Updates direkt am Gefrierschrank. - Es spart Tipparbeit.
Durch Verknüpfungen zwischen Proben, Protokollen und Experimenten müssen Daten nur einmal erfasst werden, anstatt sie mühsam zwischen verschiedenen Tools hin- und herzukopieren. - Es lässt sich mit bestehenden Systemen verbinden.
Integrationen, Dateisynchronisierungstools und eine API reduzieren manuelle Exporte. Der SciSure-Marktplatz enthält Add-ons für Barcode-Systeme, Cloud-Speicher und mehr. Einige erfordern möglicherweise eine Einrichtung oder eine separate Lizenz. - Es wird laborweit implementiert.
Vereinbarte Namenskonventionen, Rollen und Vorlagen vor dem Start stellen sicher, dass das System nicht nur das Projekt einer einzelnen Person bleibt.
Als PI schätze ich sehr, wie SciSure das Onboarding optimiert und sicherstellt, dass jeder Trainee, unabhängig vom Erfahrungsstand, konsistente und standardisierte Arbeitsabläufe befolgt. SciSure hat die Art und Weise, wie unser Team zusammenarbeitet und forscht, wirklich auf ein neues Niveau gehoben.“
- Ana Paula Piovezan Fugolin, DDS, MS, PhD, Associate Professor – Oregon Health & Science University School of Dentistry
Falls Sie Bedenken haben, das Team zu überzeugen, behandelt unser Beitrag zu den Hürden bei der ELN-Einführung die häufigsten Einwände und wie man ihnen begegnet.
7 Schritte, um Laborwissen vor dem nächsten Weggang zu sichern
Sie können nicht verhindern, dass Mitarbeiter gehen. Aber Sie können sicherstellen, dass ihre Arbeit auch danach nutzbar bleibt.
Identifizieren Sie Ihre „Schatten-Systeme“.
Fragen Sie jeden Mitarbeiter, wo die Daten tatsächlich liegen: in persönlichen Tabellenkalkulationen, privaten Laufwerken, Notiz-Apps oder auf Papier.
Legen Sie für jede Datenart ein verbindliches System fest und schaffen Sie den Rest ab.
Entscheiden Sie, wo Experimente, Proben und Protokolle gespeichert werden, und planen Sie die Migration oder Archivierung alter Tools. Ein weiteres Tool (N+1) macht die Situation nur komplizierter. Unsere Leitfäden zur Einführung eines ELN in einem bestehenden Labor und zum Wechsel von einem anderen ELN behandeln dies im Detail.
Halten Sie SOPs und Protokolle versioniert und an einem zentralen Ort.
Standardarbeitsanweisungen (SOPs) verhindern, dass kritische Methoden von einer einzigen Person abhängen. Nutzen Sie einen Weggang als Anlass, um zu prüfen, ob die schriftliche SOP noch mit der tatsächlichen Praxis übereinstimmt.
Erfassen Sie den Kontext, während die Arbeit stattfindet.
Experimentvorlagen sowie Verknüpfungen zu Proben, Geräten und Protokollversionen sollten Teil der täglichen Arbeit sein. Dokumentationen, die erst in der letzten Arbeitswoche erstellt werden, sind oft überhastet und lückenhaft.
Betrachten Sie das Offboarding als Datenübergabe.
Nutzen Sie diese praktische Checkliste:
- Listen Sie alle aktiven Projekte, Experimente und Proben auf, für die die Person verantwortlich ist.
- Übertragen Sie die Zuständigkeit für Datensätze in Ihrem System. In SciSure können Organisationsadministratoren den Kontostatus und die Zuständigkeit für Datensätze verwalten.
- Überprüfen Sie, ob Gefrier- und Lagerorte mit den Datensätzen übereinstimmen.
- Verschieben Sie Dateien von persönlichen Laufwerken und Konten in einen gemeinsamen Speicherbereich.
- Archivieren Sie Daten, anstatt sie zu löschen, und schließen Sie das Konto erst, nachdem die Daten überprüft wurden.
Bringen Sie Personen zusammen, um Know-how weiterzugeben, das nicht in einen Datensatz passt.
Mentoring, Hospitationen und kurze Bildschirmaufnahmen von komplexen Verfahren helfen dabei, implizites Wissen weiterzugeben – also Fähigkeiten, die nur schwer schriftlich zu dokumentieren sind.
FAQ
Was passiert mit Labordaten, wenn ein Mitarbeiter das Unternehmen verlässt?
Das hängt davon ab, wo die Daten gespeichert wurden. Daten in einem gemeinsam genutzten, verwalteten System bleiben auffindbar. Daten in persönlichen Tabellenkalkulationen, privaten Cloud-Konten oder Notizbüchern aus Papier zu Hause können verloren gehen, wenn Konten geschlossen werden, oder an Orten verbleiben, an denen niemand danach sucht.
Was ist Schatten-IT im Labor?
Schatten-IT bezeichnet Software oder Tools, die Mitarbeiter für ihre Arbeit nutzen, ohne dass die IT-Abteilung davon weiß oder diese genehmigt hat, wie etwa ein privater Proben-Tracker oder eine kostenlose Notiz-App. Dies ist weit verbreitet und macht Personalwechsel riskanter, da niemand Daten übergeben kann, von deren Existenz er nichts weiß.
Wie überträgt man Wissen, wenn ein Wissenschaftler das Labor verlässt?
Beginnen Sie bereits vor der Kündigung: Halten Sie Protokolle, Probenverknüpfungen und Entscheidungen laufend fest. Nutzen Sie beim Ausscheiden eine Übergabe-Checkliste, die die Zuständigkeit für Datensätze, Probenstandorte, Dateien auf persönlichen Laufwerken sowie Zeit für die praktische Einweisung des Nachfolgers umfasst.
Verhindert ein elektronisches Laborbuch den Wissensverlust?
Software für elektronische Laborbücher (ELN) ist nur dann hilfreich, wenn es konsequent genutzt wird und den Kontext erfasst, wie etwa welche Proben und Protokollversionen bei den jeweiligen Experimenten verwendet wurden. Kombinieren Sie das Tool mit vereinbarten Vorlagen, Benennungsregeln und einem Prozess für das Ausscheiden von Mitarbeitern.
Warum sind vernetzte Labordaten für KI wichtig?
KI-Tools arbeiten mit den Datensätzen, auf die sie zugreifen können. Wenn Proben, Experimente und Protokolle miteinander verknüpft sind, kann ein Assistent Fragen dazu beantworten und ein Wissenschaftler die Antwort anhand der Quelle überprüfen. Verstreute Dateien bieten KI-Tools eine deutlich schlechtere Grundlage.
Wenn das nach der Art von Labor klingt, das Sie betreiben, oder nach der Unterstützung, die Sie benötigen, nehmen Sie Kontakt mit uns auf. SciSure wurde speziell für das Wissensmanagement im Labor entwickelt und bietet eine Struktur, die sich an Ihre Laborabläufe anpasst – nicht umgekehrt.
Read more of our blogs about modern lab management
Discover the latest in lab operations, from sample management to AI innovations, designed to enhance efficiency and drive scientific breakthroughs.



