SciNote

Kurzfazit

SciNote ist ein ordentliches elektronisches Laborjournal mit einem Vorzug, den kaum ein Wettbewerber bietet: einem quelloffenen Kern unter MPL 2.0, den du selbst hosten kannst. Wer aus Papier, Excel und verstreuten Ordnern eine strukturierte, nachvollziehbare Dokumentation machen will, bekommt hier alles Nötige, Audit-Trail, elektronische Signaturen, Projekt- und Versuchsstruktur, Inventarlisten. KI gibt es, aber sie ist Beiwerk: ein Add-on, das aus deinen ELN-Daten einen Manuskriptentwurf baut, und ein LLM-basierter Parser, der PDF-Protokolle in Vorlagen überführt. Beides ist nützlich und eng umrissen, beides ersetzt keinen Forschungsassistenten. Der Kern von SciNote ist und bleibt klassische Dokumentation. Wir empfehlen es deshalb als solides ELN und ausdrücklich nicht als KI-Werkzeug für die Forschung.

Für wen ist SciNote?

Akademische Arbeitsgruppen: Die Kernzielgruppe. Ein Lehrstuhl oder eine Arbeitsgruppe, die Versuche bisher in Laborheften und Excel-Tabellen führt, gewinnt hier vor allem Nachvollziehbarkeit: Wer hat wann was geändert, welches Protokoll lag welchem Versuch zugrunde, welche Charge wurde verwendet. Dass der Einstieg über SciNote Free ohne Beschaffungsvorgang möglich ist, senkt die Hürde in Umgebungen, in denen jede Software erst durch drei Gremien muss.

Forschungseinrichtungen mit eigener IT: Das eigentliche Alleinstellungsmerkmal. Wer die Open-Source-Variante on-premise betreibt, hält alle Daten im eigenen Rechenzentrum, in Deutschland, unter eigener Kontrolle. Für Institute mit Drittmittelauflagen, Kooperationsverträgen oder sensiblen Projektdaten ist das der Unterschied zwischen “geht” und “geht nicht”.

Labore auf dem Weg von Papier zu digital: SciNote verlangt keine Umstellung des gesamten Arbeitsalltags. Man kann klein anfangen, ein Projekt, ein Protokoll, eine Inventarliste, und wachsen. Das ist bei ELN-Einführungen der realistischere Weg als der Big Bang.

Weniger geeignet für: Regulierte Umgebungen unter GxP oder 21 CFR Part 11 mit voller Auditpflicht, dafür sind spezialisierte kommerzielle Systeme deutlich weiter. Ebenfalls nicht geeignet für alle, die einen KI-gestützten Forschungsassistenten suchen: Es gibt keine semantische Suche über deine Versuche, keine automatische Metadaten-Extraktion aus Messdaten und keine Interpretation von Ergebnissen. Und wer zwingend eine deutschsprachige Oberfläche und deutschsprachigen Support braucht, findet beides hier nicht.

Preise im Detail

SciNote veröffentlicht keine Preise. Auf der Premium-Seite steht kein einziger Betrag, keine Nutzerzahl und keine Speichergrenze, stattdessen die Aufforderung, einen Demo-Termin zu buchen.

Variante	Preis	Was du bekommst
SciNote Free	kostenlos	Cloud-Zugang mit begrenzter Kapazität, ohne Vertriebsgespräch nutzbar. Die genauen Grenzen für Speicher und Inventarlisten dokumentiert SciNote nur im Hilfecenter, nicht auf der Produktseite
Academia	nicht öffentlich	Plan für Hochschulen und Forschungseinrichtungen, Angebot nur über Demo-Termin
Industry	nicht öffentlich	Plan für Industrie- und Auftragslabore, Angebot nur über Demo-Termin
Enterprise	nicht öffentlich	individuell, mit erweitertem Support
Open Source (Selbst-Hosting)	0 EUR Lizenz	Vollständiger Quellcode unter MPL 2.0. Kosten entstehen für Server, Betrieb und Wartung, nicht für Lizenzen
Create with AI	derzeit 0 EUR (Beta)	Laut Anbieter im Beta kostenlos, danach kostenpflichtiges Add-on, verfügbar nur in höheren Tarifen

Einordnung: Die Kombination aus kostenlosem Einstieg und lizenzfreier Open-Source-Variante ist der stärkste kommerzielle Punkt von SciNote. Du kannst anfangen, ohne Budget zu beantragen, und du kannst notfalls komplett auf Selbstbetrieb ausweichen, ohne die Daten zu verlieren. Das ist eine Ausstiegsoption, die kein reines SaaS-ELN bietet. Der Preis dafür ist Intransparenz auf der kommerziellen Seite: Ohne veröffentlichte Tarife kannst du weder budgetieren noch zwei Anbieter sauber vergleichen. Und behalte die Lizenzlogik im Blick: In einem Labor dokumentieren alle, also braucht auch jeder einen Zugang. Rechne bei Pro-Kopf-Lizenzierung deshalb mit der vollen Teamgröße, nicht mit den drei Personen, die den Antrag schreiben. Wer diese Rechnung nicht mag, sollte den Selbstbetrieb ernsthaft prüfen: Ein ELN ist technisch überschaubar, wenn ihr ohnehin eigene Server betreibt.

Stärken im Detail

Der Open-Source-Kern ist keine Marketingfloskel. Der Quellcode liegt öffentlich unter Mozilla Public License 2.0 und wird aktiv gepflegt, das jüngste Release stammt aus Juli 2026. Damit hast du zwei Dinge, die in der Laborsoftware selten sind: die Möglichkeit, on-premise zu betreiben, und eine echte Ausstiegsoption, falls sich Preise, Firmenstrategie oder Eigentümer ändern. Für Forschungseinrichtungen, die Daten über zehn Jahre und mehr vorhalten müssen, ist das ein handfestes Risikoargument.

ELN-Grundfunktionen, die vollständig sind. Audit-Trail, elektronische Signaturen, Projekt- und Versuchsstruktur, Protokollvorlagen, Inventarlisten für Proben und Reagenzien, Dateianhänge. Nichts davon ist spektakulär, aber es ist das, was ein Labornotizbuch braucht, und es ist da. Der Wechsel von Papier auf SciNote bringt sofort einen Effekt, den keine KI liefert: Man findet Versuche wieder.

Der Protokoll-Parser ist die sinnvollste KI-Funktion im Produkt. “Create with AI”, im Produktblog als “Import with AI” beschrieben, nutzt ein Large Language Model, um textbasierte PDF-Protokolle und interne SOPs in strukturierte SciNote-Vorlagen zu überführen. Du lädst das PDF hoch, gibst einen eigenen Prompt mit, bekommst eine Vorschau und kannst Schritte einzeln bearbeiten oder verwerfen. Das ist genau der richtige Zuschnitt für KI in einem Dokumentationssystem: eine mühsame, klar begrenzte Aufgabe mit menschlicher Kontrolle vor der Übernahme. Wer 40 SOPs migrieren muss, spart hier echte Tage.

Der Manuskript-Entwurf ist ehrlicher, als er klingt. Das Manuscript-Writer-Add-on zieht Daten aus dem ELN und Referenzen aus Open-Access-Journalen und erzeugt daraus einen strukturierten Entwurf, kein fertiges Paper. Der Anbieter sagt das selbst so. Der eigentliche Wert liegt weniger im generierten Text als in der Struktur: Wer sauber dokumentiert hat, bekommt Methoden und Ergebnisse zusammengezogen, statt sie aus zwölf Dateien neu zu sortieren.

Schwächen ehrlich betrachtet

KI ist hier ein Randthema, und das sollte man vor dem Kauf wissen. Es gibt keinen Assistenten, der deine Versuchsdaten interpretiert, keine semantische Suche über das Notizbuch, keine automatische Extraktion von Metadaten aus Messdateien, keine Literaturrecherche. Die zwei vorhandenen KI-Module arbeiten an den Rändern: eines beim Import, eines beim Schreiben. Wenn KI der Grund ist, warum du dir SciNote anschaust, schau dir stattdessen Benchling an. Workaround für die Recherche-Lücke: Elicit oder NotebookLM daneben betreiben, das kostet einen Systembruch, deckt die Funktion aber ab.

Die KI-Funktionen sind Beta und werden kostenpflichtig. “Create with AI” ist im Juli 2026 als Beta mit begrenztem Early Access ausgewiesen, und der Anbieter kündigt im eigenen Blog an, dass daraus ein kostenpflichtiges Add-on wird, das nur in höheren Tarifen verfügbar ist. Wer den Migrationsnutzen einplant, sollte das im Angebot verbindlich klären, sonst steht die Funktion beim Rollout hinter einer Tarifgrenze, die zum Testzeitpunkt nicht existierte.

Keine Preise, kein Vergleich. Sämtliche kostenpflichtigen Tarife laufen über einen Demo-Termin. Für eine Hochschule, die drei Anbieter in einer Beschaffung gegenüberstellen muss, bedeutet das drei Vertriebszyklen, bevor überhaupt eine Zahl auf dem Tisch liegt. Workaround: die Open-Source-Variante als Referenzpreis in die Betrachtung nehmen, das verändert die Verhandlungsposition spürbar.

Die Cloud ist amerikanisch. Verantwortlicher ist SCINOTE, LLC mit Sitz in Middleton, Wisconsin. Personenbezogene Daten werden laut Anbieter auch in den USA verarbeitet, abgesichert über Standardvertragsklauseln, EU-Vertreter ist SciNote d.o.o. in Ljubljana. Für viele akademische Anwendungen ist das handhabbar, für Projekte mit besonderen Kategorien personenbezogener Daten oder mit Auflagen aus Kooperationsverträgen ist es der Punkt, an dem die Entscheidung Richtung Selbstbetrieb kippt.

Für regulierte Labore reicht es nicht. Audit-Trail und elektronische Signaturen sind vorhanden, aber die Tiefe, die GxP-Umgebungen und 21 CFR Part 11 verlangen, von validierter Installation über Änderungskontrolle bis zu belastbarer Anbietervalidierung, liefern spezialisierte kommerzielle Systeme deutlich besser. Wer in diesem Umfeld arbeitet, sollte gar nicht erst mit SciNote in die Auswahl gehen.

Englisch, und zwar durchgehend. Oberfläche, Dokumentation und Support sind englisch. In einer Forschungsgruppe ist das meist kein Thema, in einem betrieblichen Labor mit gemischtem Personal kann es eines werden.

Alternativen im Vergleich

Wenn du…	…nimm stattdessen
Ein KI-natives Lab-Betriebssystem für Biotech und Pharma brauchst	Benchling
Unter GxP und 21 CFR Part 11 mit Messgeräteanbindung arbeitest	Agilent OpenLab CDS
LLM-gestützte Literaturrecherche mit Belegen suchst	Elicit
Eigene Papers und PDFs KI-gestützt auswerten willst	NotebookLM
Vor allem uneinheitliche Messdaten aufräumen musst	OpenRefine

Zur Einordnung: SciNote und Benchling sind der eigentliche Vergleich, und er fällt klar aus. Benchling ist das modernere, KI-nähere und regulatorisch stärkere Produkt, aber ein geschlossenes SaaS mit entsprechendem Preisniveau. SciNote ist schlichter, hat den quelloffenen Kern und die Selbstbetriebs-Option. Wenn Datenhoheit und Budgetfreiheit über Funktionstiefe gehen, gewinnt SciNote. Wenn Regulierung und KI-Funktionen zählen, gewinnt Benchling deutlich. Für klassische ELN-Vergleiche ohne KI-Perspektive lohnt zusätzlich ein Blick auf spezialisierte Lab-IT-Vergleichsportale wie G2 oder SelectScience.

So steigst du ein

Schritt 1: Mit SciNote Free eine echte Versuchsreihe abbilden, nicht ein Spielbeispiel. Melde dich an und übertrage einen laufenden, realen Versuch samt Protokoll und Inventar. Erst an echten Daten zeigt sich, ob die Struktur aus Projekten, Aufgaben und Protokollen zu eurer Arbeitsweise passt. Zwei Wochen reichen für ein belastbares Urteil.

Schritt 2: Protokollmigration testen, bevor du über Lizenzen redest. Nimm drei repräsentative SOPs als textbasierte PDFs und schick sie durch “Create with AI”. Achte auf zwei Dinge: wie viele Schritte du nachbearbeiten musst und ob Tabellen und Mengenangaben korrekt übernommen werden. Gescannte oder bildbasierte PDFs funktionieren nicht, die musst du vorher in Text überführen. Das Ergebnis dieses Tests entscheidet, ob die Migration ein Nachmittag oder ein Projekt wird.

Schritt 3: Vor dem Rollout die Betriebsfrage klären, Cloud oder selbst gehostet. Das ist die eine Entscheidung, die sich später nur mit Aufwand korrigieren lässt. Wenn eure Datenschutzlage oder eure Drittmittelauflagen Selbstbetrieb nahelegen, holt die IT jetzt dazu und klärt Backup, Updates und Zuständigkeit. Wenn ihr in die Cloud geht, holt euch AVV, Angaben zu den Standardvertragsklauseln und eine schriftliche Zusage zu den KI-Add-ons in den Angebotsprozess.

Ein konkretes Beispiel

Eine Arbeitsgruppe für Lebensmittelchemie an einer norddeutschen Hochschule, zwölf Personen, dokumentierte Versuche bisher in Laborheften plus einem Netzlaufwerk mit Excel-Auswertungen. Zwei Probleme wiederholten sich: Bei Rückfragen zu Publikationen brauchte es Tage, um die zugrunde liegenden Rohdaten wiederzufinden, und beim Wechsel von Doktorandinnen ging Methodenwissen verloren, weil die Protokolle nur in deren Köpfen und Heften existierten. Die Gruppe hat SciNote im Selbstbetrieb auf einem Server des Rechenzentrums aufgesetzt, Lizenzkosten null, Aufwand rund drei Tage IT plus eine Woche Einführung. 38 bestehende SOPs lagen als textbasierte PDFs vor und wurden über den KI-Import in Vorlagen überführt, etwa zwei Drittel davon ohne größere Nacharbeit, der Rest mit Korrekturen bei Tabellen. Seitdem hängt jeder Versuch an einer versionierten Protokollvorlage, und die Rückverfolgung von einem Publikationsergebnis zur Rohdatei dauert Minuten statt Tage. Was die Gruppe ausdrücklich nicht bekommen hat: eine KI, die Messreihen auswertet. Die Auswertung passiert weiterhin in R, SciNote hält die Dokumentation zusammen.

DSGVO & Datenschutz

• Cloud-Variante: Verantwortlicher ist SCINOTE, LLC, Middleton, Wisconsin, USA. Personenbezogene Daten werden auch in den USA verarbeitet, für die kein Angemessenheitsbeschluss vorliegt. Der Transfer wird über Standardvertragsklauseln abgesichert.
• EU-Vertreter: SciNote d.o.o. in Ljubljana, Slowenien. Das erleichtert Betroffenenanfragen, ändert aber nichts an der Zuständigkeit der US-Muttergesellschaft.
• Selbstbetrieb als saubere Alternative: Die Open-Source-Variante unter MPL 2.0 lässt sich vollständig auf eigenen Servern in Deutschland betreiben. Dann gibt es keinen Drittlandtransfer, keinen Auftragsverarbeiter und keine Standardvertragsklauseln, sondern nur deine eigene Verantwortlichkeit. Für Hochschulen mit eigenem Rechenzentrum ist das meist der einfachere Weg als eine Transferfolgenabschätzung.
• KI-Funktionen und Datenabfluss: SciNote nennt auf der AI-Seite nicht, welcher Modellanbieter hinter “Create with AI” und dem Manuscript Writer steht. Für den Import von SOPs ist das relevant, denn dabei verlassen Protokollinhalte potenziell das System. Diese Frage gehört vor dem produktiven Einsatz geklärt, auch und gerade beim Selbstbetrieb, wo man sonst annimmt, die Daten blieben im Haus.
• Personenbezug im Laborjournal: Ein ELN enthält systematisch Namen, Zeitstempel und Signaturen von Mitarbeitenden. Das kommt Leistungs- und Verhaltensdaten nahe genug, dass eine Beteiligung des Personalrats oder Betriebsrats sinnvoll ist, bevor der Audit-Trail scharf geschaltet wird.
• Empfehlung: Für akademische Standardforschung ist die Cloud vertretbar, wenn AVV und Transferdokumentation vorliegen. Sobald Kooperationsverträge, Patentverfahren oder besondere Datenkategorien im Spiel sind, ist der Selbstbetrieb die deutlich stabilere Antwort.

Gut kombiniert mit

• Elicit, für die Literaturseite, die SciNote nicht abdeckt. Recherche und Evidenzsichtung passieren in Elicit, die daraus abgeleiteten Protokolle und Versuche in SciNote. Der Bruch zwischen beiden Systemen ist real, aber kleiner als der Verzicht auf strukturierte Recherche.
• NotebookLM, wenn du eine Sammlung eigener Paper, Berichte und Abschlussarbeiten befragbar machen willst. SciNote dokumentiert, was ihr tut, NotebookLM erschließt, was ihr bereits geschrieben habt.
• OpenRefine, für den Schritt vor dem Import. Messdaten und Inventarlisten aus verschiedenen Quellen lassen sich damit vereinheitlichen, bevor sie in SciNote landen. Wer verschmutzte Daten importiert, hat sie danach nur besser dokumentiert, nicht besser.

Unser Fazit

SciNote bekommt 3 von 5 Sternen. Als elektronisches Laborjournal ist es solide und in einem Punkt sogar besser als die meisten Wettbewerber: Der quelloffene Kern unter MPL 2.0 ist aktiv gepflegt und erlaubt einen vollständigen Selbstbetrieb, damit Datenhoheit und eine echte Ausstiegsoption. Der kostenlose Einstieg ohne Vertriebsgespräch senkt die Hürde weiter. Punktabzug gibt es aus drei Richtungen. Erstens die Preisintransparenz: Kein veröffentlichter Tarif, jede Zahl nur über einen Demo-Termin, das erschwert Vergleich und Budgetierung erheblich. Zweitens die KI-Lage: Zwei benannte Module, beide sinnvoll, beide am Rand des Produkts, eines davon noch Beta und angekündigt als kostenpflichtiges Add-on höherer Tarife. Wer hier einen Forschungsassistenten erwartet, wird enttäuscht. Drittens die Cloud-Konstellation mit US-Verantwortlichem und Standardvertragsklauseln, die für sensible Projekte den Selbstbetrieb faktisch zur Pflicht macht. Unsere Empfehlung ist damit klar konditioniert: Wenn ihr selbst hosten könnt und ein ehrliches, unaufgeregtes ELN sucht, ist SciNote eine gute Wahl. Wenn KI-Funktionen oder GxP-Konformität den Ausschlag geben, greift zu Benchling.

Was wir bemerkt haben

• Juli 2026, Einordnung korrigiert von adjacent auf features. Wir hatten hier zuvor geschrieben, die einzige nennenswerte KI-Funktion sei ein Import-Assistent. Das ist unvollständig: SciNote führt “AI Manuscript Writer” und “Import with AI” als eigene Produktbereiche, dazu Workspace Automations, und beschreibt den Import-Parser im eigenen Blog ausdrücklich als LLM-basiert. Damit sind es zwei benannte KI-Module und nicht eines. Am Fazit ändert das wenig, KI bleibt Beiwerk, aber “kein KI-Kern” ist etwas anderes als “keine KI”.
• Juli 2026, “Import with AI” ist als Beta mit begrenztem Early Access ausgewiesen. Der Anbieter kündigt im eigenen Blog an, dass die Funktion nach der Beta ein kostenpflichtiges Add-on wird, das nur in höheren Tarifen verfügbar ist. Wer den Migrationsnutzen einkalkuliert, sollte das im Angebot festhalten lassen.
• Juli 2026, Preisangabe präzisiert. Die Premium-Seite nennt keinerlei Beträge, Nutzerzahlen oder Speichergrenzen, sondern nur einen Demo-Termin. Wir schreiben deshalb “nicht öffentlich” statt einer geschätzten Spanne. Auch die Grenzen des kostenlosen Plans stehen nicht auf der Produktseite, sondern nur im Hilfecenter.
• Juli 2026, Open-Source-Kern (MPL 2.0) über das offizielle Repository verifiziert, jüngstes Release im Juli 2026. Der Selbstbetrieb ist damit keine theoretische Option.
• Juli 2026, Zum Manuscript Writer macht der Anbieter keine Angaben über Modell, Trainingsdaten oder Leistungsgrenzen. Wer damit publiziert, sollte das im Hinterkopf behalten, das Ergebnis ist laut Hersteller ausdrücklich ein Entwurf und kein fertiges Manuskript.