A Workflow for Grant Discovery and Proposal Development Using Large Language Models: Development and Formative Evaluation

Stellen Sie sich vor, Sie versuchen, eine verborgene Schatzkiste in einer riesigen, chaotischen Bibliothek zu finden, in der die Bücher ständig ihre Titel ändern, die Karten in unsichtbarer Tinte gezeichnet sind und die Regeln dafür, wer das Gewölbe betreten darf, sich jeden Tag ändern. Dies ist die tägliche Realität für kleine Health-Tech-Unternehmen in Entwicklungsländern. Sie haben brillante Ideen, um mit künstlicher Intelligenz Leben zu retten, aber sie brauchen Geld (Zuschüsse), um zu beweisen, dass ihre Werkzeuge funktionieren. Das Problem? Dieses Geld zu finden, ist, als würde man nach einer Nadel im Heuhaufen suchen, während der Heuhaufen brennt. Sie müssen Tausende von Finanzierungsquellen scannen, herausfinden, ob sie überhaupt berechtigt sind, sich zu bewerben, und komplexe Geschichten schreiben, um Fremde davon zu überzeugen, ihnen Bargeld zu geben. Wenn sie ihre gesamte Zeit nur damit verbringen, nach der Nadel zu suchen, bauen sie niemals die Maschine, die Leben rettet.

Hier kommt das „Large Language Model“ (LLM) ins Spiel. Betrachten Sie ein LLM als einen superschnellen, superschnellen, super-lesenden Roboter-Assistenten, der in Sekundenschnelle Millionen von Seiten lesen und Entwürfe von Briefen sofort schreiben kann. Aber hier ist der Haken: Wenn man den Roboter wild umherlaufen lässt, könnte er Dinge erfinden, über die Regeln lügen oder versehentlich ein Geheimnis verraten. Die große Frage ist also nicht: „Kann der Roboter die Arbeit erledigen?“, sondern: „Können wir einen Käfig um den Roboter bauen, damit er die langweilige Arbeit schnell erledigt, während ein Mensch die Kontrolle behält, um sicherzustellen, dass er nichts vermasselt?“ Dieses Paper untersucht genau das: den Aufbau eines intelligenten, sicheren Systems, das einem Health-Tech-Team hilft, Geld zu finden, ohne den Verstand oder seine Integrität zu verlieren.

---

Der Roboter-Bibliothekar und der menschliche Kapitän

Lernen Sie Arkangel AI kennen, ein kleines Team in Kolumbien, das intelligente Werkzeuge für Krankenhäuser entwickelt. Sie brauchten Geld, um ihre Erfindungen zu testen, aber ihr Team war winzig. Sie konnten sich kein großes Heer von Grantwritern leisten. Also bauten sie einen „Workflow“ – eine schrittweise Montagestraße – um nach Zuschüssen zu jagen. Aber anstatt dass dies nur Menschen überlassen wurde, luden sie ein Large Language Model (den Roboter-Bibliothekar) ein, um zu helfen, während sie einen menschlichen Kapitän (die Forscher) fest am Steuer ließen.

So funktioniert ihr neues System, unterteilt in vier unterhaltsame Phasen:

Phase 1: Die Schatzsuche (Discovery)
In alten Zeiten hätte das Team einfach „Health AI Grant“ in eine Suchmaschine eingegeben und auf das Beste gehofft. Es war wie Angeln mit einem einzelnen Haken im Ozean. Mit dem neuen System geht der Roboter-Bibliothekar mit einem Netz fischen, das aus 50 verschiedenen Suchstrategien besteht. Er sucht nicht nur nach „Grants“; er sucht nach „Innovationspreisen“, „Regierungsprogrammen“ und „Partnerschaften“, basierend auf dem spezifischen Standort und den Produkten des Teams.

• Das Ergebnis: Der Roboter scannte in nur einer Woche 741 verschiedene Quellen. Er fand 352 potenzielle Kandidaten. Aber warten Sie! Der Roboter ist schnell, nicht perfekt. Er fand auch 220 Duplikate (denselben Zuschuss, der zweimal erscheint). Nach der Filterung dieser Duplikate und anderer irrelevanter Einträge blieben 83 Kandidaten übrig, die den Filter bestanden und als vielversprechend eingestuft wurden. Der menschliche Kapitän musste eingreifen und sagen: „Ja, dieser hier ist echt“, bevor er ihn in die nächste Phase überführte.

Phase 2: Der Türsteher (Triage)
Nun, da der Roboter einen Stapel potenzieller Zuschüsse hat, muss das Team entscheiden, welche davon die Mühe wert sind. Hier findet die „Triage“ statt. Der Roboter prüft die Regeln: Ist dies nur für Non-Profits? Brauchen wir einen Partner in Europa? Ist die Frist gestern gewesen?
Das System verwendet eine spezielle „Do Not Resurface“-Liste (Nicht wieder auftauchen). Wenn der Roboter feststellt, dass ein Zuschuss nur für ein europäisches Unternehmen ist, markiert er ihn als „Do Not Resurface“. Dies ist wie ein Türsteher in einem Club, der sich erinnert: „Hey, du hast letzte Woche versucht reinzukommen, aber du hattest nicht den richtigen Ausweis. Verschwende nicht weiter deine Zeit.“ Dies verhindert, dass das Team Zeit mit unmöglichen Aufgaben verschwendet. Der menschliche Kapitän trifft die endgültige Entscheidung, ob er eine Gelegenheit behält oder sie in den Müll wirft.

Phase 3: Die Anzeigetafel (Win Readiness)
Nicht alle Zuschüsse sind gleich. Einige sind leicht zu gewinnen; manche sind wie ein Lottogewinn. Das Team erstellte einen „Win Readiness Score“, um sie zu ranken.

• Die Mathematik: Sie versuchten nicht, die genauen Gewinnchancen zu erraten (da sie nicht genügend vergangene Daten hatten, um sicher zu sein). Stattdessen gaben sie jedem Zuschuss eine Punktzahl basierend auf: Sind wir berechtigt? Passt unsere Mission zu ihrer? Wie viele Leute gewinnen diesen normalerweise?
• Das Ergebnis: Von 49 Zuschüssen, die sie bewerteten, erreichten 5 so vielversprechende die Interview- oder Finalistenphase. Die Punktzahl half ihnen zu entscheiden, über welche Zuschüsse sie zuerst schreiben sollten, anstatt zu raten.

Phase 4: Die Entwurfsstation (Proposal Development)
Hier glänzt der Roboter wirklich. Sobald der Kapitän sagt: „Schreiben wir diesen hier“, beginnt der Roboter mit dem Entwurf. Er schreibt die langweiligen Teile, fasst die Regeln zusammen und prüft, ob die Zitate (die Quellen der Fakten) echt sind.

• Das Sicherheitsnetz: Dem Roboter ist es nicht erlaubt, etwas einzureichen. Bevor ein einziges Wort an einen Geldgeber gesendet wird, muss der menschliche Kapitän es überprüfen. Sie prüfen: Hat der Roboter einen Fakt erfunden? Gibt es ein Geheimnis, das wir nicht teilen sollten? Ist die Geschichte wahr?
• Das Gedächtnis: Jeder Entwurf, jede E-Mail und jede Entscheidung wird in einer digitalen „Zeitkapsel“ (einem versionskontrollierten Repository) gespeichert. Wenn sie nächstes Jahr einen ähnlichen Zuschuss beantragen müssen, können sie die alte Arbeit ausgraben, anstatt von vorne zu beginnen.

Was dies tatsächlich bedeutet (und was es nicht bedeutet)

Das Paper ist sehr klar darüber, was sie gefunden haben und was nicht.

• Sie fanden heraus: Das System funktioniert! Es machte das Team viel schneller beim Finden und Organisieren von Zuschüssen. Sie gingen von etwa 5 oder 6 guten Zuschüssen pro Tag zu etwa 18 geeigneten Zuschüssen pro Suchzyklus über, nachdem sie ihre Suchstrategie verfeinert hatten. Sie bearbeiteten über 200 Möglichkeiten und erstellten in nur wenigen Wochen 46 neue, handlungsrelevante Posten.
• Sie fanden NICHT heraus: Sie haben nicht bewiesen, dass die Verwendung des Roboters dazu führt, dass sie mehr Geld gewinnen. Sie haben nur bewiesen, dass der Roboter ihnen hilft, die Arbeit des Findens und Schreibens von Zuschüssen effizienter zu erledigen. Einen Zuschuss zu gewinnen, hängt von vielen anderen Dingen ab (wie der Qualität der Idee oder wie viele andere Leute sich bewerben), die dieses System nicht kontrolliert.
• Die „Nein“-Liste: Das Paper sagt ausdrücklich: Lassen Sie den Roboter nicht alleine das Ganze schreiben. Wenn Sie den Roboter ohne menschliche Kontrolle laufen lassen, riskieren Sie zu lügen, Regeln zu brechen oder Ihren Ruf zu verlieren. Der Roboter ist ein Werkzeug, kein Ersatz für den Wissenschaftler.

Das Fazit für Neugierige

Dieses Paper ist wie ein Bauplan für ein „Mensch-Roboter-Team“ in einer Welt, in der Geld schwer zu finden ist. Es zeigt, dass man die super-schnelle KI nutzen kann, um die schwere Arbeit des Suchens und Entwerfens zu erledigen, aber man muss den Menschen am Steuer behalten, um die Karte zu prüfen und das Schiff zu steuern.

Für kleine Teams an Orten wie Kolumbien (und überall sonst mit begrenzten Ressourcen) ist dieser Workflow ein Game-Changer. Er verwandelt ein chaotisches, überwältigendes Durcheinander von Papierkram in eine saubere, organisierte Pipeline. Er garantiert nicht, dass Sie das Geld bekommen, aber er garantiert, dass Sie keine einzige Gelegenheit verpassen, weil Sie zu müde waren, um zu suchen. Und am wichtigsten: Er beweist, dass wenn man menschliches Urteilsvermögen mit Robotergeschwindigkeit mischt, man etwas bauen kann, das sowohl schnell als auch sicher ist.