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

Imagina que estás intentando encontrar un cofre del tesoro escondido en una biblioteca masiva y caótica donde los libros cambian de título constantemente, los mapas están dibujados con tinta invisible y las reglas para quién puede entrar a la bóveda cambian cada día. Esta es la realidad diaria de las pequeñas empresas de tecnología de la salud en países en desarrollo. Tienen ideas brillantes para salvar vidas usando inteligencia artificial, pero necesitan dinero (subvenciones) para demostrar que sus herramientas funcionan. ¿El problema? Encontrar ese dinero es como buscar una aguja en un pajar mientras el pajar está en llamas. Tienen que escanear miles de fuentes de financiación, averiguar si siquiera se les permite postularse y escribir historias complejas para convencer a extraños de que les den efectivo. Si pasan todo su tiempo simplemente buscando la aguja, nunca llegarán a construir la máquina que salva vidas.

Entra el "Modelo de Lenguaje Extenso" (LLM). Piensa en un LLM como un asistente robot superrápido y de superlectura que puede leer millones de páginas en segundos y redactar borradores de cartas instantáneamente. Pero aquí está el truco: si dejas que el robot corra libre, podría inventar cosas, mentir sobre las reglas o accidentalmente contar un secreto. Así que la gran pregunta no es "¿Puede el robot hacer el trabajo?", sino "¿Podemos construir una jaula alrededor del robot para que haga el trabajo aburrido rápido, mientras un humano mantiene el control para asegurar que no lo arruine?". Este artículo explora exactamente eso: construir un sistema inteligente y seguro para ayudar a un equipo de tecnología de la salud a encontrar dinero sin perder la cordura o su integridad.

---

El Bibliotecario Robot y el Capitán Humano

Conoce a Arkangel AI, un pequeño equipo en Colombia que construye herramientas inteligentes para hospitales. Necesitaban dinero para probar sus inventos, pero su equipo era diminuto. No podían permitirse un gran ejército de redactores de subvenciones. Así que construyeron un "flujo de trabajo" —una línea de ensamblaje paso a paso— para cazar subvenciones. Pero en lugar de que solo los humanos lo hicieran, invitaron a un Modelo de Lenguaje Extenso (el Bibliotecario Robot) para ayudar, manteniendo a un Capitán Humano (los investigadores) firmemente al mando.

Así es como funciona su nuevo sistema, dividido en cuatro fases divertidas:

Fase 1: La búsqueda del tesoro (Descubrimiento)
En los viejos tiempos, el equipo simplemente escribía "subvención de IA para la salud" en un motor de búsqueda y esperaba lo mejor. Era como pescar con un solo anzuelo en el océano. Con el nuevo sistema, el Bibliotecario Robot va a pescar con una red hecha de 50 estrategias de búsqueda diferentes. No solo busca "subvenciones"; busca "premios de innovación", "programas gubernamentales" y "asociaciones" basadas en la ubicación específica y los productos del equipo.

• El Resultado: El robot escaneó 741 fuentes diferentes en solo una semana. Encontró 352 candidatos potenciales. ¡Pero espera! El robot es rápido, no perfecto. También encontró 220 duplicados (la misma subvención apareciendo dos veces). Tras filtrar estos duplicados y otros no relevantes, quedaron 83 candidatos que pasaron el filtro y fueron considerados buenos y elegibles. El Capitán humano tuvo que intervenir y decir: "Sí, este es real", antes de moverlo a la siguiente etapa.

Fase 2: El portero en la puerta (Triaje)
Ahora que el robot tiene un montón de subvenciones potenciales, el equipo necesita decidir cuáles valen la pena el esfuerzo. Aquí es donde ocurre el "Triaje". El robot revisa las reglas: ¿Es solo para organizaciones sin fines de lucro? ¿Necesitamos un socio en Europa? ¿La fecha límite fue ayer?
El sistema utiliza una lista especial de "No volver a presentar". Si el robot se da cuenta de que una subvención es solo para una empresa europea, la marca como "No volver a presentar". Esto es como un portero en un club que recuerda: "Oye, intentaste entrar la semana pasada, pero no tenías la identificación correcta. No te molestes en intentarlo de nuevo". Esto evita que el equipo pierda tiempo en tareas imposibles. El Capitán humano toma la decisión final sobre si conservar una oportunidad o tirarla a la basura.

Fase 3: El marcador (Preparación para ganar)
No todas las subvenciones son iguales. Algunas son fáciles de ganar; otras son como ganarse la lotería. El equipo creó un "Puntaje de Preparación para Ganar" para clasificarlas.

• Las Matemáticas: No intentaron adivinar las probabilidades exactas de ganar (porque no tenían suficientes datos pasados para estar seguros). En su lugar, le dieron a cada subvención un puntaje basado en: ¿Somos elegibles? ¿Coincide nuestra misión con la de ellos? ¿Cuántas personas suelen ganar esto?
• El Resultado: De las 49 subvenciones que calificaron, 5 fueron tan prometedoras que llegaron a la etapa de entrevista o de finalistas. El puntaje les ayudó a decidir sobre qué subvenciones escribir primero, en lugar de adivinar.

Fase 4: La estación de redacción (Desarrollo de la propuesta)
Aquí es donde el robot realmente brilla. Una vez que el Capitán dice: "Escribamos esto", el robot comienza a redactar. Escribe las partes aburridas, resume las reglas y verifica que las citas (las fuentes de los hechos) sean reales.

• La Red de Seguridad: El robot no tiene permitido enviar nada. Antes de que una sola palabra sea enviada a un financiador, el Capitán Humano debe revisarla. Ellos verifican: ¿Inventó el robot un hecho? ¿Hay un secreto que no deberíamos compartir? ¿Es la historia verdadera?
• La Memoria: Cada borrador, correo electrónico y decisión se guarda en una "cápsula del tiempo" digital (un repositorio con control de versiones). Si necesitan solicitar una subvención similar el próximo año, pueden desenterrar el trabajo antiguo en lugar de empezar desde cero.

Lo que esto realmente significa (y lo que no)

El artículo es muy claro sobre lo que encontraron y lo que no encontraron.

• Encontraron: ¡El sistema funciona! Los hizo mucho más rápidos para encontrar y organizar subvenciones. Pasaron de encontrar alrededor de 5 o 6 buenas subvenciones al día a encontrar alrededor de 18 subvenciones adecuadas por ciclo de búsqueda después de ajustar su estrategia de búsqueda. Procesaron más de 200 oportunidades y crearon 46 nuevos elementos accionables en solo unas pocas semanas.
• NO Encontraron: No demostraron que usar el robot les haga ganar más dinero. Solo demostraron que el robot les ayuda a hacer el trabajo de buscar y escribir subvenciones de manera más eficiente. Ganar una subvención depende de muchas otras cosas (como qué tan buena es la idea o cuántas otras personas aplicaron), lo cual este sistema no controla.
• La Lista de "No": El artículo dice explícitamente: No deje que el robot escriba todo solo. Si dejas que el robot corra sin un humano que lo revise, te arriesgas a mentir, romper las reglas o perder tu reputación. El robot es una herramienta, no un reemplazo del científico.

La conclusión para mentes curiosas

Este artículo es como un plano para un "Equipo Humano-Robot" en un mundo donde el dinero es difícil de encontrar. Muestra que puedes usar la velocidad extrema de la IA para hacer el trabajo pesado de búsqueda y redacción, pero debes mantener a un humano al volante para revisar el mapa y dirigir el barco.

Para equipos pequeños en lugares como Colombia (y cualquier otro lugar con recursos limitados), este flujo de trabajo es un cambio de juego. Convierte un caos abrumador de papeleo en un canal limpio y organizado. No garantiza que obtendrás el dinero, pero garantiza que no perderás ni una sola oportunidad porque estabas demasiado cansado para buscar. Y lo más importante, demuestra que cuando mezclas el juicio humano con la velocidad del robot, puedes construir algo que es tanto rápido como seguro.