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

Immaginate di cercare un forziere del tesoro nascosto in una biblioteca enorme e caotica dove i libri cambiano continuamente titolo, le mappe sono disegnate con inchiostro invisibile e le regole su chi può entrare nella cassaforte cambiano ogni giorno. Questa è la realtà quotidiana per le piccole aziende health-tech nei paesi in via di sviluppo. Hanno idee brillanti per salvare vite umane usando l'intelligenza artificiale, ma hanno bisogno di denaro (sovvenzioni/grant) per dimostrare che i loro strumenti funzionano. Il problema? Trovare quel denaro è come cercare un ago in un pagliaio mentre il pagliaio è in fiamme. Devono scansionare migliaia di fonti di finanziamento, capire se sono anche solo autorizzati a candidarsi e scrivere storie complesse per convincere estranei a dare loro contanti. Se passano tutto il tempo solo a cercare l'ago, non riusciranno mai a costruire la macchina che salva vite.

Entra in scena il "Large Language Model" (LLM). Pensate a un LLM come a un assistente robotico super veloce e super lettore, capace di leggere milioni di pagine in pochi secondi e di scrivere bozze di lettere istantaneamente. Ma ecco il trucco: se lasciate che il robot corra libero, potrebbe inventare cose, mentire sulle regole o accidentalmente rivelare un segreto. Quindi, la grande domanda non è "Il robot può fare il lavoro?", ma "Possiamo costruire una gabbia attorno al robot in modo che faccia il lavoro noioso velocemente, mentre un essere umano resta al comando per assicurarsi che non faccia danni?". Questo articolo esplora esattamente questo: costruire un sistema intelligente e sicuro per aiutare un team di health-tech a trovare fondi senza perdere la testa o l'integrità.

---

Il Bibliotecario Robot e il Capitano Umano

Incontrate Arkangel AI, un piccolo team in Colombia che costruisce strumenti intelligenti per gli ospedali. Avevano bisogno di fondi per testare le loro invenzioni, ma il loro team era minuscolo. Non potevano permettersi un enorme esercito di scrittori di proposte. Così, hanno costruito un "workflow" — una linea di montaggio passo dopo passo — per dare la caccia ai grant. Ma invece di far svolgere tutto agli umani, hanno invitato un Large Language Model (il Bibliotecario Robot) per aiutarli, mantenendo però un Capitano Umano (i ricercatori) saldamente al timone.

Ecco come funziona il loro nuovo sistema, suddiviso in quattro fasi divertenti:

Fase 1: La Caccia al Tesoro (Scoperta)
Ai vecchi tempi, il team avrebbe semplicemente digitato "health AI grant" in un motore di ricerca e sperato nel meglio. Era come pescare con un singolo amo nell'oceano. Con il nuovo sistema, il Bibliotecario Robot va a pescare con una rete fatta di 50 diverse strategie di ricerca. Non cerca solo "grant"; cerca "premi per l'innovazione", "programmi governativi" e "partnership" basandosi sulla posizione specifica e sui prodotti del team.

• Il Risultato: Il robot ha scansionato 741 diverse fonti in una sola settimana. Ha trovato 352 potenziali candidati. Ma attenzione! Il robot è veloce, non perfetto. Ha anche trovato 220 duplicati (lo stesso grant che appare due volte). Dopo aver rimosso i duplicati e applicato i filtri di eleggibilità, sono rimasti 83 candidati che sembravano buoni e idonei. Il Capitano umano è dovuto intervenire dicendo: "Sì, questo è reale", prima di passare alla fase successiva.

Fase 2: Il Buttafuori alla Porta (Triage)
Ora che il robot ha un mucchio di potenziali grant, il team deve decidere quali valgano la pena di essere perseguiti. È qui che avviene il "Triage". Il robot controlla le regole: È solo per organizzazioni no-profit? Abbiamo bisogno di un partner in Europa? La scadenza era ieri?
Il sistema utilizza una speciale lista "Non riproporre". Se il robot si rende conto che un grant è solo per un'azienda europea, lo marca come "Non riproporre". È come un buttafuori in un club che ricorda: "Ehi, hai provato a entrare la scorsa settimana, ma non avevi il documento giusto. Non disturbare nemmeno a provare". Questo impedisce al team di sprecare tempo in compiti impossibili. Il Capitano umano prende la decisione finale su se mantenere un'opportunità o buttarla nel cestino.

Fase 3: Il Tabellone del Punteggio (Prontezza di Vittoria)
Non tutti i grant sono creati uguali. Alcuni sono facili da vincere; altri sono come vincere alla lotteria. Il team ha creato un "Punteggio di Prontezza di Vittoria" per classificarli.

• La Matematica: Non hanno cercato di indovinare l'esatta probabilità di vincere (perché non avevano abbastanza dati passati per esserne sicuri). Invece, hanno assegnato a ogni grant un punteggio basato su: Siamo idonei? La nostra missione coincide con la loro? Quante persone di solito vincono questo?
• L'Esito: Su 49 grant che hanno valutato, 5 erano così promettenti da arrivare alla fase di intervista o di finalista. Il punteggio ha aiutato a decidere per quali grant scrivere per primi, invece di tirare a indovinare.

Fase 4: La Stazione di Redazione (Sviluppo della Proposta)
È qui che il robot brilla davvero. Una volta che il Capitano dice: "Scriviamo questo", il robot inizia a redigere. Scrive le parti noiose, riassume le regole e controlla che le citazioni (le fonti dei fatti) siano reali.

• La Rete di Sicurezza: Al robot non è permesso inviare nulla. Prima che una singola parola venga inviata a un ente finanziatore, il Capitano Umano deve revisionarla. Controllano: Il robot ha inventato un fatto? C'è un segreto che non dovremmo condividere? La storia è vera?
• La Memoria: Ogni singola bozza, email e decisione viene salvata in una "capsula del tempo" digitale (un repository con controllo delle versioni). Se dovessero presentare una candidatura simile l'anno prossimo, possono scavare nel vecchio lavoro invece di ricominciare da capo.

Cosa Significa Questo (e Cosa Non Significa)

L'articolo è molto chiaro su ciò che hanno scoperto e su ciò che non hanno scoperto.

• Hanno Scoperto: Il sistema funziona! Ha reso il team molto più veloce nel trovare e organizzare i grant. Sono passati dal trovare circa 5 o 6 buoni grant al giorno al trovare circa 18 grant idonei per ogni ciclo di ricerca dopo aver perfezionato la loro strategia di ricerca. Hanno elaborato oltre 200 opportunità e creato 46 nuovi elementi azionabili in poche settimane.
• NON hanno Scoperto: Non hanno dimostrato che usare il robot li faccia vincere più denaro. Hanno solo dimostrato che il robot li aiuta a svolgere il lavoro di ricerca e scrittura dei grant in modo più efficiente. Vincere un grant dipende da molte altre cose (come quanto sia buona l'idea o quante altre persone abbiano fatto domanda), che questo sistema non controlla.
• La Lista del "No": L'articolo afferma esplicitamente: Non lasciate che il robot scriva tutto da solo. Se lasciate che il robot corra senza un controllo umano, rischiate di mentire, infrangere le regole o perdere la reputazione. Il robot è uno strumento, non un sostituto dello scienziato.

Conclusione per Menti Curiose

Questo articolo è come un progetto per un "Team Umano-Robot" in un mondo dove il denaro è difficile da trovare. Dimostra che è possibile usare un'IA super veloce per fare il lavoro pesante di ricerca e redazione, ma bisogna mantenere un essere umano al posto di guida per controllare la mappa e sterzare la nave.

Per i piccoli team in luoghi come la Colombia (e ovunque altrove con risorse limitate), questo workflow è un punto di svolta. Trasforma un caos travolgente di scartoffie in una pipeline pulita e organizzata. Non garantisce che otterrete il denaro, ma garantisce che non perderete nemmeno un'opportunità perché eravate troppo stanchi per cercare. E, cosa più importante, dimostra che quando si mescolano il giudizio umano e la velocità del robot, si può costruire qualcosa che sia sia veloce che sicuro.