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

あなたは、隠された財宝の箱を探そうとしていると想像してください。そこは、本のタイトルが刻々と変わり、地図は目に見えないインクで描かれ、金庫への入場ルールが毎日変わる、巨大で混沌とした図書館です。これは、発展途上国の小規模なヘルステック企業が直面している日常です。彼らは人工知能を使って命を救うための素晴らしいアイデアを持っていますが、そのツールが機能することを証明するために資金（助成金）を必要としています。問題は？その資金を見つけることは、燃え盛る干し草の山の中から一本の針を探すようなものだということです。彼らは何千もの資金源をスキャンし、自分たちが申請資格を持っているのかを判断し、見ず知ロの相手に現金を渡してもらうために複雑な物語を書き上げなければなりません。もし、針を探すことにすべての時間を費やしてしまったら、命を救うための機械を作ることはできなくなってしまいます。

ここで「大規模言語モデル（LLM）」の登場です。LLMを、数百万ページのページを数秒で読み、手紙の下書きを即座に書くことができる、超高速・超読解力のロボット助手だと考えてください。しかし、ここには落とし穴があります。もしロボットを野放しにすれば、勝手に物事をでっち上げたり、ルールについて嘘をついたり、あるいは誤って秘密を漏らしたりする可能性があります。ですから、大きな問いは「ロボットに仕事をさせられるか？」ではなく、「ロボットが退屈な仕事を高速で行えるように、人間が責任を持ってコントロールし、間違いを防ぐための『檻』を作ることができるか？」なのです。この論文は、まさにそのことを探求しています。つまり、ヘルスケア技術チームが正気を失うことなく、誠実さを保ちながら資金を見つけるための、スマートで安全なシステムを構築することについてです。

---

ロボット司書と人間のキャプテン

コロンビアで病院向けのスマートなツールを開発している小さなチーム、Arkangel AIを紹介しましょう。彼らは発明品をテストするための資金を必要としていましたが、チームは非常に小規模でした。彼らには膨大な数のグラントライター（助成金申請作成者）を雇う余裕はありません。そこで、彼らは助成金を狩り出すための「ワークフロー」、つまりステップ・バイ・ステップの組み立てラインを構築しました。ただし、単に人間が行うのではなく、大規模言語モデル（ロボット司書）を助っ人として招き入れ、同時に「人間のキャプテン（研究者）」がしっかりと舵を握る仕組みにしたのです。

彼らの新しいシステムがどのように機能するかを、4つの楽しいフェーズに分けて説明します。

フェーズ1：宝探し（発見）
昔は、チームは検索エンジンに「ヘルスAI グラント」と入力して、あとは運を天に任せるだけでした。それは、海に一本の釣り針を垂らして釣りをしているようなものでした。新しいシステムでは、ロボット司書が50種類の異なる検索戦略で作られた「網」を使って釣りを行います。ロボットは単に「助成金」を探すだけでなく、チームの特定の所在地や製品に基づいた「イノベーション賞」、「政府プログラム」、「パートナーシップ」などを探します。

• 結果： ロボットはわずか1週間で741もの異なるソースをスキャンしました。そして352の潜在的な候補を見つけ出しました。しかし待ってください！ロボットは速いですが、完璧ではありません。ロボットは220の重複（同じ助成金が2回表示されること）を除外し、最終的にフィルタリングを通過して有望な候補として残ったのが83件でした。人間のキャプテンが介入し、「これは本物だ」と判断して次のステージへ進める必要がありました。

フェーズ2：入り口のドアマン（トリアージ）
ロボットが潜在的な助成金の山を手に入れた後、チームはどれに力を注ぐべきかを判断する必要があります。ここで「トリアージ」が行われます。ロボットはルールをチェックします：これは非営利団体専用か？ヨーロッパにパートナーが必要か？締め切りは昨日だったのか？
システムは特別な「再浮上禁止（Do Not Resurface）」リストを使用します。もしロボットが、その助成金がヨーロッパの企業限定であると気づいた場合、それを「再浮上禁止」としてマークします。これは、クラブのドアマンが「おい、先週も来ようとしたけど、正しいIDを持っていなかったよ。もう試みなくていいよ」と記憶しているようなものです。これにより、チームが不可能なタスクに時間を浪費することを防ぎます。人間であるキャプテンが、その機会を保持するか、それともゴミ箱に捨てるかの最終決定を下します。

フェーズ3：スコアボード（勝利への準備）
すべての助成金が同じ価値を持つわけではありません。簡単に勝ち取れるものもあれば、宝くじに当たるようなものもあります。チームは、それらをランク付けするための「勝利準備スコア（Win Readiness Score）」を作成しました。

• 計算式： 彼らは正確な当選確率を予測しようとはしませんでした（確信できるほどの過去のデータがなかったため）。代わりに、以下の要素に基づいて各助成金にスコアを与えました：私たちは資格があるか？私たちのミッションは彼らのものと一致しているか？通常、どれくらいの人がこれを勝ち取っているか？
• 結果： スコアを付けた49の助成金のうち、5つが非常に有望であり、面接やファイナリストの段階まで到達しました。スコアのおかげで、彼らは推測するのではなく、どの助成金について最初に書くべきかを判断することができました。

フェーズ4：ドラフト作成ステーション（プロポーザル開発）
ここがロボットが本当に輝く場面です。キャプテンが「これを書こう」と決めたら、ロボットがドラフト作成を開始します。ロボットは退屈な部分を書き、ルールを要約し、引用（事実の根拠）が本物であるかを確認します。

• セーフティネット： ロボットは何も提出することを許されません。一言でも送り出される前に、必ず人間のキャプテンがレビューを行わなければなりません。彼らは確認します：ロボットが事実を捏造していないか？共有すべきではない秘密が含まれていないか？ストーリーは真実か？
• メモリ（記憶）： すべてのドラフト、メール、決定事項は、デジタルな「タイムカプセル」（バージョン管理されたリポジトリ）に保存されます。もし来年、似たような助成金に応募する必要が生じた場合、ゼロから始めるのではなく、過去の作業を掘り起こすことができます。

これが実際に意味すること（および意味しないこと）

この論文は、彼らが見つけたことと、見つけられなかったことを非常に明確に述べています。

• 見つけたこと： システムは機能しました！システムは、助成金を見つけ、整理するスピードを大幅に向上させました。検索戦略を微調整した後、彼らは1日の適切な助成金発見数を、約5〜6件から、1回のスカウトサイクルあたり約18件へと増やしました。彼らは200以上の機会を処理し、わずか数週間で46の新しい実行可能な項目を作成しました。
• 見つけられなかったこと： 彼らは、ロボットを使うことで「より多くの資金を獲得できる」ことを証明したわけではありません。彼らは、ロボットが助成金を見つけ、執筆するという「作業」をより効率的に行うことを証明したに過ぎません。助成金を獲得できるかどうかは、アイデアがいかに優れているか、あるいは他にどれだけの応募者がいるかといった他の多くの要因に依存しており、このシステムはそれらを制御できるものではありません。
• 「ノー」のリスト： 論文は明示的に述べています：ロボットにすべてを一人で書かせてはいけません。 もし人間がチェックせずにロボットを走らせてしまえば、嘘をついたり、ルールを破ったり、評判を失ったりするリスクがあります。ロボットはツールであり、科学者の代わりではありません。

好奇心旺盛な人々への教訓

この論文は、お金を見つけることが困難な世界における「人間とロボットのチーム」の設計図のようなものです。これは、超高速のAIを使って検索やドラフト作成という重労働を行うことができるが、地図を確認し船を操縦するのは人間である必要がある、ということを示しています。

コロンビアのような（そして他の限られたリソースを持つ場所の）小規模なチームにとって、このワークフローはゲームチェンジャーです。それは、混沌として圧倒されるような書類仕事の山を、クリーンで整理されたパイプラインへと変えてくれます。これによって資金が手に入ることを保証するわけではありませんが、疲れ果てていて見逃してしまうということがないよう、あらゆる機会を逃さないことを保証してくれます。そして最も重要なのは、人間の判断力とロボットのスピードを組み合わせれば、高速かつ安全なものを作り上げられるということを証明している点です。