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

Stel je voor dat je probeert een verborgen schatkist te vinden in een enorme, chaotische bibliotheek waar de boeken voortdurend van titel veranderen, de kaarten in onzichtbare inkt zijn getekend en de regels voor wie de kluis mag betreden elke dag veranderen. Dit is de dagelijkige realiteit voor kleine health-tech bedrijven in ontwikkelingslanden. Ze hebben briljante ideeën om levens te redden met behulp van kunstmatige intelligentie, maar ze hebben geld nodig (subsidies) om te bewijzen dat hun instrumenten werken. Het probleem? Dat geld vinden is als het zoeken naar een naald in een hooiberg terwijl de hooiberg in brand staat. Ze moeten duizenden financieringsbronnen scannen, uitzoeken of ze er überhaupt wel aan mogen deelnemen, en complexe verhalen schrijven om vreemden te overtuigen hen contant geld te geven. Als ze al hun tijd besteden aan het zoeken naar de naald, bouwen ze nooit de machine die levens redt.

Maak kennis met de "Large Language Model" (LLM). Zie een LLM als een supersnelle, superlezende robotassistent die in enkele seconden miljoenen pagina's kan lezen en direct conceptbrieven kan schrijven. Maar hier is de crux: als je de robot de vrije loop laat, kan hij dingen verzinnen, over de regels liegen of per ongeluk een geheim verklappen. Dus de grote vraag is niet: "Kan de robot het werk doen?", maar: "Kunnen we een kooi om de robot bouwen zodat hij het saaie werk snel doet, terwijl een mens de controle houdt om te zorgen dat hij het niet verpest?" Dit artikel onderzoekt precies dat: het bouwen van een slim, veilig systeem om een health-tech team te helpen geld te vinden zonder hun verstand te verliezen of hun integriteit op te offeren.

---

De Robotbibliothecaris en de Menselijke Kapitein

Maak kennis met Arkangel AI, een klein team in Colombia dat slimme tools voor ziekenhuizen bouwt. Ze hadden geld nodig om hun uitvindingen te testen, maar hun team was klein. Ze konden zich geen groot leger aan subsidieschrijvers veroorloven. Dus bouwden ze een "workflow"—een stapsgewijze assemblageband—om op zoek te gaan naar subsidies. Maar in plaats van dat alleen mensen dit deden, nodigden ze een Large Language Model (de Robotbibliothecaris) uit om te helpen, terwijl ze de Menselijke Kapitein (de onderzoekers) stevig aan het roer hielden.

Zo werkt hun nieuwe systeem, onderverdeeld in vier leuke fasen:

Fase 1: De Schatzoektocht (Ontdekking)
In de oude dagen typte het team simpelweg "health AI grant" in een zoekmachine en hoopte op het beste. Het was als vissen met een enkele haak in de oceaan. Met het nieuwe systeem gaat de Robotbibliothecaris vissen met een net gemaakt van 50 verschillende zoekstrategieën. Hij zoekt niet alleen naar "subsidies"; hij zoekt naar "innovatieprijzen", "overheidsprogramma's" en "partnerschappen" gebaseerd op de specifieke locatie en producten van het team.

• Het Resultaat: De robot scande 741 verschillende bronnen in slechts één week. Het vond 352 potentiële kandidaten. Maar wacht! De robot is snel, niet perfect. Het vond ook 220 duplicaten (dezelfde subsidie die twee keer verscheen). Na het filteren van deze duplicaten bleven er 83 kwalitatief goede kandidaten over die de filter doorstonden en in aanmerking kwamen voor de volgende fase. De menselijke Kapitein moest ingrijpen en zeggen: "Ja, deze is echt," voordat deze naar de volgende fase kon gaan.

Fase 2: De Uitsmijter bij de Deur (Triage)
Nu de robot een stapel potentiële subsidies heeft, moet het team beslissen welke de moeite waard zijn. Dit is waar de "Triage" plaatsvindt. De robot controleert de regels: Is dit alleen voor non-profits? Hebben we een partner in Europa nodig? Is de deadline gisteren?
Het systeem gebruikt een speciale "Niet meer opduiken"-lijst. Als de robot beseft dat een subsidie alleen voor een Europees bedrijf is, markeert hij deze als "Niet meer opduiken". Dit is als een uitsmijter bij een club die zich herinnert: "Hé, je probeerde vorige week binnen te komen, maar je had niet het juiste ID. Maak er geen punt van." Dit voorkomt dat het team tijd verspilt aan onmogelijke taken. De menselijke Kapitein maakt de uiteindelijke beslissing over of een kans wordt behouden of in de prullenbak belandt.

Fase 3: Het Scorebord (Win Readiness)
Niet alle subsidies zijn gelijk. Sommige zijn makkelijk te winnen; sommige zijn als het winnen van de loterij. Het team creëerde een "Win Readiness Score" om ze te rangschikken.

• De Wiskunde: Ze probeerden niet de exacte kans op winst te raden (omdat ze niet genoeg historische data hadden om zeker te zijn). In plaats daarvan gaven ze elke subsidie een score op basis van: Zijn wij in aanmerking? Komt onze missie overeen met de hunne? Hoeveel mensen winnen dit meestal?
• De Uitkomst: Van de 49 subsidies die ze scoorden, waren er 5 zo veelbelovend dat ze de interview- of finalistfase bereikten. De score hielp hen te beslissen over welke subsidies ze als eerste zouden schrijven, in plaats van te gokken.

Fase 4: De Conceptie-station (Voorstelontwikkeling)
Dit is waar de robot echt uitblinkt. Zodra de Kapitein zegt: "Laten we deze schrijven," begint de robot met het maken van concepten. Het schrijft de saaie onderdelen, vat de regels samen en controleert of de citaties (de bronnen van feiten) echt zijn.

• Het Veiligheidsnet: De robot mag niets indienen. Voordat er ook maar één woord naar een financier wordt gestuurd, moet de Menselijke Kapitein het controleren. Zij controleren: Heeft de robot een feit verzonnen? Is er een geheim dat we niet moeten delen? Is het verhaal waar?
• Het Geheugen: Elk concept, elke e-mail en elke beslissing wordt opgeslagen in een digitale "tijdscapsule" (een versiebeheer-repository). Als ze volgend jaar voor een soortgelijke subsidie willen aanvragen, kunnen ze het oude werk opgraven in plaats van vanaf nul te beginnen.

Wat dit werkelijk betekent (en wat het niet is)

Het artikel is zeer duidelijk over wat ze wel en niet hebben gevonden.

• Ze hebben gevonden: Het systeem werkt! Het maakte het team veel sneller in het vinden en organiseren van subsidies. Ze gingen van ongeveer 5 of 6 goede subsidies per dag naar het vinden van ongeveer 18 geschikte subsidies per scoutingcyclus nadat ze hun zoekstrategie hadden aangepast. Ze verwerkten 200+ mogelijkheden en creëerden 46 nieuwe, actiegerichte items in slechts enkele weken.
• Ze hebben NIET gevonden: Ze hebben niet bewezen dat het gebruik van de robot ervoor zorgt dat ze meer geld winnen. Ze hebben alleen bewezen dat de robot hen helpt om het werk van het vinden en schrijven van subsidies efficiënter te doen. Het winnen van een subsidie hangt af van veel andere zaken (zoals hoe goed het idee is of hoeveel andere mensen er solliciteren), waar dit systeem geen controle over heeft.
• De "Nee"-lijst: Het artikel zegt expliciet: Laat de robot niet het hele ding alleen schrijven. Als je de robot de vrije loop laat zonder een mens die het controleert, loop je het risico te liegen, regels te breken of je reputatie te verliezen. De robot is een hulpmiddel, geen vervanging voor de wetenschapper.

De Les voor Nieuwsgierige Geesten

Dit artikel is als een blauwdruk voor een "Mens-Robot Team" in een wereld waar geld moeilijk te vinden is. Het laat zien dat je super-snelle AI kunt gebruiken voor het zware werk van zoeken en concepten schrijven, maar dat je een mens aan het stuur moet houden om de kaart te controleren en het schip te sturen.

Voor kleine teams in plaatsen zoals Colombia (en overal elders met beperkte middelen) is deze workflow een game-changer. Het verandert een chaotische, overweldigende bende papierwerk in een strakke, georganiseerde pijplijn. Het garandeert niet dat je het geld krijgt, maar het garandeert dat je geen enkele kans mist omdat je te moe was om te kijken. En het belangrijkste is: het bewijst dat wanneer je menselijk oordeel combineert met robot-snelheid, je iets kunt bouwen dat zowel snel als veilig is.