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

Imagine que você está tentando encontrar um baú de tesouro escondido em uma biblioteca enorme e caótica, onde os livros mudam de título constantemente, os mapas são desenhados com tinta invisível e as regras para quem pode entrar no cofre mudam todos os dias. Esta é a realidade diária para pequenas empresas de tecnologia em saúde em países em desenvolvimento. Elas têm ideias brilhantes para salvar vidas usando inteligência artificial, mas precisam de dinheiro (subsídios/grants) para provar que suas ferramentas funcionam. O problema? Encontrar esse dinheiro é como procurar uma agulha em um palheiro enquanto o palheiro está pegando fogo. Elas têm que escanear milhares de fontes de financiamento, descobrir se sequer têm permissão para se candidatar e escrever histórias complexas para convencer estranhos a lhes dar dinheiro. Se elas passarem todo o tempo apenas procurando a agulha, nunca conseguirão construir a máquina que salva vidas.

Apresentamos o "Large Language Model" (LLM - Modelo de Linguagem de Grande Escala). Pense em um LLM como um assistente robô super-rápido e de leitura veloz, capaz de ler milhões de páginas em segundos e escrever rascunhos de cartas instantaneamente. Mas aqui está o detalhe: se você deixar o robô agir sem controle, ele pode inventar coisas, mentir sobre as regras ou acidentalmente contar um segredo. Portanto, a grande questão não é "O robô consegue fazer o trabalho?", mas sim "Podemos construir uma gaiola ao redor do robô para que ele faça o trabalho chato rapidamente, enquanto um humano permanece no comando para garantir que ele não erre?". Este artigo explora exatamente isso: construir um sistema inteligente e seguro para ajudar uma equipe de tecnologia em saúde a encontrar dinheiro sem perder a sanidade ou a integridade.

---

O Bibliotecário Robô e o Capitão Humano

Conheça a Arkangel AI, uma pequena equipe na Colômbia que constrói ferramentas inteligentes para hospitais. Eles precisavam de dinheiro para testar suas invenções, mas sua equipe era minúscula. Eles não podiam pagar por um exército de redatores de projetos. Então, construíram um "workflow" — uma linha de montagem passo a passo — para caçar subsídios. Mas, em vez de apenas humanos fazendo isso, eles convidaram um Modelo de Linguagem de Grande Escala (o Bibliotecário Robô) para ajudar, mantendo um Capitão Humano (os pesquisadores) firmemente ao leme.

Aqui está como o novo sistema deles funciona, dividido em quatro fases divertidas:

Fase 1: A Caça ao Tesouro (Descoberta)
Antigamente, a equipe apenas digitava "grant de IA para saúde" em um mecanismo de busca e torcia pelo melhor. Era como pescar com um único anzol no oceano. Com o novo sistema, o Bibliotecário Robô vai pescar com uma rede feita de 50 estratégias de busca diferentes. Ele não procura apenas por "subsídios"; ele procura por "prêmios de inovação", "programas governamentais" e "parcerias" com base na localização específica e nos produtos da equipe.

• O Resultado: O robô escaneou 741 fontes diferentes em apenas uma semana. Ele encontrou 352 candidatos potenciais. Mas espere! O robô é rápido, não perfeito. Ele também encontrou 220 duplicatas (o mesmo subsídio aparecendo duas vezes). Após remover as duplicatas e filtrar os resultados, sobraram 83 candidatos elegíveis e promissores. O Capitão Humano teve que intervir e dizer: "Sim, este aqui é real", antes de movê-lo para a próxima etapa.

Fase 2: O Segurança na Porta (Triagem)
Agora que o robô tem uma pilha de subsídios potenciais, a equipe precisa decidir quais valem o esforço. É aqui que ocorre a "Triagem". O robô verifica as regras: É apenas para organizações sem fins lucrativos? Precisamos de um parceiro na Europa? O prazo foi ontem?
O sistema utiliza uma lista especial de "Não Reaparecer". Se o robster perceber que um subsídio é apenas para uma empresa europeia, ele o marca como "Não Reaparecer". Isso é como um segurança de uma boate que lembra: "Ei, você tentou entrar semana passada, mas não tinha o documento certo. Não perca tempo tentando de novo". Isso impede que a equipe perca tempo com tarefas impossíveis. O Capitão Humano toma a decisão final sobre manter uma oportunidade ou jogá-la no lixo.

Fase 3: O Placar (Prontidão para Vitória)
Nem todos os subsídios são criados iguais. Alguns são fáceis de ganhar; outros são como ganhar na loteria. A equipe criou um "Score de Prontidão para Vitória" para classificá-los.

• A Matemática: Eles não tentaram adivinhar as chances exatas de vitória (porque não tinham dados passados suficientes para ter certeza). Em vez disso, deram a cada subsídio uma pontuação baseada em: Somos elegíveis? Nossa missão combina com a deles? Quantas pessoas costumam vencer isso?
• O Resultado: Dos 49 subsídios que pontuaram, 5 foram tão promissores que chegaram à fase de entrevista ou de finalista. O score ajudou a decidir sobre quais subsídios escrever primeiro, em vez de apenas adivinhar.

Fase 4: A Estação de Redação (Desenvolvimento de Propostas)
É aqui que o robô realmente brilha. Uma vez que o Capitão diz: "Vamos escrever este", o robô começa a redigir. Ele escreve as partes chatas, resume as regras e verifica se as citações (as fontes dos fatos) são reais.

• A Rede de Segurança: O robô não tem permissão para enviar nada. Antes que uma única palavra seja enviada a um financiador, o Capitão Humano deve revisá-la. Eles verificam: O robô inventou algum fato? Há um segredo que não deveríamos compartilhar? A história é verdadeira?
• A Memória: Cada rascunho, e-mail e decisão é salvo em uma "cápsula do tempo" digital (um repositório com controle de versão). Se precisarem se candidatar a um subsídio semelhante no próximo ano, podem recuperar o trabalho antigo em vez de começar do zero.

O Que Isso Realmente Significa (e o Que Não Significa)

O artigo é muito claro sobre o que eles encontraram e o que não encontraram.

• Eles Encontraram: O sistema funciona! Ele tornou a equipe muito mais rápida em encontrar e organizar subsídios. Eles passaram de encontrar cerca de 5 ou 6 bons subsídios por dia para encontrar cerca de 18 subsídios adequados por ciclo de busca, após ajustarem sua estratégia de pesquisa. Eles processaram mais de 200 oportunidades e criaram 46 novos itens acionáveis em apenas algumas semanas.
• Eles NÃO Encontraram: Eles não provaram que usar o robô faz com que ganhem mais dinheiro. Eles apenas provaram que o robô ajuda a realizar o trabalho de encontrar e escrever propostas de forma mais eficiente. Ganhar um subsídio depende de muitas outras coisas (como o quão boa é a ideia ou quantos outros candidatos se inscreveram), que este sistema não controla.
• A Lista do "Não": O artigo diz explicitamente: Não deixe o robô escrever tudo sozinho. Se você deixar o robô rodar sem um humano verificando, corre o risco de mentir, quebrar regras ou perder sua reputação. O robô é uma ferramenta, não um substituto para o cientista.

A Lição para Mentes Curiosas

Este artigo é como um blueprint para uma "Equipe Humano-Robô" em um mundo onde o dinheiro é difícil de encontrar. Ele mostra que você pode usar a velocidade extrema da IA para fazer o trabalho pesado de busca e redação, mas deve manter um humano no comando para verificar o mapa e guiar o navio.

Para pequenas equipes em lugares como a Colômbia (e qualquer outro lugar com recursos limitados), este fluxo de trabalho é um divisor de águas. Ele transforma uma bagunça caótica e esmagadora de papelada em um pipeline limpo e organizado. Não garante que você conseguirá o dinheiro, mas garante que você não perderá nenhuma oportunidade porque estava cansado demais para procurar. E, o mais importante, prova que quando você mistura o julgamento humano com a velocidade do robô, você pode construir algo que é ao mesmo tempo rápido e seguro.