De tijd tussen een wereldveranderende innovatie en de financiering ervan bedraagt vaak slechts vier minuten: de gemiddelde tijd die een recensent aan een eerste subsidieaanvraag besteedt. In die vier minuten moeten reviewers de afstemming, haalbaarheid, innovatiepotentieel en teamcapaciteit beoordelen, terwijl de consistentie tussen duizenden applicaties behouden blijft.
Dit is een onmogelijke vraag die tot een onmogelijke keuze leidt: vertraag en bekijk minder ideeën, of versnel en loop het risico transformatieve ideeën mis te lopen. Bij MIT Solve hebben we een jaar lang een derde optie onderzocht: lesgeven AI om de repetitieve delen van de beoordeling af te handelen, zodat mensen realtime kunnen investeren in de besluitvorming waar dit het belangrijkst is.
WAAROM AI, EN WAAROM NU
In 2025 ontving Solve bijna 3.000 aanmeldingen voor onze Global Challenge. Zelfs een vluchtige beoordeling van vier minuten per aanvraag levert al 25 volledige werkdagen op. Zoals veel missiegedreven organisaties willen we nauwkeurigheid niet inruilen voor snelheid. Wij willen beide.
Dit brengt ons bij de kernvraag die veel financiers nu stellen:
“Hoe kan AI ons helpen meer kansen eerlijker en efficiënter te evalueren, zonder dat dit ten koste gaat van ons oordeelsvermogen of waarde?”
Om deze vraag te beantwoorden, hebben we samengewerkt met onderzoekers van de Harvard Business School, de Universiteit van Washington en de ESSEC Business School om te onderzoeken hoe AI de beoordeling van subsidies in een vroeg stadium kan ondersteunen, een van de meest tijdrovende en omvangrijkste fasen in de financieringscyclus.
WAT WE GETESTEN EN WAT WE LEERDEN
Het onderzoeksteam ontwikkelde een AI-systeem (gebaseerd op GPT-4o mini) ter ondersteuning van de screening van applicaties en testte dit op reviewers met verschillende ervaringsniveaus. Het doel is om te begrijpen waar AI waarde toevoegt en waar niet.
Drie inzichten vallen op:
1. AI presteert het beste op basis van objectieve criteria. Het systeem beoordeelt op betrouwbare wijze de subsidiabiliteit en afstemming met financieringsprioriteiten, waarbij wordt vastgesteld of aanvragen voldoen aan de vereisten of passen in duidelijk gedefinieerde geografische of programmatische aandachtsgebieden.
2. AI is nuttiger voor minder ervaren reviewers. Minder ervaren reviewers nemen consistentere beslissingen wanneer ze worden ondersteund door AI-inzichten, terwijl ervaren reviewers AI selectief als secundaire input gebruiken.
3. Het grootste voordeel is standaardisatie op grote schaal. AI zorgt ervoor dat de beoordelingen consistenter zijn voor alle reviewers, ongeacht hun ervaring, waardoor een sterkere basis ontstaat voor beoordeling op het tweede niveau en menselijke besluitvorming.
HOE DIT GEBEURT IN DE ECHTE IMPACT VAN DE WERELD
Bij Solve richt de eerste fase van ons beoordelingsproces zich op het uitfilteren van onvolledige, niet in aanmerking komende of ongepaste aanvragen, waardoor menselijke beoordelaars de vrijheid krijgen om meer tijd aan de meest veelbelovende ideeën te besteden.
We ontwerpen onze AI-tools met de mens in gedachten, waarbij we ons concentreren op het iteratieve en patroongebaseerde karakter van pre-screening, waardoor ze bij uitstek geschikt zijn voor AI-augmentatie. Hulpmiddel:
- Filter apps eruit die geen realistisch pad voorwaarts hebben.
- Ondersteun reviewers met geslaagde waarschijnlijkheidsscores, duidelijke aanbevelingen (geslaagd, mislukt of beoordeeld) en transparante uitleg.
Toen de aanvraagcyclus van 2025 werd afgesloten met 2.901 aanvragen, categoriseerde het systeem deze als volgt: 43% Geslaagd; 16% mislukt; en 41% beoordelingen. Dit betekent dat ons team zich diepgaand kan concentreren op slechts 41% van de aanvragen, waardoor de totale screeningtijd wordt teruggebracht tot tien dagen, terwijl het vertrouwen in de kwaliteit van de resultaten behouden blijft.
GROTERE RESULTATEN VOOR FILANTROPIE
Elk uur dat wordt bespaard tijdens de eerste stadia van de evaluatie, wordt een uur besteed aan het waardevollere werk waar mensen in uitblinken: dieper in contact komen met vernieuwers en gedurfde ideeën met te weinig middelen een stap dichter bij de financiering brengen.
Onze eerste resultaten laten een sterke afstemming zien tussen AI-aangedreven screening en menselijk oordeel. Belangrijker nog is dat het laat zien dat we AI-systemen kunnen ontwerpen die nuances respecteren, verantwoordelijkheid behouden en de besluitvorming op verantwoorde wijze schalen.
De filantropische sector verwerkt jaarlijks miljoenen aanvragen, waarbij het acceptatiepercentage vaak onder de 5% ligt. Als we 95% van de ideeën willen afwijzen, moeten we echte beoordelingen geven aan aanvragers, vooral degenen die historisch gezien ondergefinancierd zijn. Het delen van de verantwoordelijkheden, waarbij mensen de beslissingen nemen en AI het uit het hoofd leren elimineert, maakt het op schaal beter haalbaar. Dit is een praktische stap in de richting van de nauwkeurigheid die onze missie vereist.
Hala Hanna is uitvoerend directeur en Pooja Wagh is directeur operations en impact bij MIT Solve.
