De afstand tussen een wereldveranderende innovatie en de financiering ervan bedraagt vaak slechts vier minuten: de gemiddelde tijd die een menselijke recensent aan een eerste subsidieaanvraag besteedt. In die vier minuten moeten reviewers de afstemming, geschiktheid, innovatiepotentieel en teamcapaciteit beoordelen, en dit alles met behoud van de consistentie tussen duizenden aanvragen.
Het is een onmogelijke vraag die tot een onmogelijke keuze leidt: ofwel vertragen en minder ideeën beoordelen, ofwel versnellen en het risico lopen transformatieve ideeën te missen. 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 in realtime kunnen investeren waar het oordeel het belangrijkst is.
WAAROM AI, EN WAAROM NU
In 2025 ontving Solve bijna 3.000 aanmeldingen voor onze Global Challenges. Zelfs een vluchtige beoordeling van vier minuten per aanvraag zou 25 volledige werkdagen opleveren. Zoals veel missiegedreven organisaties willen we nauwkeurigheid niet inruilen voor snelheid. Wij willen beide.
Dat bracht ons bij een kernvraag die veel financiers nu stellen:
“Hoe kan AI ons helpen meer kansen eerlijker en efficiënter te beoordelen, zonder afbreuk te doen aan ons oordeel of onze waarden?”
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 tijdintensieve en omvangrijkste fasen van de financieringslevenscyclus.
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 bij reviewers met verschillende ervaringsniveaus. Het doel was om te begrijpen waar AI waarde toevoegt en waar niet.
Drie inzichten vielen op:
1. AI presteert het beste op objectieve criteria. Het systeem beoordeelde op betrouwbare wijze de subsidiabiliteit en de afstemming met de financieringsprioriteiten, waarbij werd vastgesteld of aanvragen voldeden aan de vereisten of pasten in duidelijk gedefinieerde geografische of programmatische aandachtsgebieden.
2. AI is nuttiger voor minder ervaren reviewers. Minder ervaren reviewers namen consistentere beslissingen wanneer ze werden ondersteund door AI-inzichten, terwijl ervaren reviewers AI selectief als secundaire input gebruikten.
3. De grootste winst was standaardisatie op schaal. AI zorgde ervoor dat de beoordelingen van reviewers consistenter werden, ongeacht hun ervaring, waardoor een sterkere basis ontstond voor het tweede niveau van review en menselijke besluitvorming.
HOE DIT zich vertaalt in IMPACT IN DE ECHTE WERELD
Bij Solve richt de eerste fase van ons beoordelingsproces zich op het uitfilteren van onvolledige, niet-geschikte of zwak passende aanvragen, waardoor menselijke beoordelaars meer tijd kunnen besteden aan de meest veelbelovende ideeën.
We hebben onze AI-tool ontworpen met mensen nauw betrokken, gefocust op het repetitieve, op patronen gebaseerde karakter van de initiële screening, waardoor deze bij uitstek geschikt is voor AI-augmentatie. Het hulpmiddel:
- Schermt toepassingen af zonder realistisch pad voorwaarts.
- Ondersteunt reviewers met een slaagkansscore, een duidelijke aanbeveling (geslaagd, mislukt of beoordeeld) en een transparante uitleg.
Toen de aanvraagcyclus van 2025 werd afgesloten met 2.901 inzendingen, categoriseerde het systeem deze als volgt: 43% geslaagd; 16% mislukt; en 41% beoordeling. Dat betekende dat ons team zich diep kon concentreren op slechts 41% van de aanvragen, waardoor de totale screeningtijd werd teruggebracht tot tien dagen, terwijl het vertrouwen in de kwaliteit van de resultaten behouden bleef.
DE GROTERE TAKEAWAY VOOR FILANTROPIE
Elk uur dat wordt bespaard tijdens de eerste stadia van de evaluatie, wordt een uur besteed aan het waardevollere werk waarin mensen 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-ondersteunde screening en menselijk oordeel. Belangrijker nog is dat ze aantonen dat het mogelijk is om AI-systemen te ontwerpen die nuances respecteren, de 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 verwerpen, zijn we aanvragers – vooral degenen die historisch van financiering zijn uitgesloten – een echte beoordeling verschuldigd. Het verdelen van de verantwoordelijkheid, waarbij mensen beslissingen nemen en AI controles uit het hoofd elimineert, maakt het op grote schaal veel beter mogelijk. Het is een praktische stap in de richting van de grondigheid die onze missies vereisen.
Hala Hanna is uitvoerend directeur en Pooja Wagh is directeur operations en impact bij MIT Solve.
