De kloof 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. Gedurende deze vier minuten moeten reviewers de geschiktheid, 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 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 in realtime kunnen investeren waar het oordeel het belangrijkst is.
WAAROM AI, EN WAAROM NU
In 2025 ontving Solve bijna 3.000 aanvragen voor onze mondiale uitdagingen. Zelfs een vluchtige beoordeling van vier minuten per aanvraag zou neerkomen op 25 volledige werkdagen. 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 kunstmatige intelligentie ons helpen meer opties eerlijker en efficiënter te evalueren 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 vroege screening van subsidies kan ondersteunen, een van de meest tijdrovende en omvangrijkste fasen van 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 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 van het basisscenario en de afstemming op de financieringsprioriteiten en identificeerde 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 de standaardisatie in schaalgrootte. AI maakte de beoordelingen consistenter voor alle recensenten, ongeacht hun ervaring, waardoor een sterkere basis ontstond voor het tweede niveau van beoordeling en menselijke besluitvorming.
HOE DIT zich vertaalt naar IMPACT IN DE ECHTE WERELD
Bij Solve richt de eerste fase van ons beoordelingsproces zich op het uitfilteren van onvolledige, ongekwalificeerde of slecht aangepaste aanvragen, waardoor menselijke reviewers meer tijd kunnen besteden aan de meest veelbelovende ideeën.
We hebben onze AI-tool ontworpen met mensen nauw betrokken, waarbij we ons concentreerden op het iteratieve, op patronen gebaseerde karakter van de initiële screening, waardoor deze bij uitstek geschikt is voor AI-augmentatie. Het hulpmiddel:
- Sluit toepassingen af zonder een realistische weg vooruit.
- Ondersteunt reviewers met een slaagkansscore, een helder advies (Pass, Fail of Review) en een transparante uitleg.
Toen de aanvraagcyclus van 2025 eindigde met 2.901 inzendingen, categoriseerde het systeem deze als volgt: 43% slaagde; 16% mislukt; en 41% beoordeling. Dit 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 in 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 overeenkomst zien tussen AI-ondersteunde screening en menselijk oordeel. Wat nog belangrijker is, ze laten zien dat het mogelijk is om AI-systemen te ontwerpen die nuance 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, 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 de controle uit het hoofd elimineert, maakt het op grote schaal zoveel mogelijker. Het is een praktische stap in de richting van de grondigheid die onze missies vereisen.
Hala Hanna is CEO en Pooja Wagh is directeur Operations en Impact bij MIT Solve.
