Prüfung von Förder- und Forschungsanträgen und Gutachterzuweisung (Seite der Förderer)

Forschungsräte, Stiftungen und Ministerien erhalten pro Ausschreibung Tausende Anträge und müssen jeden gegen die Regeln der Ausschreibung prüfen und dann qualifizierte, konfliktfreie Gutachter finden. KI liest die langen Beschreibungstexte, prüft Förderfähigkeit und Vollständigkeit, erkennt Dubletten und Textwiederverwendung, kann unausgereifte Anträge für eine menschliche Entscheidung markieren und schlägt Gutachter nach thematischer Passung vor. Menschen treffen jede Förderentscheidung; das System führt einen Prüfpfad und zeigt, warum jede Zuordnung oder Markierung entstand.

Problem & Nutzen

• Heute: Programmverantwortliche prüfen Seitenbegrenzungen, Pflichtabschnitte, Antragsberechtigung und Budgetregeln von Hand und stellen dann Gremien aus persönlichen Netzwerken und Stichwortsuchen zusammen. Beide Schritte sind langsam und uneinheitlich, und die Gremienzusammensetzung gilt als bekannte Quelle von Verzerrung (eine Fallstudie zur Ausschreibung des norwegischen KI-Zentrums stellt die fachliche Ausrichtung von Gremien in Frage [4]).
• KI-Nutzen: einheitliche erste Prüfungen, weniger Bearbeitungszeit für eindeutig nicht förderfähige Einreichungen, breitere und besser dokumentierte Gutachterpools sowie frühe Erkennung von Überschneidungen oder wiederverwendetem Text.
• Dokumentierter Einsatz: Die „la Caixa“-Stiftung nutzt seit 2023 in ihrer biomedizinischen Ausschreibung ein Modell zur inhaltlichen Förderfähigkeit, um unausgereifte Anträge vor der Begutachtung zu erkennen; das Modell empfiehlt nur den Ausschluss, menschliche Aufsichtspersonen prüfen jeden Fall, und den Antragstellenden steht ein Rechtsbehelf offen [1][2]. In der Ausschreibung 2023 markierte das Modell 98 von 493 Anträgen; die Prüfenden bestätigten 63 Ausschlüsse und holten 35 Anträge zurück [1]. Behandeln Sie Zahlen einzelner Förderer nur als Anhaltspunkt.
• Gutachter-Zuordnung: Einige Förderer nutzen Berichten zufolge algorithmische Unterstützung bei der Zuweisung von Gutachtern; prüfen Sie die aktuelle Dokumentation des jeweiligen Förderers, bevor Sie Einzelheiten zitieren.

Varianten

• Prüfung auf Förderfähigkeit und Vollständigkeit (regelbasiert): Die Regeln der Ausschreibung werden zu einer Checkliste, die ein LLM mit Zitaten aus dem Antrag verifiziert.
• Vorprüfung auf Reife oder Qualität: Klassifikator, der auf früheren Entscheidungen trainiert wurde; Variante mit dem höchsten Risiko (siehe Regulierung).
• Prüfung auf Dubletten, Überschneidungen und Plagiate: Ähnlichkeit gegenüber früheren Einreichungen und veröffentlichten Arbeiten; Verbindung zu ANOM-029.
• Gutachterzuweisung und Prüfung auf Interessenkonflikte (COI): themenbasierter Abgleich über Embeddings plus Graph aus Koautorschaften und Zugehörigkeiten.
• Sektoren: öffentliche Forschungsräte, private Stiftungen, Ministerien, Entwicklungsbanken, Projektverantwortliche in EU-Programmen, interne Anschubfinanzierung an Hochschulen.
• Nicht abgedeckt: die Seite der Antragstellenden (LANG-006, KNOW-017) und die Ausschreibungsanalyse durch Bieter (DOC-015).

So funktioniert es

1. Einreichung (PDF + Formular + Lebenslauf + Budget)
2. Verarbeitung (OCR/Layout, Abschnittserkennung, Spracherkennung)
3. Regelprüfungen (Seiten-/Wortgrenzen, Pflichtabschnitte, Antragsberechtigung, Budgetobergrenzen)
4. LLM-Checkliste gegen den Ausschreibungstext, jedes Urteil mit zitiertem Beleg
5. Ähnlichkeits- & Wiederverwendungsprüfung (internes Archiv, veröffentlichte Literatur)
6. [optional] Reifegrad-Markierung eines Klassifikators, der auf früheren Ergebnissen trainiert wurde
7. Antrags-Embedding + Gutachterprofil-Embedding
8. priorisierte Kandidaten
9. Reranking
10. COI-Prüfung (Koautorschaft, gemeinsame Institution, Betreuung, Förderregeln)
11. Prüfansicht für Sachbearbeitende: Markierungen, Belege, Begründung der Zuordnung, Übersteuerung
12. menschliche Entscheidung, Prüfprotokoll, Benachrichtigung der Antragstellenden und Rechtsbehelfsweg

• Themenabgleich: Dokument-Embeddings der Anträge und der Publikationen der Gutachter (wissenschaftliche Dokumentmodelle wie SPECTER2 oder allgemeine mehrsprachige Embedding-Modelle) liefern Kandidaten, ein Cross-Encoder-Reranker ordnet sie, und ein LLM schreibt eine kurze Begründung. Passungswerte sind eine Hilfe, keine Entscheidung.
• COI-Erkennung: Strukturierte Daten (ORCID, Koautorschaften aus Crossref/OpenAlex, Institutionskennungen) sind besser als Raten durch ein LLM; das LLM erklärt nur.
• Mensch-in-der-Schleife (Human-in-the-Loop): Sachbearbeitende bestätigen jeden Befund zur fehlenden Förderfähigkeit, bevor ein Antrag abgelehnt wird; jede Markierung „schwacher Antrag“ geht an eine geschulte Person, die entscheidet; Gremienvorsitzende genehmigen die Gutachterzuweisungen.

Datenaufbereitung

Benötigt werden die Ausschreibungstexte und -regeln, eingereichte Anträge (PDF, Formulare, Lebensläufe, Budgets), frühere Entscheidungen und Ergebnisse, Profile des Gutachterpools und Daten zu Interessenkonflikten. Sie liegen typischerweise im Einreichungsportal oder in der Fördermittel-Datenbank, auf Dateiservern, in E-Mails und in Papier- oder Scan-Archiven älterer Ausschreibungen. Typische Lücken sind eingescannte oder reine Bild-PDFs, uneinheitliche Formularfelder, doppelte Gutachter-Datensätze, fehlende ORCID- oder Institutionskennungen, Ausschreibungsregeln nur als Fließtext und Zugriffsrechte, die vertrauliche Daten der Antragstellenden nicht trennen.

Vorbereitungsschritte: 1. Anträge und Metadaten aus dem Portal exportieren und normalisieren (PREP-005, PREP-011). 2. Alte PDFs per OCR erfassen (PREP-006, DOC-014, DOC-018) und die Sprache erkennen. 3. Den Gutachterpool bereinigen und deduplizieren, ORCID- und Institutionskennungen ergänzen. 4. Ausschreibungsregeln in explizite Checklisten überführen (PREP-019) und Labels aus früheren Entscheidungen zur Förderfähigkeit ableiten (PREP-020). 5. Mit den Sachbearbeitenden eine Testmenge aufbauen (PREP-018) und die Daten für die Entwicklung pseudonymisieren (PREP-022); die Rechtsgrundlage für die Weiternutzung früherer Anträge prüfen (PREP-025).

Grober Anteil am Gesamtaufwand: etwa 30 Prozent, überwiegend Gutachterdaten und Formalisierung der Regeln.

Umsetzungswege

Welcher Weg für wen

• Öffentliche Hand: C — Anträge sind vertraulich, unveröffentlicht und personenbezogen, und öffentliche Förderer unterliegen Vorgaben zu Souveränität und Beschaffung; daher passen selbst betriebene offene Modelle auf HW2 (oder eine souveräne deutsche Cloud) am besten.
• Großunternehmen: B — Stiftungen und Unternehmensförderer können Cloud-APIs in EU-Regionen mit vertraglichen Klauseln gegen Training nutzen und sich in ihr Portal integrieren.
• Entwickler: C — Der Aufbau für Förderer bedeutet meist, einen On-Premises- oder souverän gehosteten Stack zu liefern, den der Kunde kontrolliert.

Weg A — Kaufen (Standardsoftware)

• Fördermanagement-Plattformen: Fluxx, SmartSimple, Submittable, Flexi-Grant, Optimy sowie Angebote aus der EU wie Einreichungssysteme im Stil von Proposal Central von Fachgesellschaften-Verlagen und die förderspezifischen Systeme nationaler Agenturen. Mehrere ergänzen Regelprüfungen und Gutachter-Vorschläge; klären Sie, was regelbasiert und was KI ist.
• Gutachter-Suchwerkzeuge: Werkzeuge aus Verlagsökosystemen (z. B. Elsevier Reviewer Recommender, Clarivate, Digital Science/Dimensions) indizieren Publikationen für die Expertensuche; Datenschutzbedingungen prüfen.
• Prüfungen der Forschungsintegrität: Turnitin / iThenticate, Crossref Similarity Check für Textüberschneidungen.
• A wählen, wenn: ein mittelgroßer Förderer Regelprüfungen und Expertensuche ohne eigenen Modellbau wünscht.

Weg B — Auf Cloud-KI-Diensten aufbauen

• LLM und Parsing: Azure AI Document Intelligence oder Mistral OCR (EU-Anbieter) für das Parsing; LLMs der Spitzenklasse über EU-Regionen (Azure OpenAI EU Data Zone, Google Vertex EU, AWS Bedrock Frankfurt, Mistral La Plateforme) mit strukturierten Ausgaben für Checklisten-Urteile.
• Daten für den Abgleich: OpenAlex-API (offen, CC0) und die öffentliche ORCID-API für Publikationen, Zugehörigkeiten und Koautorschaften.
• Suchstack: verwaltete Vektorsuche (Azure AI Search, OpenSearch) plus ein Reranker.
• Workflow: in das bestehende Einreichungsportal des Förderers integrieren; Prompts, Ausgaben und Versionen für die Prüfung protokollieren.
• B wählen, wenn: eigene Ausschreibungsregeln, förderspezifische Daten und Datenhaltung in der EU wichtig sind. Anträge sind vertraulich und unveröffentlicht; schließen Sie Training mit den Eingaben vertraglich aus.

Weg C — Selbst betreiben (Open Source)

• Parsing: Docling, MinerU, PaddleOCR.
• Modelle: offene LLMs (z. B. die Familien Qwen3, Mistral, Llama) über vLLM; Embeddings wie BGE-M3 oder multilingual-e5, SPECTER2 für wissenschaftliche Texte; Reranker wie bge-reranker.
• Stack: PostgreSQL/pgvector oder Qdrant, OpenSearch, ein Graphspeicher für Koautorschaften, n8n oder Camunda für den Workflow.
• Hardware: HW2 bewältigt eine Ausschreibung mit einigen Tausend Anträgen; HW3 für größere offene LLMs. Der Selbstbetrieb hält vertrauliche Anträge im Haus und unterstützt die Souveränitätsanforderungen öffentlicher Stellen.

Weg D — Eigenes Training

Lohnt sich für einen Reife- oder Passungsklassifikator auf der eigenen Entscheidungshistorie eines Förderers oder für fachlich abgestimmte Embeddings zur Gutachterzuordnung. Erfordert Tausende gelabelte frühere Anträge mit Ergebnissen, sorgfältige Prüfung auf Verzerrung (Fachgebiet, Geschlecht, Karrierestufe, Sprache, Institution) und einen dokumentierten Zweck. Frühere Entscheidungen enthalten frühere Verzerrungen, was der Hauptgrund ist, dies als hochriskant zu behandeln.

Stand der Technik (2026)

• Embeddings plus Reranker sind der praktische Standard für die Gutachterzuordnung; LLMs liefern Erklärungen, die Erzeugung von Suchanfragen aus der Ausschreibung und Expertise-Zusammenfassungen. Graphbasierte COI-Prüfungen bleiben verlässlicher als rein textbasierte.
• LLM-Checklisten gegen den Ausschreibungstext sind bei formalen Kriterien (Abschnitte, Grenzen, Aussagen zur Förderfähigkeit) genau und bei der Beurteilung von Neuheit, Machbarkeit oder Qualität schwächer; nutzen Sie sie nicht, um wissenschaftliche Verdienste zu reihen.
• Die Förderpolitik ist vorsichtig: Die fortlaufend aktualisierten Leitlinien der Europäischen Kommission zu generativer KI in der Forschung empfehlen, generative KI nicht in sensiblen Tätigkeiten wie Begutachtung und Antragsbewertung einzusetzen, und warnen davor, vertrauliches Material oder personenbezogene Daten Dritter in Online-Werkzeuge hochzuladen; sie wurden 2026 erneut überarbeitet [3]. Mehrere Förderer verlangen außerdem, dass Gutachter jeden KI-Einsatz offenlegen. Viele Förderer beschränken KI daher auf administrative Schritte (Förderfähigkeit, Zuweisung) und halten die Bewertung der Qualität in menschlicher Hand.
• Grenzen und Fehlerarten: Reifegrad-Klassifikatoren können unkonventionelle, interdisziplinäre oder nicht muttersprachlich-englische Anträge benachteiligen und den Status quo verfestigen [2]; die Ähnlichkeit von Embeddings bevorzugt häufig publizierende Gutachter und kann entstehende Felder übersehen; Fehler bei der Namensdisambiguierung erzeugen falsche oder übersehene Konflikte; versteckte Prompt-Injektion in eingereichten PDFs kann LLM-Prüfungen manipulieren, daher versteckten Text entfernen und Antragsinhalte als nicht vertrauenswürdig behandeln [3].

Gemeinsame Bausteine & Kombinationen

• Gleicher Stack: DOC-003 (Formulare), DOC-014 (Parsing für RAG), DOC-016 (Regelkonformitätsprüfung), DOC-015 (Anforderungsextraktion) teilen Parsing und Checklistenlogik.
• Integritätsseite: ANOM-029 (Prüfung auf Mehrfacheinreichungen und Paper Mills) und DOC-021 (Ähnlichkeit und Prüfung großer Textmengen).
• Gegenstücke auf Seite der Antragstellenden: LANG-006, KNOW-017.
• Infrastruktur: ein Embedding-/Vektordienst (HW2) unterstützt Gutachterzuordnung, Portfolioanalyse und Wissenssuche.

Aufwand, Kosten & Kennzahlen

• Weg A: Wochen bis wenige Monate inklusive Beschaffung; Lizenzen pro Arbeitsplatz oder pro Ausschreibung.
• Weg B: 3-6 Monate mit Pilot an einer früheren Ausschreibung; Kostentreiber sind die Integration in das Portal, Evaluation, rechtliche Prüfung und Verzerrungsprüfungen statt der Inferenz.
• Weg C: 4-9 Monate; ein GPU-Server plus MLOps.
• Kennzahlen: Bearbeitungsstunden je Antrag, Anteil der von Sachbearbeitenden bestätigten formalen Prüfungen (Precision/Recall der Markierungen zur fehlenden Förderfähigkeit), Widerspruchs- und Aufhebungsquote, Annahmequote der Gutachter-Einladungen, Bewertung der Gutachter-Expertise durch die Gremien, Zeit bis zur Gremienbildung, spät entdeckte COI-Vorfälle, Unterschiede der Markierungen zwischen Untergruppen.

Menschen & Veränderung

Beziehen Sie die Geschäftsleitung und die Programmleitung (Prozessverantwortliche) für Umfang und Verantwortlichkeit ein, die Sachbearbeitenden der Förderung als tägliche Nutzer, IT-Sicherheit und IT für das Hosting, die Datenschutzbeauftragte bzw. den Datenschutzbeauftragten, Legal/Compliance für Verfahrensrecht und Fairnesspflichten sowie den Betriebsrat oder Personalrat. Planen Sie die Beteiligung der Datenschutzbeauftragten und des Personalrats vor dem Pilot, nicht danach.

Betriebsrat: ja. In öffentlichen Stellen bestimmt der Personalrat nach BPersVG oder Landesrecht mit; bei privaten Förderern gilt §87 Abs. 1 Nr. 6 BetrVG, weil das System Handlungen der Sachbearbeitenden protokolliert, und §90 Abs. 1 Nr. 3 BetrVG verlangt eine Information, wenn KI Arbeitsabläufe prägt. Die Hinzuziehung eines KI-Sachverständigen ist nach §80 Abs. 3 BetrVG erforderlich. §95 Abs. 2a BetrVG ist nur relevant, wenn das Werkzeug zur Personalauswahl eingesetzt würde.

Datenschutz: Personenbezogene Daten von Antragstellenden und Gutachtern, systematische Bewertung und möglicher hochriskanter Einsatz machen eine DSFA (Art. 35 DSGVO) wahrscheinlich; für jeden Cloud-Auftragsverarbeiter ist ein AVV (Art. 28 DSGVO) nötig. Die Einstufung nach der KI-Verordnung (AI Act) ist zu prüfen (Anhang III, Zugang zu Leistungen), mit Pflichten ab dem 2. Dezember 2027.

KI-Kompetenz: Unterstützen Sie die Sachbearbeitenden mit einer Schulung zu Verzerrung und Grenzen (Art. 4 KI-Verordnung). Pilotieren Sie an einer abgeschlossenen früheren Ausschreibung neben dem manuellen Prozess. Sorge: „Die KI entscheidet über meinen Antrag.“ Antwort: Sie bereitet nur Markierungen vor; Menschen entscheiden, mit Rechtsbehelf. Siehe GUIDE-004, GUIDE-005 und GUIDE-014.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): Die Einstufung hängt von der Funktion ab. Formale Vollständigkeitsprüfungen und administrative Zuordnung sind wahrscheinlich minimales Risiko. Systeme, die den Zugang zu öffentlicher Förderung oder Leistungen bestimmen oder wesentlich beeinflussen, können unter Anhang III fallen (z. B. Anspruch auf grundlegende öffentliche Leistungen und Dienste); Förderer sollten dies im Einzelfall bewerten, und eine Vorprüfung auf Qualität oder Reife, die Antragstellende vor der Begutachtung ausschließt, ist am stärksten exponiert. Die Auswahl von Gutachtern aus der Forschung ist für sich genommen kein Beschäftigungsfall nach Anhang III, prüfen Sie aber den Anwendungsbereich. Die Verbote nach Art. 5 (Social Scoring, Ableitung von Emotionen) dürfen nicht berührt werden, etwa durch die Bewertung von Charakter oder persönlichen Eigenschaften der Antragstellenden. Art. 4 (KI-Kompetenz) gilt. Dies ist keine Rechtsberatung.
• DSGVO: Anträge, Lebensläufe und Gutachterprofile sind personenbezogene Daten; die Rechtsgrundlage ist typischerweise die öffentliche Aufgabe oder das berechtigte Interesse; eine DSFA ist ratsam; Schutzmaßnahmen nach Art. 22, wenn eine Entscheidung ausschließlich automatisiert erfolgt (durch die Gestaltung vermeiden, wirksame menschliche Prüfung beibehalten); Transparenz gegenüber Antragstellenden und Gutachtern sowie ein Rechtsbehelf [1].
• Vertraulichkeit: unveröffentlichte Ideen, wobei die Leitlinien der Kommission von Online-Werkzeugen in der Bewertung abraten [3].
• Fairness und Erklärbarkeit: zitierte Belege je Markierung zeigen; Untergruppen prüfen; eine Beschreibung des KI-Einsatzes veröffentlichen; Antragstellenden die Anfechtung ermöglichen.
• Gegenmaßnahmen: menschliche Entscheidung bei jeder Ablehnung, keine rein KI-gestützte Bewertung der Qualität, auf Versionen festgelegte Modelle, unveränderliche Protokolle, Filter gegen Prompt-Injektion.

Erste Schritte

1. Festlegen, was KI tun darf (formale Prüfungen, Dublettenmarkierungen, Gutachter-Vorschläge) und was nie (Förderentscheidungen, Rangfolge nach Verdienst), und diese Richtlinie veröffentlichen.
2. Die Regeln einer Ausschreibung in eine maschinell prüfbare Checkliste überführen und an einer früheren Ausschreibung gegen die Entscheidungen der Sachbearbeitenden testen.
3. Gutachterprofile aus OpenAlex/ORCID aufbauen, den Abgleich gegen frühere Gremienzuweisungen mit Rückmeldung der Gremien testen.
4. Einen Schattenpilot parallel zum normalen Prozess für eine Runde durchführen, Fehler und Unterschiede zwischen Untergruppen messen.
5. DSFA und Bewertung nach der KI-Verordnung abschließen, den Beschwerdeweg einrichten und dann mit menschlicher Abnahme in Betrieb gehen.

Quellen

1. AI-assisted prescreening of biomedical research proposals: ethical considerations and the pilot case of "la Caixa" Foundation, Data & Policy (Cambridge) — https://www.cambridge.org/core/journals/data-and-policy/article/aiassisted-prescreening-of-biomedical-research-proposals-ethical-considerations-and-the-pilot-case-of-la-caixa-foundation/D17CC86C884D4F9E3A6DD9ABF3F4605E
2. Science Business — The risks and benefits of AI in screening research grant proposals — https://sciencebusiness.net/news/r-d-funding/risks-and-benefits-ai-screening-research-grant-proposals
3. European Commission — Living guidelines on the responsible use of generative AI in research — https://research-and-innovation.ec.europa.eu/document/download/2b6cf7e5-36ac-41cb-aab5-0d32050143dc_en?filename=ec_rtd_ai-guidelines.pdf
4. Trust, transparency, and disciplinary alignment in research funding evaluations: Norwegian AI Center call (2024-2025), PMC — https://pmc.ncbi.nlm.nih.gov/articles/PMC13350320/
5. "la Caixa" Foundation — Eligibility and evaluation guidelines 2026 — https://caixaresearch.org/documents/d/caixaresearch/health-research-call-eligibility-evaluation-guidelines-2026-pdf
6. OpenAlex API documentation — https://docs.openalex.org/
7. Regulation (EU) 2024/1689 (AI Act) — https://eur-lex.europa.eu/eli/reg/2024/1689/oj