AI-avusteinen avustusten kirjoittaminen ilman, että narratiivi latistuu
Miten LLM-luonnostelu integroidaan monivuotiseen avustuspipelineen niin, että hallinnollinen kuorma laskee mutta rahoituksen voittava strateginen tarina terävöityy, ei latistu.
Useimmat avustuskirjoittajat, jotka alkavat käyttää tekoälyä, tekevät saman virheen: he pyytävät mallia kirjoittamaan avustuksen. Lopputulos on pätevä, jäsennelty ja täysin unohdettava — sellainen hakemus, joka saa 65/100 pistettä ja katoaa hylkäysjonoon.
Ongelma ei ole työkalu. Ongelma on kehotearkkitehtuuri. Kun syötät kielimallille projektisuunnitelmasi ja pyydät täyttä hakemusta, se regressoi kohti keskiarvoa jokaisesta näkemästään avustuksesta. Turvallisia verbejä. Geneerisiä tuloksia. Nollariskiä. Se on täysin päinvastaista sille, mitä vahva hakemus tarvitsee.
Sen sijaan toimii jaettu pipeline-lähestymistapa. Vaihe yksi on pelkästään inhimillinen: määrittele strateginen narratiivi, muutosteorian logiikka, se yksi lause, joka saa rahoittajan kumartumaan eteenpäin. Vaihe kaksi on tekoälykiihdytetty: muunna narratiivi oikeaan rakenteelliseen muotoon, tuota budjettinarratiivi, luonnostele arviointikehikko ja tuota compliance-liitteet.
Nuorissa Kotkissa rakensin tämän pipelinen STEA- ja kuntahakemuksille. LLM hoiti toistuvan rungon — muotoilun, tavoitteiden ja budjettikohtien ristiinviittaamisen, indikaattoritaulukoiden generoinnin — kun taas minä omistin narratiivisen selkärangan. Tuloksena oli nopeampaa kirjoittamista ja vahvempia hakemuksia, koska inhimillinen energia meni argumenttiin, ei sanamäärään.
Spesifinen stack: Claude pitkän kontekstin luonnosteluun, custom kehotekirjasto esimerkeinä rahoitetuista vs. hylätyistä hakemuksista, ja tiukka tarkistuspiste, jossa yksikään kappale ei lähde ilman inhimillistä koherenssitarkistusta. Nopeutta ilman oikotietä.
Haluatko keskustella tästä aiheesta? Kirjoita suoraan.
jami@impactnode.fi