← Ergebnisse/Forschungsförderung · KI-Matching · 2025
Universität Lausanne (UNIL)
Panorama: Den richtigen Grant zur richtigen Forscherin bringen
Interne Trefferquote + externe Förderlandschaft, KI-gematcht, damit Forschende nicht mehr suchen, sondern bewerben
Intern × extern
UNILs Erfolgsdaten treffen die offene Förderlandschaft
Pro Forscher:in
personalisierte Matches statt generischer Feeds
Always on
das System beobachtet, Forschende müssen es nicht
Fakultäts-Sicht
Dekanate sehen, wo das Geld wirklich liegt
Forschungsgrants sind der Lebensnerv jeder Fakultät, und den richtigen zu finden ist ein eigener Vollzeitjob. Die meisten Forschenden verlassen sich auf wenige bekannte Förderer, fragen herum oder verpassen schlicht Calls, die perfekt zu ihrem Profil gepasst hätten.
Panorama gibt jeder Fakultät und jedem Department einen klaren Blick darauf, woher das Geld wirklich kommt, und benachrichtigt jede:n Forscher:in, sobald ein neuer Call zur eigenen Arbeit, vergangenen Erfolgen und Stärken passt. Weniger suchen, mehr auf die richtigen Calls bewerben.
Das Problem
Fakultäten wissen nicht wirklich, woher ihre Grants kommen. Die Daten existieren (vergangene Anträge, Bewilligungen, wer wo eingereicht hat, welche Calls gepasst hätten), aber sie sind verstreut über Departments, Spreadsheets und Erinnerungen. Ohne dieses Bild kann die Leitung nicht entscheiden, in welche Förderer investiert werden soll, und Forschende können nicht beurteilen, welche Calls für ihr Profil realistisch sind.
Auf der anderen Seite verändert sich die externe Förderlandschaft schnell: neue Calls erscheinen, Themen verschieben sich, Eignungsregeln ändern sich. Von jeder Forscherin zu verlangen, das neben Lehre und Forschung zu tracken, ist unrealistisch, und drängt alle in dieselben bekannten Förderer, während echte Chancen leise vorbeiziehen.
Was wir gebaut haben
Wir verbinden beide Seiten. Intern strukturieren wir UNILs eigene Grant-Historie in etwas Lesbares: wer hat sich wo beworben, welche Teams haben gewonnen, wo ist die Fakultät stark, wo verliert sie. Extern überwachen KI-Agenten die Grant-Plattformen (SNF, ERC, Innosuisse, EU-Programme und weitere) und reichern jeden neuen Call mit den Informationen an, die zur Fit-Beurteilung nötig sind.
Dann matchen wir. Eine Scoring-Ebene verbindet Profil, Historie und Skills jeder Forscherin mit den Calls, bei denen sie am ehesten landen würde, samt klarer Begründung. Forschende bekommen personalisierte Empfehlungen, Dekanate ein Echtzeit-Dashboard, wo das Geld in der Fakultät liegt.
Das Ziel ist keine weitere Plattform. Es ist, eine ungeliebte Aufgabe abzuschaffen: Grant-Suche. Das System sucht, bewertet den Fit, und benachrichtigt die richtige Forscherin, wenn etwas Bewerbenswertes auftaucht.
Das Ergebnis
Die ersten Fakultätsanalysen verändern bereits, wie die UNIL-Leitung über ihren Förderungsmix nachdenkt. Muster, die quer über Spreadsheets unsichtbar waren, etwa welche Programme ein Department überdurchschnittlich gewinnt und welche es regelmässig liegen lässt, werden in einer Ansicht lesbar.
Für Forschende ist das Ziel einfach: einmal pro Woche die Plattform öffnen, zwei oder drei Calls sehen, die wirklich zur Arbeit passen, den Rest überspringen. Weniger Zeit mit Suchen, mehr mit den Anträgen, die eine echte Chance haben.
Aus den Unterlagen
Techniken
- Strukturierte Aufnahme der internen Grant-Historie
- KI-gesteuertes Crawling und Anreicherung externer Grant-Plattformen
- Profil × Call-Matching mit erklärbaren Scores
- Personalisierte Empfehlungen pro Forscher:in
- Dashboards für Dekanate zu Strategie und Planung
Stack
- Python-Daten-Pipelines
- LLM-basierte Grant-Anreicherung
- Vektorsuche für Profil × Call
- Interne Dashboards für Dekanate und PIs
Ein Problem wie dieses?