← Kennisbank/C37
c37Content Vertrouwen21 mei 20262 min lezenMvG — Atthis AI redactie

Subsidie-afwijzingen voorkomen: AI als versneller, niet als vervanger

Waarom AI-gegenereerde subsidieteksten vaker afgewezen worden, en hoe verificatie per claim het honoreringspercentage verhoogt bij RVO en Horizon Europe.

Subsidieaanvragen sneuvelen zelden op schrijfstijl, vaker op gebrekkige onderbouwing en mismatch met regelingscriteria. AI-tools kunnen die fouten versnellen in plaats van oplossen — tenzij je verificatie structureel inbouwt.

Subsidie-afwijzingen voorkomen: AI als versneller, niet als vervanger

Subsidieaanvragen sneuvelen zelden op schrijfstijl, vaker op gebrekkige onderbouwing en mismatch met regelingscriteria. AI-tools kunnen die fouten versnellen in plaats van oplossen — tenzij je verificatie structureel inbouwt.

Het kort: 5 praktijk-takeaways

1. Criterium-eerst, niet hoofdstuk-eerst — Beoordelaars werken met scoreformulieren. Loop letterlijk de evaluatiecriteria van de call af en markeer per criterium waar in de tekst het wordt geadresseerd. AI schrijft vloeiend, maar mist zonder sturing de specifieke criteriumtaal.

2. Verifieer elke harde claim — Leg per cijfer, norm of bron zes velden vast: broneigenaar, publicatiedatum, regelingversie, criteriumlink, reviewer en bewijsdocument. Dit dwingt af dat AI-gegenereerde referenties niet onverifieerbaar de aanvraag in glippen.

3. Check inhoud-begroting-consistentie — Wanneer tekst en begroting door verschillende processen ontstaan — AI voor verhaal, mens voor cijfers — ontstaan tegenstrijdigheden. Een data-science-project zonder FTE’s voor data scientists valt direct op. Review beide documenten samen, niet apart.

4. Bouw een afwijzingsregister — Categoriseer eerdere afwijzingen (scope, onderbouwing, begroting, formeel, AI-risico) en toets elke nieuwe aanvraag tegen dit register vóór indiening. Combineer met Evaluation Summary Reports van Horizon en RVO-jaarrapportages.

5. Tweetrapsreview verplicht — Vakinhoudelijk expert toetst technische claims; compliance of senior adviseur toetst tegen het scoreformulier. Eén review is onvoldoende wanneer AI-content in het document zit — hallucinaties zijn juist taalkundig overtuigend.

Waar AI dit goed kan — en waar niet

Bij subsidieaanvragen ligt de kracht van taalmodellen in structuur en eerste concepten: het verwerken van calltekst tot een werkpakket-skelet, het herformuleren van technische beschrijvingen voor verschillende doelgroepen, of het systematisch aflopen van evaluatiecriteria als checklist. Daar levert AI aantoonbare tijdwinst.

De nuance zit in feitelijkheid en specificiteit. Taalmodellen genereren plausibel klinkende cijfers, niet-bestaande normen (ISO, IEC) en referenties die bij verificatie onvindbaar blijken. Bij regelingen als WBSO of Eurostars, waar technische correctheid niet onderhandelbaar is, betekent één gehallucineerd getal een afwijzing op het criterium technische haalbaarheid. Ook strategische context — interne roadmap, vervolgfinanciering, sectorbrede samenwerking — kan een model niet zelf bedenken; dat vraagt organisatie-specifieke kennis.

De praktische lijn: gebruik AI voor het versnellen van wat herhaalbaar is, en bouw een verplichte verificatieslag in voor alles wat een beoordelaar zou kunnen natrekken. Een gestructureerd claim-register (bron, datum, reviewer) maakt het verschil tussen een vlotte tekst en een verdedigbare aanvraag.

Bron

Dit overzicht is gebaseerd op het volledige artikel van C37: Subsidieaanvraag afgewezen? Dit zijn de meest gemaakte fouten

Het originele C37-artikel bevat een gedetailleerde zes-velden-verificatietabel per claim en een 24-uurs-indieningschecklist voor formele controles.

Het kort: 5 praktijk-takeaways

  1. 01 — Criterium-eerst, niet hoofdstuk-eerst

    Beoordelaars werken met scoreformulieren. Loop letterlijk de evaluatiecriteria van de call af en markeer per criterium waar in de tekst het wordt geadresseerd. AI schrijft vloeiend, maar mist zonder sturing de specifieke criteriumtaal.

  2. 02 — Verifieer elke harde claim

    Leg per cijfer, norm of bron zes velden vast: broneigenaar, publicatiedatum, regelingversie, criteriumlink, reviewer en bewijsdocument. Dit dwingt af dat AI-gegenereerde referenties niet onverifieerbaar de aanvraag in glippen.

  3. 03 — Check inhoud-begroting-consistentie

    Wanneer tekst en begroting door verschillende processen ontstaan — AI voor verhaal, mens voor cijfers — ontstaan tegenstrijdigheden. Een data-science-project zonder FTE’s voor data scientists valt direct op. Review beide documenten samen, niet apart.

  4. 04 — Bouw een afwijzingsregister

    Categoriseer eerdere afwijzingen (scope, onderbouwing, begroting, formeel, AI-risico) en toets elke nieuwe aanvraag tegen dit register vóór indiening. Combineer met Evaluation Summary Reports van Horizon en RVO-jaarrapportages.

  5. 05 — Tweetrapsreview verplicht

    Vakinhoudelijk expert toetst technische claims; compliance of senior adviseur toetst tegen het scoreformulier. Eén review is onvoldoende wanneer AI-content in het document zit — hallucinaties zijn juist taalkundig overtuigend.

Waar AI dit goed kan — en waar niet

Bij subsidieaanvragen ligt de kracht van taalmodellen in structuur en eerste concepten: het verwerken van calltekst tot een werkpakket-skelet, het herformuleren van technische beschrijvingen voor verschillende doelgroepen, of het systematisch aflopen van evaluatiecriteria als checklist. Daar levert AI aantoonbare tijdwinst.

De nuance zit in feitelijkheid en specificiteit. Taalmodellen genereren plausibel klinkende cijfers, niet-bestaande normen (ISO, IEC) en referenties die bij verificatie onvindbaar blijken. Bij regelingen als WBSO of Eurostars, waar technische correctheid niet onderhandelbaar is, betekent één gehallucineerd getal een afwijzing op het criterium technische haalbaarheid. Ook strategische context — interne roadmap, vervolgfinanciering, sectorbrede samenwerking — kan een model niet zelf bedenken; dat vraagt organisatie-specifieke kennis.

De praktische lijn: gebruik AI voor het versnellen van wat herhaalbaar is, en bouw een verplichte verificatieslag in voor alles wat een beoordelaar zou kunnen natrekken. Een gestructureerd claim-register (bron, datum, reviewer) maakt het verschil tussen een vlotte tekst en een verdedigbare aanvraag.