Passende Forschungsförderung automatisch identifizieren

Das echte Ausmaß des Problems

Laut einer Erhebung von Elsevier geben Forschende im Schnitt rund elf Prozent ihrer Wochenarbeitszeit für Förderakquise und Antragsvorbereitungen aus, bei einer typischen 50-Stunden-Woche also knapp sechs Stunden. Ein wesentlicher Teil davon entfällt auf die Erstrecherche: Welche Programme existieren überhaupt? Was passt zum Fachgebiet? Welche Ausschreibungen stehen aktuell offen?

Eine 2015 publizierte Studie aus dem britischen Hochschulwesen bezifferte den durchschnittlichen Zeitaufwand für einen erfolgreichen Förderantrag auf 116 Stunden Hauptantragsteller-Zeit plus weitere 55 Stunden Ko-Antragsteller, und das erst für die Ausarbeitung, nicht für die Vorabrecherche.

Das größere Problem ist struktureller Natur: Der deutschen Förderlandschaft fehlt eine zentrale, maschinenlesbare Anlaufstelle. BMBF, DFG, EU-Kommission, Stiftungen und Länder-Förderbanken veröffentlichen Ausschreibungen auf unterschiedlichen Plattformen, in unterschiedlichen Formaten, zu unterschiedlichen Zeiten.

Die wichtigsten Datenquellen in der Praxis:

• Förderdatenbank des Bundes (BMWK), größtes deutsches Förderverzeichnis mit Bundes-, Länder- und EU-Programmen. Strukturiert, regelmäßig aktualisiert, öffentlich zugänglich. Kein KI-Matching, kein Alert-System.
• GEPRIS (DFG-Projektinformationssystem), zeigt abgeschlossene und laufende DFG-geförderte Projekte. Nützlich für Benchmarking und Profil-Analyse, aber keine Ausschreibungsdatenbank im eigentlichen Sinne.
• EURAXESS Jobs & Funding, EU-Portal für Mobilitätsstipendien und europäische Ausschreibungen.
• EU Funding & Tenders Portal, offizielle Quelle für Horizon Europe, ERC, Marie-Skłodowska-Curie-Aktionen und weitere EU-Programmes.
• DAAD-Fördermöglichkeiten-Datenbank, für Austausch- und Stipendienprogramme.
• Länderspezifische Förderbanken, NBank (Niedersachsen), Bayern Innovativ, Thüringer Aufbaubank, NRW-Förderportale, alle mit eigenem Erscheinungsrhythmus.

Selbst wer alle diese Quellen kennt, kann sie nicht täglich manuell überwachen. Und die Konsequenz ist nicht abstrakt: Ein Förderrahmen, der thematisch und institutionell passt, aber unbemerkt geblieben ist, existiert für die eigene Einrichtung schlicht nicht.

Mit vs. ohne KI, ein ehrlicher Vergleich

Die Zeitangaben für das manuelle Scouting basieren auf Erfahrungswerten aus Forschungsdezernaten an HAW und Universitäten; keine repräsentative Studie. Die Zahl übersehener Calls ist eine konservative Schätzung aus Praxisberichten, die tatsächliche Dunkelziffer liegt höher, weil nie gemessen wird, was man nicht entdeckt hat.

Einschätzung auf einen Blick

Zeitersparnis, hoch (4/5) Die Einsparung ist real und substanziell: Wer bisher zehn bis zwanzig Stunden pro Monat für manuelle Förderrecherche aufgewendet hat, reduziert diesen Aufwand auf ein bis drei Stunden für die Sichtung und Validierung der Vorschläge. Gemessen an der gesamten Forschungsarbeitszeit ist das ein kleiner Prozentsatz, aber Förderrecherche ist Overhead, keine Kernarbeit. Deshalb ist die Befreiung von dieser Aufgabe in der Praxis oft stärker zu spüren als die Zahlen vermuten lassen.

Kosteneinsparung, hoch (4/5) Die Kalkulation ist asymmetrisch: Ein einziger entdeckter und erfolgreich eingeworbener Förderaufruf kann das Jahresbudget eines Scouting-Tools um das Zehn- bis Hundertfache übersteigen. BMBF-Verbundprojekte beginnen bei €100.000, DFG-Sachbeihilfen typisch bei €50.000–200.000, Horizon-Grants bei €500.000+. Dagegen stehen Tool-Kosten von €35–1.200/Monat. Die Amortisation erfolgt bereits bei einem einzigen Treffer. Einschränkung: Das Scouting erhöht nur die Pipeline, ob daraus ein Antrag entsteht und ob der Antrag bewilligt wird, hängt von anderen Faktoren ab.

Schnelle Umsetzung, mittel (3/5) Bis die ersten sinnvollen Alerts laufen, vergehen realistisch sechs bis zehn Wochen: Forschungsprofil aufbauen, Suchparameter kalibrieren, Eligibility-Schichten konfigurieren, erste Treffer manuell validieren und das System auf Basis dieser Rückmeldung nachjustieren. Das ist vergleichbar mit dem FAIR-konformen Datenmanagementplan oder dem Drittmittel-Monitoring, die ähnliche Vorlaufzeiten haben. Einfachere Tools wie Reflecta Fördermittelkompass gehen schneller, haben aber eingeschränktere Eligibility-Prüfung.

ROI-Sicherheit, mittel (3/5) Das Scouting vergrößert die Zahl der entdeckten Calls, aber nicht die Bewilligungsquote. Der ROI hängt vollständig davon ab, ob die gefundenen Ausschreibungen tatsächlich zu Anträgen werden und ob diese Anträge Erfolg haben. Wer bereits eine volle Antragspipeline hat und keinen Kapazitätspuffer für neue Calls besitzt, gewinnt durch besseres Scouting wenig. Für Institute, bei denen das Entdecken von Calls der eigentliche Engpass ist, liegt die Sicherheit dagegen höher.

Skalierbarkeit, maximal (5/5) Ein konfiguriertes Scouting-System scoutet für fünf Forschungsgruppen genauso wie für fünfhundert, ohne proportional steigenden Betriebsaufwand. Das macht diesen Anwendungsfall zu einem der skalierbarsten in dieser Branche: Der Initialaufwand ist fix, der Grenznutzen jeder weiteren Forschungsgruppe, die das System nutzt, gegen null. Universitäten können mit einer einzigen Plattform alle Fakultäten abdecken.

Richtwerte, stark abhängig von Institutionsgröße, Fächerspektrum und Qualität des Forschungsprofils.

Was das Scouting-System konkret macht

Das technische Prinzip ist einfacher als die Implementierung: Das System hält eine strukturierte Repräsentation des Forschungsprofils der Einrichtung vor, Fachgebiete, laufende Projekte, Publikationshistorie, bevorzugte Fördergeber, Einrichtungstyp, und vergleicht diese kontinuierlich mit neu erscheinenden Ausschreibungen aus den überwachten Datenbanken.

Der Vergleich läuft auf zwei Ebenen:

Thematisches Matching, Semantische Ähnlichkeit zwischen den Beschreibungen der Ausschreibung und dem Profil der Forschungsgruppe. Hier setzen NLP-Methoden an: Ein LLM oder ein spezialisiertes Embedding-Modell berechnet, wie ähnlich die Themenräume sind. Das ist der Teil, den Dimensions und Pivot-RP gut beherrschen.

Eligibility-Matching, Hier liegt der entscheidende Unterschied zwischen guten und schlechten Scouting-Lösungen. Jede Förderausschreibung enthält strukturierte Bedingungen: “nur Hochschulen”, “nur KMU”, “nur Einrichtungen mit Sitz in Bayern”, “maximal 500.000 € Projektvolumen”, “Verbundprojekte obligatorisch”. Diese Bedingungen sind oft im Fließtext vergraben und lassen sich durch reine NLP-Suche nicht zuverlässig extrahieren.

Das Ergebnis: Ein Tool, das nur thematisch abgleicht, empfiehlt einem Universitätsinstitut regelmäßig Programme, die ausschließlich für KMU ausgeschrieben sind, oder einem kleineren Institut Verbundprojekte, die eine Mindest-Fördersumme von 1 Million Euro und drei institutionelle Partner erfordern. Jeder solche Fehlalarm kostet Aufmerksamkeit und baut Vertrauen in das System ab.

Besser funktionierende Ansätze kombinieren:

1. Semantisches Keyword-Matching für die Erstfilterung
2. Regelbasierte Eligibility-Prüfung gegen ein Profil-Datenblatt der eigenen Einrichtung (Einrichtungstyp, Region, Fachbereichsstruktur, typisches Antragsvolumen)
3. Manuellen Verifikationsschritt für die Top-Treffer vor der Weiterleitung an Forschende

Wer diesen dritten Schritt überspringt und Rohvorschläge direkt an Professorinnen und Professoren weiterleitet, riskiert schnell das umgekehrte Problem: Das System sendet zehn Treffer pro Woche, davon drei irrelevant, und nach acht Wochen ignoriert niemand mehr die Alerts.

Der Eligibility-Layer: Warum NLP-Matching allein nicht reicht

Das ist der technische Kern, der in den meisten Einführungsgesprächen zu wenig Aufmerksamkeit bekommt, und der über Erfolg oder Misserfolg eines Scouting-Systems entscheidet.

Deutsche Förderausschreibungen sind reich an strukturierten Eligibility-Kriterien, die im Fließtext kaum erkennbar, aber juristisch bindend sind:

• Einrichtungstyp: “Antragsberechtigt sind Hochschulen und außeruniversitäre Forschungseinrichtungen”, klingt inklusiv, schließt aber KMU, Behörden und Einzelpersonen aus
• Fördergebiet / Themenfeld: BMBF-Rahmenprogramme definieren explizite Schwerpunktthemen; Anträge außerhalb werden nicht bewertet
• Karrierestufe: Viele DFG-Programme sind an Karrierestufen geknüpft (Emmy Noether: Postdoc, Heisenberg: Senior Researcher)
• Verbundstruktur: Einige Calls schreiben Mindestanzahl und Typen von Partnerinstitutionen vor
• Regionale Beschränkung: Länderprogramme gelten oft nur für Institutionen mit Sitz im jeweiligen Bundesland
• Vorige Förderung: “Wer bereits ein Projekt im Rahmenprogramm X hat, ist nicht antragsberechtigt”

Die Förderdatenbank.de und GEPRIS stellen einige dieser Kriterien in strukturierten Metadatenfeldern bereit, das macht eine regelbasierte Vorfilterung technisch möglich. Aber viele Eligibility-Einschränkungen stehen nur in der Vollversion der Bekanntmachung, nicht in den Metadaten.

Die praktische Konsequenz: Kein aktuell verfügbares Tool löst das Eligibility-Problem vollautomatisch. Der beste erreichbare Zustand ist eine Kombination aus automatischem Erstscreening und einem kurzen manuellen Verifikationsschritt durch jemanden, der die Einrichtung kennt.

Konkrete Werkzeuge, was wann passt

Die verfügbaren Tools unterscheiden sich erheblich in Abdeckung, Preis und Eignung für den deutschen Kontext.

Pivot-RP (Clarivate), Das umfassendste institutionelle Tool: über 40.000 Förderausschreibungen weltweit, KI-gestütztes Matching auf Basis von Publikationsprofilen, automatische Alerts und Researcher-Discovery-Funktion. Stärke ist die globale Datenbanktiefe, insbesondere für EU Horizon, ERC, NIH und NSF. Schwäche im deutschen Kontext: Förderdatenbank.de und Länderprogramme sind weniger vollständig abgedeckt, das Interface ist nur auf Englisch, und die Lizenz (ab ca. €10.000–25.000/Jahr) rechtfertigt sich erst ab mittelgroßen Universitäten mit eigenem Forschungsdezernat. Eligibility-Prüfung liegt beim Nutzer.

Dimensions (Digital Science), Keine eigenständige Scouting-Plattform, aber eine leistungsfähige Datenbank mit 8,1 Millionen indexierten Grants, die nach Fachgebiet, Fördergeber und Zeitraum filterbar sind. Sinnvoll für strategische Analysen: Welche Fördergeber finanzieren Forschung in unserem Themenfeld? Wie stark ist die DFG in dieser Nische aktiv? Vollzugriff auf Grants nur über Institutional-Lizenz (auf Anfrage). Für aktives Scouting ist Dimensions weniger geeignet, es gibt keine automatischen Alerts auf neue Ausschreibungen.

Reflecta Fördermittelkompass, Deutschsprachige Lösung mit ~8.800 Programmen aus Deutschland, Österreich und ~600 EU-Programmen. Bestes Preis-Leistungs-Verhältnis für kleinere Institute und gemeinnützige Einrichtungen (ab €35/Monat Non-Profit-Tarif). Stärke: vollständig auf Deutsch, Fördermittelwecker inklusive, schneller Einstieg. Schwäche: Für die speziellen Anforderungen akademischer Einrichtungen (DFG-Ausschreibungsrunden, Graduiertenkollegs, ERC-Calls) weniger tiefgehend als Pivot-RP. Eignet sich besonders für HAW und kleinere Institute ohne Forschungsdezernat.

FördermittelNAVI (DSK Digital), Ähnliche Positionierung wie Reflecta, aber mit Schwerpunkt auf Kommunen und Wohnungswirtschaft. Für Forschungseinrichtungen ist Reflecta die besser passende Wahl; FördermittelNAVI lohnt, wenn die Einrichtung zugleich kommunale Förderung für Infrastruktur- oder Digitalisierungsprojekte sucht.

Eigenbauten via API + LLM, Für technisch versierte Einrichtungen: Die Förderdatenbank.de und GEPRIS sind über Scraping (Community-Projekte auf GitHub vorhanden) zugänglich. Kombiniert mit einem LLM-basierten Matching-Skript und einem einfachen Alert-System (z. B. via Make oder n8n) entsteht ein anpassbares Scouting-System, das die eigenen Eligibility-Kriterien direkt ins Matching integriert. Vorteil: maximale Kontrolle und DSGVO-Souveränität. Nachteil: Entwicklungsaufwand, laufende Pflege, kein standardmäßiger EU-Datenbankzugriff.

Zusammenfassung: Wann welcher Ansatz

• Große Universität, globales Forschungsspektrum, eigenes Dezernat → Pivot-RP
• Strategische Förderanalyse, Benchmarking → Dimensions
• HAW, kleines Institut, deutschsprachiger Kontext → Reflecta Fördermittelkompass
• Schwerpunkt auf kommunaler Infrastrukturförderung → FördermittelNAVI
• Technisch fit, maximale Kontrolle, DSGVO-Souveränität → Eigenbau via API

Datenschutz und Datenhaltung

Forschungsprofile enthalten sensible institutionelle Informationen: laufende nicht-öffentliche Projekte, Publikationsstrategien, geplante Förderinitiativen. Die relevante Frage ist nicht nur, wer Zugriff auf die eingegebenen Suchanfragen hat, sondern welche Profildaten dauerhaft auf Serverinfrastruktur des Anbieters liegen.

Für die genannten Werkzeuge gilt:

• Pivot-RP (Clarivate): Datenhaltung laut Anbieter in der EU (EU-spezifische Rechenzentren für europäische Lizenzgeber). DSGVO-konformer AVV verfügbar, bei der Beschaffung explizit anfordern. Institutionelle Accounts über Shibboleth-Authentifizierung, kein Training auf Nutzerdaten nach aktuellem Stand.
• Dimensions (Digital Science): Global hosted (primär Google Cloud/BigQuery). Kein EU-exklusives Hosting-Versprechen. Für Institutionen mit strikter Datensouveränität prüfungsbedürftig. Bei rein öffentlichen Profil-Informationen (Publikationsliste, Fachgebiet) DSGVO-unkritisch.
• Reflecta Fördermittelkompass: EU-basiertes Hosting. AVV über Standardvertrag. Günstiger Datenschutzaufwand, da hauptsächlich öffentliche Organisations- und Projektdaten verarbeitet werden.
• Eigenbauten: Volle Kontrolle über Datenhaltung. Wenn der Eigenaufbau in einer deutschen oder EU-Cloud läuft (z. B. Hetzner, OVHcloud), ist die Datensouveränität maximal.

Ein Punkt, der in der Praxis oft übersehen wird: Manche Institutionen geben beim Profil-Setup auch unveröffentlichte Forschungsprojekte oder Antragsskizzen ein, das sind potenzielle Geheimnisse, die nicht ungeschützt auf externe Server gehören. Die Empfehlung: Im Profil nur abgeschlossene und veröffentlichte Projektinformationen verwenden. Für das Matching reicht das in der Regel aus.

Was es kostet, realistisch gerechnet

Tool-Kosten (monatlich)

• Reflecta Fördermittelkompass Basic (Non-Profit): €35/Monat → €420/Jahr
• Reflecta Fördermittelkompass Pro (regulär): €100/Monat → €1.200/Jahr
• FördermittelNAVI Komfort: Auf Anfrage, Erfahrungswert ca. €500–1.500/Jahr
• Pivot-RP: Institutional-Lizenz ab ca. €10.000–25.000/Jahr (je nach Institutionsgröße)
• Dimensions (Grant-Vollzugriff): Institutional-Lizenz ab ca. €3.000/Jahr
• Eigenbauten: Entwicklungsaufwand 20–60 Stunden initial + laufende Pflege; API/LLM-Kosten ca. €50–200/Monat

Einmalige Einrichtungskosten

• Forschungsprofil aufbauen und kalibrieren: 8–20 Stunden intern
• Eligibility-Regel-Set dokumentieren: 4–8 Stunden mit einem Mitglied des Forschungsdezernats
• Erste Trefferliste manuell validieren und Suchparameter nachjustieren: 4–8 Stunden

Was du dagegenrechnen kannst Ein einziger erfolgreicher Förderantrag, der durch das Scouting-System entdeckt wurde, amortisiert die Tool-Kosten typisch für mehrere Jahre. DFG-Sachbeihilfen beginnen bei €50.000–100.000, BMBF-Verbundprojekte bei €100.000–500.000, Horizon-Grants bei €500.000+.

Die relevantere Rechnung ist: Wie viele Stunden spart das System pro Monat? Bei zwei Forschungsgruppen, die je zehn Stunden manuelles Scouting einsparen, und einem durchschnittlichen Bruttostundensatz von €35–60 für wissenschaftliche Mitarbeitende ergibt sich eine monatliche Einsparung von €700–1.200. Das übersteigt die Kosten für Reflecta im ersten Monat.

Wie du den ROI tatsächlich misst Der sauberste Weg: Behalte für sechs Monate eine parallele Liste, Calls, die das System gefunden hat, und Calls, die du daneben noch manuell entdeckt hast. Die Schnittmenge zeigt, wie viel das System bringt. Die Differenz zeigt, was du ohne das System verpasst hättest.

Drei typische Einstiegsfehler

1. Das Forschungsprofil zu grob anlegen. Das häufigste Problem beim Einstieg: Das Profil beschreibt das Institut mit drei generischen Begriffen (“Maschinenbau”, “Materialwissenschaften”, “Nachhaltigkeit”), und das Matching-System liefert dazu alles und nichts. Förderausschreibungen sind oft präzise in ihrer Themensprache, ein DFG-Call für “Hochentropielegierungen” findet keine Resonanz bei einem Profil, das nur “Materialien” enthält. Die Investition von zwei bis drei Stunden in ein präzises, keywords-reiches Profil zahlt sich durch deutlich bessere Match-Qualität aus.

2. Eligibility-Prüfung an das System delegieren. Alle aktuell verfügbaren Scouting-Tools liefern thematische Treffer, keine davon prüft automatisch zuverlässig, ob die eigene Einrichtung antragsberechtigt ist. Wer das vergisst und Rohvorschläge direkt an Forschende weiterleitet, produziert schnell Frustrationsmail-Traffic (“das gilt doch nur für KMU”). Ein kurzer manueller Check, Einrichtungstyp passt? Regionale Einschränkung? Verbundpflicht?, dauert pro Treffer zwei Minuten und verhindert, dass das System seinen Ruf verliert.

3. Das System einrichten und dann nicht warten. Das ist der langsamste, aber gefährlichste Fehler. Forschungsprofile veralten: Professorinnen wechseln Themen, neue Drittmittelprojekte starten, Fachgebiete verschieben sich. Ein Profil, das vor zwei Jahren präzise war, produziert heute falsche Treffer oder übersieht neue Schwerpunkte. Die Lösung ist eine einfache Kalenderregel: Alle sechs Monate das Profil überprüfen und mit den tatsächlich eingereichten Anträgen und laufenden Projekten abgleichen. Zusätzlich: Jeder Alert, der manuell als “nicht relevant” markiert wird, sollte dokumentiert werden, das ist der Kalibrierfeedback, den das System braucht, um besser zu werden.

Bonusfehler: Scouting als Lösung für ein Kapazitätsproblem behandeln. Wenn das eigentliche Problem nicht “wir finden keine passenden Calls” ist, sondern “wir haben keine Kapazität, die gefundenen Calls auszuarbeiten”, hilft ein Scouting-System nicht. Es verschiebt das Problem: Statt keine Calls zu kennen, kennt man nun viele Calls, kann aber trotzdem nur einen ausarbeiten. Bevor ein Scouting-System eingeführt wird, sollte ehrlich geklärt werden, ob der Engpass wirklich die Entdeckungsphase ist.

Was mit der Einführung wirklich passiert, und was nicht

Die Technik ist das Einfachste an dieser Einführung. Das Schwierigere ist die Institutionalisierung.

Erfahrungsgemäß gibt es bei der Einführung von Förder-Scouting-Systemen an Hochschulen zwei Muster, die fast immer auftreten:

Das Delegation-Missverständnis. Forschende verstehen Scouting-Alerts häufig als “jemand hat das für mich geprüft und empfohlen”, obwohl das Forschungsdezernat nur den thematischen Match weitergeleitet hat, ohne den Eligibility-Check. Das führt zu unnötiger Aufregung und anschließender Enttäuschung. Lösung: Jeder Alert bekommt eine standardisierte Fußnote: “Thematischer Match, Eligibility und Fristen bitte selbst prüfen.” Das klingt banal, aber es verhindert Fehlinvestitionen in Ausschreibungen, für die die Einrichtung schlicht nicht antragsberechtigt ist.

Die Alert-Flut, die zu Alert-Blindheit führt. Wer das System zu großzügig konfiguriert (“melde mir alles, was irgendwie zu Informatik passt”), bekommt zwanzig Alerts pro Woche, von denen fünfzehn irrelevant sind. Nach vier Wochen öffnet niemand mehr die E-Mails. Die Konfiguration muss iterativ enger werden: mit einem breiten Netz anfangen, die ersten zwei Wochen alles manuell validieren, dann konsequent die falsch-positiven Kategorien ausschließen. Ziel ist eine Liste von drei bis sieben Alerts pro Woche, die alle den manuellen Check wert sind.

Was konkret hilft:

• Erste vier Wochen täglich fünf Minuten für die Validierung der Vorschläge einplanen, das sind die wichtigsten Kalibrierdaten
• Einen klaren “Verantwortlichen” für das System benennen, nicht “alle sollen schauen”
• Im Forschungsdezernat eine einfache Tabelle führen: Datum, Ausschreibung, thematisches Match, Eligibility-Ergebnis, Aktion. Das ist nach einem Jahr die wertvollste Datenquelle für die Frage “lohnt sich das überhaupt?”
• Forschenden explizit kommunizieren, was das System kann und was nicht, es ist ein Filter, kein Verifikations-Service

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände, und was dahintersteckt

„Wir schauen doch ohnehin regelmäßig auf die Seiten der Fördergeber.” Das ist der häufigste Einwand, und er stimmt oft nicht so ganz. Wer es ehrlich zählt, schaut auf zwei, drei vertraute Quellen und übersieht dabei die fünfzehn weiteren. Außerdem: Regelmäßig bedeutet oft “alle paar Wochen”, Förderausschreibungen mit vier bis acht Wochen Einreichfrist sind dann bereits zur Hälfte abgelaufen. Automatisches Monitoring löst genau dieses strukturelle Problem, nicht das Willensproblem.

„Das System empfiehlt sowieso alles Mögliche, das ist kein Mehrwert.” Das passiert, wenn das Profil zu grob ist oder das Tool noch nicht kalibriert wurde. In der ersten Woche ist das normal und erwartet. Wer nach zwei Wochen schlechtem Matching aufgibt, hat das System nie richtig benutzt. Die Kalibrierungsphase ist keine Schwäche des Ansatzes, sondern Teil der Einführung.

„Wir haben kein Geld für ein weiteres Tool.” Reflecta Fördermittelkompass beginnt bei €35/Monat für gemeinnützige Einrichtungen. Wer glaubt, das sei zu teuer, sollte einmal die Zeit addieren, die im letzten Jahr für manuelle Förderrecherche aufgewendet wurde, und mit €40/Stunde multiplizieren. Schon zwei Stunden Recherche pro Monat übersteigen die Kosten. Und das Argument “ein Treffer amortisiert das System für Jahre” ist keine Marketingphrase, sondern schlichte Förderlogik: Ein eingeworbener Antrag über €50.000 ist das 120-fache eines Jahresbeitrags.

Woran du merkst, dass das zu dir passt

• Du oder jemand in deinem Team verbringt regelmäßig Zeit damit, Förder-Newsletter zu lesen, Ministeriums-Websites zu überwachen oder Stiftungsberichte zu sichten, und das Ergebnis ist trotzdem lückenhaft
• Ihr habt in den letzten drei Jahren mindestens einmal eine Ausschreibung zu spät entdeckt, die thematisch gepasst hätte
• Euer Institut forscht in mehr als zwei Fachgebieten gleichzeitig, manuelles Monitoring skaliert schlecht, je breiter das Spektrum
• Ihr habt Forschungsdezernat-Kapazität oder zumindest eine Person, die Alerts regelmäßig sichtet und weiterleitet, sonst bleibt auch das beste System ungenutzt
• Euer Antragserfolg ist real, aber die Pipeline ist zu dünn, ihr gewinnt Anträge, findet aber zu wenige geeignete Calls

Wann es sich (noch) nicht lohnt, drei harte Ausschlusskriterien:

1. Institut mit weniger als fünf aktiv antragstellenden Wissenschaftlerinnen und Wissenschaftlern ohne dedizierte Verwaltungskapazität. Der Einrichtungsaufwand für Profil-Aufbau, Kalibrierung und Alert-Management übersteigt dann den Nutzen. Hier reicht ein monatlicher manueller Check auf den zwei, drei relevantesten Fördergeber-Seiten in Kombination mit einem kostenlosen Hinweisdienst wie dem Newsletter von plan-wissenschaft.de.

2. Keine dokumentierte Forschungsprofilbeschreibung verfügbar. Wer das System mit vagen Schlagworten füttert, erhält vage Ergebnisse. Falls das eigene Fachgebiet noch nicht in strukturierter Form beschrieben ist, Kernschwerpunkte, laufende Projekte, bevorzugte Fördergeber, typische Antragsvolumina, ist das die vorrangige Aufgabe. Das Scouting-System kommt danach, nicht davor.

3. Der echte Engpass liegt nicht beim Scouting, sondern beim Schreiben. Wenn das Institut regelmäßig von Förderausschreibungen erfährt, aber trotzdem keine Anträge einreicht, weil keine Person verfügbar ist, die schreiben kann, oder weil die Antragsqualität zu niedrig ist, hilft mehr Scouting nicht. In diesem Fall ist der Grant-Antrag-Schreibassistent der bessere erste Schritt.

Das kannst du heute noch tun

Schritt eins kostet nichts: Öffne foerderdatenbank.de und gib in die Suchmaske drei bis fünf präzise Schlagwörter aus eurem Forschungsschwerpunkt ein. Schau, welche Ausschreibungen ihr bisher nicht kanntet. Das gibt dir ein ehrliches Baseline-Bild davon, wie groß die aktuelle Lücke ist.

Schritt zwei: Starte den kostenlosen 7-Tage-Test bei Reflecta Fördermittelkompass, kein technisches Setup, kein Code. Lege ein Profil an und lass die KI eine erste Trefferliste generieren. Validiere die Treffer manuell gegen die Eligibility-Kriterien. Nach einer Woche weißt du, ob der Ansatz für euer Institut funktioniert.

Für eine vertiefte Vorbereitung kannst du mit diesem Prompt in ChatGPT oder Claude eine erste strukturierte Profilbeschreibung deiner Forschungsgruppe erstellen:

Quellen & Methodik

• Elsevier-Erhebung Forschungszeit: Elsevier, „Researcher Journeys” (basierend auf laufenden Befragungen von Wissenschaftlerinnen und Wissenschaftlern weltweit). Verfügbar auf elsevier.com/connect. Angabe: 11 % der Wochenarbeitszeit für Förderakquise.
• Zeitaufwand Förderantrag: Publizierte Metastudie UK Higher Education (2015), Social Science Research Funding Blog; zitiert bei socialscienceresearchfunding.co.uk. 116 PI-Stunden + 55 KI-Stunden je Antrag als Durchschnitt.
• Förderdatenbank.de: Bundesministerium für Wirtschaft und Klimaschutz (BMWK), foerderdatenbank.de, Verzeichnis der öffentlich zugänglichen Bundesförderprogramme.
• GEPRIS: Deutsche Forschungsgemeinschaft, gepris.dfg.de, Informationssystem zu DFG-geförderten Projekten.
• EU Funding & Tenders Portal: Europäische Kommission, ec.europa.eu/info/funding-tenders, Offizielle Quelle für Horizon Europe, ERC, Marie-Skłodowska-Curie-Aktionen.
• Reflecta Fördermittelkompass Preise: Veröffentlichte Tarife foerdermittelkompass.reflecta.org (Stand Mai 2026). Angabe “40 % höhere Bewilligungsquote” und “70 % Zeitersparnis” ist eine Vendorangabe ohne veröffentlichte Untersuchung, als solche gekennzeichnet.
• Pivot-RP: Clarivate, clarivate.com/products/research-funding-analytics/pivot-rp, Produktbeschreibung und Institutional-Lizenzmodell (Stand Mai 2026).
• Kosten- und Zeitangaben für Scouting-Aufwand: Erfahrungswerte aus Gesprächen mit Forschungsdezernaten an deutschen HAW und Universitäten; keine repräsentative Studie.

Du willst wissen, welche Scouting-Lösung für euer Institut tatsächlich passt, und wie ihr ein Forschungsprofil aufbaut, das gute Matches liefert? Meld dich, das besprechen wir in einem kurzen Gespräch.