下一个选择是探索使用机器学习来提高初次申请筛选的速度和质量。机器学习应该能够自动执行资助流程中一些最耗时的环节，通过分析以前成功和失败的申请的训练数据进行自我学习，并学会筛选、评分和排列最强的申请。
它可以逐渐学会发现哪些关键属性最终会促成资助。这些属性将反映不同基金会的文化和其他优先事项（当然还有它们的偏见——这是任何机器学习都会遇到的问题）。但机器学习也可以用来对抗无意识的偏见，例如，被编程为忽略或偏爱人口统计信息，如申请人的性别、原籍国、教育背景等。
作为第一步，机器学习可以更有效地进行初步筛选——例如，将 10,000 份申请缩减为 100 份的候选名单。它还可以帮助基金会向申请人提供数据驱动的反馈，帮助他们了解自己的不足之处。对过去数据和表现的分析也可能有助于确定哪些类型的申请人最需要哪些类型的支持，例如非财务帮助。例如，它可能会通过 LinkedIn 数据显示高流动率先于问题出现。更系统的分析还可以揭示出捐赠过程中的一些人类行为偏见，例如沉没成本效应和损失规避。
处理这些数据的另一种方法是关注于了解需求模式。一些见解将来自公民咨询局等支持服务机构（参见 Nesta 关于数据用于公益事业的研究中的各种示例）。但不成功的申请数据可能是另一个来源，至少 股东数据 对于规模较大的资助者（如英国的大彩票基金）来说是这样。
更智能的应用程序
人工智能还可以帮助彻底改革申请流程本身。除了倾向于高学历申请者或少数咨询师行业的书面形式外，另一种选择是利用技术来提高可访问性，避免使用通常的书面格式，例如通过使用语音转文本的结构化面试流程，要求申请者描述其工作的关键方面。
聊天机器人可以编程为针对拟议项目提出结构化面试问题，例如涵盖团队结构、预算管理、营销和影响。聊天机器人还可以通过提供即时反馈来改善申请人的体验，并在申请过程中（包括提交后阶段）协调沟通，而无需冒申请人和基金会工作人员直接沟通并影响结果的风险。
无论如何，这都是值得做的一个实验，以过去使用视频而不是文本进行应用的实验为基础。事实证明，这些实验有助于克服对那些最擅长散文的人的偏见，也给人一种激情、热情和真实的感觉（当然，除了机器学习之外，保留视频的人性化元素也至关重要）。