Publiczne granty są ważnym źródłem finansowania rozwoju przedsiębiorstw, badań, innowacji oraz działań społecznych. W praktyce jednak znalezienie odpowiedniego programu wsparcia bywa trudne, ponieważ informacje o naborach są rozproszone po wielu stronach internetowych, publikowane w różnych formatach i często opisane niespójnym językiem. Potencjalni beneficjenci muszą więc samodzielnie porównywać terminy, budżety, kryteria kwalifikowalności czy cele programów, co jest czasochłonne i podatne na błędy. W artykule przedstawiono rozwiązanie wykorzystujące sztuczną inteligencję do porządkowania takich danych. Zaproponowano hybrydową architekturę, która łączy możliwości dużych modeli językowych z tradycyjnymi, deterministycznymi metodami przetwarzania informacji. Kluczowym założeniem systemu jest ograniczenie roli modelu językowego do tych elementów, w których potrzebna jest interpretacja tekstu, na przykład opisu celów grantu, kwalifikowanych działań czy potencjalnych beneficjentów. Natomiast dane wymagające pełnej zgodności ze źródłem, takie jak daty, kwoty, limity finansowania czy wartości procentowe, są wydobywane za pomocą reguł i mechanizmów opartych na jednoznacznych wzorcach. Takie podejście pozwala wykorzystać elastyczność modeli językowych, a jednocześnie ograniczyć jedno z ich największych zagrożeń, czyli halucynacje — generowanie informacji brzmiących wiarygodnie, lecz niepotwierdzonych w źródłach. System został wdrożony jako platforma internetowa umożliwiająca wyszukiwanie, filtrowanie i porównywanie ustandaryzowanych kart grantów. Rozwiązanie oceniono w warunkach rzeczywistego działania przez sześć miesięcy. W tym czasie przetworzono 1442 granty pochodzące od 43 instytucji publicznych i administracyjnych, obejmujące 16 obszarów tematycznych, między innymi badania i rozwój, przedsiębiorczość, transformację energetyczną, ochronę środowiska, zdrowie, cyfryzację oraz edukację. Eksperci dziedzinowi potwierdzili spójność i praktyczną użyteczność wygenerowanych kart. Wyniki pokazują, że sztuczna inteligencja może skutecznie wspierać standaryzację rozproszonych informacji, pod warunkiem że jej zastosowanie jest kontrolowane i uzupełnione metodami zapewniającymi wiarygodność faktów.