The use of AI in a main contractor's tendering process
Loading...
URL
Journal Title
Journal ISSN
Volume Title
School of Engineering |
Master's thesis
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.
Authors
Date
Department
Major/Subject
Mcode
Degree programme
Language
en
Pages
75
Series
Abstract
AI has the potential to significantly boost productivity in the construction industry. Despite contributing 13% to global GDP, the industry has seen only 1% annual productivity growth over the past two decades. AI offers opportunities to improve both onsite operations and project management. This thesis focuses on the use of generative AI in a main contractor’s tendering process. Interviews were conducted to identify current challenges in the tendering process and potential AI use cases. A feasibility test was carried out to select the appropriate Copilot platform. A system prompt, including descriptions and instructions for the agent, was created and each use case was tested individually through iterative prompt refinement. Various metrics were calculated from the outputs and validated through expert surveys. Some of the use cases identified through the interviews included finding deadlines, identifying penalty milestones, interpreting client’s objectives, detecting discrepancies between the contract program and contract agreement and creating persuasive personal presentations. The AI analysis revealed that while the overall quality of Copilot’s outputs was low, the outputs were rated relatively high in usefulness. This suggests that experts still found value in the outputs, given the heavy manual work-load typically required in tendering. Some use cases (finding discrepancies, persuasive personal presentation and project plan) were excluded from validation due to poor output quality. Copilot often misinterpreted minor formatting or wording differences as conflicts. Key issues included ineffective semantic indexing, inconsistent adherence to system prompts and a tendency to overly shorten responses. Currently, Copilot is best suited for keyword searches and simpler tasks involving one or two documents, with human oversight still necessary. To improve its functionality, APIs should be integrated for better data flow and system connectivity. In conclusion, this thesis finds that while Copilot is useful for basic keyword search-es and simple validations, it struggles with tasks requiring deeper understanding or contextual interpretation.Tekoälyllä on merkittävä potentiaali parantaa tuottavuutta rakennusalalla, joka vastaa 13 %:sta globaalista bruttokansantuotteesta, mutta jonka tuottavuus on kasvanut vain 1 % vuosittain viimeisten kahden vuosikymmenen aikana. Tämä opinnäytetyö keskittyy generatiivisen tekoälyn hyödyntämiseen pääurakoitsijan tarjousprosessissa. Tutkimuksessa tunnistettiin tarjousprosessin nykyiset haasteet ja mahdolliset tekoälyn käyttötapaukset haastattelujen avulla. Lisäksi suoritettiin toteutettavuustesti oikean Copilot-alustan valitsemiseksi. Tekoälyagentille kehitettiin järjestelmäkehote, joka sisälsi ohjeet ja kuvauksen toiminnasta. Käyttötapaukset testattiin iteratiivisen kehityksen avulla ja tuloksia arvioitiin asiantuntijakyselyjen avulla. Joitakin tunnistettuja käyttötapauksia olivat määräaikojen löytäminen, sakollisien välitavoitteiden tunnistaminen, tilaajan tavoitteiden tunnistaminen, ristiriitojen havaitseminen urakkaohjelman and urakkasopimuksen välillä sekä myyvien henkilöesittelyiden luominen. Tekoäly analyysi paljasti, että vaikka Copilotin tuotosten kokonaislaatu oli heikko, niiden hyödyllisyys arvioitiin suhteellisen korkeaksi. Tämä viittaa siihen, että asiantuntijat löysivät arvoa tuotoksista, ottaen huomioon tarjousprosessiin tyypillisesti liittyvän raskaan manuaalisen työkuorman. Joitakin käyttötapauksia (ristiriitojen löytäminen, myyvä henkilöesittely ja projektisuunnitelma) jätettiin validoinnin ulkopuolelle heikon tulosten laadun vuoksi. Copilot tulkitsi usein pienet muotoilu- tai sanamuotopoikkeamat virheellisesti ristiriidoiksi. Keskeisiä ongelmia olivat tehottomat semanttiset indeksoinnit, epäjohdonmukainen järjestelmäkehotteiden noudattaminen ja taipumus lyhentää vastauksia liikaa. Copilot soveltuu parhaiten avainsanahakuihin ja yksinkertaisiin tehtäviin, jotka liittyvät yhteen tai kahteen asiakirjaan vaatien yhä inhimillistä valvontaa. Toiminnallisuuden parantamiseksi tulisi integroida API:t. Yhteenvetona Copilot voi tukea tarjousprosessia perushauissa, mutta sen suorituskyky on rajallinen monimutkaisemmissa tehtävissä, jotka vaativat syvempää ymmärrystä ja kontekstia.Description
Supervisor
Peltokorpi, AnttiThesis advisor
Törrönen, AriNärvänen, Mikko