The identification of suitable reference projects is a critical yet time-consuming aspect of the architectural tendering process. This thesis investigates how arti- ficial intelligence (AI) can be leveraged to automate and optimize this task, fo- cusing on Cedervall Arkitekter as a case study. A data-driven retrieval system was developed to mine internal datasets—specifically the Milltime database— encompassing both structured project metadata and unstructured user notes. After evaluating multiple AI methods, an embedding-based retrieval approach integrated with keyword filtering was selected, striking a balance between computational efficiency and retrieval accuracy. Deployed on-premise as a web application, the final solution enables ar- chitects and procurement staff to query project records using natural language inputs. The system applies semantic similarity modeling and a customized ranking algorithm to provide rapid, relevant search results, cutting manual search time by more than 50% according to user testing. Structured interviews further demonstrated its capacity to enhance the reference project selection process and reduce reliance on personal memory. Taken together, these find- ings underscore the value of AI-driven retrieval systems in architectural prac- tices, while highlighting promising directions for expanded machine learning integration within tendering and other knowledge-intensive workflows in the architecture, engineering, and construction (AEC) sector.

Identifieringen av lämpliga referensprojekt är en avgörande men tidskrävan- de del av anbudsprocessen inom arkitektur. I detta examensarbete undersöks hur artificiell intelligens (AI) kan användas för att automatisera och effekti- visera denna uppgift, med Cedervall Arkitekter som fallstudie. Ett datadrivet söksystem utvecklades för att analysera interna datakällor—särskilt Milltime- databasen—som innehåller både strukturerad projektinformation och ostruk- turerade användarnoteringar. Efter att flera AI-metoder utvärderats valdes en lösning baserad på inbäddade representationer i kombination med nyckelords- filtrering, vilket ger en god balans mellan beräkningskostnad och söknoggrann- het. Systemet, som körs lokalt som en webbapplikation, gör det möjligt för arki- tekter och upphandlingspersonal att söka projektposter med hjälp av naturliga språk. Med semantisk likhetsberäkning och en anpassad rankningsalgoritm le- vererar systemet snabba och relevanta träffar, vilket kortar ned manuell söktid med över 50%. Strukturerade intervjuer visar dessutom att verktyget förbätt- rar processen för att hitta referensprojekt och minskar beroendet av personliga minnesanteckningar. Sammantaget belyser resultaten hur AI-baserade söksy- stem kan gynna arkitektverksamheter och öppnar för ytterligare användning av maskininlärning inom anbudsarbete och andra kunskapsintensiva områden i arkitektur-, ingenjörs- och byggsektorn (AEC).