The Request for Proposal (RFP) is a sales document containing different requirements with the goal to solicit a supplier. The RFP process is critical in telecommunications sales, requiring efficient and accurate responses to secure projects. This paper aims to provide a proof of concept (POC) for a Generative AI (GenAI) solution for RFP response automation. Retrieval Augmented Generation (RAG) was used and is a framework that enhances GenAI models by retrieving and augmenting domain-specific information from an external knowledge base. This study’s methodology mainly involved implementing and evaluating RAG with different chunking variations, as well as performing work system analysis on the RFP response creation process to recommend a ’to-be’ system. Results indicate that simple technical requirements had more accurate responses with a smaller chunking strategy, while a bigger chunking strategy was suitable for advanced technical requirements. Overall, the parent and child chunking strategy performed best for all requirements. This study concluded that a POC can be created and contributes valuable insights on the implementation of RAG in a business process, emphasizing its potential benefits and risks.

Request for Proposal (RFP) är ett försäljningsdokument som innehåller olika krav med målet att värva en leverantör. RFP-processen är avgörande vid telekommunikationsförsäljning och kräver effektiva och korrekta svar för att säkra projekt. Detta dokument syftar till att tillhandahålla ett proof of concept (POC) för en Generativ AI (GenAI)-lösning för RFP-svarsautomatisering. Retrieval Augmented Generation (RAG) användes och är ett ramverk som förbättrar GenAI-modeller genom att hämta och utöka domänspecifik information från en extern kunskapsbas. Denna studies metodik involverade huvudsakligen implementering och utvärdering av RAG med olika chunking-variationer, samt att utföra arbetssystemanalyser på RFP-svarsskapandeprocessen för att rekommendera ett ”to-be”-system. Resultaten indikerar att enkla tekniska krav hade mer exakta svar med en mindre chunking strategi, medan en större chunking strategi var lämplig för avancerade tekniska krav. Sammantaget fungerade strategin ’parent and child chunking’ . . bäst för alla krav. Denna studie drog slutsatsen att en POC kan skapas och bidrar med värdefulla insikter om implementeringen av RAG i en affärsprocess, och betonar dess potentiella fördelar och risker.