CPQ i praksis

I en workshop for nylig fik jeg det spørgsmål, alle går og kredser om: Får vi stadig brug for CPQ-systemer, hvis kunstig generel intelligens (AGI) bliver en realitet? Jeg har arbejdet med CPQ siden 2000. Mønstret er det samme: CPQ klarer validering og struktur med bravur, men kommer til kort i det øjeblik, der rent faktisk skal lukke en handel. Sælgeren skal stadig kunne svare på det menneskelige spørgsmål, som kunden i virkeligheden stiller: Hvorfor er lige præcis *denne* konfiguration den rigtige for *min* situation? Store sprogmodeller (LLM'er) kan tale om "hvorfor". De kan ræsonnere over scenarier, afveje fordele og ulemper og gøre det komplekse forståeligt. Det ændrer risikobilledet. Truslen er ikke, at AI erstatter CPQ. Truslen er, at AI udstiller, hvor CPQ-systemer i dag kommer til kort. Det forkerte spørgsmål om CPQ's fremtid Diskussionen "AI vs. CPQ" er en afledningsmanøvre. Traditionel CPQ er bygget til korrekthed og governance. Systemet er determ...

En sprogmodel ved godt, hvad en lastbil er. Den ved bare ikke noget om jeres lastbiler. Det er den erkendelse, de fleste rammer, når de prøver at lægge AI oven på et CPQ-system, der kun taler SKU-numre, attributter og regelsæt. Svarene lyder overbevisende, men ræsonnementet er tyndt. Sælgeren spørger, hvorfor sovekabinen anbefales, og systemet trækker på skuldrene. Jeg har set det ske igen og igen: Når først modellen får klar kontekst om, hvorfor hver valgmulighed eksisterer, ændrer samtalen sig. Systemet holder op med at gætte og begynder at rådgive. Forskellen er ikke AI-magi. Det er data med en fortælling. Den del, jeres data mangler Tabeller og regler fortæller systemet, hvad der er gyldigt. De fortæller ikke, hvorfor et valg er smart, hvornår det giver mening, eller hvornår det er en dårlig idé. Det hul tvinger sælgeren tilbage til mailtråde, Excel-ark og sidemandsoplæring. Og så kalder vi det et problem med brugeradoption. Det, AI-systemet mangler for at kunne ræsonnere, er ikk...

Enhver virksomhed, der sælger komplekst udstyr, har en 'Sarah'. Hun kender produktet ud og ind. Hun kan omsætte et rodet kundebehov til en ren, specificeret løsning, mens andre stadig kæmper med deres regneark. Hun er en helt. Og hun er en enkeltsporet bro på en trafikeret motorvej. Jeg husker en global udrulning, hvor ethvert stort tilbud skulle forbi én specialist. Aftaler kom i kø. Godkendelser hobede sig op. Produktchefen bad sælgerne stoppe med at sælge specialløsninger. Værktøjerne var fine nok. Men arbejdsgangen var en katastrofe. Når vækst afhænger af én persons hjerne, har du ikke en salgsproces. Du har en flaskehals med et navn. Vi har ikke brug for en større lommeregner. Vi har brug for en oversætter. Mange tror, at løsningen er et stort CPQ-projekt, der forsøger at indkode alle tænkelige regler. Det lyder trygt. Men det bliver som regel langsomt, dyrt og skrøbeligt. Du bruger måneder på at modellere undtagelser, blot for at opdage, at sælgerne allerede har opfundet...

Jeg afsluttede en workshop på DTU med en pointe, der fik folk til at lytte: Jevons’ paradoks. Da det blev billigere at oversætte, begyndte vi ikke at oversætte mindre. Vi begyndte at oversætte alt. Markedet eksploderede. Det er præcis det samme, der sker med CPQ. Når produktkonfiguration bliver lettere tilgængelig og kan foregå som en samtale, ser vi ikke en mindre rolle for CPQ. Vi ser en udvidelse, der er så markant, at det holder op med at ligne et nicheværktøj til industrien og i stedet bliver et intelligent lag, som alle B2B-virksomheder vil bruge til at forme en aftale i realtid. Fra nicheværktøj til et intelligent lag i salgsprocessen I mere end 20 år har CPQ-systemer hørt hjemme tæt på komplekse, specialiserede produkter. Det var der, korrekthed var afgørende, og hvor logikken kunne betale sig. Solgte man lastbiler, scannere, pumper eller modulært udstyr, så investerede man. Alle andre klarede sig med Excel, mavefornemmelser og en prisliste. Den grænse er ved at forsvinde. Sæt...