Hvorfor din CPQ har brug for narrative data, før du tilføjer AI

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 ikke flere kolonner. Det er maskinlæsbar **intention** bag hver valgmulighed:

• Beskrivelser i et klart sprog, der forklarer formålet, ikke kun specifikationerne
• Fordele og ulemper, der tydeliggør kompromiser
• Positive og negative scenarier, der afklarer brugen
• Konsekvenser for pris, leveringstid, service eller risiko

Her er skiftet: Produktmarketingtekster er ikke længere kun til hjemmesiden. De er input til jeres konfigurationsmodel. Når I strukturerer det indhold, kan en AI ræsonnere med det. Når I ikke gør det, gætter den bare selvsikkert.

Fra PIM til vidensbase

De fleste PIM-systemer og prislister er gode til stamdata, hierarkier og priser. Nyttigt for at sikre korrekthed. Svagt, når det kommer til at give vejledning. For at understøtte AI-assisteret salg skal jeres PIM fungere som en **vidensbase**, som en AI kan forespørge i.

I praksis betyder det to ting for et CPQ-setup:

• Behold de hårde begrænsninger og regler i jeres eksplicitte logiklag. Så kan systemet aldrig foreslå en ugyldig kombination.
• Berig hver valgmulighed med korte, konsistente narrative felter. Så kan en AI besvare spørgsmål, afveje kompromiser og generere anbefalinger, der kan forklares.

Gør I det godt, er en chat-grænseflade ikke længere legetøj. Den bliver en salgsassistent, der kan læres op, og som afspejler, hvordan jeres produkt rent faktisk virker i marken.

Sådan strukturerer du data, så en AI kan bruge dem

Hold det enkelt, kort og konsistent. Målet er ikke at skrive en roman. Det er at skabe et **pålideligt signal**, som AI'en kan genbruge.

Felter på modul-niveau

• Modulets formål - 2 sætninger om, hvilken funktion modulet opfylder.
• Vejledning til valg - hvornår er modulet relevant, og hvad driver beslutningen?

Felter på variant-niveau

• Kort beskrivelse - 1-2 sætninger i et sprog, kunden forstår.
• Fordele - maks. 3 punkter om fordele, der gør en forskel.
• Ulemper - maks. 3 punkter om reelle kompromiser, sælgeren skal kende.
• Brug når - 1-3 konkrete scenarier.
• Undgå når - 1-3 konkrete scenarier.
• Konsekvenser - noter om pris, leveringstid, service, kompatibilitet.

Et konkret eksempel

Modul: Førerhus

• Formål: Chaufførens arbejdsmiljø og plads til hvile eller udstyr.
• Vejledning: Valget afhænger af driftscyklus, køre-hviletidsregler, overnatninger og adgangsforhold i byer.

Variant: Sovekabine

• Beskrivelse: Udvidet førerhus med integreret køje til overnatning.
• Fordele: Understøtter langturstransport; højere chaufførkomfort; reducerer hotelomkostninger.
• Ulemper: Højere vægt; højere pris; kan påvirke manøvredygtighed i snævre byområder.
• Brug når: Ruter over 500 km; hyppige overnatninger; langfragt.
• Undgå når: Tæt bydistribution; lave højdebegrænsninger; korte vagter.
• Konsekvenser: +2 ugers leveringstid; passer bedst med 4x2 eller 6x2 akselkonfiguration; fås ikke med lavt tag.

To noter fra maskinrummet:

• Skriv til en dygtig sælger, der ikke kender jeres produkt endnu. Fagjargon er okay, men kun hvis det bliver forklaret.
• Hold de narrative tekster for hver variant på omkring 100 ord. Mere tekst udvander signalet og forvirrer AI'en.

Arkitekturen, der får det til at virke

Narrative data er kun effektive, når de kombineres med faste rammer. Den model, jeg anbefaler, ser sådan ud:

• Eksplicit logiklag - jeres eksisterende CPQ-regler, der sikrer korrekthed og forudsigelighed.
• Narrativ vidensbase - strukturerede, beskrivende felter og udvalgte dokumenter, der er søgbare og afgrænset til salgsrelevant indhold.
• Ræsonnerings-interface - en chat eller guidet formular, der stiller afklarende spørgsmål, citerer kilder og foreslår alternativer.
• Forklaring - systemet skal vise, hvilke regler og narrative tekster der ligger bag en anbefaling, så sælgeren kan forsvare tilbuddet.

AI erstatter ikke den eksplicitte logik, men bygger ovenpå den. Uden faste regler får du velformulerede gæt. Med regler og en kompakt vidensbase får du vejledning, der kan forklares, og som er sikker at sende ud til sælgerne.

Stærke systemer adskiller korrekthed fra fortælling. Reglerne sikrer, at I ikke laver fejl. Fortællingen gør jer hurtige.

Det kan du gøre i næste kvartal

Du behøver ikke en totalrenovering af jeres platform for at komme i gang. Du skal bare have et tættere samarbejde mellem produkt, marketing og dem, der ejer jeres CPQ-system.

• Vælg jeres 10 mest solgte konfigurationer - de moduler og varianter, der oftest indgår i vundne tilbud.
• Skriv formålet for hvert modul - maks. 2 sætninger.
• Berig hver variant med beskrivelse, fordele, ulemper, "brug når", "undgå når" og konsekvenser.
• Husk de negative anbefalinger - at vide, hvornår man ikke skal bruge noget, er ofte den mest værdifulde vejledning.
• Kortlæg de hårde regler - sørg for, at jeres logiklag blokerer for ugyldige kombinationer, uanset hvad AI'en foreslår.
• Opbyg en søgbar base - brug jeres nuværende platform eller en simpel vektor-database til de narrative tekster og et par udvalgte PDF'er.
• Byg en simpel test-UI - selv en pilot-chat for én produktlinje vil give hurtig læring.
• Tag tid på processen - mål, hvor lang tid det tager en sælger at nå frem til en forsvarlig anbefaling og et prissat tilbud, før og efter.

Hvis I allerede har et CPQ-system, så lad være med at udskifte det. Tilføj de narrative felter til de eksisterende produktdefinitioner. Hvis I ikke har et CPQ-system, så start med de narrative data og et par centrale regler, og byg derfra.

Fordelen, der vokser over tid

De teams, der investerer i narrative data, ser typisk to fordele, der forstærker hinanden:

• Hurtigere salgsproces - færre stop i processen, mindre ping-pong med teknisk afdeling og hurtigere at begrunde løsningen over for kunden.
• Bedre beslutninger om prissætning - scenarierne gør det tydeligt, hvorfor en premium-løsning koster mere, og hvor TCO vinder over den umiddelbare pris.

Og ja, det kan vedligeholdes. Når et produkt ændrer sig, opdaterer du to steder: den hårde regel, der sikrer korrekthed, og den korte narrative tekst, der opdaterer vejledningen. Systemet forbliver lærenemt, fordi det er designet til at blive læst af både mennesker og maskiner.

Når systemet både kan ræsonnere og forklare, taber regnearket endelig.

Jeg har i 20 år set virksomheder prøve at automatisere en dømmekraft, de aldrig har skrevet ned. Lektionen er simpel: Hvis du vil have, at AI skal være en hjælp i CPQ, så giv den noget, der er værd at ræsonnere med. Jeres produktdata har brug for en fortælling. Hvem på jeres team skal eje opgaven med at skrive den?