En språkmodell vet hva en lastebil er. Den vet bare ikke noe om dine lastebiler. Det er her de fleste stopper opp når de prøver å legge AI på toppen av en CPQ som bare forstår varenummer, attributter og regler. Svarene ser overbevisende ut, men resonnementet er tynt. Selgeren spør hvorfor systemet anbefalte sovekabin, og får ikke noe svar. Jeg har sett dette i utallige workshops: Med en gang modellen får tydelig kontekst for hvorfor og når hvert valg er relevant, endrer samtalen seg. Systemet slutter å gjette og begynner å gi råd. Forskjellen er ikke AI-magi. Det er data med en fortelling. Delen som mangler i dataene dine Regeltabeller forteller systemet hva som er *gyldig*. De sier ingenting om hvorfor et valg er *smart*, når det gjelder, eller når det er en dårlig idé. Dette gapet flytter vurderingene tilbake til e-posttråder, regneark og stilltiende kunnskap som bare noen få sitter på. Så kaller vi det et adopsjonsproblem. For at AI-en skal kunne resonnere, trenger den ikke flere ...
Du kjenner sikkert igjen møtet. Selgeren åpner et tilbud. En ingeniør er med «for sikkerhets skyld». Prisansvarlig har et regneark klart. En halvtime senere er alle enige om at tilbudet er korrekt, men ingen er helt sikre på hvordan de skal få det til igjen i morgen uten å samle hele gjengen på nytt. Det er dette øyeblikket CPQ er skapt for. Jeg har jobbet med CPQ siden 2000. De som lykkes, snakker ikke om funksjoner. De snakker om hvordan de kan gjøre det enkelt å selge komplekse produkter riktig på første forsøk. Det er alt CPQ egentlig handler om. CPQ er ikke et verktøy. Det er metoden som gjør at du kan slutte å gjette og heller selge med selvtillit. Hva CPQ faktisk betyr i praksis CPQ står for Configure, Price, Quote. Tenk på når du bygger en bil på nett: Du velger motor og utstyr (Configure), ser prisen endre seg (Price), og får en oppsummering du kan signere (Quote). En enkel idé, men med stor effekt når produktet ditt har tusenvis av varianter, regionale regler og partnere med...