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 ...
Demoen alle elsker. Spørsmålet ingen stiller høyt.
Jeg har sittet i de møtene. Noen videresender en e-post med en rotete kravspesifikasjon. AI-en leser den, stiller et par smarte oppfølgingsspørsmål, og spytter ut en ferdig konfigurasjon, pris og en pen PDF. Applaus. Så blir det stille: kan vi faktisk stole på dette?
Det er nøyaktig her man enten trår varsomt eller brenner seg. Et tilbud er ikke et utkast. Det er et forpliktende dokument. Hvis det er en liten, men kritisk feil i det, blir skaden fort reell.
Et tilbud er en kontrakt. «Sannsynligvis riktig» er feil.
Det handler ikke om AI vs. regler, men om rett verktøy til rett jobb.
Diskusjonen blir ofte fremstilt som et enten/eller-valg. Gå «all-in» på AI og vær moderne, eller hold deg til de gamle reglene og vær trygg. Det er en falsk motsetning. Den virkelige jobben er å fordele arbeidsoppgavene riktig.
Du trenger en kreativ assistent for den uklare jobben i starten av prosessen. Og du trenger en ubestikkelig dommer for det endelige, bindende resultatet. Begge er viktige. De gjør forskjellige jobber.
La oss være konkrete. Deterministisk betyr at samme input gir samme output, hver gang. I CPQ er det en regel som «hvis sovekabin, så må motor være av typen High HP». Prøver du å velge Low HP med sovekabin, blir du blokkert. Samme konfigurasjon gir samme stykkliste og samme pris. Forutsigbart.
Probabilistisk betyr at resultatet velges fra en fordeling av sannsynlige alternativer. Spør du en AI om det samme to ganger, kan den velge en annen variant, formulere en begrensning annerledes, overse en avhengighet, eller finne på en detalj hvis den mangler kontekst. Den har som regel rett. Men den har ikke garantert rett.
AI erstatter ikke logikk – den er avhengig av den.
Her kan jeg være direkte. CPQ handler ikke om automatisering, det handler om korrekthet. Automatisering uten bunnsolid logikk fører bare til at du gjør feil i større skala, raskere.
En hybrid modell som sikrer trygge tilbud
Jeg bruker en enkel mental modell med kundene mine. La AI tolke behovet. La en deterministisk CPQ garantere svaret.
AI er glimrende til å lese e-poster, hente ut krav, avklare intensjoner og forklare avveininger på enkelt språk. Den er din tolk og forklarer. Den får salgsopplevelsen til å føles som et skikkelig godt pre-sales-møte.
Deterministisk CPQ er dommeren. Systemet validerer alle regler, bygger en korrekt stykkliste (BOM), kalkulerer pris, håndhever retningslinjer og setter sammen det endelige tilbudet. Regelmotoren er den delen du kan revidere og forsvare.
Hvorfor er denne hybride modellen så viktig? Fordi tilbud har to absolutte krav.
For det første, garantert korrekthet. Hvis systemet produserer en ugyldig kombinasjon, betaler du prisen i form av ekstra ingeniørtimer, forsinkelser, tapt margin og svekket tillit. Jeg har sett en hel uke gå tapt fordi én enkelt inkompatibilitet slapp gjennom i et «nesten perfekt» tilbud. Den uken får du aldri tilbake.
For det andre, repeterbarhet og sporbarhet. Noen kommer til å spørre: Hvorfor valgte systemet dette? Kan vi gjenskape det? Hvilke regler ble brukt? En deterministisk motor kan vise hele logikkjeden. Et probabilistisk system kan ikke gi deg det samme beviset på kommando.
Hvis systemet ikke kan forklare seg selv, vil ingen stole på det.
Kontrasten er tydelig i praksis. Deterministisk CPQ gir deg et sporbart løp: valg X utløste regel Y, som ga stykkliste Z og pris P. Du kan teste det. Du kan kjøre det på nytt og få nøyaktig samme resultat. Det er som en GPS for komplekse salg – den leder deg ikke inn i en blindvei.
Probabilistisk AI, derimot, er en veltalende gjetter. Du kan justere den, men i sin natur kan den gi et litt annerledes svar neste gang. Det er greit når du skal skrive et e-postutkast. Det er ikke greit for et dokument som er juridisk bindende.
Jeg husker et pilotprosjekt hvor en AI oppsummerte en lang anbudsforespørsel på en glimrende måte, men så foreslo den en motorvariant vi ikke produserte med den aktuelle spenningen. Imponerende demo. Feil del. Den eneste grunnen til at vi fanget det opp, var at CPQ-logikken nektet å validere konfigurasjonen. Det er sikkerhetsnettet som gjør jobben sin.
Kjøreregler og neste steg
Her er reglene jeg ber team om å følge.
Regel 1: Gi AI den uklare jobben i starten. Gi CPQ-systemet det siste ordet. La AI hente ut og strukturere krav, før den gir dem videre til regelmotoren. Den endelige konfigurasjonen, stykklisten og prisen må være 100 prosent deterministisk. Uten unntak.
Regel 2: Valider alle forslag fra AI mot regelmotoren. Aldri la et forslag fra en AI omgå valideringen. Fallgruven er å lage «svart boks»-tilbud, der du bare stoler på resultatet fordi AI-en høres overbevisende ut.
Regel 3: Ha en komplett sporingslogg. Lagre kravene som ble hentet ut, valideringstrinnene, hvilke regler som slo inn, og de endelige beregningene. Du må kunne svare på hvorfor og vise at du kan gjenskape resultatet. Det er styring, ikke unødvendig byråkrati.
Regel 4: Gjør regler til en styrke, ikke en byrde. Problemet er ikke regler, men rigide og uoversiktlige regler. Modeller logikken strukturelt slik at den blir gjenbrukbar, lesbar og testbar. Da blir AI en nyttig assistent på toppen av et solid fundament.
Regel 5: Definer eierskap og kjøreregler. Hvem eier endringer i produktregler? Hvem godkjenner nye prispolicyer? Hvis endringer krever et helt prosjekt, vil selgerne finne veier rundt systemet ditt. Adopsjon er den eneste målingen som teller.
Her er noen praktiske grep du kan ta dette kvartalet.
Handling 1: Tegn opp tilbudsflyten i to baner. Bane A er for AI: e-poster inn, strukturerte krav ut, oppklarende spørsmål, tekstutkast. Bane B er for deterministisk CPQ: validere, konfigurere, prise, håndheve policy, generere dokumenter. Tegn dette på en tavle og bestem hva som kan krysse linjen og hva som aldri får lov.
Handling 2: Bygg en testpakke med dårlige eksempler. Lag et sett med kjente, ugyldige kombinasjoner, vanskelige avhengigheter og unntak i prisingen. Kjør disse testene daglig. Hvis en test som skal feile, passerer, må du stoppe og finne feilen.
Handling 3: La logikken forklare seg for selgerne. Vis «hvorfor» i brukergrensesnittet. Når et valg blokkeres, vis hvilken regel som slo inn, på enkelt språk. Folk selger bedre når de forstår hvordan systemet tenker.
Handling 4: Hold AI unna knappen som bekrefter tilbudet. AI kan foreslå, skissere og forklare. Den kan ikke godkjenne en konfigurasjon eller sluttføre en pris. Den jobben er forbeholdt dommeren – regelmotoren. Tenk på AI som en autopilot for tilbudsprosessen; du flyr fortsatt flyet.
Fienden er ikke regler, men rigide og dårlige regler.
Noen vil hevde at med nok finjustering kan en AI bli fullstendig pålitelig. Kanskje for deler av salgsprosessen. Men når penger og juridisk ansvar kommer inn i bildet, trenger du garantier. Sannsynlighet er ingen garanti. Derfor må det endelige beslutningslaget i et CPQ-system alltid være deterministisk.
La AI hjelpe deg å forstå kundens spørsmål. La CPQ-systemet garantere bedriftens svar.
Kommentarer
Legg inn en kommentar