Brug af AI i CPQ tilbudssystemer

Af: Kenneth Christiansen, Direktør, Leadtech CPQ Engine 2025 (Leadtech.dk)

AI er for alvor begyndt at blive en del af virksomhedernes ønsker til deres tilbudsprocesser. I min dialog med virksomheder, der sælger komplekse, modulære og standardiserbare produkter – som f.eks. terrasser, værn, tagløsninger og motorer – er AI efterhånden en fast del af samtalen.

Mange fortæller, at AI allerede indgår i deres tilbudsgivning, og flere har eksperimenteret med at lade AI generere tilbud automatisk. Samtidig viser analyser – bl.a. fra Salesforce – at størstedelen af salgsteams i dag arbejder med AI i en eller anden form¹.

I denne artikel dykker jeg ned i, hvor – og om – du kan bruge AI som en del af din tilbudsgivning. Vi ser på, hvor teknologien skaber reel værdi, og hvor det stadig er nødvendigt med klassiske, regelbaserede CPQ-mekanismer for at sikre korrekte og pålidelige resultater.

Problemstillinger ved brug af AI i CPQ

Selvom AI fungerer virkeligt stærkt, også for undertegnede, som f.eks. skulle have brugt lang tid på at have designet modellen uden AI, opstår der en række udfordringer, når du sælger komplekse, modulære produkter, og ønsker at bruge AI til din tilbudsgivning eller i CPQ-systemer.

Jeg har været i dialog med virksomheder, som har købt en AI tilbudsløsning, hvor jeg efterfølgende har fået at vide at alt, der indeholder AI til konkret tilbudsgivning er blevet skrottet, og det er der en god årsag til.

Erfaringer og analyser – bl.a. fra McKinsey og MGI Research – peger på, at AI især har begrænsninger, når det gælder komplekse beslutninger med mange afhængigheder².

Faste regler vs. sandsynligheder
Den største udfordring er kompleksiteten i dit produkt.

Når dit produkt består af mange moduler, afhængigheder og regler, vokser antallet af mulige kombinationer eksplosivt. Det kræver en ”deterministisk” tilgang, hvor alle regler og logikker er kendt og håndteres præcist for, at du kan opnå et korrekt resultat.

AI arbejder derimod ”probabilistisk”. Det betyder, at du ikke får et entydigt korrekt resultat – men et kvalificeret gæt baseret på sandsynligheder.

Forklaring: Hvad betyder en deterministisk tilgang – og hvorfor er den vigtig?

Når vi taler om CPQ, er en deterministisk tilgang helt central.

En deterministisk tilgang betyder, at du altid får det samme resultat, når du giver de samme input. Alle regler, afhængigheder og beregninger er defineret på forhånd, og systemet følger dem konsekvent – uden fortolkning.

Det er netop sådan klassiske CPQ-systemer fungerer.
Hvis du vælger:

en bestemt variant
en bestemt længde
en bestemt kombination af komponenter

så ved systemet præcist:

hvad der er muligt
hvad der ikke er muligt
hvad det koster

Der er ingen gæt. Kun regler. Det står i kontrast til AI, som arbejder probabilistisk og dermed baserer sine svar på sandsynligheder.

I praksis betyder det:

Deterministisk (CPQ): “Hvis A + B → så er resultatet altid C”
AI (probabilistisk): “Hvis A + B → så er C mest sandsynligt”

I en tilbudsproces – især med komplekse produkter – er den forskel afgørende.
Når du skal give en pris, sikre kompatibilitet eller overholde krav, er der ikke plads til variation.

Resultatet skal være korrekt hver gang.

Derfor er en deterministisk tilgang nødvendig i de dele af CPQ-systemet, der håndterer:

prisberegning
konfiguration
regler og afhængigheder

Kort sagt:
AI er stærk til at foreslå – men ikke til at beslutte i komplekse CPQ-scenarier.

Læs den store guide til tilbudssystemer

Problem 1: Risiko for ugyldige konfigurationer

Hvis du skal levere et korrekt tilbud hver gang, kan AI have svært ved at sikre, at en konfiguration både er gyldig og kan produceres i praksis.

Problem 2: Kompatibilitet og krav

I mange virksomheder er der tekniske, juridiske og certificeringsmæssige krav, som skal overholdes. Her er der ikke plads til fortolkning.
Erfaringer viser, at AI i praksis kræver en underliggende regelmotor.

Problem 3: Manglende transparens

AI fungerer ofte som en “black box”, hvor det er svært at forklare, hvorfor et bestemt resultat er opstået.

Ifølge Harvard Business Review er manglende transparens en af de centrale udfordringer ved brug af AI i forretningskritiske beslutninger⁴.

Konklusion: AI erstatter ikke CPQ

Det betyder, at hvis du arbejder med komplekse produkter, skal du tænke dig grundigt om, før du bruger AI til selve tilbudsgenereringen.

Selv små fejl kan få store konsekvenser – både økonomisk og operationelt. Derfor peger analyser på, at virksomheder i praksis bruger AI til at understøtte og kvalificere tilbud – ikke til at stå alene for de kritiske beregninger og beslutninger²³.

Samlet set peger analyserne på, at AI ikke erstatter den klassiske CPQ-logik – men fungerer bedst som et supplement, hvor det kan bidrage til at håndtere dialog, komme med forslag og lave eksempler på visualisering (Se nederst i artiklen), mens selve konfigurationen, præcise billeder og beregninger fortsat styres af regelfaste systemer.

Hvornår giver det mening at bruge AI i CPQ?

Når du ser på både analyser og praktisk erfaring, er billedet ret klart:

AI skaber størst værdi i CPQ, når det bruges til at understøtte salgsprocessen, det kan ikke erstatte de regelfaste dele af systemet, hvilket typisk er problemstillingen når jeg taler med virksomheder om at kunne skabe pristransparens, hvor kunden selv kan skabe sit eget tilbud.

Det er min vurdering at du bør anvende AI dér, hvor der kan accepteres en vis grad af usikkerhed, og hvor det i højere grad handler om, at kunne tilbyde en wau effekt hos brugeren. Det kan f.eks. være som i nogen af disse billeder, hvor det er nemt at forestille sig, hvordan produktet nogenlunde kan se ud i praksis som f.eks.

McKinsey peger eksempelvis på, at AI skaber størst effekt som beslutningsstøtte og procesoptimering – ikke som erstatning for komplekse beslutninger².

Her kan du med fordel bruge AI

Dialog og behovsafdækning, hvor AI kan omsætte kundens input i naturligt sprog til strukturerede behov og forslag
Guided selling og anbefalinger, hvor AI kan foreslå relevante løsninger baseret på historiske data og lignende cases
Visualisering og præsentation, hvor AI kan generere billeder og visualiseringer, som skaber forståelse – ikke nødvendigvis præcision
Generering af tilbudsdokumenter, hvor AI kan producere tekster og dokumenter og dermed reducere manuelt arbejde
Dataanalyse og indsigt, hvor AI kan identificere mønstre og optimere salgsprocesser

Her bør du ikke bruge AI

prisberegning
rabatlogik
produktkompatibilitet
variantvalg
juridiske og certificerede krav
visninger, hvor præcision er kritisk

Her kræves deterministisk logik og 100 % korrekthed⁵.

AI i CPQ vs. traditionel lookup-baseret CPQ

For at tydeliggøre forskellen – og hvorfor en hybrid tilgang giver mest mening – kan det illustreres sådan:

Kategori	AI-understøttet CPQ	Lookup- & varenummer-baseret CPQ
Brugeroplevelse	Meget intuitiv og dialogbaseret	Teknisk og formularbaseret
Fejlhåndtering	Identificerer konflikter, kræver validering	Regelstyret og præcist
Tilpasning af tilbud	Skræddersyet indhold og visualisering	Standardiseret output
Læring over tid	Lærer og forbedrer	Statisk og fast
Kompleksitet i konfiguration	Reducerer oplevet kompleksitet	Stærk ved faste regler
Nøjagtighed i beregninger	Anbefaler – beregner ikke	100 % korrekt og sporbar
Vedligeholdelse	Lavere tilpasningsbehov	Høj vedligeholdelse
Hastighed i tilbudsgivning	Hurtig dialog og input	Afhænger af bruger
Dataindsigt	Analyser og anbefalinger	Klassisk rapportering
Risiko	Afhænger af styring og validering	Meget lav og stabil
Egnet til selvbetjening	Inspiration og guidning	Fuld og præcis selvbetjening

Tabellen illustrerer tydeligt, at AI og CPQ ikke konkurrerer, da det er to helt forskellige metoder – de supplerer hinanden.

AI skaber værdi i brugeroplevelse, dialog og hastighed, mens den klassiske CPQ-motor sikrer korrekthed, stabilitet og forretningskritisk præcision.

Den mest effektive løsning er derfor en hybrid tilgang, hvor begge teknologier anvendes der, hvor de er stærkest.

Nedenfor vil jeg prøve at vise et par eksempler på, hvor godt AI er til at gætte på det, jeg har brug for, men samtidigt, hvor langt fra det samtidigt er fra at være præcist.

Eksempel 1: Visualisering af gulvløsninger med AI
Billedet illustrerer et konkret eksempel på, hvor AI skaber reel værdi i en tilbudsproces.

Til venstre ses det originale køkken. I midten har AI genereret et forslag med et nyt gulv, og til højre er både gulv og bord ændret. Kunden kan dermed hurtigt få en visuel forståelse af, hvordan forskellige løsninger vil se ud i deres eget miljø.

Eksempel 2: Visualisering af hegn med AI
Dette eksempel viser, hvordan AI kan bruges til at visualisere ændringer i udendørs omgivelser.

Til venstre ses det originale billede af en bolig med eksisterende beplantning og lavt hegn. Til højre har AI genereret et forslag, hvor der er etableret et nyt hegn langs grunden. Kunden kan dermed hurtigt få et realistisk indtryk af, hvordan løsningen vil tage sig ud i praksis.

Eksempel 3: Visualisering af solceller med AI
Dette eksempel viser, hvordan AI kan anvendes til at visualisere energiløsninger direkte på kundens bolig.

Til venstre ses det originale hus, og til højre har AI genereret et forslag med solceller placeret på taget. Visualiseringen giver kunden et konkret billede af, hvordan installationen vil se ud i virkeligheden – både i forhold til æstetik og placering.

I denne type beslutning spiller det visuelle en stor rolle. Mange kunder har svært ved at forestille sig, hvordan solceller integreres i en eksisterende bolig, og her kan AI fjerne en stor del af usikkerheden.

Det vigtige her er ikke, at visualiseringen er 100 % præcis – men at den gør beslutningen lettere. Kunden kan sammenligne muligheder, få inspiration og træffe et kvalificeret valg langt tidligere i processen.

Netop denne type anvendelse er et godt eksempel på, hvor AI er stærk i CPQ-sammenhæng:

At gøre komplekse valg mere forståelige
At reducere usikkerhed hos kunden
At understøtte dialog og beslutning

Den endelige løsning, pris og specifikation skal stadig beregnes og valideres af CPQ-systemet. Men AI spiller en vigtig rolle i at bringe kunden tættere på den rigtige beslutning.

Jeg håber du har fået lidt inspiration til, hvor AI passer til jer, når du kigger på at udvikle CPQ tilbudssystemer.

Vi lever af at udvikle CPQ systemer til virksomheder, og du er velkommen til at kontakte mig på 21 65 69 73, hvis du har brug for hjælp til at få en løsning til intern tilbudsgivning, der passer til jer.

Lidt om forfatteren:
Kenneth Christiansen er CEO for leadtech.dk, har erfaring som løsningsarkitekt med udvikling af flere systemer, datadrevet salg- og marketing samt design af flowstyrede købsrejser og automatisering af forretningsprocesser.

Medejer af leadtech CPQ Engine, Ejer af effecttracker.com, og tidl. medstifter og adm. direktør for Marketcommunity.com
+25 års erfaring med salg med B2B og salg
+18 års erfaring med marketing i flere kanaler
+500 gennemførte leadgenererende kampagner
+8 år som direktør og leder
+15 år med udvikling af IT platforme
Flere artikler, foredrag og kurser inden for digital marketing
Udvikling og implementering af +100 salgsflow

Kilder

¹ Salesforce – State of Sales Report
² McKinsey – The economic potential of generative AI
³ MGI Research – The impact of GenAI on CPQ
⁴ Harvard Business Review – Where AI Creates Value in Sales
⁵ 4PACE – GenAI in B2B sales: capabilities and limitations