Hvordan bør AI anvendes, når et CPQ-tilbudssystem udvikles?

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

De seneste par år har vi arbejdet intensivt med AI under udviklingen af vores CPQ-tilbudssystem. Samtidig har jeg haft mange dialoger med virksomheder, som overvejer at få udviklet deres eget system.

Baseret på de erfaringer, jeg har gjort mig, er det min opfattelse, at vi alle kigger på brugen af AI på samme måde, som man inden for organisationsteori taler om "De blinde mænd og elefanten". Historien beskriver, hvordan flere blinde mænd hver rører ved en forskellig del af en elefant og derfor når vidt forskellige konklusioner om, hvad en elefant er. Ingen tager fejl, men der er heller ingen, der ser hele billedet. På samme måde har mange en holdning til AI og en forestilling om, hvad teknologien kan, men det kræver en dybere behovsafdækning, før man kan opnå en fælles forståelse af, hvordan AI skaber værdi i den konkrete situation.

Jeg oplever ofte, at forventningerne til AI hænger tæt sammen med den praktiske erfaring, man har med teknologien.

Virksomheder, som endnu ikke har arbejdet med AI, forventer ofte, at teknologien kan løse langt størstedelen af udviklingsopgaven blot promt´ningen er god nok. 
Leverandører og bureauer, der arbejder med AI, ser med god grund et stort potentiale. AI har allerede gjort softwareudvikling hurtigere og mere effektiv, og det er naturligt, at de fokuserer på de mange muligheder, teknologien giver.

Til gengæld oplever jeg, at virksomheder og udviklere, som har arbejdet med AI gennem længere tid, typisk har et mere nuanceret syn. Jeg oplever ikke at de nødvendigvis er blevet mindre begejstrede, men fordi de har erfaret, at AI ikke kan udvikle komplekse løsninger alene. Derfor anvender de AI dér, hvor den skaber størst værdi, mens specialister fortsat har ansvaret for systemarkitektur, forretningsregler og kvalitetssikring. Det betyder også, at AI endnu ikke gør det muligt for én person uden den nødvendige specialistviden at udvikle et avanceret CPQ-system alene.

Læs den store guide til tilbudssystemer

Min erfaring er derfor, at forventningerne til AI bliver mere realistiske i takt med erfaringen. Det betyder ikke, at AI kan mindre – men at man bliver bedre til at forstå, hvornår AI kan løse opgaven selv, og hvornår den fungerer bedst som et støtteværktøj.
For at illustrere den forskel vil jeg vise to konkrete eksempler fra vores hverdag. Begge viser efter min mening meget godt, hvor AI skaber størst værdi, og hvor den stadig kræver menneskelig erfaring.

Eksempel 1: Mine egne erfaringer i forbindelse med at skrive denne artikel
Et konkret eksempel er modellen nedenfor i denne artikel. 
Jeg har udviklet modellen med støtte fra AI og brugt fem prompts, før resultatet ramte det budskab, jeg ønskede at formidle.
Tidligere kunne jeg bruge mange timer, og nogle gange flere arbejdsdage på at udvikle en model, der visuelt formidlede en idé. modellen blev udviklet på et par timer, og samlet set vurderer jeg, at AI har reduceret udviklingstiden med omkring 80 %.
Min pointe er, at AI ikke selv fandt frem til den endelige model. Det krævede, at jeg på forhånd havde en klar idé om, hvad den skulle illustrere, kunne beskrive sammenhængen mellem projektets kompleksitet og AI's rolle samt løbende vurdere og korrigere de forslag, AI kom med. Efter min erfaring skaber AI størst værdi, når den anvendes af fagpersoner, som allerede har en solid forståelse af deres fagområde.

Eksempel 2: Den samme erfaring gør sig gældende i vores softwareudvikling
Forleden viste vores programmør mig et par eksempler på, hvordan han anvender AI i udviklingen af nye funktioner til vores CPQ-platform. Han var oprigtigt begejstret for de muligheder, AI giver.

Han viste, hvad der konkret sker når han udvikler en ny funktion i et større system, her kan AI ofte generere et første udkast til både datamodel, programstruktur og kode på få minutter.
Han fortalte, at han tidligere har brugt en stor del af udviklingstiden på at analysere problemstillingen og opbygge den grundlæggende datamodel og kodestruktur. I dag leverer AI et stærkt første udkast, som giver ham et markant bedre udgangspunkt, men han viste også årsagen til at funktionen ikke var klar til at blive sat i drift med det samme. Han viste at selv for nogenlunde simple funktioner, kan der mangle forretningsregler, der gør at det ikke helt fungerer. AI kan have valgt en anden løsning end den, der passer til virksomhedens forretningsregler, hvor beregninger kan være forkerte, billeder vises ikke som ønsket, og i værste fald kan AI have ændret i den eksisterende kode, som påvirker andre dele af systemet.

Derfor skal koden stadig gennemgås, testes og kvalitetssikres af en erfaren udvikler.
Men vores programmør vurderer stadig også at AI sparer ham omkring 80 % af den tid, han tidligere brugte på at analysere problemstillingen og opbygge den grundlæggende datamodel og kodestruktur.

Det giver ham langt mere tid til det arbejde, der skaber størst værdi, hvor han kan designe robuste løsninger, kvalitetssikre forretningslogikken og sikre, at systemet fungerer stabilt i praksis.

Det er endnu et eksempel på, at AI ikke erstatter udvikleren – men gør en erfaren udvikler markant mere effektiv.

Da vi begyndte at udvikle vores første CPQ-system, fandtes AI ikke i den form, vi kender i dag. Derfor blev den tekniske platform, datamodellen og de grundlæggende komponenter udviklet internt, og bliver løbende forbedret. 

Det betyder, at vi i dag ikke starter forfra, hver gang vi udvikler et nyt tilbudssystem, men vi bygger videre på en gennemprøvet CPQ-platform, hvor AI hjælper os med at udvikle hurtigere, men hvor platformen, arkitekturen og de mange års erfaring stadig udgør fundamentet.
Hvordan bliver vi så enige om, hvad AI kan når vi taler sammen om udvikling af CPQ tilbudssystemer?

Hvis vi kigger tilbage på ” De blinde mænd og elefanten”, illustrerer de to eksempler meget godt den erfaring, jeg har gjort mig de seneste år.

AI's værdi og muligheder afhænger ikke kun af, hvor god modellen er. Den afhænger i høj grad af projektets kompleksitet. Når vi udvikler mindre løsninger med få produkter, simple regler og begrænset funktionalitet, kan AI i dag overtage en stor del af udviklingsarbejdet.
Men i takt med at projekterne vokser, ændrer AI's rolle.

Når et tilbudssystem skal håndtere mange produktkombinationer, komplekse beregningsregler, dokumenter, tegninger, visualiseringer, integrationer og kundespecifikke arbejdsgange og særregler, bliver AI i stigende grad et støtteværktøj. Vi har som konsekvens gennem flere år har investeret i, at udvikle en CPQ-platform, der gør at vi kan bruge AI til at hjælpe os med at udvikle hurtigere, men det er platformen, arkitekturen og de genanvendelige komponenter, der gør det muligt at bygge nye tilbudssystemer effektivt uden at starte forfra hver gang.

Det er stadig AI, der hjælper os med analyser, dokumentation, kodning og test.
Men den afgørende værdi skabes af den tekniske platform, de mennesker der forstår forretningen, og den erfaring der skal til for at omsætte komplekse regler til et velfungerende CPQ-system.

Jeg har forsøgt at vise kompleksitetens betydning for udviklingsmetoden i modellen (Med hjælp fra AI😊)
 

Hvad betyder modellen så i praksis?
Hvis du overvejer at udvikle et CPQ- eller tilbudssystem, vil jeg anbefale, at du starter med at kortlægge projektets kompleksitet.

Efter min erfaring er disse spørgsmål de vigtigste:
1.    Hvor komplekse er produkterne? 
2.    Hvor avancerede er beregningsreglerne? 
3.    Hvad skal systemet kunne generere? 
4.    Hvilke integrationer er nødvendige? 
5.    Hvem skal kunne bruge systemet? 

Når du kan svare på disse spørgsmål, bliver det langt lettere at vurdere, hvordan du kan anvende AI.

Hvis du ønsker et mindre og velafgrænset projekt, vil AI kunne lave en stor del af udviklingsarbejdet.

Min erfaring er, at AI hurtigt når sine begrænsninger, når et tilbudssystem skal håndtere mange produkter, komplekse beregningsregler, integrationer og virksomhedsspecifikke arbejdsgange. Her bliver AI et støtteværktøj frem for den primære udvikler. Ved mere avancerede tilbuds systemer/CPQ-løsninger, der også kan bruges direkte af dine kunder, bør du være særligt påpasselig, her bør du betragte AI som et vigtigt værktøj, der kun støtter din udvikler i analyse, kodning, test og dokumentation.

Dvs. at den største værdi ligger hurtigt fortsat i den menneskelige erfaring, og din evne til at omsætte din viden om jeres forretningsregler i et stabilt og brugervenligt tilbudssystem.

Konklusion
AI har givet et teknologi hop, som kan gøre os markant mere effektive når det bruges med omtanke. Men pointen i denne artikel er, at vi skal tænke os om, da svar fra AI ikke bør frigives ukritisk til kunder, men kun bør styres af en intern person.

Lad os derfor starte dialogen med det vigtigste spørgsmål: Hvad skal tilbudssystemet kunne? Først når vi er enige om projektets kompleksitet, bliver det muligt at vurdere, hvordan AI skaber størst værdi, og så ser vi også på den samme ”elefant”.

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