Gaat generatieve AI CPQ-systemen echt overbodig maken, of slimmer?

Maakt AGI straks CPQ-systemen overbodig? Die vraag hoor je overal. Het korte antwoord is nee. De dreiging is niet dat AI CPQ vervangt. De dreiging is dat AI blootlegt waar CPQ nu stopt. Ik werk al sinds 2000 met CPQ. Het patroon is altijd hetzelfde: CPQ is perfect voor validatie en structuur, maar hapert precies op het moment dat een deal moet worden gesloten. De verkoper moet nog steeds de menselijke vraag van de koper beantwoorden: waarom is dít de juiste configuratie voor míjn situatie?

Grote taalmodellen (LLM's) kunnen dat ‘waarom’ uitleggen. Ze kunnen redeneren over scenario's, afwegingen presenteren en complexe zaken begrijpelijk maken. Dit verandert het risicoprofiel. De zwakte van CPQ is niet de techniek, maar het onvermogen om te redeneren.

Stel de juiste vraag over de toekomst van CPQ

De vraag ‘vervangt AI CPQ of niet?’ is te simpel. Traditionele CPQ excelleert in correctheid en governance. Het is deterministisch: dezelfde input geeft altijd dezelfde output. Het bewaakt wat is toegestaan en berekent de kosten. Dat is cruciaal in complexe maakindustrie, waar maakbaarheid het verschil is tussen winst en chaos.

Maar een verkoopgesprek begint zelden met een artikelnummer. Het begint met een scenario: smalle straten in de stad, af en toe off-road, vier man personeel en een TCO-berekening voor vijf jaar. LLM's zijn goed in dit soort contextueel redeneren. Ze ontrafelen de context, vergelijken opties en leggen afwegingen uit in heldere taal. Ze vervangen niet de harde regels over wat technisch mogelijk is, maar versnellen de weg naar een onderbouwde keuze.

Als jouw offertesysteem zichzelf niet kan uitleggen, zoekt je salesteam wel een andere weg.

Kijk naar de markt. Salesforce zet zijn oude CPQ-systeem op ‘end-of-sale’ voor nieuwe klanten en stuurt ze naar een duurdere Revenue Cloud-stack. Dat is geen kleine update; het is een gedwongen migratie. Elke CPQ-manager vraagt zich nu af: als we toch moeten verhuizen, waar gaan we dan naartoe?

Als je antwoord simpelweg "de volgende CPQ" is, mis je de structurele verschuiving. De focus verlegt zich van validatie naar redeneren.

Waarom dit moment anders is

Twintig jaar lang accepteerden teams een compromis: snelheid versus betrouwbaarheid. Excel is snel maar breekt. CPQ is betrouwbaar maar vaak traag en kan zijn keuzes slecht uitleggen. LLM's zetten die vergelijking op zijn kop. Ze bieden een nieuwe interface voor dezelfde oude problemen: de situatie begrijpen, opties vergelijken en een helder verhaal vertellen in de taal van de koper.

Twee principes houden ons scherp. Ten eerste: LLM's zijn probabilistisch. Ze zijn goed in generaliseren en uitleggen, maar kunnen er ook met veel overtuiging naast zitten. Ten tweede: complexe B2B-sales vereist garanties. Je bouwt geen MRI-scanners of industriële trucks met aannames.

De winnende aanpak is dus een hybride model: gebruik expliciete, testbare logica voor validiteit en kosten. Laat taalmodellen de intentie van de klant vastleggen, scenario's doorrekenen en de uitleg verzorgen. Het systeem blijft de vangrail. De nieuwe laag is de gids.

Regels garanderen correctheid. Taalmodellen versnellen de besluitvorming.

Waarom dit nu belangrijk is, en niet later:

• Gedwongen migraties. Veranderingen bij leveranciers verkorten je beslistijd. Dit is geen theoretisch risico; het staat al op de agenda voor contractvernieuwing.
• Kostendruk. €200 per gebruiker per maand voor geavanceerde offertesoftware dwingt je na te denken over het daadwerkelijke dagelijkse gebruik en de meetbare impact.
• Veranderd gedrag. Kopers en verkopers verwachten een systeem dat zowel redeneert als zijn werk laat zien. Als het officiële systeem achterblijft, worden spreadsheets en ChatGPT de standaard.

Een hybride architectuur voor CPQ

Dit is de architectuur die het oude compromis oplost, zonder je bedrijfsvoering op een hype te baseren. Zie het als een redeneerlaag bovenop expliciete logica:

1. Expliciete productlogica als fundament. Houd regels, constraints en prijzen in een deterministisch, testbaar systeem. Dit is de plek voor de BOM, maakbaarheid en margeberekening.

2. Een conversationele redeneerlaag erbovenop. Gebruik LLM's om de vraag achter de vraag te vangen, opties te vergelijken en afwegingen te verwoorden. Hier krijg je antwoord op vragen als: "Waarom deze versnellingsbak voor stadsverkeer?". Het LLM stelt voor; de regels beslissen.

3. Uitleg als kernfunctie. Elke aanbeveling moet een verifieerbare onderbouwing hebben: technische redenen, kosteneffecten over tijd, geschiktheid voor het scenario. Als het systeem niet kan uitleggen waarom een keuze goed is, is het niet klaar voor productie.

4. Vangrails en testsuites. Behandel het LLM als een junior consultant: krachtig, maar heeft toezicht nodig. Routeer de voorstellen altijd via de constraint engine. Onderhoud een testset voor je belangrijkste offerteprocessen. Bij elke update van het model, de prijslijst of de prompts, draai je eerst de tests.

5. Een stapsgewijze datastrategie. Begin klein en gestructureerd. Beschrijf het product in heldere taal: scenario's, voor- en nadelen, do's en don'ts. Houd de context scherp. Groei van daaruit verder.

In de praktijk betekent dit dat je roadmap verschuift van één monolithische uitrol naar een gelaagde aanpak:

• Korte termijn: Plaats een redeneer-interface voor 2-3 van je meest gebruikte offerteprocessen. Gebruik je huidige CPQ- of ERP-logica als de scheidsrechter.
• Vervolgens: Maak de uitleg zichtbaar. Toon de redenen achter constraints, TCO-verschillen en prijseffecten direct op het scherm. Laat het systeem de gebruiker onderwijzen.
• Daarna: Organiseer het beheer. Geef product- en sales-teams de controle over teksten en scenario's. Houd de regels en tests bij je CPQ-team. Verkort de doorlooptijd van concept naar live van maanden naar dagen.

Wie wint? De teams die accepteren dat het verhaal onderdeel is van de configuratie. Ze bouwen een systeem dat redeneert én uitlegt in de taal van de koper, terwijl de regels op de achtergrond garanderen dat er geen onzin wordt verkocht. Ze meten de adoptie wekelijks, want dat is de enige statistiek die telt.

Wie blijft achter? De programma's die een jaar verspillen aan een toolmigratie zonder de echte bezwaren in het product op te lossen. De teams die gokken op een pure LLM-oplossing zonder vangrails. En de teams die niets doen en wakker worden in een wereld vol schaduw-offertes, omdat de officiële route nog steeds te traag is.

Dit gaat niet over het kiezen van een leverancier. Het gaat over het kiezen van een architectuur die de kracht van elke technologie erkent. Determinisme voor validiteit. Probabilistisch redeneren voor taal en context. Zet ze in de juiste volgorde en je krijgt snelheid mét betrouwbaarheid.

Ik geloof niet dat AGI de noodzaak voor CPQ zal wegnemen. Ik geloof wel dat de definitie van CPQ verandert. De grens verschuift: redeneren over scenario's en het kunnen geven van een uitleg worden kernfunctionaliteiten, geen extra's.

Het echte risico is denken dat dit een toekomstthema is. Het gebeurt nu al. Kopers verwachten direct inzicht in afwegingen. Verkopers verwachten een systeem dat hen helpt denken, niet alleen klikken. Finance verwacht een duidelijke lijn van configuratie naar kostprijs en marge. Als één van die lagen faalt, erodeert de deal in dagen, niet in weken.

Stel dus een andere vraag. Niet óf AI CPQ overbodig maakt, maar: waar, precies, helpt jouw huidige systeem de koper niet meer om een beslissing te nemen? En als een AI-assistent dat gat nu in minuten kan vullen terwijl je regels alles veilig houden, waar wacht je dan nog op?

Als je systeem kan redeneren én zijn redenering kan laten zien, welk deel van je offerte heeft dan nog een spreadsheet nodig om geloofwaardig te zijn?