¿La IA generativa realmente volverá obsoletos los sistemas CPQ, o los hará más inteligentes?

En un taller la semana pasada, alguien soltó la pregunta que todos llevábamos tiempo rondando: si la inteligencia artificial general (AGI) se hace realidad, ¿seguiremos necesitando sistemas CPQ? Se hizo el tipo de silencio que solo ocurre cuando todos en la sala saben que la pregunta importa.

Llevo desde el 2000 trabajando con CPQ, sobre todo con Tacton, y he pasado por todas las fases: demos, implantaciones, gobierno y escalado. Hemos visto el mismo patrón una y otra vez: el CPQ es genial para la validación y la estructura, pero se atasca justo en el momento que hace avanzar una venta. El vendedor todavía tiene que responder la pregunta humana que el cliente realmente se hace: ¿por qué esta configuración es la mejor para mi situación?

Los modelos de lenguaje (LLM) sí que pueden hablar del «porqué». Pueden razonar sobre escenarios, exponer ventajas y desventajas, y hacer comprensible lo complejo. Eso cambia la naturaleza del riesgo. La amenaza no es que la IA reemplace al CPQ. La amenaza es que la IA deja en evidencia dónde se detiene el CPQ hoy.

La pregunta equivocada sobre la obsolescencia del CPQ

El enfoque binario —¿la IA reemplaza al CPQ o no?— esconde el verdadero problema de diseño. El CPQ tradicional es imbatible asegurando la corrección, el control y la repetibilidad. Es determinista: misma entrada, misma salida. Define lo que está permitido y calcula su coste. Esto es fundamental en la fabricación compleja, donde la viabilidad de un producto es la línea que separa el margen del caos.

Pero una venta rara vez empieza con un número de pieza. Empieza con un escenario: calles urbanas estrechas, acceso ocasional a caminos sin asfaltar, una tripulación de cuatro personas y una conversación sobre el coste total de propiedad (TCO) a cinco años. Los LLM son buenos en este tipo de razonamiento. Pueden desgranar el contexto, comparar opciones y expresar las alternativas en un lenguaje sencillo. No reemplazan el límite estricto de lo que es válido, pero sí comprimen el tiempo necesario para llegar a una elección informada y defendible.

Un configurador que no sabe explicar sus propias decisiones sobre la marcha está condenado a que los equipos de ventas lo ignoren.

Miremos las señales del mercado. Salesforce ha puesto su CPQ tradicional en modo «end-of-sale» para nuevos clientes, dirigiéndolos a su nueva plataforma Revenue Cloud a un precio notablemente superior. Como leíamos hace poco, «Salesforce CPQ ha entrado oficialmente en estado de ‘fin de venta’ para nuevos clientes». Según la propia página de precios de Salesforce, Revenue Cloud Advanced cuesta 200 $ por usuario al mes. Esto no es solo un cambio de producto. Es un momento de migración forzosa que obliga a cualquier responsable de CPQ a preguntarse: si tenemos que movernos de todas formas, ¿hacia dónde vamos?

Si la respuesta es simplemente «el siguiente CPQ», nos estaremos perdiendo el cambio de fondo. El foco ya no está solo en la validación, sino en el razonamiento.

Por qué este momento es diferente

Durante veinte años, los equipos hemos aceptado un dilema: velocidad o confianza. Excel es rápido pero frágil. CPQ es fiable, pero a menudo es lento para adaptarse y para explicar sus decisiones. Los LLM rompen esa ecuación. Aportan una nueva interfaz para los mismos viejos problemas: entender el contexto, comparar y dar claridad narrativa, todo en el lenguaje del comprador.

Pero seamos realistas. Primero, los LLM funcionan con probabilidades. Pueden generalizar, ordenar opciones y redactar explicaciones, pero también pueden equivocarse con total seguridad. Segundo, las ventas B2B complejas necesitan garantías. Nadie fabrica equipos de resonancia magnética, camiones industriales o módulos de proceso basándose en probabilidades.

Así que la arquitectura ganadora empieza a tomar forma: usamos lógica explícita y verificable para la validez y el coste, y dejamos que los modelos de lenguaje se encarguen de capturar la intención, razonar sobre escenarios y dar explicaciones. El sistema sigue siendo la barandilla de seguridad. La nueva capa es el guía.

Las reglas garantizan que la configuración sea correcta. Los modelos de lenguaje acortan el tiempo para llegar a ella.

¿Por qué importa ahora y no después?

• Los cambios impulsados por los proveedores han acortado el plazo para decidir. La migración forzosa no es un riesgo teórico; está en los calendarios de renovación ahora mismo.
• La presión de costes es real. Pagar 200 $ por usuario al mes por una herramienta de ofertas avanzada obliga a pensar en el uso diario real y el impacto medible.
• El comportamiento del comprador ha cambiado. Los equipos esperan un sistema que razone y que además muestre su razonamiento. Si la herramienta oficial es más lenta que una hoja de cálculo con ChatGPT, el «shadow quoting» (crear ofertas por fuera del sistema) se convierte en la norma.

Una arquitectura de razonamiento híbrida para CPQ

Esta es la arquitectura que resuelve el viejo dilema sin jugarnos el futuro de la empresa por una moda. Pensémoslo como una capa de razonamiento construida sobre una base de lógica explícita:

1) **Lógica de producto explícita como base.** Mantenemos las reglas, restricciones y precios donde deben estar: en un sistema determinista, verificable y bajo nuestro control. Las listas de materiales (BOM), la viabilidad de fabricación y el precio final se ganan su sitio aquí.

2) **Una capa de razonamiento conversacional por encima.** Usamos los LLM para capturar la intención del cliente, comparar opciones y narrar las ventajas y desventajas. Aquí es donde preguntas como «¿Por qué elegir esta caja de cambios para rutas urbanas?» obtienen respuesta, siempre con referencias a la lógica explícita. El LLM propone; las reglas disponen.

3) **Explicación por diseño.** Cada recomendación debe ir acompañada de una justificación verificable: las restricciones que la motivan, el impacto en costes a lo largo del tiempo o su idoneidad para un escenario concreto. Si el sistema no puede mostrar por qué una opción es válida y preferible, no está listo para producción.

4) **Barandillas y un buen set de pruebas.** Tratemos al LLM como a un consultor júnior: potente, pero necesita supervisión. Todas sus propuestas deben pasar por el motor de restricciones. Mantengamos un conjunto de pruebas actualizado con nuestras rutas de oferta más habituales y ejecutémoslo cada vez que cambiemos el modelo, los precios o las instrucciones, antes de que el equipo de ventas lo note.

5) **Una estrategia de datos progresiva.** Empecemos con algo pequeño pero estructurado. Describamos el producto en un lenguaje comercial claro, con escenarios, pros y contras, y casos de uso. A medida que el uso crezca, ampliemos los datos y refinemos las instrucciones. El progreso es mejor que la perfección.

En la práctica, nuestro roadmap ya no es un único despliegue monolítico, sino una serie de capas:

• **A corto plazo:** Poner una interfaz de razonamiento delante de 2 o 3 de los procesos de venta de mayor volumen. Mantenemos la lógica del CPQ o ERP actual como árbitro final.
• **Después:** Instrumentar las explicaciones. Mostrar en pantalla las razones de una restricción, las diferencias de TCO y los cambios de precio. Hacemos que el sistema enseñe mientras configura.
• **Luego:** Crear un sistema de gobierno ágil. La responsabilidad del texto y los escenarios pasa a producto y operaciones de ventas. Las reglas y las pruebas se quedan en el equipo de CPQ. Acortamos el ciclo de borrador a producción de meses a días.

¿Quién gana con este modelo? Los equipos que aceptan que la narrativa es parte de la configuración de productos. Consiguen que el sistema razone y se explique en los términos del comprador, mientras las reglas garantizan discretamente que no se cuele ninguna barbaridad. Miden la adopción semanalmente, porque la adopción es la única métrica que importa.

¿Y quién se queda atrás? Los que invierten un año en migrar de herramienta sin resolver las cinco objeciones principales en la experiencia de producto. Los que apuestan todo a un LLM sin control descubrirán por las malas que las conjeturas a gran escala no venden bienes de equipo. Y los que no hacen nada despertarán un día y verán que sus comerciales usan hojas de cálculo y un asistente de chat porque el sistema oficial sigue siendo más lento.

Esto no va de elegir un proveedor. Va de elegir una arquitectura que acepte para qué es buena cada tecnología. El determinismo se encarga de la validez. El razonamiento probabilístico se encarga del lenguaje, la comparación y el aprendizaje. Si los ponemos en el orden correcto, obtenemos velocidad con confianza.

No creo que la AGI vaya a eliminar la necesidad de un CPQ en el B2B complejo. Pero sí creo que la definición de CPQ va a cambiar. El límite se desplaza para incluir el razonamiento sobre escenarios y la explicación como capacidades de primer nivel, no como extras. Ese es el momento en el que estamos.

El riesgo silencioso es pensar que esto es un tema para el futuro. Ya está ocurriendo en el comportamiento diario de los equipos. Los compradores esperan entender las alternativas al instante. Los vendedores esperan que el sistema les ayude a pensar, no solo a hacer clic. Y finanzas espera una línea clara desde la configuración hasta el coste y el margen. Si una capa falla, la venta se enfría en días, no en semanas.

Así que hagámonos una pregunta distinta a la del principio. No si la IA hará obsoleto al CPQ, sino: ¿en qué punto exacto deja tu sistema actual de ayudar al comprador a decidir? Y si un asistente puede ahora llenar ese vacío en minutos mientras tus reglas lo mantienen seguro, ¿a qué estamos esperando?

Cuando tu sistema pueda razonar y justificar sus propias decisiones, ¿qué parte de tu oferta necesitará todavía una hoja de cálculo para ser creíble?