L'IA générative va-t-elle réellement rendre les systèmes CPQ obsolètes, ou plus intelligents ?

La semaine dernière, en atelier, la question que tout le monde se pose est enfin tombée : si l'AGI se généralise, à quoi serviront encore les systèmes CPQ ? Le silence qui a suivi montrait bien que la question touchait un point sensible.

Je travaille sur des projets CPQ depuis l’an 2000, principalement avec Tacton, et j'ai touché à tout : démos, déploiement, gouvernance, mise à l'échelle. Le constat est toujours le même : le CPQ est excellent pour la validation et la structure, mais il cale au moment crucial, celui de faire avancer la vente. Le commercial doit encore répondre à la question essentielle de l'acheteur : pourquoi cette configuration-là est-elle la bonne pour *moi* ?

Les grands modèles de langage (LLM) savent répondre à ce « pourquoi ». Ils peuvent analyser un scénario, identifier des compromis et rendre le complexe accessible. Le risque, ce n'est donc pas que l'IA remplace le CPQ. Le risque, c'est qu'elle révèle les limites actuelles des processus de vente assistés par le CPQ.

La mauvaise question sur l'obsolescence du CPQ

Voir le débat en termes de « remplacement ou non » du CPQ masque le vrai problème d'architecture. Un CPQ traditionnel garantit la justesse, la gouvernance et la répétabilité d'une offre. Il est déterministe : pour une même entrée, on obtient toujours la même sortie. Il contrôle ce qui est autorisé et calcule le coût associé. C'est un impératif stratégique dans l'industrie complexe, où une configuration irréalisable anéantit la marge.

Mais une vente commence rarement avec une référence produit. Elle part d'un besoin : « des rues urbaines étroites, un accès tout-terrain occasionnel, quatre personnes à bord et un coût total de possession sur cinq ans ». Les LLM excellent dans ce type de raisonnement. Ils sont capables de déchiffrer un contexte, de comparer des options et d'exprimer des compromis en langage clair. Ils ne remplacent pas les règles strictes qui définissent ce qui est valide, mais ils réduisent le temps nécessaire pour parvenir à un choix éclairé et défendable.

Si votre processus de vente ne peut pas justifier ses propres recommandations en temps réel, vos commerciaux finiront par le contourner.

Les signaux du marché sont clairs. Salesforce a par exemple annoncé la fin de la commercialisation de son CPQ historique pour les nouveaux clients, les orientant vers sa nouvelle Revenue Cloud à un prix bien plus élevé. Comme le notait une analyse du secteur, « Salesforce CPQ est officiellement entré en fin de vente pour les nouveaux clients ». Selon la page de tarification de Salesforce, la licence Revenue Cloud Advanced est affichée à 200 $ par utilisateur et par mois. Ce n'est pas un simple changement de licence. C'est une migration forcée qui oblige chaque responsable CPQ à se demander : si nous devons de toute façon changer, vers quoi allons-nous ?

Si votre seule réponse est « le prochain CPQ », vous passerez à côté du changement structurel en cours. La frontière de la valeur se déplace de la simple validation vers le raisonnement.

Pourquoi ce moment est différent

Pendant vingt ans, nous avons accepté un compromis : la vitesse contre la confiance. Excel est rapide mais fragile. Le CPQ est fiable, mais souvent lent à adapter et incapable d'expliquer ses propres choix. Les LLM viennent dynamiter cette équation. Ils offrent une nouvelle interface pour résoudre les mêmes problèmes fondamentaux : donner du sens, comparer des scénarios et apporter de la clarté narrative, le tout dans le langage du client.

Deux réalités nous gardent lucides. Premièrement, les LLM sont probabilistes. Ils savent généraliser, classer des options et rédiger des explications, mais ils peuvent aussi se tromper avec assurance. Deuxièmement, la vente de biens d'équipement exige des garanties. On ne fabrique pas des appareils d'IRM, des camions industriels ou des modules de process avec des règles probabilistes.

Le modèle gagnant se dessine donc : utiliser une logique explicite et testable pour la validité et les coûts, tout en laissant les modèles de langage gérer la capture des besoins, le raisonnement sur les scénarios et l'explication. Le système CPQ reste le garde-fou. La nouvelle couche IA est le guide.

Les règles garantissent la justesse. Les modèles de langage compriment le temps.

Pourquoi c'est un impératif aujourd'hui, et pas demain :

• Les changements imposés par les éditeurs ont raccourci les délais de décision. La migration forcée n'est plus un risque théorique ; elle figure déjà au calendrier de renouvellement de nombreux contrats.
• La pression sur les coûts est réelle. Un tarif de 200 $ par utilisateur et par mois pour un outil de chiffrage avancé pousse à s'interroger sur son utilisation quotidienne réelle et son impact mesurable.
• Les attentes des acheteurs ont changé. Ils attendent un système qui sache à la fois raisonner et justifier ses choix. Si l'outil officiel est à la traîne par rapport à un tandem Excel + ChatGPT, le chiffrage parallèle devient la norme.

Une architecture de raisonnement hybride pour le CPQ

Voici l'architecture qui permet de résoudre le vieux compromis sans parier l'avenir de l'entreprise sur une technologie naissante. Voyez-la comme une couche de raisonnement qui chapeaute une logique explicite :

1) **Une logique produit explicite comme fondation.** Conservez vos règles, contraintes et logiques de prix là où elles doivent être : dans un système déterministe, testable et maîtrisé. C'est là que la nomenclature, la faisabilité technique et la marge se construisent.

2) **Une couche de raisonnement conversationnel.** Utilisez les LLM pour capturer les besoins, comparer les options et expliquer les compromis. C'est là que des questions comme « pourquoi choisir cette boîte de vitesses pour un usage urbain ? » trouvent une réponse, en se référant à la logique produit. Le LLM propose ; les règles disposent.

3) **L'explication, dès la conception.** Chaque recommandation doit s'accompagner d'une justification vérifiable : les contraintes qui l'imposent, son impact sur le coût dans la durée, sa pertinence pour le scénario. Si le système ne peut pas montrer *pourquoi* un choix est valide et préférable, il n'est pas prêt pour la production.

4) **Des garde-fous et des suites de tests.** Considérez le LLM comme un consultant junior : puissant, mais sous supervision. Faites valider ses propositions par votre moteur de contraintes. Maintenez une suite de tests à jour pour vos principaux scénarios de vente. Quand le modèle, les prix ou les prompts changent, relancez les tests avant que vos commerciaux ne s'en aperçoivent.

5) **Une stratégie de données progressive.** Commencez petit mais structuré. Décrivez vos produits dans un langage commercial assez précis pour alimenter le raisonnement : scénarios d'usage, avantages, inconvénients. À mesure que votre usage grandit, enrichissez ce corpus et affinez vos prompts. Le progrès vaut mieux que la perfection.

Concrètement, votre feuille de route passe d'un déploiement monolithique à une montée en capacité par couches :

• **À court terme :** Placez une interface de raisonnement devant 2 ou 3 parcours de vente à fort volume. Conservez votre logique CPQ ou ERP actuelle comme arbitre.
• **Ensuite :** Instrumentez les explications. Affichez à l'écran les raisons des contraintes, les écarts de TCO et les variations de prix. Le système doit former l'utilisateur pendant qu'il chiffre.
• **Puis :** Mettez en place une gouvernance rapide du changement. Confiez la gestion des textes et scénarios au marketing produit et aux opérations commerciales. Gardez les règles et les tests chez votre équipe CPQ. Réduisez le cycle de mise en production de plusieurs mois à quelques jours.

Qui va gagner dans ce modèle ? Les équipes qui acceptent que la narration fait partie intégrante de la configuration. Elles construiront un système qui sait à la fois raisonner et expliquer dans le langage de l'acheteur, pendant que les règles s'assurent silencieusement que rien d'absurde ne soit proposé. Elles mesureront l'adoption chaque semaine, car l'adoption est le seul indicateur qui compte.

Qui va prendre du retard ? Les entreprises qui perdront un an à migrer d'outil sans répondre aux objections clés du client dans l'expérience produit. Celles qui parient sur un LLM pur, sans garde-fous, et découvriront à leurs dépens que les approximations à grande échelle ne vendent pas de biens d'équipement. Et celles qui ne font rien, qui verront leurs commerciaux bricoler des devis avec Excel et des assistants conversationnels parce que le parcours officiel est toujours trop lent.

Le choix ne porte pas sur un éditeur. Il porte sur une architecture qui reconnaît les forces de chaque technologie. Le déterminisme pour la validité. Le probabiliste pour le langage, la comparaison et l'apprentissage. Mettez-les dans le bon ordre, et vous obtiendrez la vitesse avec la confiance.

Je ne crois pas que l'AGI rendra le CPQ obsolète dans le B2B complexe. Je crois en revanche que la définition même du CPQ va changer. La frontière se déplace en amont pour inclure le raisonnement sur les scénarios et l'explication comme des capacités de premier ordre, et non comme des compléments. C'est le moment que nous vivons.

Le vrai risque est de croire que ce sujet est pour demain. Il est déjà là, dans le comportement des équipes sur le terrain. Les acheteurs veulent comprendre les compromis instantanément. Les commerciaux attendent un système qui les aide à réfléchir, pas seulement à cliquer. La finance exige une traçabilité claire de la configuration au coût et à la marge.

Alors, posez une question différente. Non pas « l'IA va-t-elle rendre le CPQ obsolète ? », mais plutôt : « à quel moment précis votre système actuel cesse-t-il d'aider un client à prendre sa décision ? »

Si un assistant peut combler cette lacune en quelques minutes, en toute sécurité grâce à vos règles, qu'attendez-vous ? Quand votre système saura à la fois raisonner et le prouver, quelle partie de votre devis aura encore besoin d'un tableur pour être crédible ?