CPQ실무

LLM은 트럭이 무엇인지는 압니다. 하지만 *귀사의* 트럭에 대해서는 모릅니다. 대부분의 팀이 SKU, 속성, 규칙 테이블로만 구성된 기존 CPQ 시스템에 AI를 도입하려 할 때 마주하는 현실입니다. AI가 내놓는 답변은 그럴듯해 보이지만, 그 근거는 부실합니다. 영업 담당자가 왜 특정 침대칸(sleeper cab)을 추천하는지 물으면 시스템은 명쾌한 답을 내놓지 못합니다. 제가 워크숍 현장에서 직접 목격한 바입니다. 각 옵션이 언제, 왜 필요한지에 대한 명확한 맥락을 모델에 제공하는 순간, 대화의 질이 달라집니다. 시스템은 추측을 멈추고 조언을 시작합니다. 이는 AI의 마법이 아닙니다. 바로 '서사(narrative)'를 가진 데이터의 힘입니다. 기존 데이터에 빠진 한 가지 데이터 테이블은 어떤 조합이 '가능한지'는 알려주지만, 왜 그 선택이 '현명한지', 어떤 상황에 적합하고 부적합한지는 알려주지 않습니다. 이 공백을 메우기 위해 담당자들은 다시 이메일, 별도의 엑셀 파일, 그리고 소수만 아는 비공식적 지식에 의존하게 됩니다. 우리는 이것을 시스템 도입 실패의 문제라고 부릅니다. AI의 추론 능력에 필요한 것은 더 많은 데이터 항목이 아닙니다. 각 옵션에 대한 기계가 읽을 수 있는 **의도(intent)**입니다. 단순 스펙 나열이 아닌, 목적을 설명하는 쉬운 언어 고객이 고려해야 할 장단점과 트레이드오프 구체적인 활용 및 비적용 시나리오 원가, 리드타임, 서비스, 리스크 등에 미치는 영향 이제 제품 마케팅 콘텐츠는 단순히 웹사이트 문구에 그치지 않습니다. 구성 모델(configuration model)에 입력되는 핵심 데이터가 됩니다. 이 콘텐츠를 체계적으로 구조화하면 AI는 이를 바탕으로 추론할 수 있습니다. 그렇지 않으면, AI는 자신감에 차서 환각(hallucination)을 일으킬 뿐입니다. PIM을 넘어 지식 베이스로 대부분의 PIM(제품 정보 관리)과 가격 정책 ...

지난주 워크숍에서 한 분이 모두가 궁금해하지만 차마 입 밖으로 꺼내지 못했던 질문을 던졌습니다. “AGI가 현실이 되면, CPQ 시스템은 더 이상 필요 없을까요?” 그 질문의 무게를 모두가 알기에, 장내에는 무거운 침묵이 흘렀습니다. 저는 2000년부터 주로 Tacton 솔루션을 중심으로 CPQ 분야에서 데모, 구축, 거버넌스, 확장 등 다양한 업무를 수행해 왔습니다. 그 과정에서 반복되는 패턴을 발견했습니다. CPQ는 제품 구성의 유효성 검증과 구조화는 완벽하게 해내지만, 정작 계약을 성사시키는 결정적인 순간에는 힘을 쓰지 못한다는 점입니다. 영업 담당자는 여전히 고객의 진짜 질문, 즉 “왜 내 상황에 이 구성이 최선인가?”에 직접 답해야 합니다. LLM(대규모 언어 모델)은 바로 이 ‘왜’에 대해 답할 수 있습니다. 시나리오에 기반해 추론하고, 장단점을 비교하며, 복잡한 내용을 쉽게 설명합니다. 이는 리스크의 본질을 바꿉니다. AI가 CPQ를 대체하는 것이 위협이 아닙니다. 진짜 위협은 AI로 인해 기존 CPQ의 한계가 명확히 드러난다는 점입니다. 잘못된 질문: CPQ는 구식이 될 것인가 ‘AI가 CPQ를 대체할 것인가, 아닌가’ 하는 이분법적 질문은 문제의 본질을 흐립니다. 전통적인 CPQ는 정확성, 거버넌스, 반복성을 보장하는 결정론적(deterministic) 시스템입니다. 동일한 입력값은 항상 동일한 결과값을 내놓습니다. 허용되는 범위를 지키고, 그 비용을 계산합니다. 이는 수익과 재앙의 경계선이 ‘생산 가능성’에 달려 있는 복잡한 제조업에서 매우 중요합니다. 하지만 영업 현장은 부품 번호로 시작되지 않습니다. “좁은 도심 도로, 비포장도로 간헐적 운행, 4인 탑승, 5년 총소유비용(TCO) 고려”와 같은 시나리오에서 시작됩니다. LLM은 이런 종류의 추론에 능합니다. 고객의 상황을 이해하고, 여러 옵션을 비교하며, 선택에 따른 장단점을 평이한 언어로 설명합니다. 이는 유효한 구성이라는 딱딱한 경계를 대체하는 것이 아니라, 정보에 기반한 합리적인 ...

복잡한 장비를 판매하는 회사라면 어디에나 '김 부장님' 같은 분이 있습니다. 제품에 대해 모르는 것이 없고, 동료들이 스프레드시트를 열어볼 때쯤이면 이미 고객의 모호한 요구사항을 명확하고 실행 가능한 솔루션으로 정리해냅니다. 그는 영웅입니다. 하지만 동시에, 붐비는 고속도로의 유일한 1차선 진입로이기도 합니다. 한 글로벌 기업의 사례가 기억납니다. 모든 대형 견적은 단 한 명의 전문가 검토를 위해 줄을 섰습니다. 계약은 지연되고 승인 서류는 쌓여만 갔습니다. 제품 관리팀은 영업팀에게 제발 특이한 사양은 팔지 말아 달라고 애원할 지경이었습니다. 사용하던 툴에는 문제가 없었습니다. 업무 처리 방식이 문제였습니다. 회사의 성장이 한 사람의 머리에 의존한다면, 그것은 세일즈 프로세스가 아닙니다. 이름만 있는 병목 지점일 뿐입니다. 더 좋은 계산기가 아니라, 똑똑한 번역기가 필요합니다 대부분의 팀은 모든 규칙을 코드화하는 대규모 CPQ 프로젝트가 해결책이라고 생각합니다. 안전한 접근처럼 들리지만, 대개 느리고 비싸며 경직된 시스템으로 귀결됩니다. 몇 달에 걸쳐 예외 규칙을 모델링하고 나면, 현업에서는 이미 새로운 예외 케이스를 만들어 낸 뒤입니다. 진짜 문제는 견적서의 계산이 아닙니다. 고객의 상황을 유효한 제품 구성(Configuration)으로 '번역'하는 과정에 있습니다. 김 부장님은 복잡한 계산으로 답을 찾지 않습니다. 고객의 말을 경청하고, 문제의 핵심을 파악하고, 가장 중요한 두세 가지 질문을 던져 잘못된 길을 미리 차단합니다. 의도를 구조로 번역하는 것입니다. 우리는 더 똑똑한 '번역가'가 필요할 때, 더 좋은 '계산기'를 만드는 데만 힘을 쏟아왔습니다. CPQ의 핵심은 자동화가 아니라 정확성입니다. 정확성이란 우리가 판매한 제품을 매번 실수 없이 만들고, 가격을 책정하고, 납품할 수 있음을 의미합니다. 혼란을 자동화하는 것만큼 신뢰를 빨리 잃는 길은 없습니다. 복잡한 것을 누구나 이해할 수 있게 ...

두 달 전, 한 고객사에서 챗봇이 하룻밤 사이에 갑자기 까다로워진 이유를 물어온 적이 있습니다. 그 전주까지만 해도 파워트레인을 자신 있게 추천하던 챗봇이 모델 업그레이드 후, 단계마다 확인 질문을 던지기 시작한 것입니다. 제품도, 규칙도 그대로인데 동작만 달라졌습니다. 이것이 바로 문제입니다. 영업 로직이 그날그날의 모델 버전에 따라 흔들려서는 안 된다는 뜻입니다. 복잡한 제품을 판매할 때, 정확성은 '있으면 좋은 것'이 아니라 필수입니다. 영업 부서는 빠른 답변을 원하지만, 운영 부서는 결과에 대한 보증을 필요로 합니다. 어느 한쪽을 포기할 수 없습니다. 순수한 규칙 기반 방식과 순수한 LLM 방식 사이에서 양자택일하려는 접근 자체가 잘못되었습니다. 지금이 왜 중요한 전환점인가 LLM은 대화, 설명, 패턴 발견에 탁월합니다. 구매자의 언어로 소통하고 시나리오를 이해시킵니다. 하지만 확률 기반으로 작동하기에 똑같은 입력에도 다른 결과를 낼 수 있고, 맥락이 부족하면 추측으로 답변을 만들어내기도 합니다. 반면 제약 기반 CPQ는 그 반대입니다. 완벽할 정도로 '지루하게' 정적입니다. 모든 결과가 결정론적(deterministic)이고, 테스트 가능하며, 릴리스가 바뀌어도 안정적입니다. 하지만 상호작용 방식이 경직되어 있고, 모든 추천과 설명을 규칙으로 해결하려 하면 유지보수 비용이 급증합니다. 결국 어느 한쪽을 선택하는 것이 아니라, 각자가 가장 잘하는 역할을 맡기는 것이 핵심입니다. 가트너 리서치에 따르면, 수많은 CPQ 프로젝트 실패의 근본 원인은 툴이 아니라 제품 데이터와 거버넌스에 있었습니다. 이는 핵심 병목 지점이 기능이 아니라, '지식을 표현하고, 변경을 통제하며, 의사결정을 사람에게 설명하는 방식'에 있음을 시사합니다. 판사와 조언자: 하이브리드 CPQ의 두 역할 저희는 이 패턴을 워크숍에서 'CPQ 추론(CPQ Reasoning)' 모델이라 부릅니다. 모든 견적 프로세스를 두 가지 역할이...