En février 2024, le CEO de Klarna annonçait que l’IA de l’entreprise faisait le travail de 700 agents du service client. La citation a été reprise par presque toute la presse économique. Elle est devenue la référence obligée pour illustrer « l’IA remplace le travail intellectuel », et les responsables CX restés prudents vis-à-vis de l’IA se sont vu demander par leur conseil d’administration pourquoi ils ne faisaient pas de même.
En mai 2025, Klarna réembauchait discrètement des humains. Début 2026, les recrutements étaient bien engagés, et le CEO reconnaissait publiquement que l’entreprise avait laissé les coûts primer sur la qualité, ce qu’elle payait en satisfaction client.
La presse y a vu la preuve que l’IA n’était pas à la hauteur. C’est une erreur d’interprétation. L’IA a fonctionné exactement comme prévu. C’est là le vrai problème, et la leçon à en tirer est plus ciblée et plus utile que celle que la plupart des gens ont retenue des gros titres.
Nous avons évoqué le coût humain de cette erreur plus tôt cette année. Cet article traite d’autre chose : le problème de mesure qui a rendu tout cela possible.
Tout le monde a mesuré la mauvaise chose
Lors de l’annonce initiale de Klarna, le chiffre phare était le taux de confinement : le nombre de conversations clients absorbées par l’IA avant d’atteindre un humain. Entre deux tiers et trois quarts des interactions, selon les déclarations. Un chiffre frappant. Mais presque entièrement déconnecté de la question de savoir si le problème du client avait réellement été résolu.
Le confinement mesure si l’IA a gardé la main sur la conversation. Un client qui contacte le support deux fois pour le même problème compte pour deux confinements si l’IA a traité les deux. Un client qui accepte une mauvaise réponse et abandonne compte aussi. Un client assez exaspéré pour contester un prélèvement sur sa carte compte encore. L’indicateur mesurait le volume. Il ne disait rien des résultats.
L’IA de Klarna faisait exactement ce sur quoi elle était évaluée. Le problème, c’était la mesure. Cette distinction est capitale pour tout responsable CX qui évalue aujourd’hui des fournisseurs d’IA.
Les scores CSAT ont baissé avant que les indicateurs de volume de Klarna ne bougent, ce qui est exactement ce à quoi on peut s’attendre lorsque le confinement et la résolution autonome évoluent en sens inverse. Le signal était là. Personne n’a remarqué l’écart avant que la situation ne se dégrade suffisamment pour apparaître dans les chiffres que les dirigeants suivaient réellement.
Pourquoi le confinement s’est imposé par défaut
La résolution est plus difficile à définir, et c’est en grande partie pour cela que le secteur s’est rabattu sur le confinement. Le problème du client a-t-il vraiment été résolu ? Pour répondre, il faut savoir quel était le problème, si la réponse l’a traité et si le client est revenu. Le confinement, lui, se contente de compter les conversations terminées sans intervention humaine.
Les entreprises qui résistent sur le marché actuel ont bâti leur mesure autour de ces questions plus difficiles dès le départ. Le taux de recontact — le fait qu’un même client rouvre un ticket sur le même problème dans les 14 jours — est le signal de résolution le plus clair, et c’est celui que la plupart des déploiements ignorent, car il exige un suivi entre les conversations et non au sein de chacune. Le CSAT au niveau de chaque interaction compte davantage que l’agrégat. Et les escalades, traitées comme des données continues sur les lacunes de connaissances de l’agent IA, valent bien plus que ce que la plupart des équipes imaginent.
Les données de Maven sur ses déploiements en entreprise le montrent clairement. Les clients pilotés par le confinement atteignent des plateaux. Ceux qui suivent le taux de résolution au premier contact, les ratios déflexion/résolution et la fréquence des recontacts continuent de progresser, car leur boucle de rétroaction est reliée au résultat réel.
La décision structurelle qui a rendu le problème de mesure fatal
Klarna a réduit ses effectifs avant que la dégradation de la qualité ne soit visible dans les données. La logique se défendait : l’IA absorbait le volume, donc la capacité humaine pouvait diminuer. Mais les problèmes de qualité s’accumulent lentement. Ils apparaissent dans le CSAT, puis dans les recontacts, puis dans l’attrition (churn), puis dans des chiffres de revenus qui, par définition, regardent en arrière. Lorsque le signal est devenu visible, la marge nécessaire pour absorber le redressement avait déjà disparu.
C’est la partie de l’histoire Klarna que le récit « l’IA a échoué » passe sous silence. La technologie n’a pas échoué. C’est la structure du déploiement qui a échoué — plus précisément, la décision de réduire la capacité humaine avant d’avoir vérifié que l’IA résolvait réellement les problèmes, au lieu de simplement les contenir.
Les déploiements qui ont évité cet écueil n’ont pas commencé par supprimer des postes. Ils les ont restructurés. Les équipes support se sont tournées vers la gestion des escalades, le contrôle qualité et la réussite client, des rôles qui exigent un jugement que l’IA ne peut véritablement pas reproduire. La réduction des effectifs a découlé de cette restructuration, et non d’une logique centrée d’abord sur les effectifs. La nuance paraît subtile. Les résultats, eux, ne le sont pas.
Comment les acheteurs en entreprise ont changé après Klarna
L’affaire a accéléré une évolution déjà en cours dans les achats. Les responsables CX qui achètent aujourd’hui posent des questions sur le taux de résolution au premier contact, pas sur le confinement. Ils demandent ce qui se passe quand l’IA se trompe, et pas seulement à quelle fréquence elle a raison. Ils veulent des données de recontact issues de déploiements en production, pas des scores de précision obtenus en démo dans un environnement contrôlé.
Ce changement se traduit concrètement dans les cycles de vente. Les fournisseurs capables de répondre à ces questions avec de vraies données clients avancent plus vite. Ceux qui mettent encore en avant des chiffres de confinement font face à des questions plus exigeantes et à des processus plus longs. Le niveau de preuve attendu a changé. Klarna y est pour beaucoup.
À quoi ressemblent les déploiements qui ont tenu
Clio a évalué 32 fournisseurs d’IA et en a soumis 10 à des tests poussés avant de déployer Maven. L’entreprise résout 80 % des demandes par chat de manière autonome et clôt 60 % de tickets de plus qu’avec son ancien système. Son équipe support n’a pas été réduite : elle s’est recentrée sur des tâches à plus forte valeur. L’indicateur suivi est la résolution, pas la déflexion. Lire le témoignage complet.
Papaya Pay, qui opère dans les paiements transfrontaliers réglementés, a atteint 90 % de résolution autonome. L’exigence de conformité — chaque interaction auditable, chaque escalade traçable, dans le respect des normes SOC 2, HIPAA et PCI-DSS — a imposé une rigueur sur la résolution que la plupart des déploiements négligent. Cette rigueur s’avère être un atout, pas une contrainte.
Aucun de ces deux déploiements n’a commencé par se demander combien de postes supprimer. Tous deux ont commencé par définir ce que « résolu » voulait vraiment dire.
Que faire si vous évaluez des fournisseurs d’IA dès maintenantDéfinissez la résolution avant de déployer quoi que ce soit. Décidez de ce que « résolu » signifie — résolution au premier contact, aucun recontact dans les 14 jours, réalisation d’une tâche précise — et faites-en le critère de succès dès le premier jour. Si votre fournisseur ne sait pas vous dire comment il la mesurerait, vous avez votre réponse. Notre guide déflexion vs résolution explique précisément comment le mettre en place.
Suivez le taux de recontact comme un indicateur de premier plan. Affichez-le dans le tableau de bord à côté de votre CSAT habituel. Utilisez-le comme boucle de rétroaction vers la base de connaissances de l’agent IA et son comportement. Si un même client revient sans cesse pour le même problème, c’est un échec de résolution, pas un nouveau ticket.
Traitez les données d’escalade comme un signal, pas comme une étape du workflow. Chaque escalade révèle où les connaissances ou le périmètre d’action de l’IA sont insuffisants. Les équipes qui progressent le plus vite exploitent ces données en continu. Une plateforme d’agents IA pour l’entreprise doit les faire remonter facilement, sans que vous ayez à les chercher.
Exigez une couverture unifiée des canaux dès le départ. Un client qui appelle, puis envoie un e-mail, puis ouvre un chat ne devrait pas avoir à se répéter. C’est la résolution unifiée sur le chat, la voix et l’e-mail qui fait progresser les résultats, pas une automatisation mono-canal qui brille en démo.
Ne réduisez pas les effectifs avant d’avoir validé la qualité à grande échelle. Organisez la transition des équipes en parallèle du déploiement technologique, pas après. Les rôles évoluent — les agents se tournent vers la gestion des escalades, le contrôle qualité, le traitement des exceptions —, mais la transition doit être conçue, pas présumée.
Où en sommes-nous
La prédiction de Gartner selon laquelle 80 % des interactions du service client impliqueront l’IA d’ici 2029 reste atteignable. Ces deux dernières années n’ont pas changé la destination. Elles ont clarifié quels chemins y mènent, et lesquels mènent à un revirement public et à une annonce de réembauches.
Les entreprises qui atteindront 80 % de résolution autonome seront celles qui auront correctement défini la résolution avant tout déploiement, tenu l’IA responsable au regard de cette définition et intégré la transition des équipes au plan dès le départ. Celles qui ont optimisé pour le confinement, réduit les effectifs trop tôt et mesuré des conversations plutôt que des résultats sont celles qui écrivent les récits édifiants.
L’histoire de Klarna n’est pas un avertissement sur les capacités de l’IA. C’est un avertissement sur ce qui se passe lorsqu’un système performant vise la mauvaise cible.
Si vous évaluez des solutions d’IA pour le service client et souhaitez un cadre pour les comparer sur les indicateurs qui comptent vraiment, notre guide déflexion vs résolution explique précisément comment construire un business case solide. Vous pouvez aussi réserver une démo pour comparer les taux de résolution de Maven à ceux que vous obtenez aujourd’hui.
Voyez-le à l’œuvre sur vos propres conversations.
Demandez une démo personnalisée gratuite.
