בפברואר 2024 הודיע מנכ״ל Klarna שה-AI של החברה עושה את העבודה של 700 נציגי שירות לקוחות. הציטוט הזה הופיע כמעט בכל כלי תקשורת עסקי. הוא הפך לציטוט המוכר בנושא “AI מחליף עבודת ידע”, ומובילי CX שנהגו בזהירות כלפי AI מצאו את עצמם נשאלים על ידי הדירקטוריונים שלהם למה הם לא עושים אותו דבר.
עד מאי 2025 Klarna כבר החלה בשקט לגייס מחדש עובדים אנושיים. בתחילת 2026 הגיוס מחדש היה בעיצומו, והמנכ״ל הודה בפומבי שהחברה נתנה לשיקולי עלות לגבור על האיכות, ומשלמת על כך בשביעות רצון הלקוחות.
הסיקור הציג את זה כסיפור על AI שאינו טוב מספיק. זו קריאה שגויה. ה-AI פעל בדיוק כפי שתוכנן. זו הבעיה האמיתית, והלקח שהיא מלמדת צר יותר ושימושי יותר מזה שרוב האנשים לקחו מהכותרות.
כתבנו על המחיר האנושי של הטעות הזו מוקדם יותר השנה. המאמר הזה עוסק במשהו אחר: בעיית המדידה שאפשרה את כל זה.
כולם מדדו את הדבר הלא נכון
כש-Klarna פרסמה את ההודעה המקורית, המספר שבכותרת היה הכלה (containment): כמה שיחות עם לקוחות ה-AI ספג לפני שהגיעו לנציג אנושי. בין שני שלישים לשלושה רבעים מהאינטראקציות, תלוי בציטוט. זה נתון מרשים. הוא גם כמעט מנותק לחלוטין מהשאלה אם הבעיה של הלקוח באמת נפתרה.
הכלה מודדת אם ה-AI החזיק את השיחה. לקוח שפונה לתמיכה פעמיים באותו עניין נספר כשתי הכלות, אם ה-AI טיפל בשתיהן. לקוח שמקבל תשובה שגויה ומוותר עדיין נספר. לקוח מתוסכל עד כדי כך שהוא מערער על חיוב בכרטיס האשראי – גם הוא נספר. המדד תפס נפח. הוא לא אמר דבר על תוצאות.
ה-AI של Klarna עשה בדיוק את מה שנמדד עליו. הבעיה הייתה המדידה. להבחנה הזו יש משמעות עצומה לכל מוביל CX שבוחן היום ספקי AI.
ציוני ה-CSAT ירדו לפני שמדדי הנפח של Klarna זזו, וזה בדיוק מה שהייתם מצפים לו אם ההכלה והפתרון האוטונומי נעו בכיוונים מנוגדים. האות היה שם. אף אחד לא שם לב לפער עד שהתוצאה הידרדרה מספיק כדי להופיע במספרים שההנהלה באמת עוקבת אחריהם.
למה הכלה הפכה לברירת המחדל מלכתחילה
קשה יותר להגדיר פתרון, וזו הסיבה העיקרית שהתעשייה ברירת מחדל הלכה להכלה. האם הבעיה של הלקוח באמת נפתרה? כדי לענות על השאלה הזו צריך לדעת מה הייתה הבעיה, אם התשובה טיפלה בה, ואם הלקוח חזר. הכלה דורשת רק לספור שיחות שהסתיימו בלי נציג אנושי.
החברות שמחזיקות מעמד בשוק הנוכחי בנו את המדידה שלהן סביב השאלות הקשות האלה מההתחלה. שיעור הפניות החוזרות – האם אותו לקוח פותח מחדש פנייה באותו נושא בתוך 14 ימים – הוא האות הברור ביותר לפתרון, וזה בדיוק המדד שרוב ההטמעות מדלגות עליו, כי הוא מחייב מעקב בין שיחות ולא בתוך שיחה אחת. CSAT ברמת האינטראקציה חשוב יותר מהממוצע הכולל. הסלמות שמתייחסים אליהן כנתונים רציפים על המקומות שבהם הידע של סוכן ה-AI חסר שוות יותר ממה שרוב הצוותים מבינים.
הנתונים של Maven מהטמעות בארגוני אנטרפרייז מראים את הדפוס הזה באופן ישיר. לקוחות שעובדים לפי מדדי הכלה מגיעים לרמה שבה השיפור נעצר. לקוחות שעובדים לפי שיעורי פתרון בפנייה ראשונה, יחסי הסטה לפתרון ותדירות פניות חוזרות ממשיכים להשתפר, כי לולאת המשוב שלהם מחוברת לתוצאה האמיתית.
ההחלטה המבנית שהפכה את בעיית המדידה לקטלנית
Klarna צמצמה את מצבת כוח האדם לפני שהירידה באיכות נראתה בנתונים. ההיגיון היה סביר: ה-AI טיפל בנפח, ולכן אפשר לצמצם את הקיבולת האנושית. אבל בעיות איכות מצטברות לאט. הן מופיעות ב-CSAT, אחר כך בפניות חוזרות, אחר כך בנטישה, ואז במספרי ההכנסות, שמעצם הגדרתם מביטים לאחור. עד שהאות נעשה גלוי, המרווח שהיה אמור לספוג את ההתאוששות כבר נעלם.
זה החלק בסיפור של Klarna שהולך לאיבוד בנרטיב “ה-AI נכשל”. הטכנולוגיה לא נכשלה. מבנה ההטמעה נכשל – ובאופן ספציפי, ההחלטה לצמצם את הקיבולת האנושית לפני שווידאו שה-AI באמת פותר בעיות ולא רק מכיל אותן.
ההטמעות שנמנעו מכך לא קיצצו קודם בכוח אדם. הן ארגנו אותו מחדש. צוותי התמיכה עברו לטיפול בהסלמות, בקרת איכות ועבודת Customer Success – תפקידים שדורשים שיקול דעת שה-AI באמת לא יכול לשחזר. הצמצום בכוח האדם נבע מהארגון מחדש הזה, ולא מחשיבה שמתחילה בקיצוץ. ההבדל נראה דק. התוצאות לא.
איך רוכשים בארגוני אנטרפרייז השתנו אחרי Klarna
הסיפור האיץ מגמה שכבר התרחשה בתהליכי הרכש. מובילי CX בארגוני אנטרפרייז שרוכשים היום שואלים על שיעורי פתרון בפנייה ראשונה, לא על הכלה. הם שואלים מה קורה כשה-AI טועה, ולא רק באיזו תדירות הוא צודק. הם רוצים נתוני פניות חוזרות מהטמעות פעילות בסביבת ייצור, לא ציוני דיוק מהדגמה בסביבה מבוקרת.
השינוי הזה ניכר במחזורי העסקאות באופן מוחשי. ספקים שיכולים לענות על השאלות האלה עם נתוני לקוחות אמיתיים מתקדמים מהר יותר. אלה שעדיין מובילים עם מספרי הכלה נתקלים בשאלות קשות יותר ובתהליכים ארוכים יותר. הרף של “תוכיחו את זה” עלה. Klarna היא חלק גדול מהסיבה.
איך נראות בפועל הטמעות שהחזיקו מעמד
Clio בחנה 32 ספקי AI והעמידה 10 מהם במבחני עומס לפני שהטמיעה את Maven. היא פותרת 80% מפניות הצ׳אט באופן אוטונומי, וסוגרת בסך הכול 60% יותר פניות מהמערכת הקודמת. צוות התמיכה שלה לא הצטמצם, אלא עבר לעבודה בעלת ערך גבוה יותר. המדד שהיא עוקבת אחריו הוא פתרון, לא הסטה. לסיפור המלא.
Papaya Pay, שפועלת בתחום המוסדר של תשלומים חוצי גבולות, הגיעה ל-90% פתרון אוטונומי. דרישות הציות – כל אינטראקציה ניתנת לביקורת, כל הסלמה ניתנת למעקב, עמידה בתקני SOC 2, HIPAA ו-PCI-DSS – כפו את משמעת הפתרון שרוב ההטמעות מדלגות עליה. מתברר שהמשמעת הזו היא יתרון, לא מגבלה.
אף אחת מההטמעות לא התחילה בשאלה כמה עובדים אפשר לקצץ. שתיהן התחילו בשאלה מה המשמעות האמיתית של “נפתר”.
מה לעשות עם זה אם אתם בוחנים עכשיו ספקי AIהגדירו מהו פתרון לפני שאתם מטמיעים משהו. החליטו מה המשמעות של “נפתר” – פתרון בפנייה ראשונה, אין פנייה חוזרת בתוך 14 ימים, השלמת משימה מסוימת – וקבעו אותו כקריטריון ההצלחה מהיום הראשון. אם הספק שלכם לא יודע להסביר איך הוא ימדוד את זה, קיבלתם תשובה. המדריך שלנו להסטה מול פתרון מסביר בדיוק איך להגדיר את זה.
עקבו אחרי שיעור הפניות החוזרות כמדד מרכזי. הציבו אותו בדשבורד לצד ה-CSAT הרגיל. השתמשו בו כלולאת משוב לבסיס הידע של סוכן ה-AI ולהתנהגות שלו. אם אותו לקוח חוזר שוב ושוב עם אותה בעיה, זה כשל בפתרון, לא פנייה חדשה.
התייחסו לנתוני הסלמה כאות, לא כשלב בתהליך העבודה. כל הסלמה מראה לכם היכן הידע או הסמכות של ה-AI חסרים. הצוותים שמשתפרים הכי מהר משתמשים בנתונים האלה באופן רציף. פלטפורמת סוכני AI לארגונים צריכה להציף את המידע הזה בקלות, ולא לחייב אתכם לחפור אחריו.
דרשו כיסוי מאוחד של כל הערוצים מההתחלה. לקוח שמתקשר, אחר כך שולח מייל ואז פותח צ׳אט לא צריך לחזור על עצמו. פתרון מאוחד בצ׳אט, בקול ובמייל הוא מה שמניע את מספרי התוצאות, ולא אוטומציה בערוץ יחיד שנראית טוב בהדגמה.
אל תצמצמו כוח אדם לפני שווידאתם איכות בהיקף מלא. תכננו את המעבר של כוח העבודה במקביל להטמעת הטכנולוגיה, לא אחריה. התפקידים משתנים – הנציגים עוברים לטיפול בהסלמות, בקרת איכות וניהול חריגים – אבל את המעבר צריך לתכנן, לא להניח שיקרה מעצמו.
איפה זה משאיר אותנו
התחזית של Gartner שעד 2029, 80% מהאינטראקציות בשירות לקוחות יערבו AI עדיין נראית ברת השגה. השנתיים האחרונות לא שינו את היעד. הן הבהירו אילו דרכים מובילות אליו ואילו מובילות לנסיגה פומבית ולהודעה על גיוס מחדש.
החברות שיגיעו ל-80% פתרון אוטונומי יהיו אלה שהגדירו נכון מהו פתרון לפני שהטמיעו משהו, חייבו את ה-AI לעמוד בהגדרה הזו, ושילבו את המעבר של כוח העבודה בתוכנית מההתחלה. אלה שעשו אופטימיזציה להכלה, קיצצו כוח אדם מוקדם ומדדו שיחות במקום תוצאות – הן אלה שכותבות את סיפורי האזהרה.
הסיפור של Klarna אינו אזהרה לגבי היכולות של AI. זו אזהרה לגבי מה שקורה כשמכוונים מערכת מסוגלת אל המטרה הלא נכונה.
אם אתם בוחנים פתרונות AI לשירות לקוחות ומחפשים מסגרת להשוואה לפי המדדים שבאמת חשובים, המדריך שלנו להסטה מול פתרון מסביר בדיוק איך לבנות business case שמחזיק מים. או קבעו הדגמה וראו איך מספרי הפתרון של Maven משתווים למה שיש לכם היום.
ראו את זה על השיחות שלכם.
בקשו הדגמה מותאמת אישית ללא עלות.
