A febbraio 2024 il CEO di Klarna annunciò che l'AI dell'azienda svolgeva il lavoro di 700 operatori del servizio clienti. La citazione finì su quasi tutte le testate economiche. Divenne il riferimento d'obbligo per “l'AI sta sostituendo il lavoro intellettuale”, e i leader CX che fino ad allora erano stati cauti sull'AI si ritrovarono a dover spiegare ai propri consigli di amministrazione perché non stessero facendo lo stesso.
A maggio 2025 Klarna stava già riassumendo persone, senza clamore. All'inizio del 2026 le riassunzioni erano in pieno corso, con il CEO che ammetteva pubblicamente che l'azienda aveva lasciato prevalere i costi sulla qualità e ne stava pagando il prezzo in termini di soddisfazione dei clienti.
La stampa l'ha raccontata come la storia di un'AI non all'altezza. È la lettura sbagliata. L'AI ha funzionato esattamente come previsto. Il vero problema è proprio questo, e la lezione che se ne ricava è più circoscritta e più utile di quella che la maggior parte delle persone ha tratto dai titoli.
Abbiamo scritto del costo umano di quell'errore all'inizio dell'anno. Questo articolo parla d'altro: del problema di misurazione che ha reso possibile tutto questo.
Tutti hanno misurato la cosa sbagliata
Quando Klarna fece l'annuncio, il numero di punta era il contenimento: quante conversazioni con i clienti l'AI assorbiva prima che arrivassero a un operatore. Da due terzi a tre quarti delle interazioni, a seconda della fonte. È un dato impressionante. Ma è anche quasi del tutto scollegato dal fatto che il problema del cliente sia stato davvero risolto.
Il contenimento misura se l'AI ha trattenuto la conversazione. Un cliente che contatta l'assistenza due volte per lo stesso problema conta come due contenimenti, se l'AI li ha gestiti entrambi. Conta anche un cliente che accetta una risposta sbagliata e si arrende. Conta perfino un cliente così frustrato da contestare un addebito sulla carta. La metrica misurava i volumi. Non diceva nulla sui risultati.
L'AI di Klarna faceva esattamente ciò su cui veniva misurata. Il problema era la misurazione. Una distinzione che conta moltissimo per ogni leader CX che oggi sta valutando fornitori di AI.
I punteggi CSAT sono calati prima che si muovessero le metriche di volume di Klarna, ed è proprio ciò che ci si aspetterebbe se contenimento e risoluzione autonoma andassero in direzioni opposte. Il segnale c'era. Nessuno ha notato il divario finché il risultato non è peggiorato abbastanza da emergere nei numeri che i dirigenti guardavano davvero.
Perché il contenimento è diventato lo standard
La risoluzione è più difficile da definire, ed è soprattutto per questo che il settore ha ripiegato sul contenimento. Il problema del cliente è stato davvero risolto? Per rispondere devi sapere qual era il problema, se la risposta lo ha affrontato e se il cliente è tornato. Per il contenimento basta contare le conversazioni chiuse senza un operatore.
Le aziende che oggi reggono sul mercato hanno costruito la loro misurazione attorno a queste domande più difficili fin dall'inizio. Il tasso di ricontatto, cioè se lo stesso cliente riapre un ticket sullo stesso problema entro 14 giorni, è il segnale di risoluzione più chiaro, ed è quello che la maggior parte delle implementazioni trascura, perché richiede di tracciare i dati tra più conversazioni anziché all'interno di una sola. Il CSAT a livello di singola interazione conta più del dato aggregato. E le escalation, trattate come un flusso continuo di dati su dove le conoscenze dell'agente AI sono carenti, valgono più di quanto la maggior parte dei team immagini.
I dati di Maven sulle implementazioni enterprise mostrano chiaramente questo schema. I clienti che si basano sulle metriche di contenimento arrivano a un plateau. I clienti che si basano su tassi di risoluzione al primo contatto, rapporti tra deflection e risoluzione e frequenza dei ricontatti continuano a migliorare, perché il loro ciclo di feedback è collegato al risultato reale.
La decisione strutturale che ha reso fatale il problema di misurazione
Klarna ha ridotto il personale prima che il calo di qualità fosse leggibile nei dati. La logica era difendibile: l'AI gestiva i volumi, quindi la capacità umana poteva essere ridimensionata. Ma i problemi di qualità si accumulano lentamente. Emergono nel CSAT, poi nei ricontatti, poi nel churn, poi nei ricavi, che per definizione guardano al passato. Quando il segnale è diventato visibile, il margine per gestire il recupero era già sparito.
È la parte della storia di Klarna che si perde nella narrazione del “fallimento dell'AI”. La tecnologia non ha fallito. Ha fallito la struttura dell'implementazione, in particolare la decisione di ridurre la capacità umana prima di verificare che l'AI stesse davvero risolvendo i problemi e non solo contenendoli.
Le implementazioni che hanno evitato questo errore non hanno iniziato dai tagli al personale. Lo hanno riorganizzato. I team di supporto si sono spostati verso la gestione delle escalation, il controllo qualità e il customer success, ruoli che richiedono una capacità di giudizio che l'AI non può davvero replicare. La riduzione del personale è arrivata da questa riorganizzazione, non da un approccio che parte dai tagli. La differenza sembra sottile. I risultati no.
Come sono cambiati gli acquirenti enterprise dopo Klarna
La vicenda ha accelerato qualcosa che stava già accadendo negli uffici acquisti. I leader CX enterprise che acquistano oggi chiedono i tassi di risoluzione al primo contatto, non il contenimento. Chiedono cosa succede quando l'AI sbaglia, non solo quanto spesso ha ragione. Vogliono dati sui ricontatti da implementazioni reali in produzione, non punteggi di accuratezza ottenuti in demo in un ambiente controllato.
Questo cambiamento si vede concretamente nei cicli di vendita. I fornitori in grado di rispondere con dati reali dei clienti procedono più in fretta. Quelli che puntano ancora sui numeri di contenimento ricevono domande più difficili e affrontano processi più lunghi. L'asticella del “dimostralo” si è alzata. E Klarna è una delle ragioni principali.
Come sono fatte le implementazioni che hanno retto
Clio ha valutato 32 fornitori di AI e ne ha messi alla prova 10 prima di implementare Maven. Oggi risolve in autonomia l'80% delle richieste in chat e chiude complessivamente il 60% di ticket in più rispetto al sistema precedente. Il team di supporto non si è ridotto: si è spostato verso attività a maggior valore. La metrica che monitora è la risoluzione, non la deflection. Leggi la storia completa.
Papaya Pay, che opera nei pagamenti transfrontalieri regolamentati, ha raggiunto il 90% di risoluzione autonoma. I requisiti di compliance (ogni interazione verificabile, ogni escalation tracciabile, conformità agli standard SOC 2, HIPAA e PCI-DSS) hanno imposto quella disciplina sulla risoluzione che la maggior parte delle implementazioni salta. E quella disciplina si è rivelata un punto di forza, non un vincolo.
Nessuna delle due implementazioni è partita chiedendosi quante persone si potessero tagliare. Entrambe sono partite chiedendosi cosa significasse davvero “risolto”.
Cosa fare se stai valutando fornitori di AI oggiDefinisci la risoluzione prima di implementare qualsiasi cosa. Stabilisci cosa significa “risolto” (risoluzione al primo contatto, nessun ricontatto entro 14 giorni, completamento di un'attività specifica) e rendilo il criterio di successo fin dal primo giorno. Se il tuo fornitore non sa dirti come lo misurerebbe, hai già la tua risposta. La nostra guida deflection vs. risoluzione spiega passo per passo come impostarlo.
Considera il tasso di ricontatto una metrica di primo piano. Mettilo nella dashboard accanto al CSAT. Usalo come ciclo di feedback per la knowledge base dell'agente AI e per il suo comportamento. Se lo stesso cliente continua a tornare per lo stesso problema, si tratta di una risoluzione mancata, non di un nuovo ticket.
Tratta i dati sulle escalation come un segnale, non come un passaggio del flusso di lavoro. Ogni escalation ti dice dove le conoscenze o l'autonomia dell'AI non bastano. I team che migliorano più in fretta usano questi dati in modo continuo. Una piattaforma di agenti AI enterprise dovrebbe farli emergere con facilità, senza costringerti a cercarli.
Pretendi fin dall'inizio una copertura unificata dei canali. Un cliente che chiama, poi scrive un'email, poi apre una chat non dovrebbe ripetere tutto da capo. È la risoluzione unificata su chat, voce ed email a determinare i risultati, non l'automazione di un singolo canale che fa bella figura in una demo.
Non ridurre il personale prima di aver verificato la qualità su larga scala. Pianifica la transizione della forza lavoro insieme all'implementazione della tecnologia, non dopo. I ruoli cambiano, con gli operatori che si spostano verso gestione delle escalation, controllo qualità e gestione delle eccezioni, ma la transizione va progettata, non data per scontata.
A che punto siamo
La previsione di Gartner secondo cui entro il 2029 l'80% delle interazioni del servizio clienti coinvolgerà l'AI sembra ancora raggiungibile. Gli ultimi 2 anni non hanno cambiato la destinazione. Hanno chiarito quali strade portano lì e quali portano a un dietrofront pubblico e a un annuncio di riassunzioni.
Le aziende che arriveranno all'80% di risoluzione autonoma saranno quelle che hanno definito correttamente la risoluzione prima di implementare qualsiasi cosa, hanno ritenuto l'AI responsabile rispetto a quella definizione e hanno inserito la transizione della forza lavoro nel piano fin dall'inizio. Quelle che hanno ottimizzato per il contenimento, hanno tagliato il personale troppo presto e hanno misurato le conversazioni invece dei risultati sono quelle che oggi diventano casi da non imitare.
La storia di Klarna non è un avvertimento sulle capacità dell'AI. È un avvertimento su cosa succede quando un sistema capace viene puntato verso l'obiettivo sbagliato.
Se stai valutando soluzioni di AI per il servizio clienti e vuoi un framework per confrontarle sulle metriche che contano davvero, la nostra guida deflection vs. risoluzione spiega passo per passo come costruire un business case solido. Oppure prenota una demo e scopri come i numeri di risoluzione di Maven si confrontano con quelli che ottieni oggi.
Mettilo alla prova sulle tue conversazioni.
Richiedi una demo personalizzata gratuita.
