In februari 2024 maakte de CEO van Klarna bekend dat de AI van het bedrijf het werk deed van 700 klantenservicemedewerkers. Dat citaat verscheen in bijna elke zakelijke publicatie. Het werd hét standaardvoorbeeld voor “AI vervangt kenniswerk”, en CX-leiders die voorzichtig waren geweest met AI kregen van hun raad van bestuur de vraag waarom zij niet hetzelfde deden.
In mei 2025 nam Klarna stilletjes weer mensen aan. Begin 2026 was de herbezetting in volle gang en gaf de CEO publiekelijk toe dat het bedrijf kosten zwaarder had laten wegen dan kwaliteit, en daar nu de prijs voor betaalde in klanttevredenheid.
In de berichtgeving werd dit gebracht als een verhaal over AI die niet goed genoeg was. Dat is de verkeerde conclusie. De AI deed precies waarvoor hij was ontworpen. Dát is het eigenlijke probleem, en de les die het oplevert is specifieker en nuttiger dan de les die de meeste mensen uit de krantenkoppen haalden.
Eerder dit jaar schreven we over de menselijke kosten van die misstap. Dit stuk gaat over iets anders: het meetprobleem dat het hele verhaal mogelijk maakte.
Iedereen mat het verkeerde
Toen Klarna zijn oorspronkelijke aankondiging deed, was het kerngetal containment: hoeveel klantgesprekken de AI afhandelde voordat ze bij een mens terechtkwamen. 2/3 tot 3/4 van de interacties, afhankelijk van het citaat. Een opvallend cijfer. Maar het zegt vrijwel niets over de vraag of het probleem van de klant echt werd opgelost.
Containment meet of de AI het gesprek vasthield. Een klant die twee keer contact opneemt over hetzelfde probleem, telt als twee containments als de AI beide gesprekken afhandelde. Een klant die een verkeerd antwoord accepteert en het opgeeft, telt ook mee. Een klant die zo gefrustreerd raakt dat hij een creditcardbetaling betwist, telt mee. De metric meet volume. Over resultaten zegt hij niets.
De AI van Klarna deed precies waarop hij werd beoordeeld. Het probleem zat in de meting. Dat onderscheid is enorm belangrijk voor elke CX-leider die nu AI-leveranciers evalueert.
De CSAT-scores daalden voordat de volumecijfers van Klarna veranderden, precies wat je zou verwachten als containment en autonome oplossing in tegengestelde richting bewogen. Het signaal was er. Niemand zag de kloof totdat het resultaat zo slecht was geworden dat het zichtbaar werd in de cijfers waar het management echt naar keek.
Waarom containment überhaupt de standaard werd
Oplossing is moeilijker te definiëren, en dat is grotendeels waarom de branche op containment terugviel. Is het probleem van de klant echt opgelost? Om die vraag te beantwoorden moet je weten wat het probleem was, of het antwoord het oploste en of de klant terugkwam. Voor containment hoef je alleen gesprekken te tellen die zonder mens eindigden.
De bedrijven die in de huidige markt overeind blijven, hebben hun meting vanaf het begin rond die lastigere vragen opgebouwd. Het percentage herhaalcontacten, oftewel of dezelfde klant binnen 14 dagen een ticket over hetzelfde probleem heropent, is het duidelijkste oplossingssignaal. Toch slaan de meeste implementaties het over, omdat je het over gesprekken heen moet volgen in plaats van binnen één gesprek. CSAT per interactie zegt meer dan het totaal. En escalaties zijn als doorlopende data over waar de kennis van de AI-agent tekortschiet meer waard dan de meeste teams beseffen.
De data van Maven uit enterprise-implementaties laten dat patroon direct zien. Klanten die op containment sturen, lopen tegen een plafond aan. Klanten die sturen op first-contact resolution, de verhouding tussen deflectie en oplossing en de frequentie van herhaalcontacten, blijven verbeteren, omdat hun feedbackloop gekoppeld is aan het echte resultaat.
De structurele beslissing die het meetprobleem fataal maakte
Klarna bouwde personeel af voordat de kwaliteitsdaling zichtbaar was in de data. De redenering was verdedigbaar: de AI verwerkte het volume, dus de menselijke capaciteit kon omlaag. Maar kwaliteitsproblemen stapelen zich langzaam op. Ze verschijnen eerst in de CSAT, dan in herhaalcontacten, dan in klantverloop en ten slotte in omzetcijfers die per definitie terugkijken. Tegen de tijd dat het signaal zichtbaar was, was de buffer om het herstel op te vangen al verdwenen.
Dit is het deel van het Klarna-verhaal dat verloren gaat in het “AI faalde”-narratief. De technologie faalde niet. De opzet van de implementatie faalde — concreet: de beslissing om menselijke capaciteit af te bouwen voordat was vastgesteld dat de AI problemen echt oploste en ze niet alleen vasthield.
De implementaties die dit vermeden, schrapten niet eerst personeel. Ze herstructureerden. Supportteams verschoven naar escalatieafhandeling, kwaliteitscontrole en customer success: rollen die een oordeelsvermogen vragen dat AI echt niet kan nabootsen. De personeelsreductie kwam voort uit die herstructurering, niet uit denken vanuit personeelsaantallen. Het verschil lijkt subtiel. De resultaten zijn dat niet.
Hoe enterprise-kopers veranderden na Klarna
Het verhaal versnelde iets wat al gaande was in inkoop. Enterprise-CX-leiders die nu inkopen, vragen naar first-contact resolution, niet naar containment. Ze vragen wat er gebeurt als de AI het mis heeft, niet alleen hoe vaak hij het goed heeft. Ze willen data over herhaalcontacten uit live productieomgevingen, geen nauwkeurigheidsscores uit een demo in een gecontroleerde omgeving.
Die verschuiving is concreet zichtbaar in salescycli. Leveranciers die deze vragen met echte klantdata kunnen beantwoorden, gaan sneller. Wie nog met containmentcijfers voorop loopt, krijgt lastigere vragen en langere trajecten. De lat voor “bewijs het maar” ligt hoger. Klarna is daar een belangrijke reden voor.
Hoe implementaties die overeind bleven er echt uitzien
Clio evalueerde 32 AI-leveranciers en testte er 10 grondig voordat het Maven implementeerde. Ze lossen 80% van de chatvragen autonoom op en sluiten in totaal 60% meer tickets dan met hun vorige systeem. Hun supportteam kromp niet, maar verschoof naar waardevoller werk. De metric die ze volgen is oplossing, niet deflectie. Lees het volledige verhaal.
Papaya Pay, actief in gereguleerde grensoverschrijdende betalingen, bereikte 90% autonome oplossing. De compliance-eisen — elke interactie controleerbaar, elke escalatie traceerbaar, conform SOC 2, HIPAA en PCI-DSS — dwongen het soort discipline rond oplossing af dat de meeste implementaties overslaan. Die discipline blijkt een voordeel, geen beperking.
Geen van beide implementaties begon met de vraag hoeveel mensen er weg konden. Beide begonnen met de vraag wat “opgelost” eigenlijk betekende.
Wat je hiermee doet als je nu AI-leveranciers evalueertDefinieer oplossing voordat je iets implementeert. Bepaal wat “opgelost” betekent — first-contact resolution, geen herhaalcontact binnen 14 dagen, het voltooien van een specifieke taak — en maak dat vanaf dag 1 je succescriterium. Als je leverancier niet kan vertellen hoe hij dat zou meten, heb je je antwoord. Onze gids over deflectie vs. oplossing laat precies zien hoe je dit opzet.
Maak het percentage herhaalcontacten een volwaardige metric. Zet het op het dashboard naast je standaard-CSAT. Gebruik het als feedbackloop voor de kennisbank van de AI-agent en zijn gedrag. Komt dezelfde klant steeds terug over hetzelfde probleem, dan is dat een mislukte oplossing, geen nieuw ticket.
Zie escalatiedata als signaal, niet als stap in een workflow. Elke escalatie laat zien waar de kennis of bevoegdheid van de AI tekortschiet. De teams die het snelst verbeteren, gebruiken die data continu. Een enterprise-platform voor AI-agents hoort dit eenvoudig zichtbaar te maken, niet iets waar je naar moet zoeken.
Eis vanaf het begin één geïntegreerde aanpak voor alle kanalen. Een klant die belt, dan mailt en daarna een chat opent, hoort zich niet te hoeven herhalen. Geïntegreerde oplossing via chat, telefoon en e-mail bepaalt de resultaten, niet automatisering van één kanaal die er in een demo goed uitziet.
Bouw geen personeel af voordat je de kwaliteit op schaal hebt gevalideerd. Richt de transitie van je personeel in tegelijk met de implementatie van de technologie, niet erna. De rollen veranderen — medewerkers verschuiven naar escalatieafhandeling, kwaliteitscontrole en uitzonderingsbeheer — maar die transitie moet je ontwerpen, niet aannemen.
Waar dit ons brengt
De voorspelling van Gartner dat in 2029 AI betrokken zal zijn bij 80% van de klantenservice-interacties lijkt nog steeds haalbaar. De afgelopen 2 jaar hebben de bestemming niet veranderd. Ze hebben duidelijk gemaakt welke routes daar naartoe leiden en welke eindigen in een publieke ommezwaai en een aankondiging dat er weer mensen worden aangenomen.
De bedrijven die 80% autonome oplossing halen, zijn de bedrijven die oplossing goed definieerden voordat ze iets implementeerden, de AI aan die definitie hielden en de transitie van hun personeel vanaf het begin in het plan opnamen. Wie optimaliseerde voor containment, vroeg personeel schrapte en gesprekken mat in plaats van resultaten, levert de waarschuwende voorbeelden.
Het Klarna-verhaal is geen waarschuwing over wat AI kan. Het is een waarschuwing over wat er gebeurt als een capabel systeem op het verkeerde doel wordt gericht.
Evalueer je AI-oplossingen voor klantenservice en wil je een kader om te vergelijken op de metrics die er echt toe doen? Onze gids over deflectie vs. oplossing laat precies zien hoe je een businesscase bouwt die standhoudt. Of plan een demo en zie hoe de oplossingscijfers van Maven zich verhouden tot wat je nu hebt.
Zie het op je eigen gesprekken.
Vraag een gratis demo op maat aan.
