W lutym 2024 roku CEO Klarny ogłosił, że AI firmy wykonuje pracę 700 konsultantów obsługi klienta. Ten cytat pojawił się niemal we wszystkich mediach biznesowych. Stał się koronnym argumentem na to, że „AI zastępuje pracę umysłową”, a liderzy CX, którzy podchodzili do AI ostrożnie, nagle musieli tłumaczyć zarządom, dlaczego nie robią tego samego.
W maju 2025 roku Klarna po cichu zaczęła ponownie zatrudniać ludzi. Na początku 2026 roku proces ten był już w pełnym toku, a CEO publicznie przyznał, że firma przedłożyła koszty nad jakość i płaci za to spadkiem satysfakcji klientów.
Media przedstawiły to jako historię o AI, która okazała się niewystarczająco dobra. To błędna interpretacja. AI działała dokładnie tak, jak ją zaprojektowano. I właśnie w tym tkwi prawdziwy problem, a płynąca z niego lekcja jest węższa i bardziej użyteczna niż ta, którą większość wyczytała z nagłówków.
O ludzkim koszcie tego błędu pisaliśmy na początku roku. Ten tekst dotyczy czegoś innego: problemu z pomiarem, który w ogóle do tego dopuścił.
Wszyscy mierzyli nie to, co trzeba
Gdy Klarna ogłaszała swój sukces, kluczową liczbą był wskaźnik zatrzymania (containment): ile rozmów z klientami AI obsłużyła, zanim trafiły do człowieka. W zależności od wypowiedzi – od dwóch trzecich do trzech czwartych interakcji. To robi wrażenie. Ale ta liczba prawie nic nie mówi o tym, czy problem klienta został faktycznie rozwiązany.
Containment mierzy, czy AI utrzymała rozmowę. Klient, który dwukrotnie kontaktuje się z supportem w tej samej sprawie, liczy się jako dwa zatrzymania, jeśli AI obsłużyła oba kontakty. Klient, który przyjmuje błędną odpowiedź i się poddaje – również się liczy. Klient na tyle sfrustrowany, że reklamuje transakcję w banku – też się liczy. Wskaźnik mierzył wolumen. O wynikach nie mówił nic.
AI Klarny robiła dokładnie to, z czego ją rozliczano. Problemem był sposób pomiaru. To rozróżnienie ma ogromne znaczenie dla każdego lidera CX, który właśnie ocenia dostawców AI.
Wyniki CSAT spadły, zanim drgnęły wskaźniki wolumenowe Klarny – dokładnie tego należałoby się spodziewać, jeśli containment i autonomiczne rozwiązywanie spraw zmierzały w przeciwnych kierunkach. Sygnał był widoczny. Nikt nie zauważył rozbieżności, dopóki wyniki nie pogorszyły się na tyle, by pojawić się w liczbach, które faktycznie śledził zarząd.
Dlaczego containment w ogóle stał się standardem
Rozwiązanie sprawy trudniej zdefiniować – i to główny powód, dla którego branża przyjęła containment jako domyślną miarę. Czy problem klienta został naprawdę rozwiązany? Aby odpowiedzieć na to pytanie, trzeba wiedzieć, na czym polegał problem, czy odpowiedź go rozwiązała i czy klient wrócił. Containment wymaga jedynie policzenia rozmów zakończonych bez udziału człowieka.
Firmy, które dobrze radzą sobie na obecnym rynku, od początku oparły pomiar na tych trudniejszych pytaniach. Wskaźnik ponownych kontaktów – czy ten sam klient ponownie otwiera zgłoszenie w tej samej sprawie w ciągu 14 dni – jest najczytelniejszym sygnałem rozwiązania sprawy i zarazem tym, który większość wdrożeń pomija, bo wymaga śledzenia klienta między rozmowami, a nie tylko w ich obrębie. CSAT na poziomie pojedynczej interakcji jest ważniejszy niż wynik zbiorczy. A eskalacje traktowane jako ciągłe źródło danych o lukach w wiedzy agenta AI są warte więcej, niż sądzi większość zespołów.
Dane Maven z wdrożeń korporacyjnych wyraźnie pokazują ten wzorzec. Klienci rozliczający się z containment szybko osiągają plateau. Klienci, którzy śledzą odsetek spraw rozwiązanych przy pierwszym kontakcie, stosunek deflekcji do rozwiązań i częstotliwość ponownych kontaktów, wciąż się poprawiają, bo ich pętla informacji zwrotnej jest powiązana z rzeczywistym wynikiem.
Decyzja strukturalna, przez którą problem z pomiarem okazał się zgubny
Klarna zmniejszyła zatrudnienie, zanim spadek jakości stał się widoczny w danych. Logika wydawała się uzasadniona: AI obsługiwała wolumen, więc można było ograniczyć zasoby ludzkie. Problemy z jakością narastają jednak powoli. Pojawiają się najpierw w CSAT, potem w ponownych kontaktach, następnie w odpływie klientów, a w końcu w przychodach, które z definicji pokazują przeszłość. Zanim sygnał stał się widoczny, zabrakło już zasobów, które pozwoliłyby odrobić straty.
To ten element historii Klarny, który umyka w narracji „AI zawiodła”. Technologia nie zawiodła. Zawiodła struktura wdrożenia – a konkretnie decyzja o ograniczeniu zasobów ludzkich przed sprawdzeniem, czy AI faktycznie rozwiązuje sprawy, a nie tylko je zatrzymuje.
Wdrożenia, które uniknęły tego błędu, nie zaczynały od cięcia etatów. Zaczynały od ich przebudowy. Zespoły wsparcia przesunęły się w stronę obsługi eskalacji, kontroli jakości i customer success – ról wymagających osądu, którego AI naprawdę nie jest w stanie zastąpić. Redukcja zatrudnienia wynikała z tej przebudowy, a nie z myślenia „najpierw etaty”. Różnica wydaje się subtelna. Rezultaty – już nie.
Jak zmienili się klienci korporacyjni po Klarnie
Ta historia przyspieszyła zmianę, która i tak zachodziła w procesach zakupowych. Liderzy CX w dużych firmach pytają dziś o odsetek spraw rozwiązanych przy pierwszym kontakcie, a nie o containment. Pytają, co się dzieje, gdy AI się myli, a nie tylko, jak często ma rację. Chcą danych o ponownych kontaktach z rzeczywistych wdrożeń produkcyjnych, a nie wyników dokładności z demo w kontrolowanym środowisku.
Ta zmiana w bardzo konkretny sposób przekłada się na cykle sprzedaży. Dostawcy, którzy potrafią odpowiedzieć na te pytania danymi od prawdziwych klientów, zamykają transakcje szybciej. Ci, którzy wciąż eksponują liczby dotyczące containment, dostają trudniejsze pytania i dłuższe procesy. Poprzeczka dla „proszę to udowodnić” poszła w górę. W dużej mierze za sprawą Klarny.
Jak wyglądają wdrożenia, które się sprawdziły
Clio oceniło 32 dostawców AI i przeprowadziło testy obciążeniowe 10 z nich, zanim wdrożyło Maven. Firma autonomicznie rozwiązuje 80% zapytań na czacie, a jednocześnie zamyka o 60% więcej zgłoszeń niż w poprzednim systemie. Zespół wsparcia nie zmalał – przesunął się w stronę bardziej wartościowej pracy. Śledzonym wskaźnikiem jest rozwiązanie sprawy, a nie deflekcja. Przeczytaj całą historię.
Papaya Pay, działająca w regulowanym sektorze płatności transgranicznych, osiągnęła 90% autonomicznie rozwiązanych spraw. Wymogi zgodności – audytowalność każdej interakcji, identyfikowalność każdej eskalacji, spełnienie standardów SOC 2, HIPAA i PCI-DSS – wymusiły dyscyplinę w zakresie rozwiązywania spraw, którą większość wdrożeń pomija. Okazuje się, że ta dyscyplina jest zaletą, a nie ograniczeniem.
Żadne z tych wdrożeń nie zaczęło się od pytania, ilu ludzi można zwolnić. Oba zaczęły się od pytania, co właściwie znaczy „rozwiązane”.
Co z tym zrobić, jeśli właśnie oceniają Państwo dostawców AIZdefiniujcie rozwiązanie sprawy, zanim cokolwiek wdrożycie. Ustalcie, co oznacza „rozwiązane” – rozwiązanie przy pierwszym kontakcie, brak ponownego kontaktu w ciągu 14 dni, wykonanie konkretnego zadania – i od pierwszego dnia traktujcie to jako kryterium sukcesu. Jeśli dostawca nie potrafi powiedzieć, jak by to zmierzył, to też jest odpowiedź. Nasz przewodnik: deflekcja a rozwiązywanie spraw krok po kroku pokazuje, jak to skonfigurować.
Traktujcie wskaźnik ponownych kontaktów jako metrykę pierwszej kategorii. Umieśćcie go na dashboardzie obok standardowego CSAT. Wykorzystujcie go jako pętlę informacji zwrotnej dla bazy wiedzy agenta AI i jego zachowania. Jeśli ten sam klient wciąż wraca z tym samym problemem, to nierozwiązana sprawa, a nie nowe zgłoszenie.
Traktujcie dane o eskalacjach jako sygnał, a nie etap procesu. Każda eskalacja pokazuje, gdzie brakuje AI wiedzy lub uprawnień. Zespoły, które poprawiają się najszybciej, korzystają z tych danych na bieżąco. Korporacyjna platforma agentów AI powinna ułatwiać dostęp do tych informacji, a nie zmuszać do ich szukania.
Od początku wymagajcie ujednoliconej obsługi wszystkich kanałów. Klient, który dzwoni, potem pisze e-mail, a na końcu otwiera czat, nie powinien powtarzać swojej historii. Wyniki napędza ujednolicone rozwiązywanie spraw na czacie, w kanale głosowym i e-mailu, a nie automatyzacja jednego kanału, która dobrze wygląda na demo.
Nie ograniczajcie zatrudnienia, zanim nie zweryfikujecie jakości na dużą skalę. Planujcie transformację zespołu równolegle z wdrożeniem technologii, a nie po nim. Role się zmieniają – konsultanci przechodzą do obsługi eskalacji, kontroli jakości i zarządzania wyjątkami – ale tę zmianę trzeba zaprojektować, a nie zakładać, że nastąpi sama.
Co z tego wynika
Prognoza Gartnera, że do 2029 roku 80% interakcji w obsłudze klienta będzie angażować AI, wciąż wydaje się realna. Ostatnie dwa lata nie zmieniły celu. Pokazały za to, które drogi do niego prowadzą, a które kończą się publicznym wycofaniem i ogłoszeniem ponownych rekrutacji.
Do 80% autonomicznie rozwiązanych spraw dojdą firmy, które przed jakimkolwiek wdrożeniem poprawnie zdefiniowały rozwiązanie sprawy, rozliczały AI z tej definicji i od początku uwzględniły w planie transformację zespołu. Te, które optymalizowały pod containment, wcześnie cięły etaty i mierzyły rozmowy zamiast wyników, stają się przestrogą dla innych.
Historia Klarny nie jest ostrzeżeniem przed ograniczeniami AI. Jest ostrzeżeniem przed tym, co się dzieje, gdy wydajny system celuje w niewłaściwy cel.
Jeśli oceniają Państwo rozwiązania AI do obsługi klienta i potrzebują ram do porównania ich pod kątem naprawdę istotnych wskaźników, nasz przewodnik: deflekcja a rozwiązywanie spraw pokazuje, jak zbudować uzasadnienie biznesowe, które się obroni. Możecie też umówić demo i sprawdzić, jak wyniki Maven wypadają na tle obecnego rozwiązania.
Przekonaj się na własnych rozmowach.
Poproś o bezpłatne, spersonalizowane demo.
