Em fevereiro de 2024, o CEO da Klarna anunciou que a IA da empresa fazia o trabalho de 700 atendentes. A frase saiu em praticamente todas as publicações de negócios. Virou a citação padrão para “a IA está substituindo o trabalho do conhecimento”, e líderes de CX que vinham sendo cautelosos com IA passaram a ouvir de seus conselhos a pergunta: por que não estamos fazendo o mesmo?
Em maio de 2025, a Klarna já estava, discretamente, recontratando pessoas. No início de 2026, a recontratação estava a todo vapor, e o CEO admitiu publicamente que a empresa havia deixado o custo se sobrepor à qualidade e estava pagando por isso na satisfação dos clientes.
A cobertura tratou o caso como uma história sobre uma IA que não era boa o suficiente. Essa é a leitura errada. A IA funcionou exatamente como foi projetada. Esse é o verdadeiro problema, e a lição que ele ensina é mais específica e mais útil do que a que a maioria das pessoas tirou das manchetes.
Já escrevemos sobre o custo humano desse erro no início deste ano. Este texto trata de outra coisa: o problema de medição que tornou tudo isso possível.
Todo mundo mediu a coisa errada
Quando a Klarna fez o anúncio original, o número de destaque era a contenção: quantas conversas com clientes a IA absorveu antes de chegarem a um humano. De dois terços a três quartos das interações, dependendo da declaração. É um número impressionante. Também é quase totalmente desconectado de saber se o problema do cliente foi de fato resolvido.
A contenção mede se a IA segurou a conversa. Um cliente que procura o suporte duas vezes pelo mesmo problema conta como duas contenções se a IA atendeu as duas. Um cliente que aceita uma resposta errada e desiste também conta. Um cliente frustrado a ponto de contestar uma cobrança no cartão também conta. A métrica capturava volume. Não dizia nada sobre resultados.
A IA da Klarna fazia exatamente aquilo pelo qual estava sendo medida. O problema era a medição. Essa diferença importa muito para todo líder de CX que está avaliando fornecedores de IA agora.
As notas de CSAT caíram antes que as métricas de volume da Klarna se mexessem, exatamente o que se esperaria se a contenção e a resolução autônoma estivessem indo em direções opostas. O sinal estava lá. Ninguém percebeu a diferença até que o resultado piorasse a ponto de aparecer nos números que os executivos de fato acompanhavam.
Por que a contenção virou o padrão
Resolução é mais difícil de definir, e é basicamente por isso que o setor adotou a contenção como padrão. O problema do cliente foi realmente resolvido? Responder a isso exige saber qual era o problema, se a resposta o resolveu e se o cliente voltou. A contenção só exige contar as conversas que terminaram sem um humano.
As empresas que estão se sustentando no mercado atual construíram sua medição em torno dessas perguntas mais difíceis desde o início. A taxa de recontato — se o mesmo cliente reabre um ticket sobre o mesmo problema em até 14 dias — é o sinal de resolução mais claro, e é justamente o que a maioria das implementações ignora, porque exige acompanhar o cliente entre conversas, e não dentro de cada uma. O CSAT por interação importa mais do que o agregado. E escalonamentos tratados como dados contínuos sobre onde o conhecimento do agente de IA deixa a desejar valem mais do que a maioria das equipes imagina.
Os dados da Maven em implementações corporativas mostram esse padrão diretamente. Clientes que operam com métricas de contenção atingem um platô de melhoria. Clientes que operam com taxas de resolução no primeiro contato, relação entre deflexão e resolução e frequência de recontato continuam melhorando, porque seu ciclo de feedback está ligado ao resultado real.
A decisão estrutural que tornou o problema de medição fatal
A Klarna reduziu o quadro antes que a queda de qualidade ficasse visível nos dados. A lógica era defensável: a IA estava absorvendo o volume, então a capacidade humana podia diminuir. Mas problemas de qualidade se acumulam devagar. Aparecem no CSAT, depois nos recontatos, depois no churn e, por fim, nos números de receita, que por definição olham para trás. Quando o sinal ficou visível, a margem para absorver a recuperação já não existia.
Essa é a parte da história da Klarna que se perde na narrativa de que “a IA falhou”. A tecnologia não falhou. Falhou a estrutura da implementação — especificamente, a decisão de reduzir a capacidade humana antes de validar que a IA estava de fato resolvendo problemas, e não apenas contendo conversas.
As implementações que evitaram isso não cortaram pessoas primeiro. Reestruturaram as equipes. Os times de suporte passaram a cuidar de escalonamentos, revisão de qualidade e sucesso do cliente, funções que exigem um julgamento que a IA realmente não consegue replicar. A redução do quadro veio dessa reestruturação, não de uma lógica de cortar primeiro. A diferença parece sutil. Os resultados não são.
Como os compradores corporativos mudaram depois da Klarna
O caso acelerou algo que já vinha acontecendo nas áreas de compras. Os líderes de CX corporativos que estão comprando hoje perguntam sobre taxas de resolução no primeiro contato, não sobre contenção. Perguntam o que acontece quando a IA erra, não apenas com que frequência ela acerta. Querem dados de recontato de implementações reais em produção, não índices de precisão de demonstração em ambiente controlado.
Essa mudança aparece nos ciclos de venda de forma concreta. Fornecedores que conseguem responder a essas perguntas com dados reais de clientes avançam mais rápido. Os que ainda lideram com números de contenção enfrentam perguntas mais duras e processos mais longos. A exigência de “prove” subiu. E a Klarna é uma grande parte do motivo.
Como são as implementações que se sustentaram
A Clio avaliou 32 fornecedores de IA e colocou 10 à prova antes de implementar a Maven. Hoje, resolve 80% das solicitações de chat de forma autônoma e fecha 60% mais tickets no total do que com o sistema anterior. A equipe de suporte não diminuiu: passou a fazer um trabalho de maior valor. A métrica que eles acompanham é resolução, não deflexão. Leia a história completa.
A Papaya Pay, que atua no setor regulado de pagamentos internacionais, chegou a 90% de resolução autônoma. A exigência de compliance — cada interação auditável, cada escalonamento rastreável, atendendo aos padrões SOC 2, HIPAA e PCI-DSS — impôs o tipo de disciplina de resolução que a maioria das implementações deixa de lado. No fim, essa disciplina se mostrou uma vantagem, não uma limitação.
Nenhuma das duas implementações começou perguntando quantas pessoas dava para cortar. As duas começaram perguntando o que “resolvido” realmente significava.
O que fazer com isso se você está avaliando fornecedores de IA agoraDefina o que é resolução antes de implementar qualquer coisa. Decida o que “resolvido” significa — resolução no primeiro contato, nenhum recontato em até 14 dias, conclusão de uma tarefa específica — e transforme isso no critério de sucesso desde o primeiro dia. Se o seu fornecedor não souber dizer como mediria isso, essa já é a resposta. Nosso guia de deflexão vs. resolução mostra exatamente como configurar isso.
Acompanhe a taxa de recontato como métrica principal. Coloque-a no painel ao lado do seu CSAT padrão. Use-a como ciclo de feedback para a base de conhecimento do agente de IA e para o comportamento dele. Se o mesmo cliente continua voltando pelo mesmo problema, isso é uma falha de resolução, não um novo ticket.
Trate os dados de escalonamento como sinal, não como etapa do fluxo. Cada escalonamento mostra onde o conhecimento ou a autonomia da IA deixa a desejar. As equipes que melhoram mais rápido usam esses dados continuamente. Uma plataforma corporativa de agentes de IA deve facilitar a visualização disso, e não obrigar você a garimpar.
Exija cobertura unificada de canais desde o início. Um cliente que liga, depois manda e-mail e depois abre um chat não deveria ter que se repetir. A resolução unificada em chat, voz e e-mail é o que move os números de resultado, não uma automação de canal único que fica bonita na demonstração.
Não reduza o quadro antes de validar a qualidade em escala. Estruture a transição da equipe junto com a implementação da tecnologia, não depois. As funções mudam — os atendentes passam a cuidar de escalonamentos, revisão de qualidade e gestão de exceções —, mas a transição precisa ser planejada, não presumida.
Onde isso nos deixa
A previsão do Gartner de que 80% das interações de atendimento ao cliente envolverão IA até 2029 continua parecendo alcançável. Os últimos 2 anos não mudaram o destino. Deixaram mais claro quais caminhos levam até lá e quais terminam em um recuo público e um anúncio de recontratação.
As empresas que chegarem a 80% de resolução autônoma serão as que definiram resolução corretamente antes de implementar qualquer coisa, cobraram da IA esse padrão e incluíram a transição da equipe no plano desde o início. As que otimizaram para contenção, cortaram pessoas cedo e mediram conversas em vez de resultados são as que estão escrevendo as histórias de alerta.
O caso da Klarna não é um alerta sobre a capacidade da IA. É um alerta sobre o que acontece quando um sistema capaz é apontado para o alvo errado.
Se você está avaliando soluções de IA para atendimento ao cliente e quer um modelo para comparar as métricas que realmente importam, nosso guia de deflexão vs. resolução mostra exatamente como montar um business case que se sustente. Ou agende uma demonstração e veja como os números de resolução da Maven se comparam ao que você tem hoje.
Veja nas suas próprias conversas.
Solicite uma demonstração personalizada gratuita.
