Lösningsgrad

Vad är lösningsgrad?

Lösningsgrad är ett nyckeltal inom kundservice som mäter andelen supportförfrågningar där kundens problem blev helt löst. Till skillnad från deflection rate, som mäter om ett ärende styrdes bort från en mänsklig agent, svarar lösningsgraden på en viktigare fråga: fick kunden faktiskt sitt problem åtgärdat?

För supportteam som utvärderar AI-verktyg är den skillnaden avgörande. En hög deflection rate kan se bra ut i en dashboard, men den säger ingenting om huruvida kunden blev nöjd eller bara gav upp. Lösningsgraden fyller den luckan.

Så beräknar du lösningsgrad

Lösningsgrad = (Lösta ärenden / Totalt antal ärenden) x 100

Om ditt team till exempel hanterar 500 ärenden på en vecka och 425 blir helt lösta utan uppföljning är din lösningsgrad 85 %.

Ett ärende räknas som "löst" när:

• Kundens fråga har besvarats fullständigt
• Den begärda åtgärden har genomförts (återbetalning hanterad, konto uppdaterat, abonnemang ändrat)
• Ingen ny kontakt om samma ärende behövdes inom 48 timmar

Den sista punkten är avgörande. Många verktyg räknar ett ärende som löst så fort det stängs, även om kunden hör av sig igen dagen efter om samma problem. Genom att följa upp återkommande kontakter inom 48 timmar får du en ärligare bild av den verkliga lösningsgraden.

Riktmärken för lösningsgrad

Riktmärkena varierar med kanal och komplexitet, men så här ser det ut enligt data:

• Traditionella regelbaserade botar: 10–30 % lösningsgrad (de flesta ärenden eskaleras till mänskliga agenter)
• Första generationens AI-verktyg: 30–50 % lösningsgrad (bättre språkförståelse, men begränsad förmåga att utföra åtgärder)
• Moderna AI-agenter: 70–93 % lösningsgrad (full konversationskontext, förmåga att utföra åtgärder, kunskapsförankring)

Enligt Freshworks 2025 Customer Service Benchmark Report, som analyserade över 1,2 miljarder ärenden hos mer än 32 000 team, kan AI-driven automatisering korta lösningstiderna med upp till 40 % och hantera en betydande andel av ärendena direkt.

First contact resolution (FCR) ligger i branschen runt 70–75 %, men det inkluderar mänskliga agenter. För lösningar enbart med AI är spannet mycket bredare och beror starkt på plattformen och hur "löst" definieras.

Därför är lösningsgrad viktigare än deflection

De flesta AI-verktyg för support är optimerade för deflection. De rapporterar nyckeltal som "70 % av kunderna nådde aldrig en mänsklig agent". Det låter imponerande, men deflection säger bara att kunden inte eskalerade. Det säger inte:

• Om kundens problem faktiskt blev löst
• Om kunden lämnade frustrerad och i tysthet bytte leverantör
• Om kunden hittade en egen lösning och helt gav upp din support
• Om kunden kommer tillbaka i morgon med samma problem

Lösningsgraden tvingar fram en svårare fråga: av alla som interagerade med din AI, hur många fick sitt ärende helt hanterat? Det är en högre ribba och kräver bättre AI. Men det är det enda nyckeltalet som stämmer överens med vad kunderna faktiskt vill ha.

Branschanalys: Gartner påpekar att deflection i självservice ofta döljer olöst efterfrågan och rekommenderar att mäta verklig containment (lösning) vid sidan av deflection för att undvika missvisande KPI:er.

Vad driver hög lösningsgrad?

Flera faktorer skiljer team med 30 % lösningsgrad från dem som når över 90 %:

• Kunskapsförankring: AI som hämtar information från verifierad dokumentation, tidigare ärenden och produktdata i stället för att generera svar från grunden. Det minskar hallucinationer och bygger förtroende.
• Förmåga att utföra åtgärder: Att lösa ett ärende innebär ofta att göra något, inte bara svara på en fråga. För att hantera en återbetalning, uppdatera ett konto eller ändra ett abonnemang måste AI:n vara integrerad med bakomliggande system.
• Kontext över flera konversationer: Kunder ska inte behöva förklara sitt problem från början varje gång. AI som minns tidigare interaktioner och hämtar kontohistorik kan lösa ärenden snabbare och mer träffsäkert.
• Smart eskalering: Att veta när ett ärende inte ska lösas av AI är lika viktigt. När ett ärende kräver mänskligt omdöme ska AI:n lämna över med full kontext så att agenten inte behöver börja om från noll.
• Ständig förbättring: Att följa vilka ämnen som löses respektive eskaleras och sedan använda den datan för att förbättra AI:n över tid.

Lösningsgrad jämfört med andra supportnyckeltal

• jämfört med deflection rate: Deflection mäter hur många ärenden som förhindras. Lösningsgrad mäter om problemet blev löst. En kund som frustrerad lämnar en chattbot räknas som "deflected" men inte som "löst".
• jämfört med First Contact Resolution (FCR): FCR mäter om ett ärende löstes vid första kontakten, även av mänskliga agenter. Lösningsgrad för AI mäter helt automatiserade lösningar utan mänsklig inblandning.
• jämfört med CSAT: Lösningar driver nöjdhet, men de mäter olika saker. CSAT fångar känslan. Lösningsgraden fångar det operativa resultatet. Båda är viktiga.
• jämfört med Average Handle Time (AHT): AHT mäter snabbhet. Lösningsgrad mäter effektivitet. Att stressa fram snabbare avslut kan faktiskt sänka lösningsgraden om ärendena inte hanteras fullt ut.

Bevisad lösningsgrad hos Maven AGI:s kunder

Maven AGI har lösningsgrad, inte deflection, som sitt viktigaste nyckeltal. Så här ser det ut i praktiken:

• Mastermind (EdTech): 93 % av livechattarna lösta. Driftsatt på 6 veckor.
• Enumerate (PropTech): 91 % lösningsgrad i alla supportkanaler.
• Papaya Pay (FinTech): 90 % autonom lösningsgrad.
• K1x (FinTech): 80 % lösningsgrad, en 10x förbättring jämfört med det tidigare AI-verktyget. Live på 1 vecka.

Maven AGI:s angreppssätt: Lösningsgrad är det enda nyckeltal som Maven AGI optimerar för. Varje kundimplementation mäter om problemet faktiskt blev löst, inte om ett ärende undveks. Det fokuset på resultat snarare än volym är det som ger 80–93 % lösningsgrad i branscher som EdTech, FinTech, PropTech och SaaS.

Vanliga frågor

Vad är en bra lösningsgrad?

Det beror på kanalen och om du mäter mänskliga eller AI-baserade lösningar. För mänskliga supportteam ligger riktmärket för first contact resolution runt 70–75 %. För lösningar enbart med AI når äldre chattbotar 10–30 %, medan moderna AI-agenter som kan utföra åtgärder når 80–93 %.

Hur skiljer sig lösningsgrad från deflection rate?

Deflection rate mäter hur många ärenden som aldrig nådde en mänsklig agent. Lösningsgrad mäter hur många kundproblem som faktiskt blev lösta. Ett ärende kan vara "deflected" utan att problemet åtgärdats. Lösningsgrad är det svårare och ärligare nyckeltalet.

Hur förbättrar du lösningsgraden?

Fokusera på tre områden: bättre kunskapsförankring (ge din AI korrekt och aktuell information), integrationer som gör det möjligt att utföra åtgärder (låt AI:n hantera återbetalningar och uppdatera konton, inte bara svara på frågor) och återkopplingsloopar (följ vilka ämnen som misslyckas och förbättra dem över tid).

Kan AI verkligen lösa över 90 % av supportärendena?

Ja, men bara med rätt arkitektur. Regelbaserade chattbotar når som mest 10–30 %. Plattformar för agentisk AI som kombinerar språkförståelse, kunskapshämtning och integrationer med bakomliggande system når genomgående 80–93 % i produktionsmiljöer.