Gartner: CX-teknikutgifterna fördubblas till 2028. Lösningsglappet förklarar varför.

Inom loppet av 60 dagar publicerade Gartner 2 prognoser som alla CX-chefer som dimensionerar sina AI-investeringar för de kommande 24 månaderna bör läsa tillsammans.

Den 26 januari förutspådde analysföretaget att kostnaden per löst ärende för generativ AI i kundservice kommer att överstiga 3 dollar år 2030, vilket är mer än många offshore-baserade mänskliga agenter inom B2C. Den 31 mars förutspådde företaget att över hälften av alla kundserviceorganisationer kommer att fördubbla sina teknikkostnader till 2028 utan motsvarande minskning av personalstyrkan.

Tillsammans beskriver prognoserna en CX-ekonomi där kostnadskurvan stiger, personalkurvan ligger i stort sett still och kostnaden per AI-löst ärende närmar sig den nivå för offshore-agenter som den var tänkt att underskrida. Berättelsen om att AI gör kundservice billigare – antagandet bakom de flesta budgetar för CX-programvara sedan 2023 – håller inte längre fullt ut.

Gartner pekar ut 2 faktorer bakom trenden: kompetens och verktygens komplexitet. Båda är verkliga, men under dem finns en tredje faktor, och det är den som de flesta team inte följer upp. Den faktorn är lösning: närmare bestämt gapet mellan vad AI hanterar och vad AI faktiskt löser. Det avgör om varje ny dollar som läggs på CX-teknik ger ett resultat eller bara en transaktion.

Lösningsgapet i dollar

De flesta CX-dashboards lyfter fram ”automationsgrad” eller ”avledningsgrad” som huvudsiffra. Ett ärende kommer in, AI:n svarar, konversationen avslutas utan att en agent är inblandad och plattformen markerar ärendet som hanterat. Siffran i dashboarden stiger.

Det dashboarden inte alltid visar är om kundens problem faktiskt blev löst. Det är lösningsgapet: avståndet mellan de interaktioner AI:n berör och de problem AI:n faktiskt åtgärdar.

Volymen försvinner inte när gapet är stort. Den kommer tillbaka in i systemet på 3 sätt:

• Som återkontakter, när kunden återkommer via samma kanal eftersom problemet kvarstår
• Som eskalering mellan kanaler, när kunden provar chatten, ger upp, ringer in och når en människa som får börja om från början
• Som kundbortfall, när kunden drar slutsatsen att företaget inte kan hjälpa och slutar försöka

Vart och ett av dessa utfall har en kostnad som avledningsdashboarden inte fångar. McKinseys urval AI in Customer Service 2026 sätter enhetsekonomin i skarp belysning: ett ärende som löses av AI kostar cirka 0,62 dollar, jämfört med 7,40 dollar för ett som hanteras av en människa (citerat via Digital Applieds sammanställning av benchmarks för 2026). Men den kalkylen fungerar bara med lösningssiffran, inte med avledningssiffran. Varje interaktion som loggas som avledd och sedan studsar tillbaka som en eskalering till en människa innebär 2 fakturor: en för AI-licensen och en till för agenten som tar upp den tappade tråden. När gapet är stort förstärks effekten, och den kostnadskurva som Gartner förutspår fram till 2028 är just hur det ser ut i stor skala.

Det är därför kostnad per löst ärende är det jämförelsemått som spelar roll när AI-ekonomi ställs mot den mänskliga baslinjen – inte kostnad per interaktion, inte avledningsgrad. Gartners prognos på 3 dollar per löst ärende för 2030 mäter vad AI kostar när den faktiskt löser problemet, inte vad den kostar när den hanterar ett meddelande.

Vad som faktiskt händer inuti kostnadskurvan

Gartners undersökning från oktober 2025 bland 321 kundservicechefer visade att bara 20 % av organisationerna hade minskat antalet agenter tack vare AI. De övriga 80 % betalar både för AI:n och för agenterna.

Det är inte ett övergångsläge på väg mot lägre kostnader. Det är det strukturella resultatet av hur AI införs i de flesta CX-funktioner. Som CXOVoice uttryckte det stiger kostnaderna för kundservice eftersom AI lägger till lager i stället för att ta bort dem. Stacken omfattar nu konversations-AI, routing, kunskap, analys, orkestrering och tillsyn, var och en med egna kostnader för licenser, implementering och integration.

Inget av dessa lager ersätter ett befintligt lager. Det Gartner förutspår fram till 2028 är inte en engångskostnad för migrering, utan ett strukturellt skifte från lönetunga CX-budgetar till programvarutunga CX-budgetar, där den totala kostnadsbasen stiger i stället för att sjunka.

Inom det skiftet avgör lösningsgapet på vilken sida av kalkylen AI-investeringen hamnar. När AI löser problemet hela vägen gör programvarulagret skäl för sin plats: det utför arbete som annars skulle kräva en människa, och enhetsekonomin går ihop. När AI avleder utan att lösa lägger programvarulagret till kostnader utan att ta bort några befintliga, och den dollar som skulle tas från agentbudgeten finansierar i stället AI:n ovanpå den.

Kalkylen som växer

Ta ett typiskt upplägg: 10 000 inkommande ärenden i månaden, en leverantörsdashboard som rapporterar 60 % automationsgrad och 6 000 ärenden markerade som ”hanterade” utan en människa.

Granskningen som skiljer avledning från bekräftad lösning landar oftast någon annanstans. Branschstudier av RAG-baserade implementeringar visar genomgående att 15–25 % av ”avledda” ärenden innehåller felaktiga eller ofullständiga svar. Om 25 % av de 6 000 avledda ärendena kommer tillbaka in i systemet inom 72 timmar (som återkontakter, eskaleringar eller försök via andra kanaler) var 1 500 interaktioner som såg automatiserade ut inte det.

Den verkliga autonoma lösningsgraden för den här volymen är inte 60 %. Den är 45 %. Och gapet syns i 3 poster som de flesta CX-dashboards inte är byggda för att visa:

• AI-leverantörens faktura är oförändrad. Licensen prissätts per interaktion, och AI:n hanterar interaktionerna.
• Agentteamets arbetsbörda inkluderar de 1 500 återkommande ärendena, ofta utan kontext, eftersom överlämningen inte fungerar.
• Kundupplevelsen får bära kostnaden för att kunden måste fråga igen. Leverantören fakturerar för 6 000 interaktioner. Du betalade för 4 500 lösta ärenden.

Lösningsgapet avgör om AI-posten ersätter mänsklig hantering eller läggs ovanpå den. När gapet är litet ersätter AI-kostnaden agentkostnaden. När gapet är stort staplas AI-kostnaden ovanpå agentkostnaden – och det är den kurvan Gartner förutspår fram till 2028.

Arkitekturfaktorn

Lösningsgapet är inte ett modellproblem. Det är ett arkitekturproblem.

De flesta AI-agenter i produktion i dag kan läsa men inte agera. De hämtar information från en kunskapsbas, sammanfattar policyer och föreslår nästa steg. Vad de i regel inte kan göra, utan en djupare integration, är att genomföra återbetalningen, uppdatera kontot, ändra beställningen eller boka om tiden. Den arkitektoniska skiljelinjen går mellan läsbehörighet och läs- och skrivbehörighet till de system där kundens faktiska problem finns.

En AI med enbart läsbehörighet är strukturellt begränsad till den andel ärenden som kan lösas genom att visa information. För de flesta CX-program i storföretag handlar det om nivå 1-ärenden som lösenordsåterställningar, orderstatus och policyfrågor – verklig volym, men ett tak. Klagomålen, undantagen, fakturatvisterna och kontoändringarna som driver supportkostnaderna ligger på andra sidan gränsen för läs- och skrivbehörighet.

Därför är det värt att granska siffror för ”automationsgrad” över 70 % för breda frågeuppsättningar. De speglar oftast antingen ett aggressivt sorteringslager som utesluter de svåra ärendena innan AI:n ser dem, eller en definition av lösning som räknar avslutade konversationer utan att bekräfta utfallet. Produktionsimplementeringar med läs- och skrivintegration mot backendsystem landar ofta på 70–85 % bekräftad lösningsgrad för breda frågeuppsättningar som inkluderar policyberoende ärenden.

Det arkitektoniska beslutet avgör om varje ny dollar för CX-teknik minskar lösningsgapet eller vidgar det. Läs mot läs-skriv, overlay mot att riva och ersätta, AI som ett lager ovanpå mot AI inuti helpdesken – det här är inga implementeringsdetaljer. Det är det som multiplicerar kostnaderna. Mavens utvärderingsramverk går igenom dimensionerna mer ingående.

Så ser lösningsfokus ut i produktion

Företagen som minskar lösningsgapet har en arkitektonisk egenskap gemensamt: läs- och skrivintegration mot de system där kundernas problem faktiskt finns. Produktionsdatan är konkret:

• Mastermind nådde 93 % autonom lösningsgrad inom 6 veckor efter driftsättning.
• Papaya Pay nådde 90 % autonom lösningsgrad på 3 veckor.
• Clio gick från en äldre chatbot till 80 % autonom lösningsgrad, löste 60 % fler ärenden och kortade svarstiden i livesupporten 4 gånger.
• Rho behöll 95 % CSAT samtidigt som teamet hanterade 12 % fler kontakter per månad utan att utöka personalstyrkan.

Den sista datapunkten är värd att stanna vid. Gartners pressmeddelande från 31 mars förutspår att fördubblingen av CX-teknikkostnaderna fram till 2028 inte kommer att matchas av en minskning av personalstyrkan, och varnar för att företag som skär ned på agenter för att finansiera AI riskerar driftstörningar, försämrad kundupplevelse och kostsamma återställningar. Prognosen utgår från att AI inte löser tillräckligt på egen hand för att hantera växande volymer.

Rhos siffra är den tydligaste illustrationen av en lösningsfokuserad kostnadskalkyl i produktion. CSAT låg kvar på 95 %, kontaktvolymen ökade med 12 % och teamet växte inte. Så ser volymkapacitet ut när lösningsgraden är verklig: fler kunder hanterade, samma team, bibehållen CSAT.

Det är den versionen av kalkylen som gör att AI-posten gör skäl för sin plats. Teknikkostnaderna ökar, agentkostnaderna ligger still, kundvolymen ökar och den totala kostnaden per löst ärende blir lägre. Det fungerar bara när lösningsgraden är tillräckligt hög. Det vill säga när gapet mellan avledning och lösning är så litet att AI-volym omvandlas rakt till AI-resultat.

3 frågor innan du fördubblar budgeten

Gartners kostnadsprognos för 2028 behöver inte slå igenom i varje CX-resultaträkning. Det som avgör om den gör det är arkitekturen och ekonomin i det AI-lager som läggs till. Med 3 frågor kommer du förbi de rubriksiffror som varje leverantör lyfter fram först.

1. Kan AI:n utföra åtgärder i de system där kundens problem finns, eller bara svara utifrån dokument? Skiljelinjen mellan läs och läs-skriv är den arkitektoniska faktor som begränsar hur stor del av supportkostnaderna AI:n kan påverka. En AI som visar orderstatus är användbar. En AI som genomför returen, uppdaterar kontot och bekräftar ändringen är det som minskar lösningsgapet.
2. Hur stor är andelen återkontakter inom 72 timmar för lösta ärenden? Det här är granskningsmåttet. Om 25 % av de ”lösta” ärendena leder till en uppföljning inom 3 dagar är den faktiska lösningsgraden betydligt lägre än huvudsiffran. En leverantör som litar på kvaliteten i sin AI:s lösningar publicerar den siffran. En leverantör som inte har mätt den har oftast en anledning.
3. Vilken är den bekräftade lösningsgraden – inte avledningsgraden? En bekräftad lösning räknar bara ärenden där kundens problem löstes och kunden inte återkom. Avledning räknar alla ärenden som AI:n berör. Leverantörer som har mätt båda delar med sig av båda. Leverantörer som inte har gjort det, eller inte vill, optimerar oftast för den siffra som får dem att se bäst ut.

Tillsammans avgör de 3 svaren om varje ny dollar för CX-teknik köper lösningar eller bara aktivitet.

Faktorn som Gartner inte nämnde

De 2 prognoserna från 2026 drar åt samma håll. Kostnaderna ökar, kostnaden per AI-löst ärende närmar sig den mänskliga nivån och personalstyrkan ligger i stort sett still. Den sammantagna effekten är en strukturell ökning av CX-kostnadsbasen för den hälft av organisationerna som fördubblar sina teknikkostnader fram till 2028.

Vad prognoserna inte säger, eftersom de mäter teknikkostnader och inte arkitektur, är att lösningsgapet är den faktor som avgör vilken hälft en viss organisation hamnar i. Företag som behandlar lösning som det styrande måttet och bygger sitt AI-lager så att det kan agera i de system där kundernas problem faktiskt finns kommer inte att se kostnadskurvan fördubblas utan resultat. Företag som ser lösning som en synonym till avledning kommer att spendera mer 2026, 2027 och 2028 – och lösa ungefär lika mycket som de gjorde 2024.

Språket i branschen förändras för att spegla detta. Autonom lösning håller på att bli det styrande måttet. Lösningsgrad är på väg att ersätta äldre CX-benchmarks som det främsta måttet på om AI i supporten fungerar. Leverantörer och analytiker landar alltmer i samma slutsats: 2026 är den dashboard som din AI-leverantör lyfter fram först den du bör granska hårdast.

Kostnadskurvan för 2028 som Gartner förutspår är inte oundviklig. Den är en följd av arkitekturbeslut som de flesta CX-team fattar just nu.