I februari 2024 meddelade Klarnas vd att företagets AI utförde arbete motsvarande 700 kundtjänstmedarbetare. Citatet återgavs i nästan varje affärspublikation. Det blev standardreferensen för att ”AI ersätter kunskapsarbete”, och CX-chefer som varit försiktiga med AI fick plötsligt frågan från sina styrelser varför de inte gjorde samma sak.
I maj 2025 började Klarna i det tysta anställa människor igen. I början av 2026 var återanställningarna i full gång, och vd:n medgav offentligt att företaget hade låtit kostnaden gå före kvaliteten och nu betalade priset i form av lägre kundnöjdhet.
Rapporteringen behandlade detta som en historia om att AI inte var tillräckligt bra. Det är fel slutsats. AI:n presterade precis som den var utformad att göra. Det är det verkliga problemet, och lärdomen är snävare och mer användbar än den de flesta tog med sig från rubrikerna.
Vi skrev om den mänskliga kostnaden för det misstaget tidigare i år. Den här texten handlar om något annat: mätproblemet som gjorde det hela möjligt.
Alla mätte fel sak
När Klarna gjorde sitt ursprungliga tillkännagivande var huvudsiffran containment: hur många kundkonversationer AI:n tog hand om innan de nådde en människa. Två tredjedelar till tre fjärdedelar av interaktionerna, beroende på vilket citat man läser. Det är en slående siffra. Den säger också nästan ingenting om huruvida kundens problem faktiskt löstes.
Containment mäter om AI:n behöll konversationen. En kund som kontaktar supporten två gånger om samma problem räknas som två lyckade fall om AI:n hanterade båda. En kund som accepterar ett felaktigt svar och ger upp räknas fortfarande. En kund som blir så frustrerad att hen bestrider en kortdebitering räknas också. Måttet fångade volym. Det sa ingenting om utfall.
Klarnas AI gjorde exakt det den mättes på. Problemet var mätningen. Den skillnaden är enormt viktig för varje CX-chef som utvärderar AI-leverantörer just nu.
CSAT sjönk innan Klarnas volymmått rörde sig, vilket är precis vad man kan förvänta sig om containment och autonom lösning gick åt motsatta håll. Signalen fanns där. Ingen uppmärksammade glappet förrän utfallet hade blivit så dåligt att det syntes i de siffror som ledningen faktiskt följde.
Varför containment blev standard från början
Lösning är svårare att definiera, och det är huvudskälet till att branschen föll tillbaka på containment. Blev kundens problem faktiskt löst? Den frågan kräver att du vet vad problemet var, om svaret hanterade det och om kunden kom tillbaka. Containment kräver bara att du räknar konversationer som avslutades utan en människa.
De företag som står sig på dagens marknad byggde sin mätning kring de svårare frågorna från start. Andelen återkommande kontakter, det vill säga om samma kund öppnar ett ärende om samma problem igen inom 14 dagar, är den tydligaste lösningssignalen, och det är den som de flesta implementeringar hoppar över eftersom den kräver spårning mellan konversationer snarare än inom dem. CSAT på interaktionsnivå säger mer än det sammanlagda värdet. Eskaleringar som behandlas som löpande data om var AI-agentens kunskap brister är värda mer än de flesta team inser.
Mavens data från implementeringar i stora företag visar mönstret tydligt. Kunder som styr på containment når platåer i sin förbättring. Kunder som styr på lösningsgrad vid första kontakt, förhållandet mellan avledning och lösning och frekvensen av återkommande kontakter fortsätter att förbättras, eftersom deras återkopplingsloop är kopplad till det verkliga utfallet.
Det strukturella beslutet som gjorde mätproblemet ödesdigert
Klarna minskade personalstyrkan innan kvalitetsförsämringen syntes i datan. Logiken gick att försvara: AI:n hanterade volymen, så den mänskliga kapaciteten kunde skalas ned. Men kvalitetsproblem växer långsamt. De syns först i CSAT, sedan i återkommande kontakter, sedan i kundbortfall och till sist i intäktssiffror som per definition är bakåtblickande. När signalen väl syntes fanns det inte längre någon buffert kvar för att hantera återhämtningen.
Det här är den del av Klarna-historien som försvinner i berättelsen om att ”AI misslyckades”. Tekniken misslyckades inte. Implementeringens struktur misslyckades – närmare bestämt beslutet att minska den mänskliga kapaciteten innan man hade säkerställt att AI:n faktiskt löste problem och inte bara höll kvar dem.
De implementeringar som undvek detta skar inte ned personalen först. De omstrukturerade den. Supportteamen flyttade fokus till eskaleringshantering, kvalitetsgranskning och customer success-arbete, roller som kräver omdöme som AI:n faktiskt inte kan ersätta. Personalminskningen kom ur den omstruktureringen, inte ur ett tänkande där neddragningen kom först. Skillnaden kan verka subtil. Utfallen är det inte.
Hur köpare i stora företag förändrades efter Klarna
Historien påskyndade något som redan pågick i upphandlingar. De CX-chefer som köper i dag frågar om lösningsgrad vid första kontakt, inte om containment. De frågar vad som händer när AI:n har fel, inte bara hur ofta den har rätt. De vill se data om återkommande kontakter från skarpa produktionsmiljöer, inte träffsäkerhet från demos i kontrollerade miljöer.
Den förändringen märks konkret i säljcyklerna. Leverantörer som kan besvara de frågorna med verklig kunddata rör sig snabbare. De som fortfarande leder med containment-siffror får tuffare frågor och längre processer. Ribban för att ”bevisa det” har höjts. Klarna är en stor del av förklaringen.
Så ser implementeringar som höll faktiskt ut
Clio utvärderade 32 AI-leverantörer och stresstestade 10 innan de valde Maven. De löser 80 % av chattförfrågningarna autonomt och stänger samtidigt 60 % fler ärenden totalt än med sitt tidigare system. Supportteamet krympte inte, utan fick fokusera på mer värdeskapande arbete. Måttet de följer är lösning, inte avledning. Läs hela historien.
Papaya Pay, som verkar inom reglerade gränsöverskridande betalningar, nådde 90 % autonom lösning. Regelkraven – att varje interaktion ska vara granskningsbar, varje eskalering spårbar och att standarderna SOC 2, HIPAA och PCI DSS ska uppfyllas – tvingade fram den sortens disciplin kring lösning som de flesta implementeringar hoppar över. Det visade sig att den disciplinen är en styrka, inte en begränsning.
Ingen av implementeringarna började med frågan om hur många människor man kunde skära bort. Båda började med att fråga vad ”löst” faktiskt betydde.
Vad du ska göra av detta om du utvärderar AI-leverantörer nuDefiniera lösning innan du implementerar något. Bestäm vad ”löst” betyder – lösning vid första kontakt, ingen återkommande kontakt inom 14 dagar, slutförande av en specifik uppgift – och gör det till framgångskriteriet från dag 1. Om din leverantör inte kan berätta hur de skulle mäta det, så har du ditt svar. Vår guide om avledning kontra lösning går igenom exakt hur du sätter upp detta.
Följ andelen återkommande kontakter som ett av dina viktigaste mått. Lägg den på dashboarden bredvid din vanliga CSAT. Använd den som återkoppling till AI-agentens kunskapsbas och beteende. Om samma kund återkommer om samma problem är det ett misslyckande i lösningen, inte ett nytt ärende.
Se eskaleringsdata som en signal, inte som ett steg i arbetsflödet. Varje eskalering visar var AI:ns kunskap eller befogenheter inte räcker till. De team som förbättras snabbast använder den datan löpande. En AI-agentplattform för stora företag ska göra det enkelt att lyfta fram detta, inte något du måste gräva efter.
Kräv enhetlig kanaltäckning från början. En kund som ringer, sedan mejlar och sedan öppnar en chatt ska inte behöva upprepa sig. Enhetlig lösning i chatt, röst och e-post är det som driver utfallssiffrorna, inte automatisering i en enda kanal som ser bra ut i en demo.
Minska inte personalstyrkan innan du har validerat kvaliteten i stor skala. Planera omställningen av arbetsstyrkan parallellt med teknikimplementeringen, inte efteråt. Rollerna förändras – medarbetarna går mot eskaleringshantering, kvalitetsgranskning och hantering av undantag – men omställningen måste utformas, inte tas för given.
Var detta lämnar oss
Gartners förutsägelse att 80 % av alla kundtjänstinteraktioner kommer att involvera AI senast 2029 ser fortfarande ut att vara uppnåelig. De senaste 2 åren har inte ändrat målet. De har gjort det tydligare vilka vägar som leder dit och vilka som leder till en offentlig helomvändning och ett besked om återanställningar.
De företag som når 80 % autonom lösning blir de som definierade lösning rätt innan de implementerade något, höll AI:n ansvarig mot den definitionen och byggde in omställningen av arbetsstyrkan i planen från början. De som optimerade för containment, skar ned personalen tidigt och mätte konversationer i stället för utfall är de som nu blir varnande exempel.
Klarna-historien är ingen varning om vad AI klarar av. Den är en varning om vad som händer när ett kapabelt system riktas mot fel mål.
Om du utvärderar AI-lösningar för kundtjänst och vill ha ett ramverk för att jämföra dem på de mått som verkligen spelar roll går vår guide om avledning kontra lösning igenom exakt hur du bygger ett affärscase som håller. Eller boka en demo och se hur Mavens lösningssiffror står sig mot det du har i dag.
Se det på dina egna konversationer.
Begär en kostnadsfri, personlig demo.
