Klarna stellt nach gescheiterter KI-Ablösung wieder Menschen ein

Der Klarna-Fall sollte der Beweis sein. 2024 verkündete CEO Sebastian Siemiatkowski, dass KI die Arbeit von umgerechnet 700 Kundenservice-Mitarbeitern übernehme und dem Unternehmen jährlich 40 Millionen Dollar einspare. Jedes große Medienhaus berichtete darüber. Die Schlagzeile fand ihren Weg in jede Führungspräsentation zum Thema KI-Automatisierung.

Anfang 2026 baute Klarna sein menschliches Kundenserviceteam wieder auf. Siemiatkowskis öffentliches Fazit: „Wir sind zu weit gegangen.“

Zusammenfassung

• 2024: Klarna ersetzt 700 Agenten durch KI, prognostiziert Einsparungen von 40 Mio. USD pro Jahr
• Ende 2024: CSAT-Werte bei komplexen Fällen beginnen zu sinken; institutionelles Wissen geht verloren
• 2025: Stille Neueinstellungen setzen wieder ein, umgedeutet als flexible „Uber-artige“ Erweiterung der Belegschaft
• Anfang 2026: CEO räumt die Kehrtwende öffentlich ein; Hybridmodell wird als offizielle Strategie bestätigt
• Ergebnis: Der „Klarna-Effekt“ wird zum Standardbegriff in Vorstandsdiskussionen über KI-Risiken

Wie sich der Zeitverlauf entwickelte

2024 — Die Ankündigung, die viral ging Klarna erklärte, KI habe die Arbeit von 700 Kundenservice-Mitarbeitern ersetzt. Die Einsparungszahl — 40 Mio. USD jährlich — war im engen Sinne real: direkte Lohnkosten bei Routineanfragen wurden reduziert. Die Ankündigung wurde zum meistgeteilten Beispiel dafür, wie KI Wissensarbeiter im großen Maßstab ersetzt, und wurde in Hunderten von Vorstandspräsentationen und Gewinnmitteilungen zitiert.

Ende 2024 — Die ersten Probleme Die KI leistete gute Arbeit bei den Anfragen, für die sie konzipiert war: Kontoabfragen, Bestellstatus-Checks, einfache Rückerstattungen, skriptbasierte FAQ-Antworten. Doch die Kundenzufriedenheitsdaten bei komplexen Eskalationen begannen zu sinken. Mitarbeiter mit institutionellem Wissen hatten das Unternehmen verlassen und wurden nicht ersetzt. Das angesammelte Verständnis für ungewöhnliche Betrugsmuster, wiederkehrende Kontoprobleme und Grenzfälle in Klarnas Richtlinien — nichts davon war irgendwo dokumentiert. Es verschwand mit den Menschen.

2025 — Wiederaufbau, ohne ihn so zu nennen Klarna begann, wieder Kundenservice-Mitarbeiter einzustellen, zunächst beschrieben als Aufbau einer flexiblen Remote-Belegschaft statt als Kurskorrektur. Das Unternehmen beharrte darauf, weiterhin „AI-first“ zu sein. Die meiste Berichterstattung begegnete dieser Nuance mit Skepsis.

Anfang 2026 — Das öffentliche Eingeständnis Siemiatkowski hörte auf, es als Erweiterung darzustellen, und erkannte es als Korrektur an: „Wir sind zu weit gegangen.“ Er sagte, Kunden bräuchten die Gewissheit, dass bei komplexen Situationen ein Mensch verfügbar ist. Das Hybridmodell — KI übernimmt das Volumen, Menschen übernehmen die Urteilsfähigkeit — wurde als Klarnas tatsächlicher operativer Ansatz bestätigt.

Wo die KI tatsächlich versagte

Klarnas KI scheiterte nicht an den einfachen Aufgaben. Sie scheiterte an den Aufgaben, die für die Kundenbindung am wichtigsten waren:

Mehrstufige Abrechnungsstreitigkeiten Fälle mit mehreren Transaktionen, angefochtenen Belastungen über mehrere Konten hinweg oder Ausnahmen von Richtlinien erfordern das Abwägen widersprüchlicher Fakten und eine Ermessensentscheidung. Die auf Richtliniendokumentation trainierte KI bewältigte klare Einzelfälle. Sie tat sich schwer mit allem, was eine flexible Auslegung erforderte.

Emotionale Eskalation Kunden, die Betrugsvorwürfe anfochten oder Entscheidungen anzweifelten, während sie bereits frustriert waren, brauchten echte Deeskalation. KI-Antworten, die technisch korrekt, aber emotional hohl waren, verschlimmerten die Situation oft eher, als sie zu verbessern.

Ermessensentscheidungen bei Ausnahmen von Richtlinien Erfahrene Mitarbeiter entwickeln ein Gespür dafür, wann das Aufweichen einer Regel geschäftlich sinnvoll ist — wann der Lebenszeitwert eines Kunden eine einmalige Ausnahme rechtfertigt oder wann eine ungewöhnliche Situation außerhalb dessen liegt, was eine schriftliche Richtlinie vorgesehen hat. Dieses Urteilsvermögen steht in keinem Richtliniendokument. Es lebt in der Person, die zehntausend ähnliche Situationen bearbeitet hat.

Institutionelle Mustererkennung Die Mitarbeiter, die gingen, trugen eine informelle Datenbank wiederkehrender Probleme, bekannter Betrugsmuster und Kontohistorien mit sich, die nie systematisiert wurde. Als sie gingen, verflüchtigte sich dieses Wissen. Kein KI-System hatte es aufgenommen, weil niemand daran gedacht hatte, es zu dokumentieren.

Die Kosten, die im ursprünglichen Modell nicht enthalten waren

Klarnas Prognose von 40 Mio. USD Einsparungen basierte auf einer einzigen Variable: den direkten Lohnkosten. Die vollständige Abrechnung umfasste Posten, die nicht modelliert wurden.

Kosten der Neurekrutierung Die Einstellung von Kundenservice-Mitarbeitern, nachdem man öffentlich verkündet hatte, ihre Rollen seien automatisiert worden, ist strukturell teuer. Bewerber kennen die Vorgeschichte. Um qualitativ hochwertige Bewerber zu gewinnen, ist eine höhere Vergütung erforderlich, als die Rollen zuvor boten. Bindungsboni verursachen zusätzliche Kosten.

Abwanderung durch gescheiterte komplexe Fälle Kunden, die während Eskalationen schlechte Erfahrungen gemacht hatten — schlecht bearbeitete Abrechnungsstreitigkeiten, ungelöste Betrugsfälle —, wiesen deutlich höhere Abwanderungsraten auf. Im Finanzdienstleistungssektor ist der Verlust eines Kunden durch eine gescheiterte Streitbeilegung bei jeder vernünftigen Berechnung des Customer-Lifetime-Value teuer.

Reputationskosten bei der breiten Rekrutierung Klarna wurde öffentlich mit groß angelegten, KI-bedingten Entlassungen in Verbindung gebracht. Die Gewinnung von Talenten in den Bereichen Engineering, Produkt und Betrieb wurde schwieriger und erforderte eine Prämienvergütung im gesamten Unternehmen, nicht nur im Kundenservice.

Wartung des KI-Systems Die Wartung, das Nachtrainieren und die Verbesserung eines KI-Kundenservicesystems sind keine einmaligen Kosten. Sie erfordern kontinuierliche Entwicklungsressourcen, die in der ursprünglichen Einsparungsberechnung nicht auftauchen.

Der Klarna-Effekt

Der Kognitionswissenschaftler Gary Marcus prägte den Begriff für dieses Muster: Der Klarna-Effekt beschreibt KI-Triumphalismus — kühne Behauptungen, KI ersetze menschliche Arbeitskräfte, gefolgt von einer stillen Kehrtwende, wenn die operative Realität von der Prognose abweicht. Bis 2026 ist der Begriff fester Bestandteil des Vokabulars in Diskussionen über Unternehmens-KI-Strategien.

Investoren fragen Führungskräfte inzwischen routinemäßig, sich damit direkt auseinanderzusetzen, bevor sie Investitionen in KI-Automatisierung genehmigen. Die daraus folgenden Fragen umfassen:

• Welcher Anteil Ihrer Interaktionen erfordert Urteilsvermögen, Empathie oder Ausnahmen, die KI nicht zuverlässig bewältigen kann?
• Wie wirkt sich eine Fehlerquote von 20 % bei komplexen Kundeninteraktionen auf die Kundenbindung aus?
• Welches institutionelle Wissen steckt in Ihrem aktuellen Team, das kein System erfasst hat?
• Wie hoch sind Ihre Kosten für die Neueinstellung, falls dies rückgängig gemacht werden muss?

Wie das richtige Modell aussieht

Klarnas aktuelles Betriebsmodell — und der Ansatz, auf den sich ausgereifte Unternehmens-KI-Einsätze zubewegt haben — ist gestuft:

Stufe 1 — KI übernimmt Anfang bis Ende Anfragen mit hohem Volumen und geringem Ermessensspielraum: Kontostatus, einfache Rückerstattungen, FAQ-Antworten, Sendungsverfolgung. KI löst diese vollständig. Dies sind typischerweise 70–80 % des Volumens und die Schicht mit dem höchsten ROI.

Stufe 2 — KI entwirft, Mensch prüft Mittlere Komplexität: mehrstufige Probleme, bei denen ein Mensch den Entwurf der KI prüft, bevor er versendet wird. Erhält die Qualität, ohne bei jedem Fall volle menschliche Kapazität zu benötigen.

Stufe 3 — Nur Mensch, KI liefert Kontext Komplexe Fälle, Betrugsstreitigkeiten, hochwertige Kundenbeziehungen, emotional schwierige Situationen. Menschen bearbeiten diese, während KI Fallhistorie und relevanten Kontext liefert. Dies sind 10–20 % des Volumens, aber mit dem größten Einfluss auf die Kundenbindung.

Die Erkenntnis, die dieses Modell widerspiegelt: Der ROI von KI wird nicht dadurch maximiert, dass Menschen flächendeckend ersetzt werden, sondern dadurch, dass KI dort eingesetzt wird, wo KI überlegen ist, und Menschen dort, wo menschliches Urteilsvermögen das eigentliche Produkt ist.

Häufig gestellte Fragen

Warum hat Klarna seine KI-Kundenservicestrategie zurückgenommen? KI bewältigte Routineanfragen gut, scheiterte aber bei komplexen Interaktionen — mehrstufigen Abrechnungsstreitigkeiten, Betrugsfällen, die Ermessensentscheidungen zur Richtlinie erforderten, und emotional aufgeladenen Situationen, bei denen der Tonfall entscheidend war. Die Kundenzufriedenheit sank bei diesen Fällen erheblich. In Kombination mit versteckten Neurekrutierungskosten und dem Verlust institutionellen Wissens erwies sich die Prognose von 40 Mio. USD Einsparungen als deutlich zu optimistisch.

Was ist der Klarna-Effekt? Der Klarna-Effekt, geprägt vom Kognitionswissenschaftler Gary Marcus, beschreibt das Muster aggressiver Ankündigungen zur KI-Automatisierung, gefolgt von einer stillen operativen Kehrtwende. Er ist zu einem Standardkonzept für Risiken geworden, das Investoren und Führungskräfte nutzen, um Behauptungen über den großmaßstäblichen Ersatz menschlicher Rollen durch KI kritisch zu prüfen.

Welches KI-Modell funktioniert tatsächlich im Kundenservice? Das hybride Stufenmodell: KI übernimmt Routineanfragen mit hohem Volumen von Anfang bis Ende; KI-gestütztes Entwerfen mit menschlicher Prüfung übernimmt mittlere Komplexität; Menschen kümmern sich nur um Eskalationen, Betrug und hochwertige Kundeninteraktionen. Dies ist Klarnas aktuelle Strategie und der Ansatz, den die meisten Unternehmensberater für KI ab 2026 empfehlen.

Hat Klarna durch KI tatsächlich Geld gespart? Bei Routineanfragen kurzfristig, ja. Über einen längeren Zeithorizont — einschließlich Neurekrutierungskosten, Kundenabwanderung durch schlecht bearbeitete komplexe Fälle, Verlust institutionellen Wissens und Wartung des KI-Systems — lagen die Nettoeinsparungen weit unter den prognostizierten 40 Mio. USD jährlich. Die Schlagzeilenzahl war real; der Business Case war es nicht.