Klarna vuelve a contratar humanos tras el fracaso de su sustitución por IA

Se suponía que la historia de Klarna iba a ser la prueba definitiva. En 2024, el CEO Sebastian Siemiatkowski anunció que la IA estaba gestionando el equivalente a 700 agentes de atención al cliente y ahorrando a la empresa 40 millones de dólares al año. Todos los medios importantes lo cubrieron. El titular se difundió por todas las presentaciones ejecutivas sobre automatización con IA.

A principios de 2026, Klarna estaba reconstruyendo su equipo humano de atención al cliente. El resumen público de Siemiatkowski: "Fuimos demasiado lejos."

Resumen

• 2024: Klarna sustituye a 700 agentes por IA, proyecta un ahorro de 40 millones de dólares al año
• Finales de 2024: las puntuaciones de satisfacción del cliente (CSAT) en casos complejos empiezan a caer; el conocimiento institucional se marcha por la puerta
• 2025: se reanuda la contratación de forma discreta, replanteada como una incorporación flexible de mano de obra "al estilo Uber"
• Principios de 2026: el CEO reconoce públicamente el retroceso; el modelo híbrido se confirma como estrategia oficial
• Resultado: el "efecto Klarna" se convierte en un término habitual en los debates sobre riesgo de la IA en las salas de juntas

Cómo se desarrolló la cronología

2024 — El anuncio que se volvió viral Klarna declaró que la IA había reemplazado el trabajo de 700 empleados de atención al cliente. La cifra de ahorro —40 millones de dólares anuales— era real en un sentido estricto: reducción directa de costes laborales en consultas rutinarias. El anuncio se convirtió en el ejemplo más compartido de la IA sustituyendo a trabajadores del conocimiento a gran escala, y se citó en cientos de presentaciones ante consejos de administración y llamadas de resultados.

Finales de 2024 — Los primeros problemas La IA funcionaba bien en las consultas para las que había sido diseñada: consultas de cuentas, comprobación del estado de pedidos, reembolsos sencillos, respuestas guionizadas a preguntas frecuentes. Pero los datos de satisfacción del cliente en escaladas complejas empezaron a caer. Los agentes con conocimiento institucional se habían marchado y no fueron reemplazados. La comprensión acumulada sobre patrones de fraude inusuales, problemas recurrentes de cuentas y casos límite en la política de Klarna —nada de ello estaba documentado en ninguna parte. Se fue con las personas.

2025 — Reconstruir sin llamarlo reconstrucción Klarna empezó a contratar de nuevo a trabajadores de atención al cliente, descrito inicialmente como la creación de una fuerza de trabajo remota y flexible en lugar de un cambio de rumbo. La empresa mantuvo que seguía siendo "AI-first". La mayoría de la cobertura mediática trató este matiz con escepticismo.

Principios de 2026 — El reconocimiento público Siemiatkowski dejó de plantearlo como una incorporación y lo reconoció como una corrección: "Fuimos demasiado lejos." Dijo que los clientes necesitan la certeza de que hay una persona disponible para situaciones complejas. El modelo híbrido —la IA gestiona el volumen, los humanos gestionan el criterio— se confirmó como el enfoque operativo real de Klarna.

Dónde falló realmente la IA

La IA de Klarna no falló en las tareas fáciles. Falló en las tareas que más importaban para la retención de clientes:

Disputas de facturación en varios pasos Los casos que implican varias transacciones, cargos disputados en múltiples cuentas o excepciones de política requieren razonar entre hechos contrapuestos y tomar una decisión de criterio. La IA entrenada con documentación de políticas manejaba bien los casos limpios y de una sola cuestión. Le costaba todo lo que requería una interpretación flexible.

Escalada emocional Los clientes que impugnaban cargos por fraude o disputaban decisiones, ya de por sí frustrados, necesitaban una desescalada genuina. Las respuestas de la IA, técnicamente correctas pero con un tono vacío, a menudo empeoraban la situación en lugar de mejorarla.

Criterio sobre excepciones de política Los agentes experimentados desarrollan intuición sobre cuándo flexibilizar una norma tiene sentido comercial: cuándo el valor de vida del cliente justifica una excepción puntual, o cuándo una situación inusual queda fuera de lo que cualquier política escrita había previsto. Ese criterio no está en ningún documento de políticas. Vive en la persona que ha gestionado diez mil situaciones parecidas.

Reconocimiento de patrones institucionales Los agentes que se marcharon se llevaron consigo una base de datos informal de problemas recurrentes, patrones de fraude conocidos e historiales de cuentas que nunca se sistematizaron. Cuando se fueron, ese conocimiento se evaporó. Ningún sistema de IA lo había absorbido porque a nadie se le había ocurrido documentarlo.

Los costes que no estaban en el modelo original

La proyección de ahorro de 40 millones de dólares de Klarna se construyó sobre una sola variable: el coste laboral directo. La contabilidad completa incluía partidas que no se habían modelado.

Gastos de recontratación Contratar agentes de atención al cliente después de haber anunciado públicamente que sus puestos habían sido automatizados es estructuralmente costoso. Los candidatos conocen el historial. Atraer solicitantes de calidad requiere una compensación mayor que la que esos puestos tenían anteriormente. Los bonos de retención añaden un coste adicional.

Fuga de clientes por fallos en casos complejos Los clientes que tuvieron malas experiencias durante las escaladas —disputas de facturación mal gestionadas, casos de fraude no resueltos— presentaron tasas de abandono significativamente más altas. En servicios financieros, perder a un cliente por una resolución de disputa fallida resulta caro bajo cualquier cálculo razonable del valor de vida del cliente.

Coste reputacional en la contratación en general Klarna quedó públicamente asociada con despidos masivos impulsados por la IA. Atraer talento en ingeniería, producto y operaciones se volvió más difícil y requirió una compensación superior en toda la organización, no solo en atención al cliente.

Mantenimiento del sistema de IA Mantener, reentrenar y mejorar un sistema de atención al cliente basado en IA no es un coste puntual. Requiere recursos de ingeniería continuos que no aparecen en el cálculo de ahorro inicial.

El efecto Klarna

El científico cognitivo Gary Marcus bautizó el patrón: el efecto Klarna describe el triunfalismo de la IA —afirmaciones audaces sobre la IA reemplazando a trabajadores humanos, seguidas de un retroceso discreto cuando la realidad operativa se aleja de la proyección. Para 2026, el término es vocabulario habitual en los debates sobre estrategia de IA empresarial.

Los inversores ahora piden habitualmente a los ejecutivos que lo aborden directamente antes de aprobar inversiones en automatización con IA. Las preguntas que suelen seguir incluyen:

• ¿Qué porcentaje de sus interacciones requiere criterio, empatía o excepciones que la IA no puede gestionar de forma fiable?
• ¿Cuál es el impacto en la retención de una tasa de fallo del 20% en interacciones complejas con clientes?
• ¿Qué conocimiento institucional reside en su equipo actual que ningún sistema ha capturado?
• ¿Cuál sería su coste de recontratación si esto tuviera que revertirse?

Cómo es el modelo correcto

El modelo operativo actual de Klarna —y el enfoque al que han convergido las implementaciones maduras de IA empresarial— está por niveles:

Nivel 1 — La IA gestiona de principio a fin Consultas de alto volumen y bajo criterio: estado de cuenta, reembolsos sencillos, respuestas a preguntas frecuentes, seguimiento de pedidos. La IA las resuelve por completo. Esto suele representar entre el 70% y el 80% del volumen y es la capa de mayor ROI.

Nivel 2 — La IA redacta, el humano revisa Complejidad moderada: problemas de varios pasos en los que una persona revisa el borrador de la IA antes de enviarlo. Mantiene la calidad sin necesitar plena capacidad humana en cada caso.

Nivel 3 — Solo humanos, la IA aporta contexto Casos complejos, disputas de fraude, relaciones con clientes de alto valor, situaciones emocionalmente difíciles. Los humanos las gestionan mientras la IA aporta el historial del caso y el contexto relevante. Esto representa entre el 10% y el 20% del volumen, pero tiene el mayor impacto en la retención de clientes.

La idea que refleja este modelo: el ROI de la IA se maximiza no reemplazando a los humanos en todos los ámbitos, sino colocando a la IA donde la IA supera a los humanos y a los humanos donde el criterio humano es el verdadero producto.

Preguntas frecuentes

¿Por qué revirtió Klarna su estrategia de atención al cliente con IA? La IA gestionaba bien las consultas rutinarias, pero fallaba en las interacciones complejas: disputas de facturación en varios pasos, casos de fraude que requerían criterio de política y situaciones cargadas emocionalmente en las que el tono importaba. La satisfacción del cliente cayó de forma significativa en estos casos. Combinado con costes ocultos de recontratación y la pérdida de conocimiento institucional, la proyección de ahorro de 40 millones de dólares resultó ser considerablemente optimista.

¿Qué es el efecto Klarna? El efecto Klarna, acuñado por el científico cognitivo Gary Marcus, describe el patrón de anuncios agresivos de automatización con IA seguidos de un retroceso operativo discreto. Se ha convertido en un concepto de riesgo estándar que inversores y ejecutivos utilizan para poner a prueba las afirmaciones sobre la IA reemplazando funciones humanas a gran escala.

¿Qué modelo de IA funciona realmente para la atención al cliente? El modelo híbrido por niveles: la IA gestiona de principio a fin las consultas rutinarias de alto volumen; la redacción asistida por IA con revisión humana gestiona la complejidad moderada; los humanos solo se encargan de las escaladas, el fraude y las interacciones con clientes de alto valor. Esta es la estrategia actual de Klarna y el enfoque recomendado por la mayoría de los consultores de IA empresarial a partir de 2026.

¿Ahorró Klarna realmente dinero con la IA? En consultas rutinarias, a corto plazo, sí. Considerando un horizonte más largo que incluya los costes de recontratación, la fuga de clientes por casos complejos mal gestionados, la pérdida de conocimiento institucional y el mantenimiento del sistema de IA, el ahorro neto quedó muy por debajo de los 40 millones de dólares anuales proyectados. La cifra del titular era real; el caso de negocio no lo era.