Klarna возвращает людей на работу после провала замены их на ИИ

История с Klarna должна была стать доказательством. В 2024 году генеральный директор Себастьян Сиемятковски объявил, что ИИ выполняет работу, эквивалентную 700 сотрудникам службы поддержки, и экономит компании $40 миллионов ежегодно. Об этом написали все крупные издания. Заголовок разошёлся по всем презентациям руководителей об автоматизации на основе ИИ.

К началу 2026 года Klarna заново выстраивала свою команду поддержки из живых людей. Публичное резюме Сиемятковски: «Мы зашли слишком далеко».

Резюме

• 2024: Klarna заменяет 700 агентов на ИИ, прогнозирует $40М/год экономии
• Конец 2024: показатели CSAT по сложным кейсам начинают падать; институциональные знания уходят вместе с сотрудниками
• 2025: тихо возобновляется найм, преподносимый как гибкое расширение штата в стиле «Uber»
• Начало 2026: генеральный директор публично признаёт разворот стратегии; гибридная модель подтверждена как официальный курс
• Результат: «Эффект Klarna» становится стандартным термином в обсуждениях рисков ИИ на уровне совета директоров

Как разворачивались события

2024 — Объявление, ставшее вирусным Klarna заявила, что ИИ заменил работу 700 сотрудников службы поддержки. Цифра экономии — $40М в год — была реальной в узком смысле: прямые затраты на труд сократились по рутинным запросам. Объявление стало самым обсуждаемым примером замены интеллектуальных работников ИИ в масштабе и упоминалось в сотнях презентаций для советов директоров и на отчётах о прибылях.

Конец 2024 — Первые проблемы ИИ хорошо справлялся с запросами, для которых был разработан: проверка статуса аккаунта, статус заказа, простые возвраты, скриптованные ответы на частые вопросы. Но данные об удовлетворённости клиентов по сложным эскалациям начали снижаться. Сотрудники с институциональными знаниями уволились, и их не заменили. Накопленное понимание нетипичных схем мошенничества, повторяющихся проблем с аккаунтами и нестандартных случаев в политике Klarna — ничего из этого не было задокументировано. Оно ушло вместе с людьми.

2025 — Восстановление без признания восстановления Klarna снова начала нанимать сотрудников службы поддержки, первоначально описывая это как построение гибкой удалённой команды, а не разворот курса. Компания продолжала утверждать, что остаётся «ИИ-first». Большинство репортажей отнеслись к этой нюансировке скептически.

Начало 2026 — Публичное признание Сиемятковски перестал представлять это как дополнение и признал это как исправление ошибки: «Мы зашли слишком далеко». Он сказал, что клиентам нужна уверенность в том, что человек доступен для сложных ситуаций. Гибридная модель — ИИ обрабатывает объём, люди отвечают за суждение — была подтверждена как реальный операционный подход Klarna.

Где именно провалился ИИ

ИИ Klarna не подводил на лёгких задачах. Он подводил на тех задачах, которые имели наибольшее значение для удержания клиентов:

Многоэтапные споры по биллингу Случаи, включающие несколько транзакций, спорные списания по разным аккаунтам или исключения из политики, требуют рассуждения через противоречивые факты и принятия обоснованного решения. ИИ, обученный на документации по политике, справлялся с чистыми, однозначными случаями. Он испытывал сложности со всем, что требовало гибкой интерпретации.

Эмоциональная эскалация Клиенты, оспаривающие мошеннические списания или решения, будучи уже раздражёнными, нуждались в настоящей деэскалации. Ответы ИИ, технически корректные, но лишённые тона, часто усугубляли ситуацию, а не улучшали её.

Суждение об исключениях из политики Опытные агенты развивают интуицию о том, когда отступление от правила имеет деловой смысл — когда пожизненная ценность клиента оправдывает разовое исключение, или когда нестандартная ситуация выходит за рамки того, что предусматривала любая письменная политика. Это суждение не зафиксировано ни в одном документе. Оно живёт в человеке, который обработал десять тысяч похожих ситуаций.

Распознавание институциональных паттернов Ушедшие сотрудники несли в себе неформальную базу данных повторяющихся проблем, известных схем мошенничества и историй аккаунтов, которая никогда не была систематизирована. Когда они ушли, эти знания испарились. Никакая система ИИ не усвоила их, потому что никто не подумал их задокументировать.

Затраты, которые не были заложены в исходную модель

Прогноз экономии Klarna в размере $40М был построен на одной переменной: прямых затратах на труд. Полный расчёт включал статьи, которые не были учтены в модели.

Расходы на повторный набор персонала Найм сотрудников службы поддержки после публичного объявления о том, что их роли автоматизированы, структурно дорог. Кандидаты знают об этой истории. Привлечение качественных претендентов требует более высокой компенсации, чем ранее предполагали эти роли. Бонусы за удержание добавляют дополнительные затраты.

Отток клиентов из-за провалов в сложных кейсах Клиенты, у которых был негативный опыт во время эскалаций — плохо обработанные споры по биллингу, неразрешённые случаи мошенничества — демонстрировали значительно более высокий уровень оттока. В сфере финансовых услуг потеря клиента из-за неудачного разрешения спора обходится дорого при любом разумном расчёте пожизненной ценности клиента.

Репутационные издержки при найме в целом Klarna публично ассоциировалась с масштабными увольнениями, связанными с ИИ. Привлечение талантов в инженерии, продукте и операционной деятельности стало сложнее и требовало премиальной компенсации по всей организации, а не только в службе поддержки.

Обслуживание системы ИИ Поддержка, переобучение и улучшение системы ИИ для поддержки клиентов — это не единовременная затрата. Она требует постоянных инженерных ресурсов, которые не отражены в первоначальном расчёте экономии.

Эффект Klarna

Когнитивный учёный Гэри Маркус дал название этому паттерну: эффект Klarna описывает триумфализм в отношении ИИ — смелые заявления о замене ИИ работников-людей, за которыми следует тихий разворот, когда операционная реальность расходится с прогнозом. К 2026 году этот термин стал стандартной лексикой в обсуждениях корпоративной стратегии ИИ.

Инвесторы теперь регулярно просят руководителей напрямую прояснить этот вопрос перед одобрением инвестиций в автоматизацию на основе ИИ. Вопросы, которые за этим следуют, включают:

• Какая доля ваших взаимодействий требует суждения, эмпатии или исключений, с которыми ИИ не может надёжно справиться?
• Каково влияние на удержание клиентов при 20%-ном уровне ошибок в сложных взаимодействиях с клиентами?
• Какие институциональные знания живут в вашей текущей команде, которые не зафиксированы ни одной системой?
• Какова стоимость повторного найма, если это придётся отменить?

Как выглядит правильная модель

Текущая операционная модель Klarna — и подход, к которому пришли зрелые корпоративные внедрения ИИ, — многоуровневая:

Уровень 1 — ИИ обрабатывает полностью Высокообъёмные запросы, не требующие суждения: статус аккаунта, простые возвраты, ответы на частые вопросы, отслеживание заказов. ИИ полностью разрешает эти случаи. Обычно это 70–80% объёма и слой с наибольшей рентабельностью инвестиций.

Уровень 2 — ИИ составляет черновик, человек проверяет Умеренная сложность: многоэтапные проблемы, где человек проверяет черновик ИИ перед отправкой. Поддерживает качество без полной задействованности человеческих ресурсов на каждый случай.

Уровень 3 — Только человек, ИИ предоставляет контекст Сложные случаи, споры о мошенничестве, отношения с ценными клиентами, эмоционально трудные ситуации. Люди обрабатывают их, а ИИ предоставляет историю кейса и релевантный контекст. Это 10–20% объёма, но наибольшее влияние на удержание клиентов.

Идея, которую отражает эта модель: рентабельность инвестиций в ИИ максимизируется не за счёт повсеместной замены людей, а за счёт размещения ИИ там, где он превосходит людей, и людей там, где человеческое суждение — это и есть продукт.

Часто задаваемые вопросы

Почему Klarna развернула свою стратегию ИИ в службе поддержки? ИИ хорошо справлялся с рутинными запросами, но не справлялся со сложными взаимодействиями — многоэтапными спорами по биллингу, случаями мошенничества, требующими суждения по политике, и эмоционально напряжёнными ситуациями, где важен тон. Удовлетворённость клиентов значительно снизилась по этим случаям. В сочетании со скрытыми затратами на повторный найм и потерей институциональных знаний прогноз экономии в $40М оказался значительно оптимистичным.

Что такое эффект Klarna? Эффект Klarna, введённый когнитивным учёным Гэри Маркусом, описывает паттерн агрессивных заявлений об автоматизации на основе ИИ, за которыми следует тихий операционный разворот. Он стал стандартным концептом риска, который инвесторы и руководители используют для проверки на прочность заявлений о масштабной замене человеческих ролей ИИ.

Какая модель ИИ действительно работает для службы поддержки? Гибридная многоуровневая модель: ИИ полностью обрабатывает высокообъёмные рутинные запросы; черновики с помощью ИИ и проверкой человеком обрабатывают умеренную сложность; люди занимаются только эскалациями, мошенничеством и взаимодействиями с ценными клиентами. Это текущая стратегия Klarna и подход, рекомендуемый большинством корпоративных консультантов по ИИ на 2026 год.

Действительно ли Klarna сэкономила деньги благодаря ИИ? На рутинных запросах в краткосрочной перспективе — да. В более долгосрочной перспективе, включая затраты на повторный найм, отток клиентов из-за плохо обработанных сложных случаев, потерю институциональных знаний и обслуживание системы ИИ, чистая экономия оказалась значительно ниже прогнозируемых $40М в год. Заголовковая цифра была реальной; бизнес-кейс — нет.