Klarna: o assistente de IA executou o trabalho de 700 agentes em tempo integral em seu primeiro mês

• Klarna AI assistant handles two-thirds of customer service chats in its first month — Klarna (пресс-релиз), 2024-02-27
• Klarna's AI chatbot: how revolutionary is it, really? — The Pragmatic Engineer, 2024-03
• Klarna changes its AI tune and again recruits humans for customer service — CX Dive, 2025-05-09

Contexto

Klarna é um serviço sueco de pagamentos e compras, um dos pioneiros do modelo de compre agora, pague depois (BNPL). Sua escala no momento do lançamento do assistente de IA: mais de 114 milhões de usuários ativos, 3,4 milhões de transações por dia e mais de 850 mil parceiros varejistas em 23 mercados. Suporte ao cliente nessa escala significa milhões de bate-papos por mês em dezenas de idiomas: perguntas sobre reembolsos, pagamentos, faturas e limites chegam 24 horas por dia de jurisdições com regras diferentes.

O modelo BNPL tem uma característica estrutural que sobrecarrega o suporte: praticamente cada compra gera um cronograma de pagamento — e, portanto, possíveis perguntas. Onde está minha fatura, por que esse valor, como adio um pagamento, onde está o reembolso do pedido cancelado, por que meu limite de gastos mudou. No e-commerce clássico, um cliente escreve para o suporte principalmente quando a entrega dá errado; no BNPL há muito mais pontos de contato, porque o relacionamento financeiro continua por semanas após a compra.

Um detalhe importante que a própria Klarna divulgou: antes da IA, o suporte de primeira linha era feito por uma média de cerca de 3 mil agentes em tempo integral — funcionários dos parceiros de terceirização da empresa. O suporte, em outras palavras, não era um time interno, mas uma grande função terceirizada com economia linear: mais clientes significavam mais agentes e mais custos.

Quando o ChatGPT chegou no final de 2022, o suporte ao cliente quase imediatamente se tornou o principal candidato para automação com grandes modelos de linguagem: formato conversacional, cenários repetitivos, métricas mensuráveis. Klarna se tornou um dos primeiros parceiros empresariais mais agressivos da OpenAI — o COO da OpenAI, Brad Lightcap, disse no comunicado de imprensa conjunto que Klarna estava 'na vanguarda entre nossos parceiros na adoção de IA'. Em fevereiro de 2024, Klarna se tornou a primeira fintech importante a publicar os resultados operacionais de transferir seu suporte de primeira linha para um assistente de IA — com números concretos que se espalharam pela indústria, foram manchetes da imprensa especializada e se tornaram o ponto de referência para o mercado de IA em suporte: 'o equivalente a 700 agentes' ainda é citado em praticamente todos os documentos sobre IA em atendimento ao cliente.

Problema

Antes do lançamento do assistente, o atendimento médio levava 11 minutos para ser resolvido no chat. Solicitações rotineiras — reembolsos e cancelamentos, status de pagamento, perguntas sobre faturas e cronogramas de pagamento — dominavam a fila. Cada um desses diálogos exigia que o agente encontrasse o pedido, verificasse os termos de um varejista específico e as regras de um mercado específico — trabalho rotineiro, mas não instantâneo.

A escala tornou o problema estrutural. Vinte e três mercados significam 23 conjuntos de regras locais de reembolso e pagamento e a necessidade de suporte em dezenas de idiomas. Cobrir isso apenas com agentes humanos funciona apenas em larga escala: contratação e treinamento por parceiros de terceirização, picos de carga em estações de vendas, atrito e retreinamento constante. Uma média de cerca de 3 mil agentes é uma das maiores linhas de custos operacionais da empresa, crescendo quase linearmente com o negócio.

Consultas repetidas foram um problema em si: clientes voltavam ao chat porque o problema não havia sido resolvido com precisão na primeira vez. Todo contato repetido dobra o custo de tratamento e aumenta a frustração de um cliente que já explicou seu problema. Para uma fintech, isso não é apenas custo, mas risco: uma resposta imprecisa sobre um pagamento ou reembolso corrói diretamente a confiança em um produto por meio do qual as pessoas movem dinheiro. É por isso que Klarna posteriormente fez da redução de consultas repetidas uma de suas principais métricas públicas do projeto — é um indicador de precisão, não apenas de velocidade.

Finalmente, os chatbots programados da geração anterior não resolveram o problema: árvores de decisão rígidas não conseguiam lidar com a variedade de formulações em 35+ idiomas, nem com a necessidade de levar em conta o contexto de um pedido específico. Tudo que estava fora da árvore ia para um agente — e a economia do suporte não mudava.

Solução

Klarna lançou o assistente de IA em modelos OpenAI (via API ChatGPT) dentro de seu próprio aplicativo — globalmente, em um mês, em todos os 23 mercados de uma vez. O assistente funciona 24/7 e se comunica em mais de 35 idiomas. De acordo com o comunicado de imprensa, ele cobre os principais cenários de primeira linha: reembolsos e cancelamentos, problemas de pagamento, disputas, precisão de faturas, saldo atual, lembretes de cronogramas de pagamento e explicações de limites de gastos.

Colocar o assistente dentro do aplicativo não é uma questão técnica, mas uma decisão de produto. O cliente já está autenticado no aplicativo, portanto o assistente vê imediatamente seus pedidos e pagamentos — sem necessidade de gastar metade do diálogo em 'por favor, forneça seu número de pedido e os últimos quatro dígitos do seu cartão'. É isso que torna responder 'onde está meu reembolso' uma questão de segundos em vez de minutos de esclarecimento.

O que sabemos sobre a arquitetura vem de uma análise independente por The Pragmatic Engineer (Gergely Orosz testou o assistente em tempo real e analisou seu design). É uma configuração RAG sobre a documentação de suporte da própria Klarna: o assistente recupera seções relevantes da base de conhecimento e injeta contexto específico do pedido — preço, comerciante, data de compra. Acima estão salvaguardas duras: uma lista branca de tópicos permitidos no prompt do sistema, uma etapa de verificação comparando a resposta gerada com os tópicos permitidos, e transferência automática para um agente humano assim que uma pergunta sai do escopo. Nos testes da análise, o assistente se provou resistente à alucinação dentro de sua zona — em grande parte porque a zona é deliberadamente estreita: o modelo não 'conhece' respostas, monta-as a partir de documentação verificada e dados de pedidos.

Havia também buracos publicamente documentados: apesar das salvaguardas, os usuários rapidamente demonstraram injeção de prompt — por exemplo, conseguindo que o bot de suporte gerasse código de programa com solicitações habilidosamente elaboradas. Nenhum dano direto resultou (o bot não tem acesso a operações que exigem tais privilégios), mas ilustrou um fato amplamente disseminado na indústria: o não-determinismo da LLM não pode ser totalmente 'trancado' por um prompt, e o perímetro de segurança deve ser construído em torno do modelo — ao nível de privilégios e acesso — não apenas dentro do prompt.

O preço da compensação que Klarna escolheu vale a pena notar: uma lista branca de tópicos estreita significa que uma parcela visível de perguntas não-padrão vai direto para os humanos. É uma troca deliberada — a empresa sacrificou a 'universalidade' do bot pela previsibilidade e precisão em cenários financeiros, onde o custo de um erro supera as economias em escalação.

A decisão-chave de produto: a IA cobre a primeira linha em vez de substituir o canal — o cliente pode alcançar um agente humano a qualquer momento. A velocidade de lançamento foi sem precedentes para uma fintech: um lançamento global em todos os mercados simultaneamente, sem pilotos por país de meses — Klarna deliberadamente escolheu velocidade e aprendizado em tráfego ao vivo. O autor de The Pragmatic Engineer esfriou o hype com uma observação precisa: essencialmente Klarna automatizou o suporte L1 — um nível que as empresas estavam automatizando com bots programados antes da era de LLM. A diferença é que uma LLM faz isso em 35+ idiomas, com consciência do contexto do pedido, e com qualidade que os clientes classificaram como equivalente à dos humanos — algo que os bots programados nunca conseguiram.

Resultado

Em seu primeiro mês, o assistente tratou 2,3 milhões de conversas — dois terços de todos os bate-papos de suporte da Klarna — fazendo o trabalho equivalente de 700 agentes em tempo integral. O tempo médio de resolução caiu de 11 minutos para menos de 2 minutos. Consultas repetidas caíram 25% — Klarna atribui isso a respostas mais precisas. A satisfação do cliente (CSAT) manteve-se em pé de igualdade com agentes humanos. A empresa estimou o impacto em $40 milhões de melhoria de lucro para 2024 e divulgou publicamente, em um comunicado à imprensa datado de 27 de fevereiro de 2024. Tenha em mente: todos os números são relatórios da própria empresa para o primeiro mês de operação, não auditados externamente.

A história teve uma sequência que tornou o caso ainda mais instrutivo. Em paralelo com o lançamento da IA, Klarna congelou a contratação e reduziu o quadro de pessoal em 2024, ligando publicamente isso à sua estratégia de IA. Então em maio de 2025, o CEO Sebastian Siemiatkowski admitiu em uma entrevista da Bloomberg que a automação orientada por custos havia produzido 'qualidade inferior' e anunciou o retorno de agentes humanos — em uma configuração flexível de 'tipo Uber' com contratações remotas. 'É tão crítico que você deixe claro ao seu cliente que sempre haverá um humano se quiser,' foi como ele enquadrou a nova posição. A IA não desapareceu: a partir de meados de 2025, o assistente ainda tratava cerca de dois terços das consultas, e os tempos de resposta eram 82% mais rápidos do que na era pré-IA.

Em nossa visão, o caso Klarna deve ser lido como um todo, juntamente com a reversão de 2025 — é aí que ele é mais útil. A primeira parte provou que um assistente LLM em uma primeira linha estreita pode genuinamente sustentar dois terços do volume com CSAT em nível humano — validado em uma escala de milhões de diálogos e transferível para qualquer negócio com um grande fluxo de consultas rotineiras. A segunda parte mostrou o preço do radicalismo: as métricas que Klarna publicou mediram velocidade e volume, mas não confiança de marca ou qualidade de casos complexos — e é exatamente onde a dívida se acumulou que humanos tiveram que voltar para pagar.

O enquadramento do mercado também importa: Klarna estava se preparando para um IPO, e afirmações de IA ruidosas serviram a narrativa de investimento — assim como a subsequente correção de curso em direção à 'qualidade'. Para os profissionais, na nossa visão, o aprendizado é este: a arquitetura de suporte alvo é um híbrido onde a IA remove a rotina e os humanos permanecem como a garantia de qualidade e o caminho de escalação; projetos projetados como híbridos desde o primeiro dia nunca têm que passar por uma reversão dolorosa.

Lições aprendidas

1. Meça o impacto em métricas operacionais que o suporte já reporta: tempo de resolução, participação de volume, consultas repetidas. Klarna reportou exatamente estes — e os números são difíceis de contestar.
2. A paridade de CSAT com humanos é o limiar de escala: dois terços dos bate-papos foram para a IA apenas enquanto a satisfação manteve-se em nível de agente humano.
3. O multilinguismo é a principal alavanca de ROI para um serviço global: um assistente em 35+ idiomas substitui dezenas de linhas de suporte locais.
4. A confiabilidade vem de estreitar a zona: uma lista branca de tópicos, verificação de resposta e transferência automática para humano tornaram o assistente resistente à alucinação — porque não tenta responder tudo.
5. A injeção de prompt não é hipotética: os usuários conseguiram que o bot da Klarna gerasse código em semanas. O perímetro de segurança é construído em torno do modelo (privilégios, acesso), não apenas no prompt.
6. Uma linha de P&L pública ($40M) transforma um projeto de IA de um 'experimento' em um item defensável para investidores — mas os números não auditados da própria empresa precisam de enquadramento quando citados.
7. A reversão de 2025 é a maior lição do caso: velocidade e volume automatizam rapidamente, mas qualidade de casos complexos e confiança de marca não. Projete o híbrido antecipadamente para nunca trazer humanos de volta sob pressão.

Perguntas frequentes