Klarna: ИИ-ассистент за первый месяц взял на себя работу 700 операторов поддержки

• 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

Контекст

Klarna — шведский финтех-сервис оплаты и покупок, один из пионеров модели «купи сейчас — плати потом» (BNPL). Масштаб на момент запуска ИИ-ассистента: более 114 миллионов активных пользователей, 3,4 миллиона транзакций в день и свыше 850 тысяч подключённых ритейлеров на 23 рынках. Клиентская поддержка на таком масштабе — это миллионы чатов в месяц на десятках языков: вопросы о возвратах, платежах, счетах и лимитах приходят круглосуточно и из разных юрисдикций с разными правилами.

У BNPL-модели есть структурная особенность, которая делает поддержку особенно нагруженной: почти каждая покупка порождает график платежей, а значит — потенциальные вопросы. Где мой счёт, почему такая сумма, как перенести платёж, где возврат за отменённый заказ, почему изменился лимит трат. В классическом e-commerce клиент пишет в поддержку в основном при проблеме с доставкой; в BNPL точек контакта в разы больше, потому что финансовые отношения с клиентом продолжаются недели после покупки.

Важная деталь, которую Klarna раскрыла сама: до внедрения ИИ первую линию поддержки обслуживали в среднем около 3 000 штатных операторов — сотрудников аутсорсинговых партнёров компании. То есть поддержка была не внутренней командой, а крупной закупаемой функцией с линейной экономикой: больше клиентов — больше операторов — больше расходов.

Когда в конце 2022 года вышел ChatGPT, клиентская поддержка почти сразу стала главным кандидатом на автоматизацию большими языковыми моделями: диалоговый формат, повторяющиеся сценарии, измеримые метрики. Klarna стала одним из самых агрессивных ранних корпоративных партнёров OpenAI — COO OpenAI Брэд Лайткеп в совместном пресс-релизе называл компанию «в самом авангарде среди наших партнёров по внедрению ИИ». В феврале 2024 года Klarna первой из крупных финтехов опубликовала операционные результаты полного перевода первой линии поддержки на ИИ-ассистента — с конкретными цифрами, которые затем разошлись по всей индустрии, попали в заголовки деловой прессы и стали эталонной точкой отсчёта для рынка ИИ в поддержке: «эквивалент 700 операторов» цитируют до сих пор в каждой второй презентации об ИИ в клиентском сервисе.

Проблема

До запуска ассистента среднее время решения обращения в чате составляло 11 минут. Типовые запросы — возвраты и отмены, статусы платежей, вопросы по счетам и графикам выплат — занимали основную часть потока. Каждый такой диалог требовал от оператора найти заказ, проверить условия конкретного ритейлера и правила конкретного рынка — рутинная, но не мгновенная работа.

Масштаб усугублял проблему структурно. 23 рынка означают 23 набора локальных правил возвратов и платежей и потребность в поддержке на десятках языков. Закрывать это живыми операторами можно только экстенсивно: наём и обучение через аутсорсинговых партнёров, пиковые нагрузки в сезон распродаж, текучка и постоянная переподготовка. Около 3 000 операторов в среднем — это одна из крупнейших статей операционных расходов компании, которая растёт вместе с бизнесом почти линейно.

Отдельной болью были повторные обращения: клиенты возвращались в чат, потому что вопрос не был решён точно с первого раза. Каждое повторное обращение — это удвоенная стоимость обработки и растущее раздражение клиента, который уже объяснял свою проблему. Для финтеха это не только расходы, но и риск: неточный ответ о платеже или возврате напрямую бьёт по доверию к продукту, через который люди проводят деньги. Именно поэтому Klarna позже вынесла снижение повторных обращений в число главных публичных метрик проекта — это индикатор точности, а не только скорости.

Наконец, скриптовые чат-боты предыдущего поколения проблему не решали: жёсткие деревья сценариев не выдерживали ни разнообразия формулировок на 35+ языках, ни необходимости учитывать контекст конкретного заказа. Всё, что выходило за рамки дерева, уходило оператору — и экономика поддержки не менялась.

Решение

Klarna запустила ИИ-ассистента на моделях OpenAI (через ChatGPT API) прямо в своём приложении — глобально, за один месяц, на всех 23 рынках сразу. Ассистент работает 24/7 и общается более чем на 35 языках. По пресс-релизу, он закрывает основной набор сценариев первой линии: возвраты и отмены, проблемы с платежами, споры (disputes), корректность счетов, актуальный баланс, напоминания о графике выплат и объяснение лимитов трат.

Размещение ассистента внутри приложения — не техническая мелочь, а продуктовое решение. Клиент в приложении уже аутентифицирован, и ассистент сразу видит его заказы и платежи — не нужно тратить половину диалога на «назовите номер заказа и последние четыре цифры карты». Именно это позволяет отвечать на вопрос «где мой возврат» за секунды, а не за минуты уточнений.

Об архитектуре известно из независимого разбора The Pragmatic Engineer (Гергей Орос протестировал ассистента вживую и разобрал его устройство). Это RAG-схема поверх собственной документации поддержки: ассистент подтягивает релевантные разделы базы знаний и добавляет в контекст данные конкретного заказа — цену, магазин, дату покупки. Поверх этого — жёсткие ограничители: белый список разрешённых тем в системном промпте, шаг верификации, сверяющий сгенерированный ответ с допустимыми темами, и автоматическая передача живому оператору, как только вопрос выходит за рамки. В тестах разбора ассистент оказался устойчив к галлюцинациям внутри своей зоны — во многом потому, что зона намеренно узкая: модель не «знает» ответы, а собирает их из проверенной документации и данных заказа.

Были и грабли, зафиксированные публично: несмотря на ограничители, пользователи довольно быстро продемонстрировали prompt injection — например, заставили бота поддержки генерировать программный код хитро составленными запросами. Прямого вреда это не нанесло (бот не имеет доступа к операциям, требующим таких прав), но показало общий для индустрии факт: недетерминированность LLM полностью «запереть» промптом нельзя, и периметр безопасности должен строиться вокруг модели — на уровне прав и доступов, — а не только внутри промпта.

Стоит отметить и цену компромисса, которую выбрала Klarna: узкий белый список тем означает, что заметная часть нестандартных вопросов сразу уходит людям. Это сознательный размен — компания пожертвовала «универсальностью» бота ради предсказуемости и точности в финансовых сценариях, где стоимость ошибки выше, чем экономия на эскалации.

Принципиальное продуктовое решение — ИИ закрывает первую линию, а не заменяет канал целиком: клиент в любой момент может выйти на живого оператора. Скорость раскатки при этом беспрецедентна для финтеха: глобальный запуск на всех рынках одновременно, без многомесячных пилотов по странам, — Klarna сознательно выбрала скорость и учёбу на живом трафике. Автор разбора The Pragmatic Engineer охладил восторги точным замечанием: по сути Klarna автоматизировала L1-поддержку — уровень, который компании автоматизировали скриптовыми ботами и до эры LLM. Разница в том, что LLM делает это на 35+ языках, с пониманием контекста заказа и с качеством, которое клиенты оценили наравне с людьми, — чего скриптовые боты не достигали никогда.

Результат

За первый месяц работы ассистент провёл 2,3 миллиона диалогов — две трети всех чатов поддержки Klarna — и выполнил объём работы, эквивалентный 700 штатным операторам. Среднее время решения упало с 11 минут до менее чем 2 минут. Повторные обращения снизились на 25% — Klarna связывает это с большей точностью ответов. Удовлетворённость клиентов (CSAT) осталась на уровне живых операторов. Компания оценила эффект в 40 миллионов долларов дополнительной прибыли в 2024 году и заявила об этом публично, в пресс-релизе от 27 февраля 2024 года. Важно держать рамку: все цифры — собственная отчётность компании за первый месяц работы, не аудированная извне.

История получила продолжение, которое сделало кейс ещё поучительнее. Параллельно с внедрением ИИ Klarna в 2024 году замораживала наём и сокращала персонал, публично связывая это с ИИ-стратегией. А в мае 2025 года CEO Себастьян Семятковски в интервью Bloomberg признал, что ставка на автоматизацию ради экономии дала «более низкое качество», и объявил о возврате живых операторов — в гибкой модели «как у Uber», с наймом удалённых агентов. «Критически важно, чтобы клиент знал: живой человек будет всегда, если вы этого хотите», — сформулировал он новую позицию. При этом ИИ никуда не делся: по данным на середину 2025 года ассистент по-прежнему обрабатывал около двух третей обращений, а скорость ответов выросла на 82% по сравнению с до-ИИ-эпохой.

На наш взгляд, кейс Klarna стоит читать целиком, вместе с разворотом 2025 года — именно так он полезнее всего. Первая часть доказала: LLM-ассистент на узкой первой линии реально держит две трети потока с CSAT на уровне людей — это подтверждено масштабом в миллионы диалогов, и это переносимо на любой бизнес с большим объёмом типовых обращений. Вторая часть показала цену радикальности: метрики, которые Klarna публиковала, измеряли скорость и объём, но не измеряли доверие к бренду и качество сложных случаев — и именно там накопился долг, за которым пришлось возвращать людей.

Важно понимать и рыночную рамку: Klarna готовилась к IPO, и громкие ИИ-заявления работали на инвестиционный нарратив — как и последующая коррекция курса на «качество». Для практиков вывод, на наш взгляд, такой: целевая архитектура поддержки — гибрид, где ИИ снимает рутину, а люди остаются гарантией качества и эскалационным контуром; проекты, которые сразу проектируются как гибрид, не проходят через болезненный разворот.

Уроки для индустрии

1. Меряйте эффект в операционных метриках, которые уже есть в отчётности поддержки: время решения, доля потока, повторные обращения. Klarna отчиталась именно ими — и цифры невозможно оспорить.
2. Паритет CSAT с людьми — порог масштабирования: две трети чатов отдали ИИ только при удержании удовлетворённости на уровне операторов.
3. Многоязычность — главный рычаг ROI для глобального сервиса: один ассистент на 35+ языках заменяет десятки локальных линий поддержки.
4. Надёжность достигается сужением зоны: белый список тем, верификация ответов и автоматическая передача человеку сделали ассистента устойчивым к галлюцинациям — потому что он не пытается отвечать на всё.
5. Prompt injection — не гипотеза: пользователи заставили бота Klarna генерировать код в первые же недели. Периметр безопасности строится вокруг модели (права, доступы), а не только в промпте.
6. Публичная строка эффекта в P&L ($40M) переводит ИИ-проект из «эксперимента» в защищаемую перед инвесторами статью — но собственные неаудированные цифры компании требуют рамки при цитировании.
7. Разворот 2025 года — главный урок кейса: скорость и объём автоматизируются быстро, а качество сложных случаев и доверие к бренду — нет. Проектируйте гибрид сразу, чтобы не возвращать людей под давлением.

Частые вопросы