AI Case Files #01: Klarna verving 700 klantenservicemedewerkers door AI, en draaide het terug

In februari 2024 maakte Klarna bekend dat zijn AI-assistent in de eerste maand 2,3 miljoen klantgesprekken had gevoerd. Dat was twee derde van alle chats met de klantenservice, en volgens Klarna het werk van 700 voltijdmedewerkers. De verwachte winstverbetering voor dat jaar: $40 miljoen.

Ruim een jaar later, in mei 2025, zei dezelfde CEO in een interview met Bloomberg dat kosten een te zware rol hadden gespeeld bij die keuze, en dat de kwaliteit daardoor was gedaald. Klarna ging weer mensen aannemen voor de klantenservice.

Dit is de bekendste AI-casus in klantcontact. Hij wordt aangehaald als bewijs dat AI medewerkers vervangt, en een jaar later als bewijs dat dat niet werkt. Allebei te makkelijk. Wat er echt gebeurde, zegt meer over hoe je een AI-project meet dan over AI zelf.

Bronnen. Alle cijfers in dit artikel komen uit Klarna's eigen persbericht van februari 2024 en uit uitspraken van CEO Sebastian Siemiatkowski in mei 2025, zoals gerapporteerd door Bloomberg en andere media. Het zijn de cijfers van Klarna, niet van een onafhankelijke meting. Waar ik zelf reken, staat dat erbij.

1. Het probleem

Klarna is een Zweedse betaaldienst: achteraf betalen, betalen in termijnen. Dat levert veel klantvragen op die op elkaar lijken. Waar is mijn terugbetaling? Ik heb het pakket teruggestuurd, waarom moet ik nog betalen? Kan ik mijn betaaldatum verschuiven? Waarom is mijn betaling geweigerd?

Die vragen kwamen binnen in tientallen landen en talen, dag en nacht. Een groot deel van de klantenservice was uitbesteed aan externe partijen. Tegelijk zat Klarna onder druk om winstgevend te worden, met een beursgang in het vooruitzicht. Het bedrijf had al eerder een vacaturestop ingevoerd en liet het personeelsbestand krimpen via natuurlijk verloop.

Op papier is dat de ideale plek voor AI: veel volume, herhalende vragen, duidelijke regels en een grote kostenpost.

2. Wat Klarna deed en wat het claimde

Klarna bouwde samen met OpenAI een AI-assistent in de app en op de site. Na een maand publiceerde het deze cijfers:

Dat persbericht ging de wereld over. Het werd voor veel bestuurders het argument om klantcontact te automatiseren.

3. Wat die cijfers wel en niet zeiden

Elk cijfer in die tabel klopt waarschijnlijk. Maar elk cijfer meet iets anders dan wat de meeste lezers erin lazen.

"Het werk van 700 medewerkers" is een omrekening, geen ontslag. Het betekent: het volume dat de AI afhandelde, zou zoveel mensen gekost hebben. Een groot deel van die capaciteit zat bij externe partijen. Er zijn niet 700 mensen bij Klarna naar huis gestuurd. Er is minder werk ingekocht.

"Onder 2 minuten, was 11 minuten" is doorlooptijd, geen werktijd. Reken het zelf na. 2,3 miljoen gesprekken van 11 minuten is ruim 420.000 uur. Een voltijdmedewerker werkt zo'n 140 tot 160 productieve uren per maand. Dan zou je ruim 2.600 mensen nodig hebben, niet 700. Het verschil zit erin dat een chatmedewerker meerdere gesprekken tegelijk voert, en dat de 11 minuten de tijd is die de klant wachtte op een oplossing, niet de tijd die een medewerker eraan besteedde. Voor de klant is 2 minuten in plaats van 11 een echte verbetering. Maar het is geen maat voor wat je bespaart.

$40 miljoen is een verwachting, geen resultaat. Het is een schatting die na één maand is gemaakt, voor een heel jaar. Deel het door 700 en je komt op ongeveer $57.000 per voltijdplaats per jaar, inclusief alle kosten van de uitbestede capaciteit. Dat is een aannemelijk bedrag. Het zegt alleen niets over wat er later gebeurt met klanten die niet goed geholpen zijn.

"Klanttevredenheid gelijk" meet het gesprek, niet de klant. Een tevredenheidsscore wordt gevraagd direct na het gesprek. Een klant die snel antwoord kreeg, geeft een goed cijfer. Of dat antwoord drie weken later nog klopte, of die klant daarna minder ging gebruiken, of iemand afhaakte zonder een vragenlijst in te vullen: dat staat niet in die score.

"25% minder herhaalde vragen" is het sterkste cijfer. Het meet of een vraag echt was opgelost, niet alleen of er een antwoord was. Dit is het soort cijfer waar je naar moet kijken. Het geldt alleen voor de vragen die de AI afhandelde, en dat waren vooral de eenvoudige.

Geen van deze cijfers is gelogen. Ze meten alle vijf het eerste moment: het gesprek zelf, de eerste maand, de kosten die direct wegvallen. Wat daarna gebeurt, meten ze niet.

4. Wat er misging

In mei 2025 zei Siemiatkowski tegen Bloomberg, vrij vertaald: omdat kosten een te overheersende factor waren bij de inrichting, krijg je uiteindelijk lagere kwaliteit. En: echt investeren in de kwaliteit van menselijke ondersteuning is voor ons de toekomst.

Klarna kondigde aan weer mensen in te zetten voor de klantenservice, in een flexibel model waarbij mensen op afstand werken, vergelijkbaar met hoe Uber met chauffeurs werkt. Het uitgangspunt werd dat een klant altijd een mens moet kunnen spreken als hij dat wil.

De AI-assistent ging niet uit. Wat veranderde, is de verhouding: AI voor wat AI goed kan, een mens voor de rest, en de klant kiest.

Klarna heeft nooit gepubliceerd welke gesprekken het precies misgingen. Maar het patroon is bekend uit elke klantenservice die zwaar automatiseert:

• De eenvoudige vragen gaan goed. Een terugbetalingsstatus opzoeken, een betaaldatum verschuiven: dat zijn regels en gegevens. Daar is AI sneller en consistenter dan een mens.
• De lastige vragen gaan mis, en dat zijn de dure. Een klant met een betalingsprobleem, een fraudemelding, een geschil met een winkel, iemand die in de schulden zit. Daar moet iemand een uitzondering kunnen maken, een inschatting kunnen geven of gewoon luisteren. Een AI die de regels volgt, geeft daar een correct antwoord dat de klant niet helpt.
• De klant merkt het verschil voordat de cijfers het laten zien. Klachten, opzeggingen en reputatieschade lopen maanden achter op de besparing.

Dat laatste is de kern. De besparing kwam in de eerste maand op de rekening. De kosten van slechtere service kwamen later, verspreid en zonder label erop.

5. Wat het werkelijk opleverde

Het is geen mislukking. Klarna handelt nog steeds een groot deel van zijn vragen af met AI, sneller dan ooit en in meer talen dan een team mensen ooit zou kunnen. Wie wil weten waar zijn betaling is, krijgt binnen een minuut antwoord, midden in de nacht.

Wat mislukte, is de gedachte dat je de hele klantenservice als kostenpost kunt behandelen en dus als geheel kunt vervangen. Een klantenservice bestaat uit twee soorten werk:

Klarna automatiseerde de linkerkolom en raakte daarbij de rechterkolom. Het volume zat links. Het risico zat rechts.

6. De les voor een bedrijf van 20 tot 200 mensen

Je bent geen Klarna. Je hebt geen 2,3 miljoen gesprekken per maand. Maar de fout schaalt mee naar beneden, en hij is bij een klein bedrijf duurder. Klarna heeft miljoenen klanten. Jij hebt er misschien 200, en een paar daarvan zijn een flink deel van je omzet.

Splits voordat je automatiseert. Haal drie maanden aan klantvragen uit je mailbox of ticketsysteem en verdeel ze in routine en uitzondering. Bij de meeste bedrijven is het grootste deel routine, maar komt het grootste deel van de omzet die op het spel staat uit de uitzonderingen.

Automatiseer alleen de routine, en laat de AI de uitzondering voorbereiden. Bij een uitzondering kan AI het dossier ophalen, de historie samenvatten en een voorstel doen. Een mens beslist en praat met de klant. Dat is hetzelfde principe als in AI in Business #03: de agent signaleert, een mens beslist.

Houd de uitgang naar een mens altijd open. Niet verstopt achter vijf vragen. Een klant die een mens wil, moet een mens krijgen. Dat was de belangrijkste correctie van Klarna, en die kost bijna niets.

Meet wat er na het gesprek gebeurt. Niet alleen afhandeltijd en tevredenheid. Meet ook:

1. Herhaalcontact. Komt dezelfde klant binnen een week terug over hetzelfde onderwerp?
2. Escalaties. Hoe vaak moet een mens het alsnog overnemen, en bij welk soort vraag?
3. Gedrag daarna. Neemt een klant die door AI is geholpen in de drie maanden erna minder af, of zegt hij vaker op, dan een klant die door een mens is geholpen?
4. Klachten. Niet het aantal, maar waar ze over gaan.

Het derde punt is het lastigste en het belangrijkste. Dat is precies het verschil dat Klarna pas na een jaar zag. Een klant die stilletjes minder afneemt, meldt zich niet bij de klantenservice. Hoe je dat wel ziet, staat in klanten die stilletjes minder afnemen.

Reken de besparing eerlijk. In AI in Business #01 bleek dat uren die een agent overneemt pas geld zijn als die uren iets anders gaan doen. Bij klantcontact komt er een tweede voorwaarde bij: het is pas een besparing als je er geen klanten mee kwijtraakt. Eén klant van €20.000 per jaar die vertrekt omdat hij een chatbot kreeg in plaats van zijn vaste contactpersoon, kost meer dan de meeste kleine bedrijven met klantcontact-AI per jaar besparen.

Wat je maandag kunt doen

1. Pak je laatste 50 klantvragen. Uit de mailbox, het ticketsysteem of de telefoonnotities.
2. Zet bij elke vraag routine of uitzondering. Routine: het antwoord staat in een systeem en de regel is duidelijk. Uitzondering: iemand moet iets beslissen of afwegen.
3. Zet bij elke uitzondering de jaaromzet van die klant. Dan zie je in één oogopslag waar het risico zit.

Dat kost een uur. Daarna weet je welk deel je veilig kunt automatiseren en welk deel je nooit zonder mens wilt laten.

Vier vragen aan een leverancier van klantcontact-AI

1. Hoe komt een klant bij een mens, en in hoeveel stappen? Laat het zien, niet beschrijven.
2. Wat geeft de AI door bij een overdracht? Moet de klant zijn verhaal opnieuw vertellen, of ligt het dossier klaar?
3. Mag de AI iets toezeggen of wijzigen? Een terugbetaling, een korting, een nieuwe betaaldatum. Zo ja, binnen welke grenzen, en wie heeft die grenzen ingesteld?
4. Welke cijfers kan ik zien na het gesprek? Herhaalcontact en escalaties per soort vraag. Als de leverancier alleen afhandeltijd en tevredenheid laat zien, meet je wat Klarna mat.

Waar het op neerkomt

Klarna had gelijk dat AI het grootste deel van zijn klantvragen sneller en goedkoper kon afhandelen. Het had ongelijk dat dat hetzelfde was als de klantenservice vervangen. Het verschil zat niet in de techniek. Het zat in wat er gemeten werd: de kosten die direct wegvielen, niet de waarde die langzaam wegliep.

Dat is de vraag bij elk AI-project, niet alleen bij klantcontact. Wat je meet in de eerste maand, bepaalt wat je ziet. Wat je niet meet, merk je pas als het op je omzet staat.

De cijfers in dit artikel zijn van Klarna zelf en uit openbare berichtgeving. De omrekeningen in hoofdstuk 3 zijn mijn eigen, met aannames die erbij staan.