Wie Klarna die Triage im Kundenservice in einen dauerhaften KI-Workflow überführt hat

Anfang 2024 verarbeitete Klarna rund 35 Millionen Kundenservice-Konversationen pro Jahr. Ein großererThe ratio of interactions (likes, comments, shares) to reach for a given piece of content, used to gauge how well audiences respond relative to how many people saw it.Vollständige Definition ansehen → Teil dieser Interaktionen folgte einem engen, vorhersehbaren Muster: Ein Kunde wollte den Status einer Zahlungsreklamation wissen, einen Ratenplan anpassen oder eine Rückerstattung anstoßen. Jede Konversation erforderte, Kontodaten abzurufen, eine Entscheidungsregel anzuwenden und eine strukturierte Antwort zu senden. Ein menschlicher Agent konnte das erledigen, aber die Aufgabe war keine komplexe Urteilsarbeit. Es war Mustererkennung in großem MaMaUsing software to automate repetitive marketing tasks and campaigns, enabling personalisation at scale across channels like email, web, and social.Vollständige Definition ansehen →ßstab, tausendfach am Tag wiederholt.

Das Unternehmen stand vor einer Entscheidung, zu der viele Operations-Teams irgendwann kommen: weiter einstellen, um mit dem Volumen mitzuhalten, oder die Aufgabe rund um eine andere Art von Arbeitskraft neu gestalten. Klarna wählte die zweite Option, und die Umsetzung ist detailliert genug, um daraus zu lernen.

Was sie gemacht haben

Klarnas KI-Initiative war keine einzelne Produktentscheidung. Sie war eine Folge klar abgegrenzter Schritte, von denen jeder dem vorherigen eine Einschränkung oder eine Fähigkeit hinzufügte.

Der erste Schritt war definitorisch. Statt zu fragen „Wo kann KI helfen?“, identifizierte Klarnas Team eine bestimmte Aufgabenklasse: Tier-One-Kundenanfragen, bei denen der Lösungsweg deterministisch war. Fragte ein Kunde nach einer Rückerstattung für eine bestimmte Transaktion, hing die Antwort von Kontodaten und einer Policy-Regel ab, nicht von der Beziehungshistorie oder einem Ermessensspielraum. Diese Abgrenzung war wichtig. Sie bedeutete, dass der KI-Agent an einem klaren Korrektheitsmaßstab gemessen werden konnte, was den Build-Test-Deploy-Loop deutlich verkürzte.

Der zweite Schritt war architektonisch. Klarna baute den KI-Agenten für den Kundenservice auf der Technologie von OpenAI auf und integrierte ihn direkt in die bestehenden Kundendatensysteme, statt ihn als parallelen Kanal zu betreiben. Damit hatte der Agent Live-Zugriff auf Transaktionsdaten und konnte handeln, nicht nur Fragen beantworten. Er konnte eine Rückerstattung anstoßen, ein Rückzahlungsdatum ändern oder einen Fall mit vollständigem, bereits ausgefülltem Kontext eskalieren. Bei diesem letzten Punkt lohnt es sich zu verweilen: Der Eskalationspfad wurde vor dem Launch entworfen, nicht nachträglich. Menschliche Agenten, die eskalierte Fälle erhielten, bekamen eine strukturierte Übergabe, keinen abgeladenen Chatverlauf.

Der dritte Schritt war die Steuerung des sprachlichen Umfangs. Der Agent startete gleichzeitig in mehreren Märkten und bearbeitete Anfragen in über 35 Sprachen. In Klarnas öffentlicher Kommunikation (Klarna ist ein Anbieter, die Zahlen sind also mit diesem Vorbehalt zu lesen) hieß es, der Agent bewältige im ersten Betriebsmonat das Arbeitsvolumen von etwa 700 Vollzeitkräften. Eine unabhängige Bestätigung dieser genauen Zahl ist schwierig, aber die Richtungsaussage, dass der Agent einen sehr großen Anteil des Tier-One-Volumens absorbierte, passt zu dem, was Klarnas Daten zur Kundenzufriedenheit und die Berichterstattung zu operativen Kosten in den Investorenunterlagen von 2024 bis ins Jahr 2025 nahelegten.

Die Governance-Ebene

Eine Entscheidung von Klarna, die in Zusammenfassungen der Case Study oft fehlt: Sie betrieben von Tag eins an eine Echtzeit-Monitoring-Funktion parallel zum Agenten. Ein kleines Team prüfte täglich Stichproben von Interaktionen, markierte systematische Fehler und speiste Korrekturen zurück in den Prompt und die Policy-Logik. Das war keine optionale Qualitätssicherung. Es war als dauerhafte Funktion im Betriebsmodell verankert. Das Verhalten des Agenten konnte driften, besonders wenn Kunden Formulierungen am Rand der Trainingsverteilung verwendeten, und das Monitoring-Team war der Mechanismus, um das zu erkennen, bevor es zu einem größeren Problem wurde.

Die Ergebnisse

Klarna berichtete Anfang 2024 in Mitteilungen an Investoren und Presse (erneut vom Anbieter selbst), dass der KI-Agent im ersten Monat rund 2,3 Millionen Konversationen bearbeitete. Die Kundenzufriedenheitswerte für diese KI-bearbeiteten Interaktionen lagen laut Bericht etwa auf dem Niveau der Werte für vergleichbare, von Menschen bearbeitete Interaktionen. Die Bearbeitungszeit sank bei den Ticket-Typen, die der Agent abdeckte, von durchschnittlich rund 11 Minuten auf unter 2 Minuten.

Die Kostenwirkung folgte direkt aus diesen Zahlen. Klarna nannte für 2024 einen prognostizierten Gewinneffekt von 40 Millionen Dollar aus dem KI-Einsatz im Kundenservice. Diese Zahl wurde nicht so unabhängig geprüft wie ein Jahresabschluss, und sie bündelt mehrere Annahmen darüber, wie hoch die Personalkosten im Gegenszenario gewesen wären. Nehmen Sie sie als Signal für die Größenordnung, nicht als präzisen Datenpunkt.

Schwerer zu bestreiten ist das strukturelle Ergebnis: Klarna ging mit einem deutlich kleineren Kundenservice-Personalbestand in das Jahr 2025 als 2023 und hatte die Gesamtbelegschaft zwischen 2022 und 2024 um etwa 22 Prozent reduziert, durch eine Kombination aus gesteuerter Fluktuation und dem KI-Einsatz. Die verbleibenden Tätigkeiten konzentrierten sich auf die Bearbeitung komplexer Fälle und Relationship Management.

Was übertragbar ist

Der Fall Klarna ist auch für Teams außerhalb von Fintech wirklich lehrreich, sofern sie ehrlich benennen, wo die Bedingungen anders sind.

Das erste übertragbare Prinzip ist die Disziplin beim Task Scoping. Klarna hat nicht „den Kundenservice“ automatisiert. Sie haben eine bestimmte Aufgabenklasse mit definierten Inputs, definierten Outputs und einem testbaren Korrektheitsmaßstab automatisiert. Jedes Team, das einen KI-Workflow baut, sollte die Aufgabe in einem Absatz beschreiben kkThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →önnen: welche Daten hineingehen, wie ein korrekter Output aussieht und was die Eskalationsbedingung ist. Wenn Sie diesen Absatz nicht schreiben können, ist die Aufgabe nicht reif für Automatisierung.

Das zweite ist das handlungsfähige Design. Der Klarna-Agent war kein Q&A-Bot. Er konnte in Systeme schreiben. Die meisten ersten Versuche mit KI-Workflows bleiben beim Abrufen von Informationen stehen, weil die Anbindung von KI an operative Systeme mehr Engineering-Aufwand erfordert und mehr Risikofragen aufwirft. Diese Vorsicht ist am Anfang vertretbar, aber Agenten mit Lesezugriff enttäuschen oft, weil sie die Lösungsarbeit an Menschen zurückgeben, statt sie abzuschließen.

Das dritte ist die dauerhafte Monitoring-Funktion. Teams stellen regelmäßig Budget für den Aufbau eines KI-Workflows bereit und nichts für dessen Pflege. Modellverhalten verschiebt sich, Policies ändern sich, die Sprache der Kunden entwickelt sich. Monitoring ist keine Aktivität der Launch-Phase. Bei Klarna war es eine laufende operative Rolle.

Wo der Kontext abweicht: Klarna arbeitet in einem stark regulierten Finanzumfeld mit belastbarer Dateninfrastruktur und einem Volumen, das groß genug ist, um die Engineering-Kosten zu rechtfertigen. Eine Professional-Services-Firma mit 200 ähnlichen Client-Intake-Gesprächen pro Monat steht vor einer anderen Make-or-Buy-Rechnung. Die Architekturfrage, Eigenentwicklung gegen eine konfigurierbare Plattform wie Intercom oder die KI-Ebene von Zendesk, verändert sich in dieser Größenordnung komplett.

Die zugrunde liegende Logik gilt unabhängig von der Größenordnung. Wählen Sie eine Aufgabe, die sich wiederholt, klare Erfolgskriterien hat und in einem Bereich liegt, in dem Fehler auffallen. Bauen Sie das Monitoring von Anfang an ein. Verbinden Sie den Agenten mit den Systemen, damit er Arbeit abschließen kann und sie nicht nur beschreibt. Klarnas Ergebnis war kein Zufall der Technologie. Es war ein Ergebnis operativen Designs, angewendet auf das richtige Problem.