Agents IA chez Klarna : ce qui a fonctionné, ce qui a coincé

En février 2024, Klarna publiait un communiqué affirmant que son agent IA, construit sur la technologie OpenAI, gérait l'équivalent du travail de 700 agents humains à temps plein, traitait deux tiers des conversations du service client, et réduisait le délai de résolution moyen de 11 minutes à moins de 2 minutes. Ces chiffres, repris immédiatement par des dizaines de médias, ont positionné Klarna comme l'exemple de référence du déploiement d'agents en production réelle. Il faut d'emblée noter que ces données proviennent directement de Klarna, société cotcotA prompting technique where a language model is guided to produce intermediate reasoning steps before giving a final answer, improving accuracy on complex tasks.Voir la définition complète →ée avec un intérêt évident à valoriser ses initiatives technologiques avant une introduction en bourse. Aucun auditeur indépendant n'a vérifié ces métriques à ce stade.

Le contexte de Klarna est particulier : société de paiement opérant dans 45 pays, avec des volumes de transactions massifs et un service client exposé à des requêtes très répétitives (statut de commande, remboursement, modification d'échéancier). Ce périmètre étroit et bien défini est précisément ce qui rend le déploiement d'agents crcrThe percentage of visitors or prospects who complete a desired action (purchase, sign-up, contact form), calculated as conversions divided by total opportunities.Voir la définition complète →édible.

Ce que Klarna a réellement mis en place

L'agent déployé par Klarna n'est pas un simple chatbot à règles fixes. Il accède en temps réel aux données de compte client, peut initier des remboursements, modifier des plans de paiement et escalader vers un humain selon des critères prédéfinis. C'est cette capacité d'action, pas seulement de réponse, qui en fait un agent au sens technique du terme.

L'architecture repose sur plusieurs décisions structurantes. Klarna a d'abord circonscrit rigoureusement le périmètre d'action de l'agent : il ne traite que les cas pour lesquels la politique interne est documentée et les actions disponibles dans l'APIAPIApplication Programming Interface: a standardised interface that lets applications communicate and exchange data without knowing each other's internal workings.Voir la définition complète →. Toute situation hors périmètre déclenche un transfert humain immédiat. Ensuite, la société a investi dans l'intégration système, ce qui est souvent sous-estimé dans les projets d'agents. L'agent inutile est celui qui répond bien mais ne peut rien faire dans les systèmes existants.

Klarna a également accepté une réalité économique : le coût de cette infrastructure, incluant les appels API à OpenAI et la supervision humaine résiduelle, reste significatif. Le gain financier vient du volume traité, pas d'un coût marginal nul.

Les résultats : ce qu'on sait et ce qu'on ne sait pas

Les métriques annoncées par Klarna méritent d'être décomposées. La réduction du délai de résolution de 11 à 2 minutes est plausible pour les cas simples et automatisables. Ce chiffre agrégé masque probablement une réalité bimodale : les cas résolus par l'agent sont très rapides, les cas escaladés vers des humains prennent plus de temps qu'avant car ils sont mécaniquement les plus complexes.

Le chiffre de 700 ETP (équivalents temps plein) est plus difficile à interpréter. Klarna a effectivement procédé à des réductions d'effectifs importantes en 2023 et 2024, mais attribuer ces réductions uniquement à l'IA serait inexact. La société traversait déjà une phase de restructuration liée à l'environnement de taux et à sa trajectoire vers la rentabilité.

Ce qui est documenté de manière plus robuste : le taux de satisfaction client (CSATCSATCustomer Satisfaction Score, a direct measure of satisfaction captured right after a specific interaction or experience, usually on a short rating scale.Voir la définition complète →) sur les interactions gérées par l'agent est resté comparable à celui des agents humains sur les cas simples, selon les déclarations de Klarna. C'est un résultat non trivial. Maintenir la satisfaction client tout en automatisant est loin d'être acquis par défaut, comme l'ont appris à leurs dépens des entreprises ayant déployé des chatbots trop tôt sur des cas complexes.

En revanche, plusieurs points d'échec ont émergé progressivement. Les requêtes multilinguales avec des nuances culturelles fortes (le suédois informel, le dialectal néerlandais) ont produit des réponses inadaptées. Les litiges complexes impliquant des marchands et des clients en conflit ouvert ont souvent nécessité plusieurs transfers avant résolution, générant de la frustration. Et les cas où la politique interne était ambiguë, ou non documentée dans le système, ont mis l'agent en échec de façon visible.

Ce qui transfère, et ce qui ne transfère pas

Le cas Klarna enseigne d'abord une chose précise : les agents fonctionnent bien aujourd'hui quand trois conditions sont réunies simultanément. Le périmètre d'action est délimité et les règles métier sont explicites. L'agent dispose d'accès directs aux systèmes d'action (pas seulement d'information). Et il existe une procédure d'escalade claire qui ne laisse pas l'utilisateur en suspens.

Ce modèle est transposable dans d'autres contextes à volume élevé et forte répétitivité : gestion de sinistres simples en assurance, demandes de congés et questions RH standardisées, premier niveau de support IT pour des incidents catégorisés.

Là où le modèle ne transfère pas directement, c'est dans tout contexte où le jugement contextuel prime. Un agent qui doit évaluer la recevabilité d'une demande d'exception commerciale, interpréter une clause contractuelle ambiguë, ou gérer un client en détresse émotionnelle va produire des résultats médiocres ou dangereux. En 2026, ces situations restent le domaine des humains assistés par IA, pas des agents autonomes.

Une autre limite structurelle concerne la maintenance. Les agents déployés en production se dégradent silencieusement quand les politiques internes évoluent mais que les bases de connaissances de l'agent ne sont pas mises à jour. Klarna a la taille et les ressources pour gérer ce cycle. Une ETI qui déploie un agent similaire sans équipe dédiée à sa maintenance opérationnelle prend un risque réel.

Enfin, la question de la transparence envers les utilisateurs reste ouverte. Plusieurs régulateurs européens examinent actuellement (en 2026) les obligations d'information quand un agent autonome prend des décisions ayant des conséquences financières directes. Klarna opère dans un environnement réglementaire qui va probablement imposer des garde-fous supplémentaires sur ce point.

Le cas Klarna reste la référence la plus documentée du déploiement d'agents à grande échelle dans un contexte commercial réel. Ses résultats sont probablement réels sur les cas simples, probablement surestimés dans la narration publique, et ses échecs sont aussi instructifs que ses succès. Pour tout professionnel qui évalue un projet d'agent en 2026, la question de départ n'est pas "peut-on automatiser ?" mais "quelles sont exactement les limites du périmètre, et qui maintient l'agent dans six mois ?"