I februari 2024 meddelade Klarna att AI-assistenten i kundtjänsten gjorde arbete motsvarande 700 heltidsanställda. Under sin första månad hade den tagit två tredjedelar av chattarna, lösningstiden hade gått från 11 minuter till under 2, och kundnöjdheten låg enligt bolaget i nivå med människornas.
I maj 2025 sa vd:n Sebastian Siemiatkowski till Bloomberg att kostnaden hade vägt för tungt när kundtjänsten organiserades, och att resultatet blev sämre kvalitet. Bolaget började åter anställa människor, så att kunder som vill prata med en person kan göra det.
Historien återberättas ofta som bevis för att AI i kundtjänst inte fungerar. Den tolkningen är dyr för alla som nu skjuter upp något de borde göra.
Titta i stället på vad som räknades: ärenden, minuter och ett nöjdhetssnitt. Inget av de talen säger om ett enskilt samtal blev rätt hanterat. Ingen bestämmer att kvaliteten ska sjunka. Man bestämmer sig för att flytta mer volym till AI, utifrån siffror som ser jämförbara ut. Det är de inte.
En organisation som bedömer sina medarbetare på kvalitet och sin AI på containment och kostnad har två mått med olika enheter. Varje beslut om vad som ska automatiseras vilar då på en jämförelse som inte håller. Lösningen är en gemensam mall som tillämpas på själva samtalet, med samma kriterier, samma bevis och samma rätt att bestrida, oavsett om en människa eller en AI-agent tog samtalet.
Två mått med olika enheter
Titta på vad varje halva av arbetsstyrkan faktiskt mäts på.
Era kundtjänstmedarbetare bedöms mot en bedömningsmall. Kontrollerade de identiteten, gav de rätt upplysning, bekräftade de kundens problem innan de började lösa det, behöll de lugnet när samtalet blev jobbigt. Er AI-agent bedöms med ett helt annat ordförråd: containment, deflection, automationsgrad, andel överlämningar. De flesta av de måtten kokar ner till en enda fråga: slutförde AI:n ärendet utan att skicka det vidare till en människa?
Det är ett undvikandemått: det räknar hur ofta kunden inte nådde en människa. Containment kan inte skilja ”AI:n löste problemet” från ”kunden gav upp försöket att nå en människa”. Ett avslutat ärende räknas som en vinst oavsett om kunden lade på nöjd eller rasande. Nöjdhetsmätningen fångar det sällan heller: en aggregerad siffra kan stå helt stilla medan upplevelsen i just de automatiserade ärendena försämras, eftersom de få missnöjda späds ut av alla dem som AI:n aldrig behövde hjälpa på riktigt.
Så när en driftchef på måndagsmorgonen har ett kvalitetssnitt på 84 av 100 för människorna och 78 % containment för AI:n framför sig, har hon ett tal om hur väl kunder blev hjälpta och ett om hur ofta de inte nådde fram. De två går inte att jämföra.
Ett självsäkert felaktigt svar loggas som en framgång
Konsekvensen blir tydligast i den kö där det är dyrast att ha fel.
Betalningsärenden är lätta att automatisera. Ärendena är repetitiva, formuleringarna liknar varandra och containment stiger snabbt när kön flyttas. Instrumentpanelen blir grön. Det som containment-talet inte kan visa är kunden i ekonomisk knipa som ställde en fråga, fick ett halvt svar, inte förstod det och lade på. Avslutat utan överlämning, loggat som löst, och misslyckat.
Illustration: AI:n tar 1 000 samtal i betalningskön under en månad och avslutar 780 utan överlämning. Poängsätt de 780 mot mallen som människorna mäts mot, och anta att 120 slutar med kundens fråga obesvarad.
| En månad i betalningskön | Containment | Er bedömningsmall |
|---|---|---|
| Samtal som AI:n tog | 1 000 | 1 000 |
| Räknas som lyckade | 780 (78 %) | 660 (66 %) |
| Kunder som inte fick hjälp men loggades som lösta | 0 | 120 |
Just den kö ni hade mest anledning att vara försiktig med är den som containment fick att se tryggast ut att automatisera.
Till det kommer att ett felaktigt svar från en språkmodell ofta låter lika säkert som ett korrekt. När en människa är osäker hör man det: hon garderar sig, hon säger ”jag tror”. Den signalen hjälper kvalitetsgranskningen av mänskliga samtal, och den saknas i AI-svaret. Om ni inte läser vad som faktiskt sades i samtalet skiljer ingenting ett bra svar från ett självsäkert felaktigt.
En mall för alla samtal, oavsett vem som tog dem
En gemensam ribba innebär att ni bedömer samtalet, vem som än tog det.
Mallen är densamma som ni redan mäter era medarbetare mot, uttryckt som observerbara beteenden så att poängen går att spåra, och den körs på alla samtal på båda sidor. Det är samma automatiserade kvalitetssäkring som gör stickprovet överflödigt, riktad mot hela arbetsstyrkan.
Många verksamheter tar stickprov på sina människor och kvalitetsbedömer inte sin AI alls. Den halva som växer snabbast mäts minst, och på det enda mått som döljer dess misslyckanden.
I praktiken kräver det två saker. Den första är innehållet i samtalet, så inspelning och transkribering måste vara i ordning, och det har sina egna krav i Sverige. Den andra är att bedömningen sker på svenska, på det språk samtalet fördes på, och inte på en engelsk översättning där tonfall, dialekt och det som faktiskt sades tappas på vägen. Utan svensk taligenkänning som förstår riktiga kundsamtal blir poängen en gissning.
När mallen är gemensam blir nästa steg symmetriskt också. En lucka hos en människa blir en röstövning i AI Coaching; en lucka hos AI-agenten blir en ändring i dess instruktioner. Samma mall pekar ut båda, och båda mäts om på samtalen som följer.
Skarven ingen mäter
Det finns en del av den hybrida arbetsstyrkan som två separata system aldrig mäter alls: överlämningen.
Många ärenden tillhör varken AI:n eller människan ensam. De börjar hos AI:n och avslutas av en medarbetare. Kunden upplever ett samtal. Två mätsystem ser två fragment: AI:ns del, bedömd utifrån om den slutförde ärendet, vilket gör själva överlämningen till ett misslyckande, och människans del, bedömd från den punkt där hon tog över.
Kostnaden är konkret. En kund som har förklarat ett dödsfall i familjen eller en utebliven betalning för AI:n, och sedan får börja om från början med en medarbetare, har haft ett dåligt hanterat ärende, även om båda systemen ger sin halva bra betyg.
Bedöm hela samtalet, från första till sista mening, så går överlämningen att se och förbättra. Vår rekommendation för en första mall: flagga varje samtal, människa eller AI, där
- den obligatoriska upplysningen saknas;
- kunden fick ställa samma fråga två gånger eller lade på med frågan obesvarad;
- kunden fick upprepa för en medarbetare det hen redan hade sagt till AI:n;
- kunden bad om en människa och AI:n fortsatte, eftersom en överlämning räknas emot dess containment;
- kunden nämnde en missad betalning, sjukdom eller ett dödsfall och samtalet fortsatte som vanligt.
”Men ni säljer ju agenterna själva”
Invändningen ligger nära till hands, och den träffar oss rakt. Future Ready säljer AI-agenter och säljer samtidigt ribban de mäts mot. Om vi rättar vårt eget prov är ”våra agenter får bra poäng” värt ungefär ingenting.
Vi är ingen neutral domare, och därför säljer vi inte det här som leverantörsoberoende tillsyn. Ribban betyder bara något om den är er. Mallen består av era kriterier. Varje poäng pekar på ögonblicket i transkriberingen som gav den, så att ni kan öppna och läsa det. Varje poäng går att bestrida, av en medarbetare eller av er kvalitetsansvarige, och en människa avgör. Varje förbättring mäts mot en jämförelsegrupp i stället för att påstås.
Kräv det av varje leverantör av AI-agenter, oss inräknade. Om en leverantör inte kan visa er ett enskilt automatiserat samtal poängsatt mot era egna kriterier, har ni bara fått ett påstående.
En arbetsstyrka, eller två som delar kö
En driftchef som mäter människorna med en bedömningsmall och AI:n med containment leder två verksamheter som råkar dela kö, bedömda med tal som aldrig byggdes för att jämföras. Ännu en instrumentpanel löser inte det; den flyttar bara talen närmare varandra på skärmen.
En gemensam mall för båda gör det, eftersom varje samtal då svarar på samma fråga: blev den här kunden väl hjälpt, och hur vet vi det? Klarnas vd sa att kostnaden fick väga för tungt. Vilken av era automatiserade köer skulle klara sig på containment och falla på er egen mall?
Vill ni se båda halvorna på samma ribba? Vi poängsätter en veckas riktiga samtal, människa och AI, mot er egen mall och visar var vardera sidan är stark och svag. Läs mer om Conversational Intelligence.
