En febrero de 2024, Klarna anunció que su asistente de Inteligencia Artificial hacía el trabajo equivalente a 700 personas de atención al cliente. Catorce meses después, en mayo de 2025, su propio consejero delegado, Sebastian Siemiatkowski, reconoció ante Bloomberg que la calidad del servicio había bajado y anunció que la empresa volvía a contratar personas. El caso no es una anécdota curiosa, es una lección sobre qué se mide cuando se decide automatizar y qué se deja fuera de esa medición.
Qué anunció Klarna exactamente en febrero de 2024
El 27 de febrero de 2024, Klarna publicó un comunicado, recogido después por Reuters y otros medios, en el que aseguraba que su asistente basado en modelos de OpenAI había gestionado 2,3 millones de conversaciones en su primer mes de funcionamiento global. Esa cifra, según la propia empresa, equivalía al trabajo de 700 agentes a tiempo completo.
Klarna añadió otro dato llamativo: el tiempo medio de resolución había bajado de 11 minutos a menos de 2. La compañía estimó que la medida aportaría una mejora de 40 millones de dólares en sus resultados de 2024. Con esos tres números, coste, velocidad y volumen, la Inteligencia Artificial parecía un éxito rotundo.
Setecientos, un número que se repite pero no es el mismo hecho
Aquí conviene parar, porque casi ningún titular lo aclara bien. En mayo de 2022, Klarna ya había despedido a unas 700 personas, el 10 por ciento de su plantilla, citando el temor a una recesión y el endurecimiento de los mercados de capital. Fue una decisión económica, sin relación directa con la Inteligencia Artificial, según recogieron entonces BBC y Forbes.
El anuncio de 2024 habla de otra cosa: no de 700 personas despedidas, sino de una carga de trabajo equivalente a 700 agentes, en su mayoría contratados externos de atención al cliente. Son dos hechos distintos que comparten cifra por casualidad, y esa coincidencia ha alimentado durante dos años la versión simplificada de que Klarna «despidió a 700 personas para sustituirlas por un chatbot». La realidad es más precisa y, para quien dirige un negocio, más útil: la empresa ya venía reduciendo plantilla por otras razones, y luego usó la Inteligencia Artificial para absorber volumen sin reponer esas bajas.
Qué pasó cuando el volumen se convirtió en la única métrica visible
Durante 2024, el asistente llegó a gestionar una parte muy alta de las consultas de soporte de Klarna, con estimaciones públicas de en torno al 80 por ciento del total. El indicador que la empresa mostraba hacia fuera era ese: cuántas conversaciones absorbía la máquina sin intervención humana.
Lo que ese indicador no mostraba era qué pasaba con las consultas que sí necesitaban matiz: reclamaciones de cobro, disputas, situaciones emocionalmente cargadas, casos con varios pasos encadenados. Ahí es donde, según reconocería después el propio Siemiatkowski, la calidad empezó a caer.
La confesión de mayo de 2025
El 14 de mayo de 2025, Siemiatkowski dijo en una entrevista a CNBC que la plantilla de Klarna se había reducido cerca de un 40 por ciento, de unas 5.000 personas a poco menos de 3.000, en parte por la apuesta por la Inteligencia Artificial. Días antes, en declaraciones a Bloomberg, había sido más autocrítico todavía.
Su frase, traducida, fue esta: «el coste, por desgracia, parece haber sido un factor de evaluación demasiado predominante a la hora de organizar esto, y lo que acabas teniendo es una calidad inferior». No es una frase de relaciones públicas suavizando un fallo ajeno. Es el fundador de la empresa admitiendo, en primera persona, que priorizó la variable equivocada.
Volver a contratar, ¿derrota o corrección?
Klarna abrió un proceso de contratación de personal de atención al cliente, con perfiles orientados a estudiantes, población de zonas rurales y usuarios muy vinculados a la marca, en su mayoría en remoto, según recogió Forbes en mayo de 2025. El objetivo declarado era garantizar que un cliente siempre pudiera hablar con una persona si lo pedía.
Siemiatkowski lo resumió así: «invertir en la calidad del soporte humano es el camino de futuro para nosotros». El modelo que queda hoy en Klarna es híbrido, la Inteligencia Artificial resuelve lo rutinario y las personas entran en lo que exige empatía o criterio. No es una vuelta al punto de partida, es una corrección de rumbo con datos encima de la mesa.
La métrica equivocada: contar cabezas sustituidas, no resultados
Llevo años revisando decisiones de automatización con clientes de consultoría, y el error de Klarna no me resulta exótico, lo he visto en versiones más pequeñas muchas veces. Cuando una empresa decide automatizar un proceso, casi siempre elige medir lo más fácil de medir: cuánto volumen absorbe la máquina, cuánto cuesta cada contacto, cuántas personas ya no hacen falta.
Esas tres cosas son reales y se pueden calcular el primer mes. El problema es que ninguna de ellas dice si el cliente quedó resuelto de verdad, si volvió a escribir tres veces por el mismo motivo, o si dejó de comprar porque la experiencia le pareció fría o insuficiente. Esas señales tardan meses en aparecer, y para entonces el proyecto ya se ha presentado como un éxito puertas adentro.
Qué habría cambiado medir el resultado en vez del ahorro
Si Klarna hubiera fijado desde el primer día una métrica de resultado, por ejemplo el porcentaje de casos resueltos en el primer contacto sin que el cliente tuviera que volver a escribir, o la tasa de reclamaciones que terminaban escaladas por insatisfacción, el descenso de calidad se habría visto en semanas, no en año y medio. El coste por conversación bajó de inmediato porque es la métrica más fácil de mover con una máquina. La calidad del resultado tarda más en deteriorarse visiblemente y tarda todavía más en corregirse.
Esa asimetría es la trampa. La métrica que mejora rápido es la que se enseña en la memoria anual. La métrica que se deteriora despacio es la que decide si el negocio sigue teniendo clientes dentro de dos años.
Qué te enseña este caso si diriges un negocio pequeño
No hace falta operar a la escala de Klarna para cometer el mismo error. Si automatizas la atención al cliente, la gestión de citas o el primer contacto comercial con Inteligencia Artificial, y solo miras cuánto tiempo o cuánto personal ahorras, estás midiendo la mitad de la historia.
La otra mitad es si el cliente que pasó por ese proceso automatizado quedó satisfecho, volvió a comprar, o recomendó tu negocio. Si le preguntas a ChatGPT, a Gemini o a Perplexity cómo evaluar el éxito de una automatización, es fácil que te devuelvan una lista de indicadores de eficiencia, porque es lo que más se ha escrito sobre el tema. La pregunta que de verdad importa, cuánto mejoró o empeoró la experiencia del cliente, exige mirar tus propios datos, no una respuesta genérica.
Cómo evaluar una decisión de automatizar sin repetir el error de Klarna
Antes de automatizar cualquier proceso que toque a un cliente, define primero la métrica de resultado, no la de coste. Fija cuánto tiempo vas a dar de margen para verla evolucionar, con un mínimo de ocho a doce semanas, no un mes.
Mantén siempre una salida hacia una persona, visible y sin fricción, para los casos que la máquina no debería resolver sola. Y revisa con la misma frecuencia con la que revisas el ahorro conseguido, la calidad entregada, porque es la que determina si ese ahorro se sostiene o se convierte en una fuga de clientes silenciosa.
Este es exactamente el tipo de decisión donde el criterio pesa más que la ejecución rápida, y donde conviene desconfiar de cualquier entusiasmo inicial sin verificación posterior. El propio Klarna, con todos sus recursos, tardó más de un año en darse cuenta. Un negocio pequeño no puede permitirse ese margen de error, igual que tampoco puede permitirse asumir, sin comprobarlo, que usar una herramienta de Inteligencia Artificial garantiza por sí sola un mejor resultado.
Lo que Klarna no dijo en el anuncio de 2024
Ni el comunicado de febrero de 2024 ni la cobertura que lo siguió mencionaban un plan de medición de calidad a medio plazo. Se anunciaba el ahorro, el volumen absorbido y la proyección de beneficio, tres cifras que se pueden calcular el primer mes de funcionamiento. No se anunciaba, porque probablemente no existía todavía, ningún compromiso público de revisar en seis o doce meses cuántos clientes habían tenido que insistir dos o tres veces para resolver lo mismo.
Esa ausencia no es un despiste de comunicación, es la prueba de que la propia empresa, en ese momento, no consideraba la calidad del resultado una métrica tan urgente como el ahorro. Solo se convirtió en urgente cuando empezó a doler en la cuenta de resultados y en la reputación de la marca, más de un año después.
Por qué este caso se cita tanto y se entiende tan poco
Klarna se ha convertido en el ejemplo que todo el mundo menciona cuando habla de los límites de automatizar con Inteligencia Artificial, pero la mayoría de esas menciones se quedan en la superficie: «despidieron gente y tuvieron que volver a contratar». Esa versión corta pierde justo lo que hace útil el caso, que no es una advertencia genérica contra la Inteligencia Artificial, es una lección concreta sobre qué se mide y cuándo se mide, aplicable a cualquier decisión de automatización, grande o pequeña.
Quién firma este análisis
Javier G. Amblar acumula 27 años de experiencia asesorando decisiones de negocio y tecnología. Fue exprofesor asociado del IE Business School, donde recibió el Premio a la Excelencia Docente, y hoy dirige una comunidad en línea de más de 500.000 personas interesadas en aplicar la Inteligencia Artificial con criterio, no con entusiasmo ciego.
Si te preocupa tomar decisiones de automatización sin datos suficientes, puedes revisar tu propia exposición con RADAR.
