En février 2024, Klarna a annoncé qu'un agent IA avait repris le travail de 700 sous-traitants du service client, présentant ce déploiement comme une amélioration du résultat d'environ 40 M$. En mai 2025, le PDG a publiquement reconnu que le déploiement était allé trop loin sur la qualité, et l'entreprise a recommencé à réembaucher des humains au service client. Les variations sous-jacentes du taux de réitération ou d'attrition n'ont pas été divulguées ; le revirement s'appuie sur la couverture par Bloomberg, Fortune et CX Dive des propres déclarations de Klarna.
C'est l'étude de cas publique la plus nette de capacité sans viabilité économique dont nous disposons parmi les déploiements d'IA en production. La capacité était réelle — le modèle a absorbé le volume — et le déploiement a tout de même échoué sur la qualité, parce que la capacité n'est qu'un des neuf axes dont dépend le coût opérationnel. Voici ci-dessous une reconstitution illustrative des calculs, ancrée aux divulgations publiques de Klarna et clairement signalée là où elle recourt à des estimations tierces ou à des hypothèses de modélisation plutôt qu'à la comptabilité propre de Klarna. La leçon n'est pas « l'IA ne marche pas dans le support ». La leçon, c'est que le cadre opérationnel a prédit le mode de défaillance, et que l'essentiel du débat public a valorisé l'IA comme si seule la ligne d'inférence comptait.
Ce que l'annonce de 2024 disait vraiment
Les chiffres phares que Klarna a partagés publiquement : l'agent IA avait traité 2,3 millions de conversations lors de son premier mois, soit l'équivalent de la charge de travail de 700 agents à temps plein, avec un temps de résolution moyen ramené de 11 minutes à moins de 2 et des scores de CSAT conformes à ceux des agents humains. Klarna a présenté le déploiement comme une contribution de 40 M$ à l'amélioration du résultat pour 2024. (Source : communiqué de presse de Klarna, février 2024.)
Si l'on ne retenait que ces chiffres, le déploiement semblait presque sans inconvénient. Le calcul simple, en utilisant des estimations tierces du coût complet par agent chez Klarna (~60 k$/an, plausible étant donné le recours de Klarna à des zones géographiques à moindre coût pour le support de niveau 1 — non divulgué par Klarna) et une estimation tierce du coût total de l'IA (1,5 à 3 M$ par an aux prix d'inférence de 2024 et au volume de conversations divulgué — également non divulgué par Klarna), aboutit à ~42 M$ de main-d'œuvre déplacée contre ~2 M$ d'infrastructure IA : soit un ratio d'environ 14×, avant même de prendre en compte les gains de rapidité.
Dans le cadre opérationnel, voici ce qui manquait à cette analyse.
Là où le calcul se brise : la longue traîne
Les charges de travail du service client ne sont pas uniformes. Une distribution bimodale s'applique presque universellement : 70 à 85 % des tickets sont simples, structurés et résolubles de bout en bout avec des réponses de politique claires. Les 15 à 30 % restants sont complexes — litiges de remboursement touchant à la fraude, récupération de compte sur des parcours d'authentification atypiques, demandes liées à des difficultés financières exigeant empathie et discernement, litiges multipartites entre commerçant et consommateur.
Sur la bande simple, l'IA traite le travail avec une grande fiabilité et un faible coût de supervision. C'est ce qu'ont capté les métriques de lancement. Sur la bande complexe, l'IA donne une réponse qui semble assurée mais qui est fausse assez souvent pour que cela compte. La mauvaise réponse ne se contente pas d'échouer à résoudre — elle aggrave la situation, parce que le client s'est déjà vu annoncer un dénouement qui ne se concrétise pas. Il escalade. Il se plaint sur les réseaux sociaux. Il ouvre une rétrofacturation qu'il n'aurait pas ouverte face à un agent humain qui lui aurait dit « je ne peux pas vous le promettre, laissez-moi vérifier ».
Le PDG de Klarna a publiquement reconnu que la qualité des résultats avait baissé ; l'entreprise n'a pas divulgué les variations sous-jacentes du taux de réitération de contact ou du NPS. Ci-dessous, nous modélisons une hausse de 25 % du taux de réitération de contact sur la bande complexe comme test de charge illustratif — pas un chiffre de Klarna — parce que cet ordre de grandeur est cohérent avec ce qu'ont rapporté en 2023-2025 les quatre autres post-mortems publics de déploiements d'IA de support comparables (aucun d'eux n'étant Klarna). L'objectif est de montrer comment une faible hausse du taux de réitération sur la bande complexe fait basculer le coût net du déploiement.
Calculs opérationnels illustratifs
Les chiffres ci-dessous sont une reconstitution modélisée — Klarna n'a pas publié de ventilation des coûts. Ils utilisent le cadre de coût opérationnel issu du précédent article : cinq postes de coût au-delà de l'inférence. À prendre comme un exemple travaillé de projection d'un déploiement d'IA sur une charge de travail à complexité bimodale, et non comme le compte de résultat réel de Klarna.
Prenez une équipe comparable à celle de Klarna traitant 30 millions de tickets par an. Supposons une répartition simple/complexe de 80/20. Les tickets simples prennent en moyenne 3 minutes de temps humain à 30 $/h chargé (1,50 $/ticket) et ont un taux d'audit que les déploiements d'IA plafonnent à 5-10 %. Les tickets complexes prennent 18 minutes à 45 $/h chargé (13,50 $/ticket) et nécessitent 25 à 35 % d'audit. Multiplicateur de coût d'erreur : 1,5× sur le simple, 4× sur le complexe quand le dossier tourne mal.
Référence avant déploiement : 24 M de tickets simples × 1,50 $ + 6 M de complexes × 13,50 $ = 36 M$ + 81 M$ = 117 M$ de coût total de main-d'œuvre. Plus les frais généraux : 30 M$. Fixons la référence à 147 M$.
Le scénario de déploiement optimiste — celui qu'impliquaient les chiffres de lancement de Klarna — supposait que 80 % des tickets se résolvaient automatiquement (toute la bande simple), que la bande complexe restait aux humains et qu'elle ne changeait pas. Calcul : 24 M × 0,05 $ d'inférence + 0,10 $ de supervision (5 % d'audit à 0,5 minute de temps de relecteur) = ~3,6 M$ pour la bande simple. Bande complexe maintenue à 81 M$. Plus les frais généraux : 30 M$. Total : 114,6 M$. Économies modélisées : ~32 M$ par an, ce qui avoisine les 40 M$ que Klarna projetait comme contribution à l'amélioration du résultat pour 2024.
À quoi ressemble le mode de défaillance quand le coût d'erreur atteint la bande complexe : avec notre hausse illustrative de 25 % du taux de réitération de contact sur la bande complexe, le volume complexe passe en pratique de 6 M à 7,5 M. Les 1,5 M de nouveaux tickets complexes arrivent dans la file d'attente senior avec un client déjà agacé, ce qui (dans les post-mortems publiés d'opérations de support sur des charges comparables) fait passer le temps par ticket de 18 à 27 minutes. Coût de la file senior : 7,5 M × (45 $/h × 27/60) ≈ 151 M$. La bande simple reste à 3,6 M$. Frais généraux : 32 M$ (léger surcroît pour la gestion d'incidents et les RP). Total : 186,6 M$.
Ce ne sont pas 32 M$ d'économies. C'est ~40 M$ de pire que la référence avant déploiement. Les économies de la bande simple étaient réelles mais plus faibles qu'annoncé, et le coût de la bande complexe a crû de 86 % — solde net négatif.
Le cadre l'avait annoncé. La bande complexe est une tâche de classe 4 dans la taxonomie des quatre substitutions : human-critical, où le fait que l'IA soit assurée-mais-fausse est le mode de défaillance, et non une lacune de fonctionnalité que comblent de meilleurs modèles. La projection d'avant lancement traitait toute la charge de travail comme de la classe 1 (replaceable) et obtenait un avantage de coût de 14× que le mix réel ne soutenait pas. Voir l'explication de la taxonomie pour le cadre complet.
Pourquoi les métriques de démo ont menti (et ce qu'elles mesuraient vraiment)
Le CSAT du premier mois n'était pas une mesure du déploiement — c'était une mesure de la bande simple. Trois choses ont masqué la défaillance de la bande complexe :
Auto-sélection des sondés. Les enquêtes CSAT sont envoyées après résolution. Les clients dont les tickets avaient escaladé n'étaient pas dans l'échantillon pour leur premier contact. Ils recevaient la réponse de l'IA, se voyaient dire que le ticket était résolu, notaient le CSAT, et ne réalisaient que plus tard que la résolution ne tenait pas. Le CSAT négatif apparaissait au second contact, des semaines plus tard, attribué au « support senior ».
Biais du survivant dans le tableau de bord de métriques. Le tableau de bord du déploiement mesurait les tickets que l'IA clôturait entièrement. Les tickets routés vers des humains étaient classés sous « contacts agents » — autre tableau de bord, autre objectif, autre récit. Personne chez Klarna n'avait au départ de ligne unique montrant les touches-de-ticket-par-client, la seule métrique qui capte le taux de réitération comme signal au niveau du système.
Décalage temporel du mode de défaillance. Les économies de la bande simple sont apparues dès la première semaine. Le dommage de la bande complexe est apparu au fil des 6 à 12 mois suivants, à mesure que la cohorte de mauvaises résolutions au premier contact remontait la file d'escalade, les litiges de fraude et les réseaux sociaux. Le temps que l'équipe dirigeante voie la tendance du taux de réitération de contact, le déploiement avait été célébré dans la presse financière pendant six mois.
Ce qui se généralise
Le schéma Klarna n'est pas propre à Klarna. La même forme s'applique chaque fois que trois conditions sont réunies :
(1) La charge de travail présente une distribution de complexité bimodale où la bande complexe a un coût d'erreur élevé. Le service client l'a. Les chatbots de triage médical aussi, tout comme la revue de premier passage des sinistres d'assurance et le conseil juridique de niveau 1. Partout où une réponse assurée-mais-fausse aggrave la situation en aval, au lieu de la laisser simplement non résolue.
(2) Les métriques de lancement mesurent la bande simple isolément. Temps de résolution, taux de déflexion, CSAT-à-la-résolution — toutes des métriques de bande simple. Aucune ne capte le taux de réitération de contact ni le délai jusqu'à résolution finale au niveau du client.
(3) L'économie de la bande simple paraît si bonne qu'elle justifie le déploiement sans modéliser du tout la bande complexe. C'est le geste critique. Un avantage de coût de 14× sur la bande simple doit être mis en balance avec le multiplicateur de coût de la bande complexe, pas avec sa base absolue.
La discipline corrective consiste à modéliser les deux bandes, à modéliser explicitement le multiplicateur de coût d'erreur sur la bande complexe, et à choisir le périmètre de déploiement de façon à maintenir l'IA dans la bande où elle a un avantage de coût défendable. Les déclarations publiques de Klarna sur le revirement vont dans ce sens — réembaucher des humains pour les parties de la charge de travail où l'IA produisait des résultats de moindre qualité, sans rétracter entièrement le déploiement d'IA sur la bande simple. Le nouvel équilibre est vraisemblablement moins coûteux que la référence initiale, mais pas de 14×.
Ce que vaut ce cas
Le revirement de Klarna est actuellement l'exemple public le plus cité d'effondrement de l'économie d'un déploiement d'IA, et il mérite cette citation. Mais la version la plus utile de la leçon n'est pas « le service client par IA échoue ». C'est « déployez l'IA sur la bande de travail que vous pouvez modéliser rigoureusement, pas sur celle que vous aimeriez pouvoir modéliser ». Le cadre — capacité + fiabilité + coût d'erreur + intégration + amortissement de l'avantage humain — suffisait à prédire cela en 2024. L'industrie du produit a majoritairement choisi de ne pas l'utiliser.
Si vous voulez mener ce type d'analyse sur votre propre poste, ou sur une équipe que vous envisagez d'automatiser, Wagecore calcule la distribution de substitution par tâche et le coût opérationnel au regard de la matrice de capacités actuelle. L'assistant prend environ deux minutes ; la méthodologie est ouverte sur /methodology . La version au niveau de l'organisation du même calcul se trouve sur /org/preview — collez vos postes + effectifs, voyez la carte de chaleur au niveau de l'organisation et la projection financière sur 5 ans.