В феврале 2024 года Klarna объявила, что ассистент на базе OpenAI выполняет работу 700 штатных агентов поддержки. К 2025 году компания заявила, что цифра выросла до 853. В мае 2025 года гендиректор Klarna сказал Financial Times, что фирма начала нанимать людей обратно, сославшись на жалобы к качеству и пределы чистой автоматизации. Эта дуга — заявление, рост, частичное отступление — самая цитируемая история в любом разговоре о замене ИИ поддержки клиентов, и она же самая неверно прочитанная. Как триумф её переоценивают. Как провал — недооценивают. Как инструмент она говорит нечто конкретное: стоимость замещения агента — это не одно число, а распределение по классам замещения, и классы ведут себя очень по-разному.
Этот пост разбирает четыре класса замещения, которые Wagecore применяет к работе поддержки, ценовые диапазоны с доверительными полосами внутри каждого и методологические решения за этими числами.
Кейс Klarna, прочитанный внимательно
Исходный пресс-релиз Klarna/OpenAI в феврале 2024 года сообщал, что ИИ-ассистент разрешил 2,3 миллиона диалогов за первый месяц — около двух третей входящих чат-тикетов — с показателями удовлетворённости клиентов, статистически неотличимыми от людей-агентов, и средним временем разрешения, упавшим с 11 минут до менее чем 2. Это был заголовок. Детали в продолжении, всплывшие в основном в отчётах 2025 года от Yahoo Finance и Financial Times, важнее: цифра в 700 агентов была сравнением с законтрактованной мощностью агентов, которую вытеснил ассистент, а не с собственными сотрудниками Klarna. Цифра 853, объявленная позже в 2025 году, использовала тот же метод сравнения. А частичный разворот 2025 года был не «ИИ не работает» — он был «остаточные тикеты, которые ИИ не может разрешить, сложнее, эмоционально нагруженнее и требуют людей, которым платят больше, чем базовому законтрактованному агенту».
Что этот кейс на самом деле показывает — это расхождение классов замещения в реальном мире. Класс с высоким объёмом — сброс пароля, «где мой заказ» — почти целиком ушёл к ИИ и там остался. Класс споров и диагностики ушёл в основном к ИИ с человеческой петлёй проверки и тоже там остался. Класс сложной эскалации ушёл к ИИ сначала, потом частично вернулся к людям. А класс отношений или новых пограничных случаев вообще не сдвинулся.
Это не провал технологии. Это карта замещения, заявляющая о себе.
Четыре класса замещения
Wagecore классифицирует задачи поддержки по четырём классам на основе наблюдаемых свойств стоимости и надёжности — не на основе того, «ощущается» ли задача автоматизируемой. Классы такие:
Полное замещение. Сортировка тикетов L1, сброс паролей, проверка статуса заказа, ответы на FAQ, простая обработка возвратов в рамках политики. У этих задач узкое распределение входных данных, высокие требования к надёжности только по небольшому набору сценариев отказа и низкая цена ошибки. ИИ обрабатывает их от начала до конца без человека в пути разрешения. Доверительная полоса: $2–$8 за разрешённый тикет при использовании API фронтир-модели плюс вендорская обёртка (Intercom Fin, Ada, Forethought — все в этом диапазоне по публичным ценам на протяжении 2025 года). Нижняя граница предполагает хорошо настроенного вендора; верхняя — готовое решение с поиском, но без переобучения. Человеческий эквивалент: $15–$25 за тикет для агента аутсорсингового контакт-центра, по публичным ценовым гайдам от Crescendo и BPO среднего сегмента. Соотношение в пользу ИИ примерно 3–5×, и разрыв стабилен.
Контролируемое замещение. Споры по биллингу, диагностика продукта, где важна конфигурация клиента, изменения в аккаунте с пограничными случаями политики, простые жалобы. ИИ предлагает решение, человек проверяет его до отправки клиенту — либо по каждому случаю для случаев с низкой уверенностью, либо пакетным аудитом для случаев с высокой уверенностью. Структура стоимости заметно отличается от полного замещения: вы платите за инференс ИИ плюс долю времени агента на тикет, где доля зависит от вашей политики аудита. Доверительная полоса: $5–$14 за разрешённый тикет. Широкая полоса отражает выбор между тяжёлым аудитом (проверяется каждый тикет) и лёгким (выборочно). Эквивалент только для человека: $18–$30 за тикет — эти тикеты дольше, чем при полном замещении, так что человеческая база тоже растёт. Соотношение в пользу ИИ 2–3×, и оно ухудшается по мере ужесточения петли аудита.
Аугментация. Сложные эскалации, эмоциональные ситуации (возвраты, связанные с медицинскими или семейными обстоятельствами, жалобы на сбои сервиса), расследования по нескольким системам, случаи, требующие внимания руководства. ИИ помогает человеку — набрасывает ответы, поднимает историю, суммирует прошлые тикеты, предлагает прецеденты по политике — но не действует. Разрешение остаётся за человеком. Стоимость по сути «зарплата человека плюс подписка на ИИ-ассистента на место». Доверительная полоса: $20–$45 за тикет. Вклад ИИ проявляется как пропускная способность, а не как штат: старший агент с хорошим копилотом обрабатывает, может быть, на 30% больше тикетов за смену. Эквивалент только для человека: $25–$60 за тикет. Соотношение: скромное снижение стоимости на однозначный процент, где выигрыш выражен в скорости разрешения, а не в меньшем числе агентов.
Незамещаемый остаток. Управление отношениями со стратегическими клиентами, новые пограничные случаи, не вписывающиеся ни в один прежний паттерн, регуляторная или юридическая переписка, кризисные инциденты (мошеннические сети, обработка массовых сбоев, PR-чувствительные жалобы). ИИ может быть в петле как исследовательский инструмент, но путь разрешения полностью человеческий и часто охватывает несколько человек (агента, менеджера, иногда юриста). Стоимость: $50–$200+ за тикет в зависимости от длительности и уровня. Базы для сравнения с ИИ здесь нет, потому что вероятность замещения при текущих возможностях фактически нулевая. Частичный обратный найм людей-агентов в Klarna в 2025 году произошёл в основном внутри этого класса и на верхнем краю Аугментации — ровно там, где уверенность ИИ была ниже всего, а цена неверного ответа выше всего.
Человеческая база, полностью нагруженная
Числа стоимости за тикет выше опираются на человеческую базу, которая сама заслуживает доверительной полосы. Данные ZipRecruiter за 2025 год по «Customer Support Representative» в США показывают среднюю годовую базовую около $42 000, с полосой 25-го–75-го перцентиля $34 000–$50 000 в зависимости от географии и стажа. Полностью нагруженная — льготы, налог на зарплату, оборудование, накладные на менеджмент, стоимость замены при текучке, амортизация обучения — типичный множитель 1,35–1,55×, что даёт нагруженную годовую стоимость примерно $57 000–$77 000. Разделите на 1800–2000 продуктивных часов в год, и получите $28–$43 за нагруженный час агента. При типичном для отрасли времени обработки 8–14 минут на тикет по всему миксу это даёт цифру $15–$25 за тикет для рутинной работы L1 и цифру $25–$60 для сложных тикетов, приведённые выше.
Аутсорсинговое BPO-ценообразование — опубликованный гайд Crescendo, бенчмарки среднего сегмента от аналитических фирм контакт-центров — идёт ниже этого в пересчёте на тикет ($6–$15 за L1 голос или чат в более дешёвых географиях), но его не следует читать как человеческую базу, если только альтернатива с ИИ не сравнивается с той же офшорной схемой. Экономически честное сравнение сопоставляет подобное с подобным: внутреннее с внутренним, BPO с BPO, а ИИ — с человеческой стоимостью, которую он реально вытесняет внутри той организации. Смешивание сравнений — это то, как получаются заявления о снижении стоимости в 10×, не переживающие первый квартал работы.
Следствие для математики классов замещения: в дорогой внутренней среде соотношение 3–5× при Полном замещении усиливается, потому что человеческая база высока. В дешёвой BPO-среде та же технология даёт соотношение 1,5–2,5×, потому что человеческая база уже низка. Технология постоянна; экономия — нет.
Почему доверительные полосы, а не точечные оценки
Единственная цифра в долларах за тикет — самый чистый возможный ответ, и он почти всегда неверен. Две причины.
Во-первых, распределение входных данных по каждому классу дико варьируется между компаниями. Микс тикетов потребительского финтеха сильно смещён к Полному замещению в верху воронки; очередь поддержки B2B SaaS тяжела Аугментацией, потому что тикеты ссылаются на конфигурации, специфичные для клиента. Одно и то же заявление «ИИ-агент заменяет человека» может отображаться в снижение стоимости в 4× в одной компании и в 1,2× в другой — не потому что технология разная, а потому что разное распределение работы.
Во-вторых, ценообразование ИИ движется. Стоимость за токен фронтир-модели упала примерно в 10× с начала 2024 по середину 2025 года. Вендорские обёртки не падали с той же скоростью, потому что структура стоимости Intercom Fin или Ada — это не чистый инференс модели, а поиск, вендорская маржа, продажи и интеграция. Нижняя граница каждой полосы отслеживает сырой инференс; верхняя — вендорское ценообразование. Разрыв между ними со временем сужается, но не равен нулю.
Мы публикуем доверительные полосы, потому что точечные оценки создают иллюзию определённости, которую кейс Klarna прямо опроверг. Цифра в 700 агентов была точечной оценкой, и она не пережила контакта с распределением остаточных тикетов.
Методология Wagecard за этими числами
Wagecard от Wagecore относится к ролям поддержки так же, как к любой другой роли: как к взвешенному среднему по классам замещения, где каждый класс оценивается по возможностям, надёжности, цене ошибки и стоимости надзора. Четыре класса выше отображаются на нашу стандартную рамку — Полное замещение соответствует ячейке Replaceable, Контролируемое замещение — AI-augmented, Аугментация — Human-led-AI-assisted, Незамещаемый остаток — Human-critical.
Инвестиционный взгляд на функцию поддержки поэтому читается как расчёт NPV, а не как единственное соотношение. Входы: распределение объёма тикетов по четырём классам, текущая стоимость только для человека по классу, ожидаемая стоимость ИИ-плюс-человек по классу при выбранной политике аудита, издержки переключения (онбординг вендора, построение поискового индекса, контракты на переобучение) и ставка дисконтирования с поправкой на риск, учитывающая шанс изменения цены или качества вендора посреди контракта. IRR на очередях, тяжёлых Полным замещением, высок — обычно 80%+ на горизонте одного года при полосах выше. IRR на очередях, тяжёлых Аугментацией, скромен. Период окупаемости варьируется от менее квартала до более двух лет в зависимости от того, какой класс доминирует.
Это не чёрный ящик. Классы замещения, ценовые полосы и веса — всё опубликовано в нашей методологии. Мы не переписываем прежние числа задним числом, когда методология пересматривается: Wagecard, рассчитанный под v1, остаётся Wagecard v1 с числами v1, даже если v2 обновляет полосы. Причина в том, что стоимость решения о замещении оплачивается против чисел, известных на момент решения — переписывание задним числом искажает историю так, что прежние решения выглядят лучше или хуже, чем они были в момент принятия.
Читая дугу Klarna через классы
С четырьмя классами в руках последовательность Klarna — заявление, рост, частичное отступление — читается чисто:
Цифры 700 и 853 агента охватили Полное замещение и большую часть Контролируемого замещения. Они реальны, математика держится, а соотношение примерно такое, какое публичные цены на Intercom Fin и эквивалентных вендоров предсказали бы для высокообъёмного микса тикетов потребительского финтеха.
Частичный обратный найм 2025 года охватил Аугментацию и Незамещаемый остаток. Klarna сначала направила эти тикеты через ИИ тоже, упёрлась в стену качества и скорректировалась. Это не провал ИИ — это карта замещения, прочитанная правильно со второго раза. Границы классов реальны, и пересечение их на оптимистичных допущениях стоит денег в неудовлетворённости клиентов быстрее, чем экономит их в зарплате.
Чего кейс не показывает — это бинарной рамки, доминирующей в большинстве комментариев: ИИ либо заменяет поддержку, либо нет. Оба прочтения неверны. ИИ заменяет измеримую долю работы по известному ценовому соотношению, где доля зависит от распределения тикетов и выбранной политики аудита. Другая доля остаётся человеческой и становится ценнее по мере того, как замещаемая работа сжимается вокруг неё.
Что с этим делать
Следует три вещи.
Во-первых, прежде чем считать любую стоимость «ИИ заменяет поддержку», классифицируйте тикеты. Доля Полного замещения важнее всего, потому что она доминирует в соотношении. Очередь на 70% из Полного замещения ведёт себя совсем иначе, чем очередь на 30% Полного замещения и 40% Аугментации — а заголовочные цифры конкурентов редко говорят вам, какая у них.
Во-вторых, относитесь к политике аудита как к переменной первого класса. Ценовая полоса Контролируемого замещения шире остальных, потому что выбор аудита меняет удельную стоимость почти в 3×. Большинство разборов пропускают это и цитируют ту границу, что льстит выводу.
В-третьих, не оценивайте Незамещаемый остаток против базы ИИ. Её нет. Эти тикеты остаются человеческими, и правильное сравнение — человек-против-человека (старший агент против младшего, внутренний против аутсорсингового), а не человек-против-ИИ. Оценка остатка против фантомной базы ИИ — это то, что заставило первый заход Klarna переоценить экономию, и то, что заставляет большинство внутренних бизнес-кейсов «ИИ заменяет поддержку» перебещать на 30–50%, ещё не дойдя до пилота.
В-четвёртых, версионируйте анализ. Полосы здесь отражают ценообразование инференса и вендоров, наблюдавшееся до середины 2025 года. Они сдвинутся. Решение, принятое сегодня, должно фиксировать, против каких чисел оно было принято, потому что следующие двенадцать месяцев изменений цен будут выглядеть экономией только против неизменной базы. Wagecard несут версию методологии на лицевой стороне карты именно по этой причине: Wagecard — это снимок решения, а не прогноз.
Если вы хотите тот же анализ по своей роли или функции, с классами замещения, доверительными полосами и Инвестиционным взглядом, именно это делает Wagecore. Методология открыта на wagecore.ai/methodology, а бесплатный Wagecard — на wagecore.ai/start.
Источники
- Совместное заявление Klarna и OpenAI, февраль 2024 — ИИ-ассистент, разрешивший 2,3 млн диалогов, эквивалент ~700 агентов.
- Отчёты Yahoo Finance, 2025 — ИИ-ассистент Klarna выполняет работу, эквивалентную 853 штатным агентам.
- Отчёты Financial Times о частичном обратном найме людей-агентов в Klarna, май 2025.
- Данные ZipRecruiter по зарплатам представителей поддержки, 2025 — средняя по США полностью нагруженная стоимость в пересчёте на тикет.
- Публичные цены Intercom Fin AI — бенчмарки стоимости за разрешение на протяжении 2025 года.
- Гайд по ценам аутсорсинговых колл-центров Crescendo — диапазоны BPO-стоимости за тикет от L1 до сложных уровней.