案例拆解：Klarna 用 OpenAI 重构 AI 客服

企业背景

Klarna 是一家总部在瑞典、业务覆盖数十个市场的「先买后付」金融科技公司，拥有上亿消费者与每日数百万笔交易。其客服长期面临多语言、多时区、大促期间咨询量陡增的压力——这是所有面向消费者的金融/零售企业的共性难题。

原始业务问题

海量、可标准化、7×24 的客服咨询（退款、退货、账单、争议处理）消耗大量人力；同时要在 35+ 语言、23 个市场保持一致的服务质量，传统靠堆人力的模式成本高且难以扩展。

为什么选择 AI

咨询内容高频、答案标准、容错空间适中，是客服场景最稳的切入点；且 Klarna 与 OpenAI 有深度工程合作，能把大模型直接接入账户、订单、退款等内部系统（而非外挂一个通用聊天机器人），这是其效果区别于普通「客服机器人」的关键。

采用路径

• 基于 OpenAI 模型，针对银行/BNPL 语境做大量提示词与系统指令调优
• 直接对接 Klarna 内部 API：读取账户、交易、还款计划，并可执行退款/改期等操作
• 以 Help Center、政策文档、历史工单构成检索增强（RAG）知识库，降低幻觉
• 设置升级逻辑：低置信度或复杂争议自动转人工，并附带上下文

已公开结果

据 Klarna 2024 年 2 月官方披露：首月完成 230 万次对话、覆盖 23 个市场、35+ 语言、7×24 在线；问题处理从原先约 11 分钟缩短到 2 分钟内，重复咨询下降约 25%，客户满意度与人工持平，并预计为 2024 年带来约 4000 万美元利润改善。需注意：这 700 人是「工作量当量」估算，并非实际裁员数，Klarna 主要通过招聘冻结与自然减员来吸收。

关键成功因素

• AI 嵌入既有业务系统、拥有经认证的上下文，而非孤立聊天窗口
• 以检索增强 + 工单知识库做事实 grounding，控制幻觉
• 明确升级阈值，把复杂/监管/情绪化场景留给人工

限制与未解决问题

2025 年 Klarna CEO 在 Bloomberg 采访中公开反思：以成本作为过度主导的评估因素，导致服务质量下降，「复杂、需要人情味的个案 AI 处理不了」。Klarna 于 2025 年重启人工坐席招募，强调「客户永远可以选择真人」。这说明：2/3 对话被 AI 承接是「量」的指标，复杂个案仍消耗不成比例的人工时间，且纯成本导向会侵蚀品牌体验。

对类似企业的启示

1）先沉淀高质量知识库与系统接入，再上机器人；2）把「转人工体验」当成产品来设计，而非失败兜底；3）用 AI 释放出的工时去强化高价值人工服务（VIP、复杂争议），而不是单纯减人；4）用「承接占比/首次解决率」而非「省了多少人头」来衡量成功。