Klarna｜AIが1か月で230万件・全チャットの3分の2を処理。フルタイム700人分の仕事に相当

カスタマーサポートの最先端は、すでにここまで来ています。Klarnaでは2024年2月、公開から1か月でAIアシスタントが230万件の会話を処理し、全チャットの3分の2を担いました（同社公表）。規模はフルタイム700人分の仕事に相当し、解決までの時間は11分から2分未満へ。顧客満足度は人間のオペレーターと同水準だったと公表されています。

そしてこの事例には続きがあります。2025年以降、同社は複雑・曖昧・感情的な問い合わせのために人間のオペレーターを再配置しました。AIをどこまで任せて、人をどこに残すのか。その線引きの引き直しまで記録に残っている事例は、そう多くありません。だからこそ、これから始める会社がいちばん実務的に学べる1本です。

この事例の要点

• 2024年2月、AIアシスタントが公開1か月で230万件の会話を処理し、全チャットの3分の2を担ったと公表
• 規模はフルタイム700人分の仕事に相当。顧客満足度は人間のオペレーターと同水準
• 解決までの時間は11分 → 2分未満。再問い合わせは25%減
• 2024年の利益改善効果を4,000万ドルになる見込みと公表
• その後、AIと人の線引きを引き直した。CEOは切りすぎたと認め、複雑・曖昧・感情的な問い合わせのために人間を再配置

どんな会社か

スウェーデン発のフィンテック企業で、後払い決済（BNPL）を世界で提供しています。利用者は数千万人規模で、問い合わせが多言語・大量に発生する事業構造です。この構造がAIの効果を大きくした前提として重要です。

何をAI化したのか

対象はカスタマーサポートのチャット対応です。範囲が明確だったことが初速の理由です。

• 返品、返金、支払い、キャンセルといった定型の問い合わせ
• 35言語以上での対応（多言語対応は人員では埋めにくい領域）
• 24時間対応

成果が出やすい条件が揃っていた点は押さえておく価値があります。問い合わせ内容が定型で、量が膨大で、多言語という人手では埋めにくい制約があった。自社の業務がこの条件を満たすかどうかで、期待値は変わります。

なぜここまでできたのか、そしてなぜ人の線を引き直したのか

1か月で230万件という初速が出た理由は、任せる範囲がはっきりしていたことです。同社がAIへ寄せたのは返品・返金・支払い・キャンセルといった定型の問い合わせで、しかも35言語以上・24時間という、人員では埋めにくい制約のある領域でした。どこを任せるかを絞ったからこそ、公開1か月で全チャットの3分の2という規模に届いています。

そのうえで同社は、任せる範囲をもう一度引き直しました。報道によると、AIは複雑・曖昧・感情的な問い合わせで苦戦しました。同社CEOは、コスト削減を優先しすぎて人間の熟練した知見を失ったと認めています。そして品質を戻すために、人間のオペレーターを再び採用・配置しました。

AIに寄せる → 測る → 線を引き直す。この一巡をやり切った会社の記録として読むと、設計の勘所が3つ見えてきます。

• 定型と非定型の切り分けを最初に決める。全件をAIに寄せると、切り分けの判断自体ができなくなる
• 落とせない品質の線を先に引く。速度と単価は改善しても、複雑な案件での失敗はブランドに残る
• 人を減らす前提で設計しない。減らせるかどうかは、運用してから判断する

日本の中小企業が真似できる3点

同じ方向に踏み出すための、最初の3歩です。規模はまったく違いますが、順番はそのまま使えます。

① まず「AIに任せてよい問い合わせ」を定義する

Klarnaの初速は、対象が定型だったから出ました。逆に言えば、定型の切り出しをやらずに導入すると、最初から複雑な案件に当たって止まります。

② 成果指標に「解決までの時間」を入れる

同社が出した11分→2分未満は、コスト削減ではなく顧客体験の指標です。顧客の不満は待ち時間に出ます。ここを測ると、社内の納得も取りやすくなります。

③ 人の確認を残す前提で組む

AIの出力を人が確認する一手間は、後退にかかるコストよりはるかに安い。この事例がいちばん明確に示しているのはここです。全件をAIに寄せてから戻すと、失った人材と落ちたブランドの回復に時間がかかります。

この「定型と非定型の切り分け」と「人の確認をどこに残すか」の設計は、外から見ると地味ですが、導入の成否を分けます。社内で判断しきれない場合は、営業・マーケの現場を知っている外部と一緒に線を引く選択肢もあり、私たちAIリモートワーカーのようなサービスもその1つとして検討する余地があります。

ai-remote-worker.com AIリモートワーカー｜営業・マーケのAI導入支援 営業・マーケティングのAI化を、月額定額または成果確認後払いで。実装まで踏み込む伴走型の支援です。

注意して読むべき点

この事例は数字の出どころが混ざっているため、特に慎重に読む必要があります。

• 「700人分」「4,000万ドル」は同社およびベンダー（OpenAI）側の公表値です。監査された財務数値ではありません
• 4,000万ドルは公表時点で見込みとして示された数字です
• 後退についての情報は報道ベースです。同社が撤退したわけではなく、AIと人の配分を戻したという内容です

成功の数字は自社・ベンダー発表、後退の情報は報道。この非対称性がある事例だと理解して読むのが正確です。

よくある質問

Q. KlarnaはAI導入に失敗したのですか？

AIアシスタントは公開1か月で230万件の会話を処理し、全チャットの3分の2を担い、解決時間は11分から2分未満に短縮しました。失敗と単純化するのは正確ではありません。その後CEOが「切りすぎた」と認めて人間を再配置したのは、定型対応をAIに寄せた判断そのものではなく、複雑・曖昧・感情的な問い合わせまで任せた範囲設定の問題です。読み方としては「AIに向く問い合わせと、人が要る問い合わせの線引きを後から引き直した事例」が近いと考えています。

Q. 中小企業がこの事例から最初に真似すべきことは何ですか？

問い合わせを「定型」と「非定型」に分けるところからです。Klarnaが実際にAIへ寄せたのは返品・返金・支払い・キャンセルといった定型でした。自社の問い合わせ履歴を1か月分だけ眺めて、同じ質問が繰り返されているものを数えると、AIに渡せる範囲が具体的に見えてきます。

Q. AIで人を減らせると考えてよいですか？

Klarnaは実際に、フルタイム700人分の仕事に相当する処理をAIで担うところまで到達しています。ただし条件があります。同社はその後、複雑な問い合わせのために人を戻しました。人員計画の根拠にAI導入を置くと、範囲設定を誤ったときに戻す判断が難しくなります。まずは同じ人数のまま、対応の速さと取りこぼしがどう変わるかを測ることをおすすめします。

Q. 公表された数字はどこまで信用できますか？

成功の数字は同社発表、後退に関する情報は報道が主という非対称性があります。同社に有利な数字ほど自社発表で、不利な情報ほど外部からという構造は多くの事例に共通するので、両方を並べて読むのが安全です。

出典

• Klarna AI assistant handles two-thirds of customer service chats in its first month（Klarna・2024年2月27日）
• Klarna's AI assistant does the work of 700 full-time agents（OpenAI・2024年2月27日）
• Klarna changes its AI tune and again recruits humans for customer service（CX Dive・2025年5月13日）
• How Klarna's AI Agent Strategy Backfired But Became A Useful Lesson（Forbes・2026年7月16日）