Klarna e a IA que fazia o trabalho de 700 pessoas

▶ 0:00 Klarna e os 700

Em fevereiro de 2024, a Klarna anunciou que o seu agente de IA fazia o trabalho equivalente a 700 pessoas a tempo inteiro no apoio ao cliente. Ora, isto não significou que 700 pessoas foram despedidas. E pouco mais de um ano depois, o próprio presidente executivo admitiu que a qualidade do serviço tinha baixado. Isto faz-nos refletir: quanto do atendimento deve ficar efetivamente com a IA, e o que é que se perde quando o critério principal é o custo?

▶ 0:33 Boas-vindas e os três tipos de episódio

Olá, sejam bem-vindos ao segundo episódio do IA sem Ruído. Eu sou o Diogo. Desde a última semana ando aqui nuns dilemas e a fazer umas experiências para encontrar o formato certo deste podcast. Ainda tenho algumas dúvidas, mas acho que já encontrei pelo menos a base.

Portanto, eu pensei no que é que eu próprio gostaria de ouvir num podcast de inteligência artificial e tentei replicar isso aqui. E o IA sem Ruído passa então a ter três tipos de episódios. Temos o Radar, que é o que de mais importante aconteceu na IA em poucos minutos. Vamos ter o Caso, uma empresa real que pôs a IA a trabalhar, para perceber como é que funciona por dentro e o que é que podemos aprender com este caso.

E depois temos a Análise, que é um tema um bocadinho mais a fundo, com algum contexto, para perceber quais é que são as mudanças efetivas que a IA está a aplicar no mundo.

▶ 1:21 A Klarna antes da IA

Então, este é o primeiro Caso. Vamos perceber o que é que aconteceu na Klarna. A Klarna é uma empresa sueca de pagamentos fracionados. Podes comprar agora e depois pagas em prestações.

O apoio ao cliente trata de tudo um pouco: compras, contas, devoluções, pagamentos. E funcionava essencialmente num chat, a qualquer hora, na aplicação da Klarna. Ou então podias pegar num telefone e falar diretamente com um operador. Antes do agente de IA, grande parte deste trabalho era feito por operadores de empresas subcontratadas.

O processo era maioritariamente igual ao de qualquer centro de atendimento. O operador lia o pedido, consultava os sistemas e as regras, e resolvia o caso ou então encaminhava-o para outro departamento. Mas era precisamente nesta passagem entre departamentos que existia um ponto de fricção. Segundo a LangChain, uma das fornecedoras de tecnologia da Klarna, estas passagens estavam cada vez a ser mais frequentes.

E depois tu tinhas outro fator, que era o tempo. Cada conversa demorava em média 11 minutos. Ora, com milhões de conversas por mês, cada minuto poupado contava.

▶ 2:24 O que mudou

Então, o que é que mudou? No início de 2024, a Klarna pôs um agente de IA no chat da aplicação. Ele fala mais de 35 línguas e está disponível em 23 mercados. Para o cliente, o começo era igual.

Portanto, ele abre o chat e escreve o que aconteceu, o que é fantástico de certa forma, porque a chave de entrada é a mesma e não existe aqui um impacto na interação a que o cliente já está habituado. A grande diferença vem depois. Em vez de esperar por um operador, ele tem a resposta em poucos minutos e a qualquer hora. E muitas vezes o problema ficava mesmo ali resolvido naquele momento, sem passar por ninguém.

Não obstante, desde maio de 2025, a Klarna garante também que, se um cliente quiser, pode pedir para falar com uma pessoa em vez de com a IA.

▶ 3:10 Como funciona por dentro

Agora, como é que isto funciona por dentro? A Klarna nunca publicou o desenho completo do seu sistema. Algumas peças são conhecidas por aquilo que eles e os próprios fornecedores disseram. O resto é a forma habitual de montar estes sistemas.

Portanto, não te preocupes: tudo o que é facto são factos, tudo o que são deduções minhas, eu vou evidenciá-las. A maneira mais fácil que eu acho para explicar este caso é seguir um exemplo. Imagina que um cliente escreve no chat: "Eu devolvi uns ténis há duas semanas e ainda não recebi o dinheiro". Então, como é que isto vai acontecer?

Primeiro passo: perceber o pedido e mandá-lo para o sítio certo. O sistema identifica o tipo de pedido: uma dúvida, um reembolso, uma devolução, o que for. Neste caso é um reembolso. Segundo a LangChain, o sistema encaminha cada pedido para um fluxo que trata desse tipo de pedido, com uma ferramenta chamada LangGraph, que serve para organizar o trabalho de vários agentes de IA.

Segundo passo: instruções à medida. O fluxo dos reembolsos arranca com as suas próprias instruções. Estas instruções não são informação para dar ao cliente. São as regras de trabalho do próprio modelo de linguagem que, neste caso, eles escolheram, que é da OpenAI.

O que é que ele pode fazer sozinho? O que é que ele não pode? Que dados tem de confirmar e quando é que passa a conversa a uma pessoa? O cliente nunca vai ver isto.

Há duas formas de dares estas instruções. A mais simples é juntar tudo num único texto enorme, com a forma de tratar tudo: reembolsos, devoluções, pagamentos, seja o que for. O problema é que o modelo tem de ler esse texto enorme cada vez que vai dar uma resposta. A Klarna fez isto de outra forma.

Como o primeiro passo já percebeu que é um reembolso, o modelo recebe só as instruções dos reembolsos: que dados confirmar, até onde pode ir sozinho e quando é que vai chamar uma pessoa. As regras das disputas estão fora. É lixo, não precisamos disso aqui. É como se num balcão de atendimento existisse uma triagem.

A rececionista manda-te para o balcão dos reembolsos e o operador desse balcão tem à frente a folha de procedimentos dos reembolsos, e não os procedimentos de todos os assuntos. Segundo a LangChain, isto torna as respostas mais adequadas a cada situação e reduz o custo e o tempo de espera. Se já ouviste o primeiro episódio, já conheces a razão. Falámos do verdadeiro custo de uma tarefa com IA.

O preço por token, os pequenos pedaços de texto que o modelo lê e escreve, diz pouco. O que conta é quanto custa chegar ao resultado. E uma boa parte desse custo é o texto que o modelo volta a ler em cada resposta. As instruções fazem parte desse texto.

Com milhões de conversas por mês, um texto de instruções enorme relido em cada resposta é um custo multiplicado milhões de vezes. Com instruções à medida, cada resposta lê menos, custa menos e chega mais depressa. E tens outro ganho: com menos regras à frente, o modelo não se distrai com as coisas que não se aplicam àquele caso. Vimos o primeiro e o segundo passo.

Agora vamos ao terceiro, que é resolver. Com as instruções certas, o modelo já vai decidir como é que vai tratar aquele pedido, e pode fazê-lo por três vias. A primeira é a base de conhecimento. Uma base de conhecimento é um conjunto de documentos que a IA consulta antes de responder, para não inventar.

Se o cliente dos ténis só quer saber quanto tempo demora um reembolso, o sistema vai buscar a resposta aos textos de ajuda da Klarna e escreve-a de forma simples. Outra opção é a ação. Se o pedido exige mexer na conta do cliente, o sistema consulta os dados que estão associados a ele, como o valor em dívida ou o calendário de pagamentos, e age diretamente nos sistemas da Klarna. Pode emitir um reembolso, registar uma devolução, ajustar um plano de pagamentos.

E é aqui que está o verdadeiro valor. Um chatbot que só responde a perguntas frequentes resolve pouco. A terceira é a pessoa. Se o pedido sai das regras, se o sistema não tem a certeza ou se o cliente pede para falar com alguém, a conversa passa para um operador.

A ordem destas vias, primeiro a base de conhecimento, depois a ação e por fim a pessoa, é a minha leitura de como estes sistemas costumam funcionar. A Klarna não publicou o circuito concreto. Por trás disto tudo está o controlo. A equipa usa outra ferramenta, o LangSmith, para ver passo a passo o que é que o agente faz em cada conversa.

Antes de mudar instruções, testa os casos críticos. E quando um pedido acaba numa pessoa, analisa porquê, para que o sistema consiga resolver isso da próxima vez. O que é que não sabemos em concreto? Se cada fluxo é um agente de IA separado, como é que está organizada a base de conhecimento e qual é o modelo exato que a Klarna está a usar nos seus fluxos de trabalho.

▶ 8:03 Na prática: onde a IA deve parar

Mas, na prática, quem já montou isto, quem já montou um sistema semelhante a este, sabe que o mais difícil não é pôr a IA a responder. É decidir onde é que ele tem de parar. Há três momentos em que isso se nota. Antes de executar uma ação, por exemplo um reembolso, o sistema precisa de confirmar com o cliente o que é que vai fazer.

Quando não tem a certeza de um pedido, ele não deve adivinhar. Ele deve sugerir duas ou três opções e deixar o cliente escolher. E quando falta informação, como o número da encomenda, ele deve pedi-lo em vez de avançar. Cada um destes momentos custa uns segundos ao cliente, mas é o que evita que a IA faça uma coisa errada com toda a confiança.

▶ 8:42 Resultados

Agora vamos perceber os resultados. No primeiro mês, segundo a Klarna, o agente teve 2,3 milhões de conversas, cerca de dois terços do total. O tempo médio de resolução caiu dos tais 11 minutos para menos de dois, e os pedidos repetidos diminuíram 25%. Em 2025, a Klarna entrou na bolsa de Nova Iorque e, para isso, entregou ao regulador um documento oficial que explica o negócio aos investidores e pelo qual a empresa responde legalmente.

Segundo esse documento, o agente tratou 69% das conversas nos 12 meses até junho de 2025 e poupou à empresa 39 milhões de dólares em 2024. Em novembro de 2025, a poupança acumulada declarada chegava aos 60 milhões. São números da própria Klarna e dos seus fornecedores, portanto podemos confiar neles. E os tais 700 de que falámos no início do episódio?

No mesmo documento, a Klarna explica que é uma estimativa: as pessoas que seriam precisas para as conversas que deixaram de passar pelos operadores. Não é uma contagem de despedimentos.

▶ 9:51 A volta atrás

Até aqui, tudo parece um caso de sucesso. Conversas mais rápidas, menos custo, milhões de pedidos tratados pela IA. Só que é aqui que a história dá uma volta. Em maio de 2025, numa entrevista à Bloomberg, o próprio presidente executivo da Klarna fez um balanço que raramente se ouve em fóruns públicos.

Disse que o custo tinha pesado demasiado nas decisões da empresa e resumiu o resultado assim: o que se acaba por ter é uma qualidade mais baixa. E repara no momento: a Klarna estava a poucos meses de entrar na bolsa, precisamente quando uma empresa mais quer mostrar bons números, e mesmo assim admitiu o problema. As palavras tiveram logo consequências. A Klarna, que tinha passado mais de um ano sem contratar, voltou a recrutar pessoas para o atendimento.

Foi também nesta altura que nasceu a garantia de que falei há pouco: o cliente pode sempre pedir para falar com uma pessoa. Uma porta-voz da empresa resumiu a nova estratégia numa frase simples e direta: a IA dá-nos velocidade, as pessoas dão-nos empatia.

▶ 10:55 2026: estratégia mista

Então, o que é que aconteceu em 2026? A estratégia agora é assumidamente mista. Segundo a Forbes, em julho, os operadores das empresas subcontratadas passaram de cerca de 3.000 para 2.300. Ao mesmo tempo, a Klarna criou uma equipa própria de cerca de 100 especialistas para os casos mais complexos e sensíveis.

Feitas as contas, o atendimento tem cerca de 600 pessoas a menos, e a redução foi essencialmente nos operadores externos.

▶ 11:23 Três lições

O que é que retiramos daqui? Primeira lição: a métrica escolhida muda o comportamento do teu projeto. Se a equipa for avaliada só pela redução do custo, vai empurrar o máximo para a IA. Caso estejas a trabalhar num caso semelhante, mede outras coisas: quantos pedidos ficam mesmo resolvidos, quantos clientes voltam a contactar e a qualidade que o cliente sente.

Segunda lição: começa pelos pedidos mais simples e frequentes. Reembolsos padrão, calendários de pagamentos, erros conhecidos. Estes são mais fáceis de testar e de medir. A autonomia da IA deve crescer por tipo de pedido, e não fazer tudo de uma vez.

Terceira lição: o cliente tem de conseguir falar sempre com uma pessoa, e a empresa não pode perder quem sabe resolver os casos mais difíceis. Os problemas mais complicados são os que mais precisam da experiência de quem já os resolveu muitas vezes. A Klarna acabou por ter de criar uma equipa especialista só para esses casos. Se ficares sem estas pessoas, recuperar esse saber vai-te custar mais caro e levar mais tempo.

▶ 12:23 Autonomia e evidência

Então, para fechar, neste tipo de episódio eu gosto de dar duas notas, para podermos comparar os casos ao longo do tempo. A primeira é a autonomia: quanto a IA faz sozinha, numa escala de zero a cinco. Zero é só responder a perguntas a partir de alguns documentos. Cinco é coordenar vários agentes que trabalham entre si.

Portanto, para este caso em concreto, eu dou um quatro. A segunda é a evidência: quanto podemos confiar nos números. Aqui é média a alta. Os números vêm sobretudo da Klarna e dos fornecedores, e a história principal está confirmada pela imprensa e por analistas independentes.

▶ 12:59 Tirando o ruído

Tirando o ruído disto tudo, ficamos com isto: com IA, cortar custos é mais fácil. Difícil é cortá-los sem que o cliente dê por isso. Obrigado por teres ouvido.