En febrero de 2024, el CEO de Klarna dio una de las entrevistas más citadas del año en tecnología. La empresa sueca de pagos había reemplazado a aproximadamente 700 empleados de atención al cliente con un asistente de inteligencia artificial desarrollado junto a OpenAI. Los números que presentó eran impresionantes: 2,3 millones de interacciones en el primer mes, tiempos de resolución de menos de dos minutos. La historia circuló como prueba de que el reemplazo laboral por IA había llegado, era eficiente y generaba ahorro. Dieciocho meses después, Klarna estaba recontratando humanos. Los contactos repetidos — clientes que tenían que volver a escribir por el mismo problema ya «resuelto» — habían subido un 25%. La satisfacción en interacciones complejas había caído. Y el CEO dijo algo que vale la pena citar: «Nos enfocamos demasiado en eficiencia y costo. El resultado fue menor calidad. Y eso no es sostenible.» Lo que hace interesante el caso no es el fracaso en sí. Es lo que revela sobre cómo las empresas deciden qué medir.
La IA de Klarna estaba optimizada para cerrar tickets rápido. Lo hacía bien. Tiempo de primera respuesta: bajo. Volumen procesado: alto. Porcentaje resuelto sin escalar: alto. Todas esas métricas son reales y medibles — y son exactamente las que aparecen en una presentación de Q1 mostrando que la implementación fue un éxito. Lo que no aparece en esa presentación es si el problema del cliente quedó realmente resuelto. La diferencia entre cerrar un ticket y resolver un problema es invisible en el corto plazo, pero se acumula: en el cliente que tuvo que volver tres veces por lo mismo, en el que dejó de confiar en que la empresa podía ayudarlo, en el que calculó que era más fácil irse. Esos momentos no aparecen en el dashboard del mes en que ocurren. Aparecen meses después, en la caída de retención y en la erosión de un NPS que nadie relaciona con la decisión original de automatizar.
El CEO lo dijo con más precisión cuando explicó por qué volvían a incorporar humanos: «Desde una perspectiva de marca, creo que es crítico que sea claro para el cliente que siempre habrá un humano disponible si lo necesita.» El valor de esa disponibilidad es difícil de cuantificar. Por eso casi nunca aparece en el análisis previo a la automatización. Y por eso su ausencia se siente antes de que pueda medirse. Más del 55% de las organizaciones que ejecutaron despidos masivos impulsados por IA en 2023 y 2024 reportan arrepentimiento, según datos de 2026.
En MEIRA tuvimos nuestra propia versión de esta conversación. Hace un par de años implementamos una secuencia de nurturing automatizada para un cliente del sector financiero. Los emails salían en los momentos correctos, con tasas de apertura que superaban el promedio de la industria. El dashboard mostraba todo verde.
Seis meses después, el equipo comercial del cliente mencionó algo casi al pasar: los prospectos que llegaban desde esa secuencia tardaban más en avanzar en el proceso de venta que los que llegaban por referidos o contacto directo. Cuando revisamos con más detalle, el patrón era claro: la secuencia generaba clics y aperturas, pero no generaba las preguntas que hacían los prospectos más calificados. Estábamos midiendo el comportamiento del email, no el comportamiento del prospecto frente al equipo de ventas. Esas son dos cosas distintas, y la segunda es la que importa. Ajustamos, incorporamos puntos de contacto humano en los momentos clave, y la calidad de los prospectos que llegaban a ventas mejoró de manera visible. No porque la automatización fuera mala — seguimos usándola — sino porque redefinir qué medir cambió lo que la herramienta producía.
El argumento no es contra la inteligencia artificial. En MEIRA la usamos activamente en análisis de datos, generación de contenido, segmentación y monitoreo de campañas. El argumento es más específico: la IA optimiza exactamente lo que se le pide que optimice. El problema aparece cuando lo que se le pide no es lo que realmente determina el resultado de negocio. Y ese problema no es de la IA. Es del análisis que se hizo antes de implementarla. El caso Klarna no es la historia de una empresa que apostó demasiado a la IA. Es la historia de una empresa que midió las cosas equivocadas y tardó dieciocho meses en que el error se volviera lo suficientemente costoso como para ser visible. La diferencia entre medir lo que es fácil de contar y medir lo que importa no parece grande cuando se toma la decisión. Se vuelve enorme cuando se ven las consecuencias.
¿Qué estás midiendo en tu estrategia hoy? ¿Y estás seguro de que eso que medís está conectado con lo que realmente mueve tu negocio? Para revisar qué métricas están realmente conectadas con los resultados de tu negocio, conversemos: https://calendly.com/meiraproductivity.