Klarna 沒有為了 AI 裁掉 700 人：一個被講錯的故事，與它真正的教訓

如果你在過去這兩年曾聽過一些有關 AI 導入失敗的案例，有很高的機率會聽到這一個：瑞典金融科技公司 Klarna 裁掉 700 名客服換成 AI，服務品質崩壞，最後只好把人請回來。

這個故事流傳得非常廣，因為它同時滿足了兩種心理需求：想推廣 AI 的人可以拿它當警示，抗拒 AI 的人可以拿它當證據。

問題是，這段話裡幾乎每一句都不準確。

而真實的版本，對一個正在評估要不要導入 AI 的企業主管來說，有用得多。

先把時間線排對

看出問題了嗎？

2022 年 5 月那 700 人，是在 ChatGPT 問世之前半年被裁的。

那次裁員的原因寫在當時的新聞裡：Klarna 在 2020 到 2021 年為了搶疫情紅利大舉擴編，2022 上半年虧損超過五億美元，投資人施壓要求瘦身。這是一次標準的燒錢過頭之後的成本裁員，跟 AI 沒有任何關係，因為當時世界上還沒有 ChatGPT。

而 2024 年那個 700，是 Klarna 官方公告裡的一句話：AI 客服處理的工作量相當於700 名全職客服。

兩個 700 是巧合。一個是被裁掉的人數，一個是工作量的換算單位，中間隔了將近兩年，彼此沒有因果關係。

但它們長得太像了，於是被媒體與社群自動接在一起，變成一個乾淨、充滿諷刺性且很好轉發的故事。

那 Klarna 到底做了什麼

它做的事其實更值得學，因為更可執行。

Klarna 沒有為了導入 AI 而裁員。它做的是凍結招募，然後讓自然流失把人數帶下來。

執行長塞米亞科夫斯基自己在受訪時，把話講得很直白：像 Klarna 這種公司，每年的自然流失率大約是一成五到兩成。

這個數字值得注意，讓我們停下來估算一遍。凍結招募兩年，什麼都不做，公司規模就會少掉三到四成。

實際數字對得上：2022 年 12 月的 5,527 人，到 2024 年 12 月剩下 3,422 人，減少約 38%。他後來對外的說法是從大約五千人降到接近三千人，減幅四成。

這是整件事最被低估、也最可參考的部分。

對臺灣企業來說尤其如此。資遣會有法律成本、補償金和勞資爭議風險，更有留下來的人會怎麼看你的問題。而凍結招募幾乎沒有這些成本，它只需要一件事：忍耐。

代價當然存在。自然流失不會挑人，走的可能正好是你最不想放的那個；而且它需要時間，兩年才看得到效果。但如果你的目標是把組織變小又不想付出撕裂的代價，這條路的可行性遠高於多數人以為的版本。

省下來的錢去了哪裡

這是第二段幾乎沒有被報導的事，但我認為它比裁員數字重要得多。

Klarna 把凍結招募省下來的錢，拿去替留下來的人加薪。

平均薪資從 2022 年的 12.6 萬美元，提高到 20.3 萬美元，漲幅約六成。

換句話說，這不是一個「用 AI 換掉人以節省成本」的故事，而是一個「用更少的人、付更高的薪水、做同樣多的事」的故事。

這兩種敘事在財報上可能長得一樣，在組織裡完全不同。

前者會讓留下來的人覺得自己是下一個；後者會讓留下來的人覺得自己是被選中的。你想要哪一種，決定了你省下來的錢該往哪裡放。

值得注意的是，這一步不需要 AI 也能做，但沒有 AI 就不會發生。因為只有當每個人的產出真的變高，加薪才不是慷慨，而是分潤。

他到底收回了什麼

2025 年 5 月，塞米亞科夫斯基接受彭博專訪，宣布重新招募真人客服。

這是整個故事被轉述得最誇張的一段。多數媒體報導的版本，把它寫成「Klarna 承認 AI 失敗」。

但他的原話裡，並沒有這個意思。

他說的是：AI 客服確實比真人便宜，但結果是較低的品質；而從品牌與公司的角度，讓顧客清楚知道「只要你想要，永遠找得到真人」是極其關鍵的事。他接著說，投資在人工支援的品質上，才是 Klarna 的未來。

新招募的職缺，也不是把原本的客服中心重建起來。Klarna 鎖定的是學生、鄉村地區居民，以及本來就熱愛這個產品的重度使用者，職位全部遠端、工時彈性。這是一個新設計的支援層，不是舊架構的復辟。

更關鍵的是他沒有收回的部分。

同一年稍晚，他仍然對外表示 Klarna 的員工人數會繼續降，目標是 2030 年之前降到兩千人以下。他甚至公開表示，其他科技業執行長在粉飾 AI 對就業的衝擊。

所以，正確的說法是：他收回的是「讓成本主導判斷」這個做法，不是「AI 會讓公司變小」這個判斷。

這兩件事被混為一談，是這個案例被誤讀最深的地方。

所以他真正做錯的是什麼

如果不是 AI 的問題，也不是裁員的問題，那到底錯在哪裡？

答案就在他自己的用詞裡：成本成了過度主導的評估標準。

這是一個衡量指標的錯誤，不是技術的錯誤。

當一個 AI 專案的成功指標被設定成可以省下多少人力，那麼所有的設計決策都會往同一個方向滑動：能自動化的就自動化，能不轉真人就不轉真人，能少一個人就少一個人。每一步看起來都很合理，但加總起來的結果就是品質下降。

如果我們把指標換成在不犧牲品質的前提下降低單位成本，同樣一套技術就會長出完全不同的系統：簡單的問題交給 AI，複雜的、涉及金錢糾紛的或情緒高張的，快速轉給真人，而且要讓顧客知道那條路一直開通著。

很顯然，Klarna 現在做的正是後者。只不過它花了一年多，繞了一圈之後才回到這裡。

這不是特例，是一種模式

如果只有 Klarna 一家遇到這樣的狀況，那我們可以說這是個案。但數字顯示這是一種普遍現象，美國媒體給它取了一個名字叫「AI 迴力鏢」：原以為可以交給 AI 的工作，又回到人類手上。

《商業周刊》整理過幾份調查，數字相當一致：

• 組織設計平臺 Orgvue 調查曾因導入 AI 而裁員的企業決策者，55% 承認當初的裁員決定有誤。
• 人力顧問公司羅致恆富（Robert Half）訪問近兩千名美國招聘主管，32% 表示公司曾因 AI 裁撤某職位、後來又重新招聘相同或類似職務，其中金融業比率最高，達 44%。
• Gartner 預測，在宣稱因 AI 縮減客服人力的企業中，半數將在 2027 年前重新招聘。

同一份報導，還點出兩個容易被漏算的成本。

第一是運算費用本身。Uber 曾鼓勵員工盡量用 AI 寫程式，內部甚至設置了使用量排行榜，結果那年才過四個月，全年的 AI 預算就用完了。之後，他們針對部分工具設下每人每月一千五百美元的上限。營運長也坦言，很難直接判斷這些工具究竟帶來多少新的消費者功能。

第二是查錯的人力。科技媒體 CNET 在 2023 年用 AI 寫理財文章，事後自行檢視，77 篇文章裡竟有高達 41 篇需要更正，另有文章被揭露涉及抄襲，計畫因此暫停。表面上省下來的是產出的人力，但多出來的卻是查核的人力。

兩家把同一件事做對的公司

同一份整理裡還有兩個例子，方向完全相反，值得放在一起看。

福特留住了看得懂 AI 哪裡出錯的人。

過去三年，福特延攬了三百五十名被稱為「灰鬍子」（gray beard）的資深工程師，其中包括前員工與供應商人才。他們的工作是指導年輕工程師、檢查設計圖與技術方案，在零件進廠之前找出可能的失效點，也負責修正成效不佳的 AI 工具。

老實說，福特並沒有因此少用 AI。他們在全球三十三座工廠部署 AI 視覺系統，用超過一千支攝影機檢查軟管與電路連接。今年福特拿下 J.D. Power 新車初始品質調查主流品牌第一名，是十六年來首度。他們把品質改善歸因於 AI 工具與資深工程經驗的結合，而不是單靠自動化。

這件事的意思是：AI 需要有人看得出它什麼時候錯了，而那個人通常是薪水最高、最容易被列進裁減名單的那一位。

IBM 沒有把入門職缺砍光，而是重新設計它。

2023 年，IBM 執行長曾表示未來幾年約有七千八百個後勤職位可能被 AI 與自動化取代。到了 2026 年，IBM 一方面持續讓 AI 處理例行工作，另一方面把美國入門人才的招聘人數提高到原來的三倍。

值得注意的是，這不是把砍掉的職位補回來。新增的是重新設計過的入門職缺：減少例行寫程式與文件處理，增加客戶互動、分析問題，以及檢查 AI 產出。

IBM 人資長的說法很直接：如果不持續投資入門人才，三到五年後人才管道就枯竭了。

這一個課題對臺灣企業來說，特別地現實。因為今天一旦省下初階人員的薪資，幾年後可能找不到具備組織經驗的中階人才，而那個缺口沒有任何工具補得起來。

一個跟前一篇矛盾的地方，值得說清楚

上一篇拆解 Shopify 與 Duolingo 時，我引述了 Shopify 工程副總的做法：不設 token 使用額度，反而把花費排行榜當成價值訊號，因為每月多花一千美元換一成生產力太便宜了。

Uber 的做法正好相反：四個月燒完全年預算，然後設上限。

這兩件事看起來互相打臉，其實不是。差別在於你有沒有辦法把花費跟產出對得起來。

Shopify 的前提是他們已經有四年的採用經驗、有內部基礎建設、看得出誰花錢花在什麼地方。在那個前提下，額度確實是多餘的摩擦。

Uber 的營運長講的那句話，則暴露了另一種處境：很難判斷這些工具帶來多少價值。當你算不出價值，額度就不是摩擦，是煞車。

所以，正確的問題不是該不該設額度，而是現在有沒有能力知道這筆錢花得值不值？答案是沒有的話，先設額度，同時去建立那個能力。

這對你的意義

如果你正在評估 AI 導入，Klarna 這一個案例給我們的啟示不是不要用 AI，而是三個先想清楚的問題。

第一，你這個專案的成功指標是什麼？如果答案是「省下幾個人」，那你已經走在 Klarna 走過的那條路上了。把指標換成「在同樣或更好的品質下，把單位成本降下來」，同一套技術會長出完全不同的系統。這一題最重要，因為它決定了後面所有設計。

第二，你打算怎麼把人數降下來？如果你的組織有自然流失，先算一遍：流失率乘以兩年，可能已經接近你想要的數字。凍結招募不需要資遣、不需要補償金、不會讓留下來的人恐慌，只需要忍耐與明確的溝通。這條路慢，但便宜太多了。

第三，省下來的錢你打算放到哪裡？這一題決定了同一件事在組織內部是什麼故事。放回口袋，它是裁員；放到留下來的人身上，它是分潤。Klarna 把平均薪資從 12.6 萬拉到 20.3 萬美元，這一步花的錢，買到的是留下來那些人的心。

最後補一句。

Klarna 這一個案例值得細看，不是因為它失敗了，而是因為它把一個本來可以私下修正的錯誤，公開且坦率地講了出來。多數企業犯了同樣的錯會安靜地調整，然後會臉不紅氣不喘地在簡報上把它寫成成功案例。

所以，我們真正該問的不是 Klarna 做錯了什麼，而是如果自己犯了同樣的錯，我的組織裡有沒有人敢在還來得及的時候說出來？

如果你想先把「哪些流程適合交出去、哪些不能」這個問題盤點一遍再決定投入多少，我把企業服務的做法寫在那一頁了。

---

資料來源

• AI 客服上線首月的各項數字，包含 230 萬次對話、相當於 700 名全職客服、滿意度與真人相當、重複詢問下降 25%、處理時間從 11 分鐘降到 2 分鐘、預估帶來 4,000 萬美元獲利改善：Klarna 官方新聞稿與 OpenAI 案例頁
• 2022 年 5 月裁員一成的原因與時間點：BBC 報導
• 員工人數自 5,527 降至 3,422、自然流失率一成五到兩成、四成減幅：CNBC 報導
• 平均薪資自 12.6 萬美元提高到 20.3 萬美元：Entrepreneur 報導
• 重新招募真人客服的說法、招募對象與「永遠找得到真人」的原話：Entrepreneur 報導
• 2030 年降至兩千人以下的目標：Entrepreneur 報導
• 2025 年 9 月掛牌與其後跌破發行價：CNBC 報導與 Bloomberg 報導
• Orgvue、羅致恆富、Gartner 的調查數字，以及 Uber、CNET、福特「灰鬍子」資深工程師與 IBM 入門職缺重新設計的例子：《商業周刊》的整理

本文對「兩個 700 是巧合」的釐清、對衡量指標錯誤的分析，以及與 Shopify 案例的對照，均為作者觀點，非引自上述來源。