Как Klarna извлекает выгоду из «накопительного эффекта» знаний ИИ

Продолжаем делиться кейсами эффективного применения AI в бизнесе. Сегодня — опыт финтех-компании Klarna, глобальной платежной платформы. Это достаточно зарегулированный бизнес в ЕС, при этом компания смогла выполнить все юридические требования и внедрить ботов. С помощью системного подхода и дообучения удалось добиться хорошего качества и надежности без репутационных рисков для бизнеса.

Klarna запустила собственного AI-ассистента, чтобы автоматизировать поддержку клиентов. Модель была дообучена на исторических данных чатов и сценариях реальных диалогов, чтобы ускорить обработку обращений и снизить нагрузку на операторов.

Результаты:

— ИИ обрабатывает две трети всех обращений;
— Среднее время решения запроса — 2 минуты вместо 11;
— Потенциальный рост прибыли — на $40 млн в год.

Важно: ассистент прошёл многочисленные итерации дообучения, прежде чем стал точным и безопасным в применении. Klarna поэтапно внедряла более сложные сценарии, расширяла область ответственности модели и отслеживала метрики качества на каждом этапе.

Klarna не ограничилась решением в поддержке. Внутри компании AI стал частью корпоративной культуры:

— 90 % сотрудников ежедневно используют ИИ: в службе поддержки, продукте, маркетинге, аналитике, управлении рисками.

— Созданы внутренние гайды и инструменты для генерации контента, создания сценариев, обработки текстов и кода.

— Отдельные команды занимаются тестированием и настройкой моделей — не только внешних LLM, но и собственных доменных моделей.

— Инициативы запускаются снизу вверх — каждый может предложить AI-решение своей задачи.

Это даёт эффект масштаба: скорость вывода новых идей и продуктов растёт, а стоимость изменений снижается.
Klarna системно инвестирует в адаптацию ИИ и получила накопительный эффект: с каждой итерацией модель становится точнее, а процессы — быстрее. Начав с одного применения, компания выстроила платформенный подход к ИИ.

Если вы хотите таких же результатов — начните с малого, но начните системно: соберите данные, найдите точку боли, адаптируйте модель под себя и итегративно развивайте решение.

Источник