En 2024, Klarna anunció con bombos que su asistente de IA (entrenado sobre Anthropic) reemplazaba el trabajo de 700 agentes de servicio al cliente. Su CEO Sebastian Siemiatkowski lo defendió en múltiples eventos como prueba de que IA First era la nueva norma del fintech.
En mayo de 2026, Klarna anunció que está contratando humanos de vuelta. Casi 600 posiciones de customer service entre 2026 y principios de 2027. La justificación pública: "la calidad del servicio sufrió más de lo que ahorramos".
Esto es la reversión más pública de una estrategia AI First en el mainstream corporativo. Y deja tres lecciones operativas para cualquier empresa B2B LATAM que esté evaluando reemplazar funciones humanas con IA. Las desarrollo en orden de impacto.
Lo que realmente pasó dentro de Klarna
La narrativa simplificada "la IA no funcionó" es falsa. Lo que pasó fue más matizado.
El asistente de IA sí resolvió volumen alto de tickets en 2024-2025. Reportaron tiempo de resolución promedio 2 minutos versus 11 minutos del agente humano, y satisfacción equivalente para casos simples. La métrica de eficiencia operativa fue real.
Lo que se rompió fue la experiencia en los casos complejos. Los casos donde el cliente ya estaba enojado, donde había problema con el cobro disputado, donde el cliente necesitaba que alguien escuchara el contexto completo. Esos casos pasaban a humanos, pero el humano ya recibía al cliente irritado por las iteraciones previas con el bot. La métrica de NPS en los segmentos más rentables (clientes de alto LTV) cayó.
Además, Klarna reportó internamente algo que casi nadie discute: la calidad institucional del conocimiento se erosionó. Cuando los humanos resuelven 80% de los casos complejos, aprenden y entrenan al sistema. Cuando los humanos solo ven el 20% más difícil, pierden contexto del 80% que el bot manejó, y dejan de generar el feedback que mejora producto y proceso.
La decisión de revertir no fue "la IA no sirve". Fue "automatizamos demasiado, demasiado rápido, sin proceso intermedio".
Lección 1: aumentar antes de reemplazar
La primera lección y la más importante para B2B LATAM: el patrón correcto es agentes humanos potenciados por IA, no IA en lugar de humanos.
La diferencia parece semántica pero es operativa profunda. En el modelo Klarna 2024, IA hacía el trabajo y el humano supervisaba excepciones. En el modelo correcto, el humano hace el trabajo y la IA potencia su capacidad (sumariza el caso, sugiere respuesta, busca contexto del cliente, dispara workflows automatizados, etc).
En MorgansMedia lo aplicamos así con nuestros propios procesos: el equipo comercial sigue cerrando deals, pero Claude le sumariza calls anteriores, le drafta propuestas para revisión, le sugiere próximos pasos basados en historial. El humano no fue reemplazado, fue acelerado. Productividad medible más alta, calidad institucional mantenida.
Para B2B LATAM, esto significa: si estás evaluando IA para tu equipo comercial o de soporte, el preguntar correcto no es "¿cuántos humanos puedo reemplazar?". El preguntar correcto es "¿qué friction puede sacar IA del trabajo de mi equipo para que produzcan más con la misma cantidad de personas?".
Lección 2: la calidad institucional vive en el conocimiento humano
El insight más subestimado del caso Klarna: el conocimiento de la organización vive en las personas que manejan casos complejos. Cuando esas personas dejan de existir o ven solo el 20% más extremo, la organización pierde contextó acumulado, capacidad de adaptación y feedback estructural a producto.
Klarna reportó que el equipo de producto perdió capacidad de identificar patrones de fricción en customer journey porque ya no tenían humanos viendo el día a día de los reclamos. El bot resolvía pero no documentaba el patrón. Cuando subió un problema de UX en el flujo de pago de plan med-tier, demoró 6 meses en detectarse porque los humanos que antes hubieran reportado el patrón ya no estaban en el rol.
Para B2B LATAM, esto significa: en cualquier proceso que se automatice con IA, diseña desde el primer día un mecanismo de feedback estructurado de los casos manejados. La IA puede resolver, pero la organización necesita seguir aprendiendo del flujo. Si IA es black box, estás ganando eficiencia y perdiendo capacidad institucional simultáneamente.
Cómo se ve esto operativamente: encuestas periódicas a clientes que pasaron por bot, dashboard de "casos resueltos por bot que merecerían revisión humana", review semanal de transcripts de IA por personas con criterio comercial, comité quincenal de "qué aprendimos del bot esta semana que mejora producto". Sin esos mecanismos, estás acumulando deuda de aprendizaje.
Lección 3: la velocidad de adoption importa más que la decisión de adoption
Klarna no se equivocó al usar IA. Se equivocó en la velocidad y el grado. Pasaron de 0 a 75% de automatización en 6 meses. Eso no le dio tiempo a la organización de adaptarse, ni al equipo de aprender dónde el bot fallaba sin avisar, ni a producto de incorporar feedback.
La ventaja competitiva real de IA en B2B LATAM no está en automatizar el máximo lo más rápido. Está en automatizar progresivamente con learning loops adecuados. La empresa que va de 0 a 30% en 6 meses con buen feedback aprende más y sostiene más que la empresa que va de 0 a 70% en 3 meses sin feedback.
Métrica concreta para tu equipo: trackear el porcentaje de casos donde la IA falla pero el bot no marca como falla (es decir, el cliente sale sin resolver pero el bot reporta resolución exitosa). Esa métrica casi nunca aparece en dashboards iniciales y es la más importante. Si está sobre 8-10%, estás en territorio Klarna 2024.
Lo que aplica en MorgansMedia
En MM la regla operativa es: ninguna IA cara al cliente sin revisión humana en caja de muestra. Concretamente:
Claude redacta propuestas iniciales. Andrés o Francisco revisan antes de enviar. El cliente nunca recibe documento generado sin revisión humana.
Claude sumariza calls comerciales. El comercial responsable revisa el resumen antes de mandarlo al cliente. Si hay información incorrecta, el comercial la corrige y queda en log para entrenar prompts.
Claude sugiere respuestas en Kommo CRM. El comercial decide enviar tal cual, modificar o no usar. Cada decisión queda registrada como data para evals futuras.
Esta arquitectura no maximiza eficiencia teórica. Maximiza calidad sostenida + aprendizaje institucional. Es decisión explicita de Andrés como Founder, no descuido técnico.
Preguntas frecuentes
¿Entonces no debo automatizar nada con IA en B2B?
Lo opuesto. Automatiza mucho, automatiza ya, automatiza con disciplina. La automatización debe ser progresiva (0% → 30% → 50% → 70% en cohortes de 4-6 meses cada uno) y con learning loop activo en cada cohorte. No automatizar es perder velocidad. Automatizar sin loop es perder capacidad institucional.
¿Cuándo es razonable reemplazar humanos directamente?
Raras veces. La mayoría de los casos B2B LATAM donde se anuncia reemplazo de humanos por IA terminan en restructuración operativa (humano + IA con menos personas, no cero personas). El caso válido de reemplazo total es función hiperestandarizada con bajo riesgo de error (data entry rutinaria, alertas automáticas, recordatorios). Cualquier función con relación con cliente o decisión estratégica, mejor mantener humano + IA.
¿Qué métricas debo trackear en mi piloto de IA?
Mínimo cuatro: eficiencia (tiempo de respuesta, casos resueltos por hora), calidad (NPS, FCR, reopen rate), aprendizaje institucional (casos documentados que mejoraron proceso) y falsa resolución (casos que el bot marcó como cerrados pero el cliente salió insatisfecho). La cuarta es la más ignorada y la más importante.
El cierre
Klarna no es ejemplo de "la IA no sirve". Es ejemplo de "automatizar demasiado, demasiado rápido, sin proceso intermedio cuesta caro". Para B2B LATAM en 2026 es de los pocos casos públicos donde una corporación grande documentó su reversión con honestidad. Eso vale más que cien decks de Gartner.
La decisión correcta no es "automatizar o no". Es "automatizar con qué ritmo, con qué supervisión y con qué feedback loop". Las empresas que tengan claridad operativa en estas tres preguntas van a ganar la década. Las que confundan eficiencia teórica con productividad sostenible van a tener su propio momento Klarna en 18-24 meses.
El DMC (Diagnóstico de Madurez de Crecimiento) de MorgansMedia incluye auditoría de procesos automatizables con IA y propuesta de roadmap progresivo con learning loops definidos. No es plan para automatizar el máximo. Es plan para automatizar bien lo que tiene sentido automatizar bien.
