Resultatet kan bli att stora delar av kontorsarbete och kundtjänst upphör eller omformas snabbt, eftersom Klarna-vd:n Sebastian Siemiatkowski varnar för att företag ersätter arbetskraft med generativ AI samtidigt som industrin pumpar kapital i datacenter. Siemiatkowski säger till Financial Times att omställningen blir "samhällsomvälvande" och uppmanar politiker att börja ta frågan på allvar. Praktiskt syns förändringen hos Klarna: företaget har enligt rapporteringen mer än halverat sin personalstyrka, och en AI-chattbot rapporteras hantera två tredjedelar av kundärendena enligt Expressen. För dig som arbetar med riskanalys eller personalansvar visar Klarnas exempel vilka steg som krävs för att kartlägga exponering och krävda åtgärder framöver.

Följden blir färre anställda i kundtjänst och administrativa roller, eftersom företag använder AI-verktyg för att ersätta juniora analytiker och kommunikationsroller och investerar i teknik som ändrar arbetsflöden och personalbehov.

1. Vad har förändrats i praktiken på företag som Klarna

En av de tydligaste konsekvenserna är personalminskningar kopplade till automatisering. Klarna har enligt den publicerade redovisningen gått från ungefär 7 400 anställda till runt 3 000, en neddragning företaget själv relaterar till implementering av automatisering och AI. Det ger en konkret bild av hur snabbt interna organisationer kan krympa när AI tas i drift.

Tekniken syns också i kundkontakten. Enligt den rapportering som finns hanterar en AI-chattbot en stor andel av kundserviceärendena, i ett fall två tredjedelar av dem enligt Financial Times. Klarna har dessutom experimenterat med en extern lösning som simulerar vd:ns röst för att samla kundfeedback via telefonsamtal. Den digitala rösten har ett begränsat uppdrag och undviker känsliga ämnen med formuleringar som "Nästa fråga, tack" när journalister testat den.

Detta är inte bara teknik för att ta emot fler förfrågningar. Det ändrar vem som behövs i kedjan: mindre behov av rutinmässig handläggning, större behov av teknisk övervakning, datahantering och granskning av modellernas utsagor.

2. Hur du kartlägger vilka roller som är exponerade

Första steget i en intern riskkartläggning är att identifiera var automatisering redan ersätter mänsklig arbetskraft. Börja med funktionerna som är enklast att standardisera: administration, enklare analys, kundsupport och repetitiva kommunikationsuppgifter. Dessa områden pekas ut av flera källor som tidigt påverkade.

Praktiskt: gör en inventering av arbetsuppgifter snarare än titlar. Lista vilka uppgifter som kräver mänsklig bedömning kontra sådant som kan skrivas om som statistiska eller textgenererande regler. Ett enkelt scenario: om en junior analytikers huvudsakliga uppgift är att sortera, normalisera och rapportera data utifrån fasta regler, är den uppgiften en kandidat för automatisering. Om arbetet däremot kräver komplex, kontextuell tolkning och tvärfunktionellt beslutsfattande är risken lägre.

För dig som ansvarar för personalplanering: prioritera roller där kostnaden för fel är låg men volymen hög. De är de första som ersätts. Samtidigt kartlägg vilka roller som skulle behöva omskolning för att gå in i övervakande eller kvalitetsgranskande funktioner.

3. Granska leverantörsavtal, teknik och styrning

Implementering av Generativ AI och röstbaserade system skapar nya styrningsbehov. Klarna använde röstkloning från en extern leverantör i sitt projekt med den digitala vd-rösten, och det finns rapporter om att leverantörens vd senare fått en plats i Klarnas styrelse. Den här kopplingen är relevant när man bedömer intressekonflikter och ansvar för beslut om teknikval.

Gå igenom avtal med teknikleverantörer med fokus på tre frågor: vilken kontroll leverantören har över modellen, vilka rättigheter ni behåller till data och hur leverantören rapporterar om prestanda och fel. Be om tydlighet kring begränsningar. I Klarnas fall fanns en tydlig avgränsning för den digitala rösten: den skulle samla feedback och inte svara på strategiska frågor. När en AI rakt ut säger "Nästa fråga, tack" är det en form av inbyggd begränsning som behöver vara dokumenterad.

Granskningen bör också titta på styrelsens sammansättning och intressenter. Om externa teknikleverantörer får inflytande i styrelsen skärps behovet av transparens om affärsrelationer och beslutsprocesser.

Mastheads

4. Bedöm kapitalexponeringen i datacenter och vad den betyder

Siemiatkowski lyfter fram en investeringsdimension som ofta är mindre synlig i arbetskraftsdebatten: storleken på kapital som pumpas in i Datacenter för att driva avancerade modeller. I en intervju med Financial Times sa han att han blivit nervös över "storleken på dessa investeringar i dessa datacenter" och formulerade frågan: "är det värt att lägga 1 biljon dollar på servrar". Det är en investerarpåminnelse om att det finns en risk för överinvestering i fysisk infrastruktur.

För företag som planerar egna satsningar är signalen tvådelad. Å ena sidan kräver vissa avancerade modeller massiv processorkraft och skräddarsydd infrastruktur. Å andra sidan ökar kapitalkostnader och långsiktiga fasta kostnader för företaget, vilket kan göra modellen kommersiellt sårbar om förväntad intäkt inte kommer.

En praktisk granskning av kapitalexponering bör fråga: hur länge binder vi kapital i infrastruktur, vilka alternativa molnleverantörer eller hyrmodeller finns, och vilken flexibilitet finns för att skala ned om antalet användningsfall inte möter förväntningarna?

5. Kommunikation och omställningsstöd internt

När tekniska beslut får personalkonsekvenser krävs tydlig kommunikation. Siemiatkowski påpekar att även om nya jobb skapas, hjälper det inte omedelbart arbetstagare i utsatta roller. Hans formulering i Bloomberg var konkret: "Det här kommer vara samhällsomvälvande. Jag hoppas att politikerna börjar ta de här frågorna på allvar."

Företag bör kommunicera två saker tidigt: tidshorisonten för förändring och vilka stödåtgärder som erbjuds. Det kan vara omskolning, övergångsroller, eller hjälp med extern jobbsökning. Ett realistiskt scenario är att vissa anställda migrerar mot kvalitetskontroll, dataetik och modellövervakning, men det tar tid och kräver träning.

Informationsstrategin bör också förklara teknikens begränsningar. I Klarnas fall var den digitala rösten uttryckligen begränsad i vilka frågor den får ta. Att göra sådana begränsningar publika hjälper både kunder och anställda att förstå vad AI faktiskt gör.

6. Policy och vad politiker bör överväga

Siemiatkowski riktar också en vädjan till politiken att ta frågan om omställning på allvar. Han betonar behovet av åtgärder för de grupper som inte omedelbart gynnas av nya jobb. Det innebär en rad möjliga policyinsatser: utbildningsprogram, omskolningsstöd, och trygghetssystem som fångar upp dem som faller ur arbetslivet på grund av snabb automatisering.

Policyn bör även ta upp ägande och styrning av kritisk AI-infrastruktur. Frågor om intressekonflikter mellan leverantörer och företag, och om hur stora investeringar i datacenter ska regleras eller rapporteras, hör hemma i politiska avvägningar. Om investeringsvolymerna når nivån som Siemiatkowski beskriver är det rimligt att beslutsfattare diskuterar systemrisker och konkurrensförhållanden i infrastrukturen.

För beslutsfattare handlar det om att väga två frågor samtidigt: hur man fångar de produktivitetsvinster som AI ger och hur man skyddar de grupper som drabbas av omedelbar förlust av arbete.

Praktisk checklista för företagsledare

För att göra teorin konkret, här är en enkel sekvens att följa i din organisation: För det första, kartlägg vilka arbetsuppgifter som är repetitiva och volymdrivna. För det andra, bedöm nuvarande leverantörsavtal och be om transparens kring data- och modellkontroll. För det tredje, gör en kapitalanalys av planerade infrastrukturinvesteringar och jämför hyr- versus köpmodeller. För det fjärde, ta fram en kommunikationsplan med tydliga erbjudanden om omskolning och stöd.

En kort scenariobeskrivning: i ett medelstort fintechbolag visar en snabb kartläggning att tio juniorroller hanterar 80 procent av rutinärenden. Genom att introducera en AI-chattbot kan 60-70 procent av de enkla ärendena automatiseras. Företaget väljer då att erbjuda berörda medarbetare omskolning till roller inom modellövervakning och dataetik och hyr beräkningskapacitet i stället för att bygga eget datacenter, för att behålla flexibilitet i kapitalbindningen.

In short

- Klarna-exemplet visar att snabb automatisering kan kombinera personalminskningar med hög teknikinvestering. Personalstyrkan minskade enligt rapporteringen från cirka 7 400 till cirka 3 000.

- En AI-chattbot rapporteras i täckningen hantera två tredjedelar av kundärendena, vilket illustrerar vilka volymeffekter som är möjliga.

- Granska arbetsuppgifter snarare än titlar, och prioritera omskolning för roller som kan flyttas till övervakning och kvalitetskontroll.

- Kontrollera leverantörsavtal, styrelsesammansättning och potentiella intressekonflikter vid användning av externa röstkloningslösningar.

- Bedöm kapitalbindningen i datacenter noggrant. Som Siemiatkowski ställde frågan till Financial Times: är det värt att lägga 1 biljon dollar på servrar?

Related Articles

Kärnpoängen från Klarnas fall är konkret: företaget har mer än halverat sin personalstyrka samtidigt som ledningen varnar för omfattande omställning och ifrågasätter stora datacenterinvesteringar. För personalansvariga betyder det att kartläggning av roller, granskning av leverantörsavtal och tydligt omställningsstöd måste prioriteras.

Den här artikeln har skapats med hjälp av AI.