Casos de automatización que fracasan por saltarse el diagnóstico

El caso más citado de 2024 y 2025 en automatización de atención al cliente es Klarna, y merece la pena mirarlo de cerca porque no es una historia sobre si la IA funciona. Es una historia sobre qué pasa cuando se automatiza sin haber diagnosticado antes dónde termina la ventaja de la máquina y empieza la necesidad de una persona.

Lo que pasó

En 2024, Klarna sustituyó cerca de 700 puestos de atención al cliente por un asistente de IA desarrollado con OpenAI. La empresa anunció que el sistema gestionaba el equivalente al trabajo de esos 700 agentes y que asumía el 75% de las conversaciones con clientes en más de 35 idiomas. Fue, durante meses, el ejemplo que todo el mundo citaba como prueba de que la IA podía sustituir trabajo cualificado a gran escala.

Quince meses después, el propio consejero delegado, Sebastian Siemiatkowski, reconoció ante Bloomberg que la compañía se había excedido. Dijo que se habían centrado demasiado en la eficiencia y el coste, y que el resultado había sido peor calidad de servicio. Klarna empezó a recontratar agentes humanos, esta vez bajo un modelo híbrido: la IA se queda con las consultas rutinarias y de alto volumen, las personas se quedan con los casos que requieren juicio, empatía o negociación.

Por qué pasó, y por qué no fue un fallo del modelo

Lo revelador del caso no es que el modelo fallara técnicamente. Es que nadie había definido con precisión dónde terminaba la frontera de calidad de la automatización antes de cruzarla. Las métricas que se usaron al principio (volumen resuelto, tiempo de primera respuesta, conversaciones por hora) hacían que el proyecto pareciera un éxito rotundo. Esas métricas ocultaban un problema que solo apareció después: la tasa de clientes que tenían que volver a contactar por el mismo problema sin resolver empezó a subir, y con ella la insatisfacción.

El coste de deshacer la decisión también se subestimó. Recontratar, formar y volver a montar un equipo de atención al cliente humano resultó ser un proceso caro que rara vez se incluye en el cálculo inicial de ahorro. El ahorro que se prometió nunca llegó a materializarse del todo.

Klarna no es un caso aislado. El mismo patrón se ha repetido en otras compañías: IBM sustituyó buena parte de su función de recursos humanos con IA y acabó recontratando cuando el sistema no pudo manejar nada que requiriera empatía o criterio subjetivo. El Commonwealth Bank of Australia revirtió 45 despidos después de comprobar que los puestos eliminados nunca fueron realmente redundantes.

La pregunta que faltó hacer antes

En los tres casos, el problema no fue automatizar. Fue automatizar sin haber contestado antes dos preguntas muy concretas: dónde se degrada la calidad del servicio a medida que aumenta la automatización, y cómo se sabría eso antes de que lo notificaran los propios clientes. La segunda pregunta es igual de importante: si existe una vía humana de repliegue, y si esa vía está a un solo paso de cualquier interacción, o el cliente tiene que pelear para encontrarla.

Ninguna de esas preguntas se responde en una demo. Se responden con un diagnóstico previo del proceso real: qué porcentaje de casos son rutinarios y repetibles, cuáles requieren juicio humano, y qué pasa exactamente en la frontera entre ambos.

La lección para una pyme

El error de Klarna fue de escala, pero el mecanismo es idéntico al que se repite en empresas mucho más pequeñas: automatizar el 100% de un proceso de atención al cliente sin reservar el fragmento que necesita una persona. La diferencia es que una pyme no tiene el margen de una fintech valorada en miles de millones para deshacer el error sin daño reputacional serio.

El diagnóstico previo no es un paso burocrático que retrasa el proyecto. Es lo que decide si el proyecto ahorra dinero de verdad o si acaba costando el doble entre la implementación fallida y la vuelta atrás.