$2.5B vs $60M: чему учат два AI-кейса банков за апрель

За апрель вышло два показательных AI-кейса. Один от JPMorgan, второй от Klarna. Оба считаются успешными. Оба на языке цифр звучат убедительно. И оба на самом деле учат противоположным вещам, если присмотреться.

JPMorgan 22 апреля публично назвал цифру: agentic AI приносит банку $2.5 миллиарда в год. Для контекста, их технический бюджет на 2026 год, $19.8 миллиарда. То есть каждый восьмой доллар в технологиях уже окупается AI-агентами. Конкретные use-cases тоже озвучены: питч-деки для investment banking теперь собираются за 30 секунд вместо нескольких часов, юристы сканируют контракты AI-агентами, продажники готовятся к встречам по AI-резюме клиента.

Klarna озвучила свой кейс ещё раньше, в 2024-2025 годах. Цифры были громкие: $60 миллионов сэкономлено, 853 FTE equivalent заменены AI-агентом, время решения тикета упало на 82%. Вся AI-тусовка цитировала это как доказательство, что customer support пора автоматизировать.

А 10 апреля CX Dive опубликовал reversal. Klarna возвращает людей обратно в саппорт. Без громких пресс-релизов. Причина простая: CSAT упал, эскалации выросли, клиенты уходят. Оказалось, AI-бот закрывал тикеты быстро, но НЕ решал проблемы. Пользователь получал отписку за 15 секунд вместо 5 минут, шёл жаловаться в соцсети, Klarna теряла лояльность быстрее, чем экономила на зарплатах.

Оба кейса правдивы. Но один окажется ловушкой.

Что JPMorgan измерил правильно, а Klarna нет

JPMorgan измерил УСКОРЕНИЕ ПРОЦЕССА. Был час на питч-дек, стало 30 секунд. Исходная метрика: time-to-pitch. Целевая функция: quality × speed. Если дек некачественный, питч провалится, банкир потеряет клиента, история на этом закончится. То есть качество банкир контролирует сам, а AI ускоряет только рутинные куски.

Klarna измерила ЗАКРЫТИЕ ТИКЕТА. Был агент-человек, закрывал за 5 минут. Стал AI-бот, закрывает за 15 секунд. Исходная метрика: ticket closure time. Целевая функция: closure speed.

Разница в том, что закрытие тикета и решение проблемы клиента, это РАЗНЫЕ события. Тикет можно закрыть, не решив проблему. AI научился первому, не научился второму. Метрика говорила, всё ок, реальность показала обратное.

В английском есть термин, который я не знаю как короче перевести: "optimizing for the wrong metric". Оптимизация под неправильную метрику. Она выглядит как успех и чувствуется как успех, пока не смотришь на то, что НА САМОМ ДЕЛЕ происходит с бизнесом.

Вопрос, который Klarna не задала

Перед любым AI-внедрением есть один вопрос, который обязан быть первым. Он звучит так:

"Если мы ускорим этот процесс в 10x, но качество результата упадёт на 20%, мы в плюсе или в минусе?"

Если в плюсе, смело автоматизируйте. Если в минусе, нельзя. Варианты дальше только про КАК снизить падение качества, не про можно ли внедрять.

JPMorgan, судя по выбранным use-cases, этот вопрос себе задал. Питч-дек за 30 секунд с человеческим контролем качества, плюс. Контракты сканируются AI, но юрист финализирует, плюс. Клиент в продажах: AI готовит резюме, человек ведёт встречу, плюс.

Klarna на customer support не задала. Думала, автоматизация = всегда плюс. И поймала обратную сторону: ускорила процесс, который нельзя было ускорять без падения качества.

Что это меняет для тех, кто только планирует

Если вы, как и я, думаете где применить AI-агента в своей компании, вот дисциплина, которая сработала в апреле:

Первое. Выпишите 5-10 процессов, которые хотите ускорить. Для каждого напишите два числа: текущее время и текущее качество. Качество может быть в любой метрике, которая для вас важна (конверсия, CSAT, revenue per deal, что угодно).

Второе. Мысленный эксперимент: если время падает в 10 раз, а качество падает на 20%, это win или loss? Если win, в backlog. Если loss, оставьте человеку или ищите гибрид.

Третье. Даже для процессов, которые в win-зоне, внедряйте через A/B. Не сразу на 100%. Неделю на 10%, метрики в два независимых канала, включая прокси-метрики качества (review rating, NPS, churn), не только скорость.

Четвёртое, и это из моего опыта, что я часто забываю: ПОСЛЕ внедрения продолжайте мерить 3-6 месяцев. Klarna вывалилась через год, не через месяц. Первые недели AI работает эффектно, потом накапливается долг.

Что забирать в понедельник

Два кейса за один месяц, один обратная сторона другого. JPMorgan сделал $2.5B, потому что измерил правильное. Klarna потеряла деньги на рехайринге, потому что измерила неправильное. Технология одна и та же, дисциплина разная.

В следующий раз, когда пойдёте внедрять AI в бизнес, потратьте 30 минут на вопрос "а что я реально измеряю, и это то что мне нужно?". Это сэкономит больше времени, чем любая самая крутая модель.

Больше разборов AI для бизнеса - в Telegram: Telegram

Источники: