Meta og Klarna trækker i bremsen: AI kan automatisere opgaver, men ikke undvære mennesker

AI ændrer allerede, hvordan virksomheder sammensætter teams. Men Meta og Klarna illustrerer også, hvorfor det er langt sværere at erstatte hele funktioner end at automatisere afgrænsede dele af arbejdet.

Meta satte planlægningen af en anden omstruktureringsrunde i bero efter den første nedskæring under Project OT. Klarna genoptog samtidig ansættelser af mennesker i kundeservice, efter at en stærkt AI-drevet model gav dårligere resultater i nogle sager. 218

Den praktiske lære er ikke, at AI er uden værdi. Den er, at AI kan håndtere standardiserede og gentagne opgaver i stor skala, mens mennesker fortsat er nødvendige, når noget er uklart, går galt eller kræver ansvar, skøn og forståelse for den enkelte kunde.

Meta: Visionen om mindre teams ramte komplekse arbejdsgange

Reuters beskrev Project OT – Organization Transformation – som en omstrukturering i to bølger. Meta gennemførte den første runde i maj 2026 og reducerede arbejdsstyrken med omkring 10 %. Planlægningen af den efterfølgende runde, der var ventet i november, blev imidlertid aflyst. Meta bekræftede, at Project OT fandtes, og beskrev det som et årigt forløb med fokus på omkostningsreduktioner, nye teamstrukturer og flytning af medarbejdere til prioriterede områder. 2

Planen var mere end en traditionel spareøvelse. Den byggede på idéen om markant mindre medarbejdergrupper, understøttet af AI-agenter. Men flere udkast, mere kode eller en højere produktion af opgaver er ikke i sig selv det samme som stabil levering af produkter.

I komplekse arbejdsgange skal nogen stadig definere målet, forbinde systemer og teams, teste resultater, opdage fejl og tage ansvaret, når noget svigter. Meta har ikke opgivet investeringerne i AI eller brugen af AI i arbejdet. Det, der ændrede sig, var grundlaget for en ny, bred personalereduktion efter den oprindelige tidsplan. 2

Klarna: Høj volumen er ikke det samme som god kundeservice

Klarna viser den samme udfordring fra kundeservice-siden. Virksomhedens AI-assistent kunne håndtere en stor del af de almindelige henvendelser, blandt andet om betalinger, tilbagebetalinger og returneringer. Senere bevægede Klarna sig dog væk fra en AI-alene-tilgang og begyndte igen at ansætte medarbejdere til supporten. 1720

Ifølge omtalen af skiftet erkendte Klarnas topchef, Sebastian Siemiatkowski, at selskabet havde reduceret den menneskelige kapacitet for hårdt. AI'en var ikke værdiløs, men den havde sværere ved komplekse, tvetydige og følelsesmæssigt følsomme sager – netop dér, hvor erfarne medarbejdere kan undersøge en sag, bruge dømmekraft og møde kunden med empati. Klarna begyndte derfor at genopbygge menneskelig support ved siden af automatiseringen. 1819

Det er en afgørende skelnen i kundeservice. Et system kan svare hurtigt på de hyppigste spørgsmål og stadig skade tilliden, hvis kunder med en bestridt betaling, en usædvanlig situation eller et problem under eskalering ikke hurtigt kan få fat i et kompetent menneske. Automatisering virker bedst, når der er en tydelig vej videre til et menneske med ansvar og beføjelser.

Den mere holdbare model: AI som løftestang

De to eksempler peger mod en mere robust måde at organisere arbejdet på:

• Automatisér det forudsigelige. AI er særligt anvendelig, når input er standardiserede, resultatet er let at kontrollere, og fejl er billige at rette.
• Lad mennesker træffe de afgørende beslutninger. Mennesker er fortsat centrale, når opgaven kræver kontekst på tværs af systemer, afvejninger, dømmekraft, ansvar eller relationer.
• Indbyg eskalering i processen. Kundeservice og andre sager med store konsekvenser skal kunne overdrages til kvalificerede medarbejdere – ikke ende i en automatiseret blindgyde.
• Mål på resultater, ikke aktivitet. Mere genereret kode, hurtigere første svar eller flere afsluttede opgaver er utilstrækkelige mål, hvis kvalitet, sikkerhed, problemløsning eller kundernes tillid falder.

Det betyder ikke, at job forbliver uændrede. Men forandringen vil sandsynligvis komme som nye teamstrukturer, ændrede kompetencekrav og færre roller med rene rutineopgaver – snarere end som et øjeblikkeligt ophør af menneskeligt arbejde.

Ansættelserne flytter mod teknisk kapacitet

Udviklingen i teknologibranchens arbejdsmarked passer med den forklaring. SignalFire oplyser, at ansættelserne hos store techvirksomheder lå 25 % under 2019-niveauet, mens ansættelser af softwareingeniører var 11 % lavere. Softwareingeniører udgjorde dermed 55 % af ansættelserne mod 46 % i 2019. 49

Tallene beviser ikke, at AI alene har forårsaget skiftet. Ansættelser i teknologisektoren påvirkes også af konjunkturer og efterjusteringer efter pandemiens kraftige vækst. Men de viser, at slankere organisationer ikke har fjernet behovet for tekniske kompetencer. I stedet er efterspørgslen flyttet mod personer, der kan bygge, implementere, evaluere, sikre og føre tilsyn med stadig mere automatiserede systemer.

Den største kortsigtede risiko er karrierestigen for nyuddannede

Forskere ved Stanford Digital Economy Lab fandt ingen tegn på udbredt, økonomidækkende jobfortrængning i amerikanske administrative løndata frem til juni 2026. Men beskæftigelsen blandt 22-25-årige i job med høj AI-eksponering lå 19 % under det niveau, den ville have haft, hvis den havde fulgt udviklingen for mindre eksponerede jævnaldrende. Der var ikke et tilsvarende gab for erfarne medarbejdere, og tilpasningen så især ud til at ske gennem færre ansættelser frem for flere afskedigelser. 35

De 19 % er et relativt efterslæb i forhold til en hypotetisk udvikling – ikke et antal job, som AI direkte har fjernet. Alligevel peger tallet på et væsentligt problem: Hvis AI overtager dele af de rutineprægede begynderopgaver, kan virksomheder tilbyde færre muligheder for at opbygge den erfaring, som senere fører til mere seniorprægede roller.

Hvad virksomheder kan lære af Meta og Klarna

Det relevante spørgsmål er ikke længere, om en virksomhed skal bruge AI. Det er, hvor AI kan forbedre en proces uden at fjerne de menneskelige kompetencer, der gør processen driftssikker.

Metas stoppede anden bølge og Klarnas genansættelser i supporten peger begge på, at automatisering skal vurderes på de faktiske slutresultater: Leveres produktet? Er beslutningerne korrekte? Bliver sager løst? Bevarer kunderne tilliden? Og er omkostningerne ved at rette fejl håndterbare?

Når AI fungerer godt, kan den øge kapaciteten i et mindre team. Når usikkerheden eller konsekvenserne er store, er den bedste løsning oftest mennesker sammen med AI – ikke en model helt uden mennesker.