Meta och Klarna bromsar AI-planerna – därför behövs människor fortfarande

AI förändrar hur företag bygger sina team. Men Meta och Klarna visar varför det är betydligt svårare att ersätta hela funktioner än att automatisera avgränsade delar av jobbet. Meta stoppade planeringen av en andra omstruktureringsvåg inom Project OT efter en första personalminskning. Klarna började samtidigt åter rekrytera mänsklig supportpersonal efter att en AI-först-modell gett sämre kvalitetsutfall. 218

Den gemensamma lärdomen är mindre ideologisk än praktisk: AI kan hantera strukturerade och återkommande uppgifter i stor skala, men människor behövs fortfarande för att tolka otydlighet, granska resultat, lösa undantag och värna kundupplevelsen.

Meta: visionen om mindre team mötte praktiska begränsningar

Enligt Reuters var Metas Project OT – förkortning för Organization Transformation – tänkt att genomföras i två vågor. Den första neddragningen genomfördes i maj 2026 och omfattade omkring 10 procent av arbetsstyrkan. Planeringen för en senare omgång i november stoppades däremot. Meta bekräftade att Project OT fanns och beskrev satsningen som ett årslångt arbete med kostnadsbesparingar, omformning av team och förflyttning av personal till prioriterade områden. 2

Det viktiga är att planen inte bara handlade om traditionella kostnadsbesparingar. Tanken var att betydligt mindre grupper av anställda skulle få stöd av AI-agenter. Utfallet understryker en avgörande skillnad: att få fram fler utkast, kodstycken eller uppgiftssvar innebär inte automatiskt att produktutvecklingen blir tillförlitlig.

I komplexa arbetsflöden måste någon fortfarande sätta målen, koppla ihop arbete mellan olika system, testa resultat, upptäcka fel och bära ansvaret när något går snett. Meta har inte slutat investera i AI eller AI-stött arbete. Det som har förändrats är tilltron till att AI-agenterna skulle kunna motivera en andra bred personalminskning enligt den ursprungliga tidsplanen. 2

Klarna: hög automatiseringsvolym räckte inte för god service

Klarna illustrerar samma problem från kundservicehåll. Bolagets AI-assistent hanterade en stor andel vanliga supportärenden, bland annat frågor om betalningar, återbetalningar och returer. Men Klarna övergav senare en hållning där AI skulle stå för servicen på egen hand och började åter anställa supportmedarbetare. 1720

Enligt rapporteringen medgav vd Sebastian Siemiatkowski att Klarna hade dragit ned den mänskliga kapaciteten för aggressivt. Problemet var inte att AI saknade värde, utan att den automatiserade servicen hade svårt med komplexa, tvetydiga eller känslomässigt laddade frågor. Där bidrar erfarna människor med utredningsförmåga, omdöme och empati. Klarna började därför bygga upp mänsklig supportkapacitet vid sidan av automatiseringen. 1819

Det är en avgörande skillnad i kundservice. Ett system kan lösa vanliga frågor snabbt, men ändå skada kundernas förtroende om den som har en bestridd betalning, en ovanlig situation eller ett eskalerande problem inte snabbt kan nå en kunnig person. Automatisering fungerar bäst när tydliga vägar för eskalering och mänskligt ansvar är inbyggda i tjänsten.

Den växande modellen: AI som hävstång, inte ersättning för varje roll

Tillsammans pekar Meta och Klarna mot en mer hållbar arbetsmodell:

• Automatisera förutsägbara uppgifter. AI fungerar bäst när indata är standardiserade, resultatet är enkelt att kontrollera och fel är billiga att rätta.
• Behåll människor vid avgörande beslut. Människor behövs när uppgiften kräver sammanhang mellan system, avvägningar, omdöme, ansvar eller relationshantering.
• Bygg in eskalering i arbetsflödet. Kundservice och andra processer med höga insatser behöver en tydlig överlämning till kvalificerad personal – inte en återvändsgränd i en automatiserad loop.
• Mät resultat, inte bara aktivitet. Mer genererad kod, snabbare första svar eller högre ärendevolym säger inte allt om kvalitet, lösningsgrad, säkerhet och kundförtroende försämras.

Det betyder inte att jobben lämnas opåverkade. Förändringen kommer sannolikt genom nya teamstrukturer, ändrade kompetenskrav och färre roller som enbart består av rutinuppgifter – snarare än genom ett omedelbart slut på mänskligt arbete.

Rekryteringsdata visar en förskjutning mot teknisk kompetens

Den bredare arbetsmarknaden inom teknik ligger i linje med den bilden. SignalFire uppger att rekryteringen hos stora teknikbolag låg 25 procent under 2019 års nivå, medan rekryteringen av mjukvaruingenjörer var ned 11 procent. Mjukvaruingenjörer stod därmed för 55 procent av rekryteringarna, jämfört med 46 procent 2019. 49

Det bevisar inte att AI förklarar varje förändring i rekryteringen. Tekniksektorn påverkas också av konjunkturen och av personalanpassningar efter pandemin. Men siffrorna visar att slimmade organisationer inte har slutat behöva teknisk kompetens. I stället har rekryteringsmixen förskjutits mot personer som kan bygga, införa, utvärdera, säkra och övervaka allt mer automatiserade system.

Den största kortsiktiga risken gäller ingångsjobben

Forskare vid Stanford Digital Economy Lab fann inga belägg för bred, ekonomiomfattande undanträngning av jobb i administrativa löneuppgifter fram till juni 2026. Däremot låg sysselsättningen bland 22–25-åringar i AI-exponerade yrken 19 procent under den nivå den skulle ha nått om den följt utvecklingen för jämnåriga i mindre AI-exponerade yrken. För mer erfarna arbetstagare syntes ingen motsvarande skillnad, och förändringen verkade främst ske genom lägre nyrekrytering snarare än fler uppsägningar. 35

Siffran 19 procent är ett relativt underskott jämfört med en utveckling där grupperna hade hållit jämna steg – inte ett antal jobb som AI direkt har tagit bort. Den lyfter ändå en viktig fråga: om AI tar över delar av de rutinuppgifter som brukar ligga i början av karriären kan färre få chansen att skaffa sig erfarenheten som krävs för mer seniora roller.

Vad företag kan lära av Meta och Klarna

Den användbara frågan är inte längre om AI ska användas, utan var tekniken kan förbättra en process utan att plocka bort de mänskliga förmågor som gör processen tillförlitlig.

Metas stoppade andra våg och Klarnas nyrekrytering till supporten talar för att automatisering bör prövas mot faktiska slutresultat: fungerande produktleveranser, korrekta beslut, lösta ärenden, kundförtroende och rimliga kostnader för att återhämta sig efter fel. Där AI fungerar väl kan den öka kapaciteten i ett mindre team. Där osäkerheten eller konsekvenserna är stora är den mest robusta lösningen vanligtvis människa plus AI – inte en verksamhet utan människor.

AI förändrar alltså teamens sammansättning och vad de kan åstadkomma. De företag som sannolikt vinner mest är de som använder automatisering för att förbättra mänskligt arbete, inte som en genväg runt det mänskliga arbete som fortfarande behövs i komplexa produkter och kundrelationer.