Klarna × OpenAI:跨境支付客服

这是“一个 API 调用撑起一个客服中心”的教科书案例,也是 FDE 入门必看。

客户场景

Klarna 是全球最大的“先买后付”(Buy Now, Pay Later)跨境支付公司之一,覆盖 8500 万用户,业务遍布欧美几十个国家,每天处理海量交易,也伴随海量客服咨询——账单疑问、退款、分期、欺诈争议、商户问题。

原来的客服模式是重人力、重外包:几千个坐席,分布在不同时区、不同语言团队,响应慢、成本高。跨境业务最头疼的是多语言:每个语种都要单独招人、单独培训,质量参差不齐。客户发一封邮件、问一个问题,常常要等很久才能拿到准确答复。

Klarna 的痛点可以一句话总结:客服成本是固定开销,但咨询量随业务波动;人工坐席弹性差、贵、慢,且多语言几乎不可能靠堆人解决。 这正是大模型最擅长切入的场景——高频、重复、有标准答案、跨语言。

OpenAI 的 FDE/解决方案团队驻场 Klarna,把 GPT-4 接进 Klarna 的客服工单系统,做了一个面向终端用户的 AI 助理。这不是一个“聊天机器人 demo”,而是真的扛起了生产流量。

上线后第一个月,Klarna 公布的数据成为业界引用最多的 AI 客服标杆:

关键不是“省了多少坐席”,而是满意度没有掉——这是 AI 客服能不能上生产的硬门槛。Klarna 公开承认 AI 助理处理了全公司近 2/3 的客户会话。

对应模块 1(API 调用):这是“调一个模型 API + 接进业务系统”能交付的最简单形态。 Klarna 的第一版没有复杂的 Agent,核心就是把 GPT-4 接到工单系统、给好知识上下文。学完模块 1 你就能复刻一个迷你版。
对应模块 5(评估):230 万对话怎么测质量?这是模块 5 最现实的考题。 Klarna 用的是“持续抽样 + 对标人工坐席 KPI”的离线 + 在线混合评估。想清楚这一点,你就懂为什么评估模块要单独讲。
FDE 视角:真正的难点不是调 API,而是和客服团队对齐 KPI、设计人工兜底、让合规放心——这些是模块 7 现场交付的核心。