Klarna, Duolingo, Block: три кейса перестройки организации под агентов — что осталось после отката

В феврале 2024 года Klarna опубликовала результаты работы AI-ассистента на собственном сайте и в интервью OpenAI: ассистент за первый месяц обработал 2,3 млн диалогов — две трети клиентского сервиса — и выполнил, по оценке компании, объём работы, эквивалентный нагрузке 700 штатных агентов поддержки (OpenAI, Siemiatkowski в X). Полтора года спустя, в мае 2025-го, CEO Klarna Себастьян Семятковски в интервью Bloomberg сформулировал это прямо: «From a brand perspective, I think it’s critical that you are clear to your customer that there will always be a human if you want.» Он же признал, что компания «зашла слишком далеко» в замене людей агентами и возвращается к найму сотрудников клиентского сервиса (Bloomberg).

Между этими двумя точками произошло ещё два публичных события того же типа. В апреле 2025 года CEO Duolingo Луис фон Ан разослал внутри компании меморандум о переходе на «AI-first» режим работы — он быстро ушёл в публичное поле через сотрудников и был подтверждён компанией (The Verge). К августу 2025-го фон Ан был вынужден объяснять смысл этого решения уже в The New York Times и признавать масштаб обратной реакции аудитории (The New York Times). В феврале 2026-го Block — холдинг Джека Дорси, владеющий Square и Cash App, — анонсировал сокращение около 40% штата, примерно 4 000 человек, прямо связав это с интеграцией ИИ в рабочие процессы компании (The Guardian).

Три истории — три разные стадии одного и того же цикла. У Klarna публичный откат уже произошёл. У Duolingo идёт переформулировка позиции в реальном времени. У Block самый громкий старт — и кейс ещё не дозрел до коррекции. Эта статья — карта того, как именно не строится организация поверх агентов и что остаётся за вычетом громких заявлений.

Дешевизна замены людей — в долг

Общая ошибка трёх компаний воспроизводится по одной схеме. Выбирается операционный слой, нагруженный людьми и описываемый понятной метрикой: время ответа в поддержке, объём текста для перевода, количество рутинных операций. Запускается агентный пилот, считается экономия часов и зарплат. Цифра получается крупная, потому что числитель — экономия — считается в полном объёме задач, а знаменатель — то, что нужно достроить дополнительно, — остаётся пустым.

Дальше следует публичное объявление. У Klarna это пост Семятковски в феврале 2024-го и совместный кейс с OpenAI, в котором цифра «700 человек» вышла на обложку деловой прессы и обвалила котировки Teleperformance — крупного call-center подрядчика (Pragmatic Engineer). У Duolingo — корпоративный меморандум апреля 2025 года, который немедленно ушёл наружу: «AI-first означает, что мы перестанем использовать подрядчиков для работы, которую может сделать ИИ» (The Verge). У Block — пост Дорси сотрудникам в феврале 2026-го, где сокращение прямо связано с «intelligence tools»: автоматизацией внутренних процессов и снижением потребности в повторяемом труде (The Guardian).

Все три объявления формулируют ИИ-перестройку как операцию в плоскости задач — замену слоя людей слоем агентов. Ни одно не описывает изменений в плоскости организации: какие функции переезжают в новые единицы работы, какие границы ответственности перерисовываются, что становится с цепочкой эскалаций, какие новые роли создаются. Это и есть разница между «уменьшить численность на N процентов» и «переписать операционные единицы». Подробнее об этом сдвиге — в заметке про роль вместо места: должность как контейнер для работы устарела раньше, чем большинство компаний это заметили.

Что именно вернулось людям

В 2025–2026 годах у всех троих в той или иной форме случилось одно и то же: тихий возврат функций людям. Интересна не сама траектория отката, а его геометрия.

В Klarna после публичного признания Семятковски компания начала нанимать обратно сотрудников поддержки — но не на старые позиции. Возвращаемые роли сосредоточены вокруг работы с нестандартными случаями: спорные транзакции, эмоционально нагружённые ситуации, эскалации регуляторного характера (Bloomberg). По сути компания перерисовала уровень эскалации, признав, что плоская архитектура «агент-клиент» не покрывает дисперсию реальных запросов. Цифра «700 человек, эквивалент полной команды», на которую опиралась первая декларация, сама по себе скрывала важную деталь: с самого начала бот эскалировал «всё нестандартное» людям (Pragmatic Engineer). Когда команду людей сокращают, граница эскалации становится прозрачной — и оказывается, что она проходит по тонкому, но критичному слою клиентских историй.

У Duolingo откат прошёл без громких аннонсов. CEO в интервью The New York Times и Fortune переформулировал позицию: «AI-first» — это не «без людей», а «по умолчанию через ИИ, с человеком там, где он нужен», и обратная реакция аудитории на меморандум апреля 2025 года была для него неожиданностью (Fortune, The New York Times). На уровне операций часть подрядчиков вернулась в виде «контент-редакторов» и «языковых экспертов» — людей, которые верифицируют и финализируют машинный перевод, особенно для языков с малой обучающей выборкой и культурно нагружённых паттернов (Customer Experience Dive). Цена ошибки в продукте, который учит языку, оказалась выше, чем экономия от отказа от проверки.

У Block ситуация другая — это самый свежий и самый громкий случай. Сокращение 40% штата в феврале 2026-го не сопровождалось одновременным hire-back, и публичных свидетельств отката пока нет. Но в этой же истории видны два признака, которые в Klarna и Duolingo проявились до коррекции и в итоге её вызвали. Первый — внутренние сообщения о том, что «intelligence tools» (агенты, в частности проект Goose) применяются не к описанной перестроенной операции, а к существующей структуре труда: автоматизируется то, что и так выполнялось людьми, без переописания самой работы (The Guardian). Второй — слабый крипто-рынок и финансовое давление, на фоне которого AI-нарратив часто становится удобной публичной оболочкой для классической оптимизации затрат, не отвечающей на вопрос «какие операционные единицы перестроены». Аналитики уже называют это «AI-washing» — публичная привязка сокращений к ИИ как способ объяснить инвесторам цикл затрат.

Во всех трёх случаях устойчивая ось одна и та же: люди возвращаются (или возвращение анонсируется) не на старые роли, а на верхний слой суждения, эскалаций и аккаунт-менеджмента. За агентами остаётся то, что поддаётся жёсткой формализации.

Comparison: три кейса в одной таблице

Граница не по сложности, а по формализуемости

Если собрать стабильную зону работы агентов по итогам коррекции Klarna и Duolingo и по тому, что про Block уже видно изнутри индустрии, получается узкий, но воспроизводимый набор. Первичная обработка типовых запросов с понятной таксономией. Перевод текста между языками с большой обучающей выборкой и проверкой постредактором. Кодогенерация под чёткие спецификации. Извлечение структурированных данных из документов. Рутинная аналитика по заранее определённым метрикам. Внутренние ассистенты-навигаторы по корпоративным знаниям.

У всех элементов этого списка три общих свойства. Измеримый выход: правильность результата проверяется без привлечения организационного контекста. Повторяемый вход: классы запросов укладываются в конечное число паттернов. Низкая цена единичной ошибки: один плохой перевод или пропущенный тикет не разрушает систему.

Где хотя бы одно из трёх свойств ломается — там агент возвращается под человека. Спорная транзакция в Klarna нарушает первое: измеримого «правильного» ответа нет, есть переговорный исход, в котором учтены история отношений, регуляторные ограничения и риск-аппетит. Локализация культурно нагружённого контента в Duolingo ломает второе: каждый случай уникален, и средний паттерн машинного перевода даёт результат, который в продукте про язык воспринимается как оскорбление. Регуляторная эскалация ломает третье: одна ошибка может стоить лицензии или превратиться в публичный скандал.

Это и есть «хвосты распределения», которые в трёх кейсах публично проявились как причина отката или как зона ближайшего риска. Агенты эффективны в средней части распределения, но плохо ловят края. Хвосты — зона, где требуется суждение, контекст, ответственность за решение. Никакая универсальная агентная оболочка над фронтирной моделью эту зону не закрывает: вопрос не в качестве модели, а в том, что входной сигнал в хвостах слишком разрежен и контекстно нагружен, чтобы строить на нём измеримую таксономию.

Связанный сюжет — почему универсальная агентная обвязка вообще не моат: это разбор в заметке про управляемую обвязку как зависимость. Здесь же ключевой вывод другой: если граница между агентом и человеком определяется не сложностью задачи, а её формализуемостью, то «процент автоматизации» — это плохая метрика трансформации. Она не отвечает на вопрос, какую долю формализуемого труда покрыли агенты, и какая доля неформализуемого труда осталась нагружённой на людей — и сколько новых ролей при этом не описано.

Что отделяет PR-замену от структурной перестройки?

Все три компании совершили операцию в плоскости задач — заменили людей, выполнявших отдельные функции, на агентов, выполняющих те же отдельные функции. Эта операция выглядит дёшево на бумаге: каждый человек — это зарплата, каждый агент — это API-вызов, разница — в счёт прибыли. Дорого она становится в момент, когда обнаруживается, что между «человеком, выполняющим работу» и «работой, выполненной правильно» лежит слой невидимого контекста: связи с другими функциями, история взаимодействия с клиентом, неявные знания о рисках, культурный паттерн. Этот слой не описан в инструкции и не воспроизводится промптом.

Структурная перестройка устроена иначе. Она начинается не с вопроса «кого можно заменить», а с вопроса «какие операционные единицы у нас вообще есть». В классической организации единица — должность с описанием, KPI и местом в иерархии. В ИИ-нативной организации операционная единица определяется не носителем, а функцией, которую нужно выполнить: носитель — человек, агент или их комбинация — выбирается под класс случая. Эта инверсия описана в заметке про роль вместо места.

Из этого сдвига следуют три наблюдения о том, чего не было выстроено у Klarna, Duolingo и Block — и что отделяет работающую перестройку от PR-операции.

Первое наблюдение касается того, как запускается работа. Klarna до отката пыталась перевести поддержку в чисто событийную модель — каждый тикет триггерит автоматическое исполнение. Не была достроена обработка событий, которые не закрываются с первого прохода: в исходной архитектуре «всё нестандартное» передаётся людям, но численность этих людей при этом сокращена. В организации, где координация строится через совещания и проектные статусы, агентный слой нагружается асимметрично: автоматизирует ходовую часть и оставляет нестандартные хвосты в неопределённом состоянии. У Duolingo один из признаков проблемы — для редких языков разрыв между поступившей задачей и тем, как именно её решить, оказывается шире, чем система способна закрыть без участия эксперта.

Второе наблюдение — про то, где живёт контекст принятия решения. У Duolingo одна из причин отката — отсутствие машинной памяти о культурных особенностях языков. Постредакторы стали той самой памятью, которой не было в инструментах. У Klarna в спорных транзакциях контекст лежит в истории отношений с клиентом и в неявных правилах риска, не вытащенных в среду, к которой обращается агент. Контекст-в-голове-человека — это и есть незаметная зависимость, которая обнуляет экономику замены: пока он не вытащен в явную форму (память агента, правила маршрутизации, словари исключений), любое сокращение носителей этого контекста уменьшает качество решений на хвостах. У Block эта проблема ещё не проявилась публично, но именно потому, что 40-процентное сокращение свежее: ось «где живёт контекст» проверяется на горизонте 6–12 месяцев, как у Klarna.

Третье наблюдение — про принцип привязки ответственности. В трёх компаниях коммуникация шла в логике «заменим должность А агентом А». В работающей перестройке логика противоположная: сначала описывается зона ответственности, затем определяется, на каком носителе — человек, агент, комбинация — она исполняется в каждом классе случаев. Это не семантическая разница: она определяет, можно ли откатываться без потери репутации. Klarna откатывалась с потерей именно потому, что вернулась к тому же языку «нанимаем агентов поддержки», от которого ушла полтора года назад. Если бы возврат описывался как «нанимаем носителей функции эскалаций» — это уже не откат, а уточнение архитектуры. Duolingo нашла этот язык во второй итерации: «AI-first» переформулирован: «We are not going to replace people with AI», — сказал фон Ан The New York Times. Внутренний смысл сдвига — «AI-default, с явно описанными зонами человеческого суждения». Block пока в первой итерации, и публичный язык — про сокращение, а не про перестройку.

Что измеряют не там

Связанная ошибка — в выборе метрики, на которую опирается решение об автоматизации. Чаще всего считают экономию часов или экономию фонда оплаты труда. Это знаменатель только частично: он не учитывает рост дисперсии решений, риск «незакрытых хвостов», стоимость новых ролей оператора и эскалатора, репутационную цену публичного отката.

Об этом — отдельная заметка про маржу, которая уходит выше уровня задач: «сэкономленные часы» — это плохая прокси-метрика, потому что она замеряет цену на уровне задач, а структурная экономика автоматизации формируется на уровне операционных единиц. Цена «забытого» хвоста в Klarna 2025-го (репутация, регуляторное внимание, IPO-нарратив) выше, чем сумма зарплат сокращённой команды поддержки за 12–18 месяцев. Это не означает, что автоматизация поддержки была ошибкой; это означает, что метрика выбрана не на том уровне.

Тесты на трёх ролях

Из кейсов следуют три практические проверки для разных позиций — операционный руководитель, финансовый руководитель, совет директоров и инвесторы.

Операционный руководитель. Возьмите ключевую функцию, которую планируете автоматизировать, и попробуйте описать её без упоминания конкретного человека или должности — что именно должно случиться, при каком условии, и как понять, что результат достигнут. Если функция описывается только через «такой-то человек делает то-то» — компания живёт в плоскости должностей, и любая замена будет PR-операцией. Дополнительный тест: какой процент входящих кейсов укладывается в описанные классы случаев? Если меньше 70% — хвост слишком большой, чтобы строить на нём чисто агентный слой.

Финансовый руководитель. Отделите «среднюю часть распределения» — типовые случаи с измеримым ответом — от «хвостов» — нестандартных кейсов, где правильность определяется в диалоге. Если хвосты занимают существенную долю реальных запросов, экономия от замены людей агентами без слоя эскалации становится отрицательной — узнаётся это обычно через 6–12 месяцев, как у Klarna. Полезное правило: бюджет на новые роли (операторы агентных процессов, редакторы машинного вывода, ревьюеры эскалаций) должен закладываться сверху до запуска агентного слоя, а не «когда выяснится, что они нужны».

Совет директоров и инвесторы. В отчётности компании, заявившей агрессивную ИИ-перестройку, ищите два сигнала. Первый — описание операционных единиц в языке функций, а не должностей: это признак реальной перестройки. Второй — структура hire-back или новых ролей вокруг эскалаций, суждения и аккаунт-менеджмента, а не возврат тех же ролей, что и до автоматизации. Это признак коррекции архитектуры, а не провала эксперимента. Если в годовом отчёте AI-инициатива описана через «сокращено N человек, сэкономлено $M», а не через «перерисованы такие-то операционные единицы и появились такие-то новые роли» — компания, скорее всего, ещё на стадии Klarna 2024 года.

Сигналы 2026 года

Три публичных индикатора покажут, превращается ли паттерн перестройки в массовую практику.

Первый — язык публичной коммуникации зрелых компаний. Если CEO начинает рассказывать не «сколько мы сократили», а «как мы перерисовали границы ответственности» — это сигнал, что урок Klarna дошёл до уровня корпоративной нормы. Пока преобладает первый язык, и кейс Block февраля 2026-го показывает, что даже после публичного откатa Klarna инерция нарратива «сокращаем людей через ИИ» сильнее, чем инерция нарратива «переписываем единицы».

Второй — структура hire-back в компаниях, прошедших цикл агрессивной автоматизации. Если возвращаемые позиции сгруппированы вокруг эскалаций, аккаунт-менеджмента и суждения — это нормальная коррекция. Если возвращаются те же роли, что и до отката, — это признание провала эксперимента. Klarna в 2025 году сделала шаг в сторону первого варианта (явно описывая возврат как работу с нестандартными случаями), но в публичной коммуникации язык всё ещё ближе ко второму.

Третий — появление новых операционных ролей, которых раньше не было: операторы агентных рабочих процессов, редакторы машинного вывода, аудиторы агентных решений, тренеры памяти агентов. Чем больше таких ролей оформляется в стабильные должности, тем понятнее, что граница между человеком и агентом стабилизировалась на конкретных функциях, а не дрейфует. Сейчас эти роли существуют у вертикальных AI-компаний и почти не существуют у энтерпрайз-клиентов, которые в массовом порядке закупают агентные платформы.

Главное

• В 2024–2026 годах три публичных кейса — Klarna, Duolingo, Block — прошли (или проходят) цикл «громкая ИИ-замена → тихая коррекция → переформулировка». Это не свидетельство провала технологии, а карта типичной ошибки.
• Граница между тем, что осталось за агентами, и тем, что вернулось людям, прошла не по сложности задачи, а по формализуемости: измеримый выход, повторяемый вход, низкая цена ошибки.
• Все три компании совершили операцию в плоскости задач — заменили людей на агентов на тех же ролях. Структурная перестройка начинается с описания операционных единиц как зон ответственности, а не должностей.
• Откат всегда вернёт людей на верхний слой суждения и эскалаций. Вопрос только в том, проходит ли этот возврат через публичный кризис коммуникации, как у Klarna, или планируется как уточнение архитектуры с самого начала.
• Метрика «процент сокращённых» — плохая прокси трансформации. Лучшая — доля формализуемого труда, покрытого агентами, плюс структура новых ролей, оформленных за тот же период.

FAQ

Что именно сделала Klarna в 2024 году с поддержкой? В феврале 2024-го Klarna в совместной публикации с OpenAI и в посте Семятковски в X сообщила, что её AI-ассистент за первый месяц обработал 2,3 млн диалогов — две трети клиентского сервиса — и выполнил объём работы, эквивалентный нагрузке 700 штатных агентов поддержки (OpenAI). К маю 2025-го компания признала, что зашла дальше, чем стоило, и возобновила найм — но на верхний слой работы с нестандартными случаями (Bloomberg).

Был ли у Duolingo полный отказ от человеческих переводчиков? Нет. В апреле 2025-го компания объявила о переходе на «AI-first» режим работы и сокращении подрядчиков, чья работа поддавалась автоматизации (The Verge). После публичной реакции — включая удаление официальных аккаунтов Duolingo из социальных сетей на короткое время — часть функций вернулась людям в виде языковых редакторов и культурных проверяющих, а сам термин «AI-first» был переформулирован к августу 2025-го (The New York Times).

Что произошло с Block? В феврале 2026-го Block анонсировал сокращение около 40% штата — примерно 4 000 человек, — связав это с интеграцией «intelligence tools» во внутренние процессы и автоматизацией повторяемого труда. Аналитики и пресса указали и на параллельный контекст: слабый крипто-рынок, давление на прибыль, удобство AI-нарратива как публичной оболочки сокращений (The Guardian). Публичного отката пока не было; коррекция, если она нужна, обычно проявляется через 6–12 месяцев.

Какая работа надёжно остаётся за агентами после всех откатов? Та, у которой измеримый выход, повторяемый вход и низкая цена единичной ошибки. Первичная обработка типовых запросов, перевод между языками с большим корпусом, рутинная аналитика по заранее определённым метрикам, кодогенерация по жёсткой спецификации. Всё остальное возвращается под человека или работает как «агент плюс человек».

Что должно быть в компании, чтобы избежать откатов? Описание ключевых функций как зон ответственности, а не должностей. Явное разделение «средней части распределения» (кандидат на агента) и «хвостов» (зона суждения). Заранее спроектированный слой эскалаций. Бюджет на новые роли, оформляемый до запуска агентного слоя, а не после. И язык внутренней и внешней коммуникации, в котором найм и автоматизация не противопоставлены, а описаны как варианты исполнения одной и той же функции.

Почему именно эти три компании, а не другие? Потому что в каждой из них публично, под именем и с цифрой, прошёл громкий шаг автоматизации, на который рынок откликнулся. Это даёт редкую возможность сравнить три отдельных компании по одной оси — что они сделали, что сказали и что вернулось обратно. Большинство аналогичных случаев в энтерпрайзе проходит без громкого публичного аккорда, и проследить откат снаружи невозможно.