Klarna tekoälyä käyttävänä yrityksenä

Maksutapapalveluiden tarjoaja Klarna saavutti 100 miljoonaa aktiivisen käyttäjän määrän huhtikuussa 2025[10]. Tämä alunperin ruotsalainen yritys on osittain yritysostojen avulla kasvattanut toimintaansa suuresti, mikä ilmenee selkeästi mukaan liittyneiden myyjien määrässä, mutta voittoa tuottavuutta ei jatkunut ensimmäisen 14 vuoden jälkeen sen laajennettua tarjoamaan palveluitaan Yhdysvaltain kuluttajille[11]. Voittoa se ei kertomansa mukaan ole tuottanut vuodesta 2018 asti, mutta vuodesta 2023 sen toimintatappiot ovat alkaneet vähentyä. Toimitusjohtajansa mukaan jokaisen kuluttajalainan yhteydessä "siirretään sivuun" hiukan rahaa "sen epätodennäköisen mahdollisuuden" varalta, että asiakas ei maksakaan sille takaisin[13].

Klarna on toimitusjohtajansa kertoman mukaan ollut kykeneväinen kutistamaan henkilöstön määrää suunnilleen 40 % ja mikä osittain johtuu investoinneista tekoälyyn[12]. Vaikka se onkin vähentänyt ihmisresursseja, se on jossain määrin palannut takaisin lisähenkilöstön palkkaamiseen, mitä sen paljon tekoälyn kyvykkyyttä monina vuosina kehunut toimitusjohtaja selittää sillä, että "chatbotit ovat halvempia, mutta ne vain eivät ole yhtä hyviä kuin ihmiset joissain töissä"[14]. Hänen mukaansa investoiminen asiakastuessa toimivien ihmisten laadukkuuteen on the way of the future for us. Aiemmin hän oli mm. Bloombergille sanonut, että hänen mielipiteenään on, että "tekoäly voi jo nyt tehdä kaikki työt, joita me ihmiset teemme"[14]. Siltikin, teknologiset muutokset tulevat hänen mukaansa jatkossakin vaikuttamaan sen henkilöstömäärään, jota on parin ja muutaman tuhannen ihmisen väliltä, aiheuttamalla sen henkilöstön määrän vähentymistä kenties kiihtyvässäkin määrin[15].

Klarna paljasti vuonna 2024 yhteistyössä OpenAI:n kanssa kehitetyn tekoälyisen avustimen asiakaspalvelutarkoituksiin, jonka suorittama työmäärä vastaa 700 tavanomaisen asiakaspalvelutyöntekijän työmäärää. OpenAI:n sivuilla olevassa asiakaskertomuksessa[16] sen on arvioitu vähentäneen keskimääräistä käsittelyaikaa asiakkaan näkökulmasta 11 minuuutista 2 minuuttiin ja on asiakastyytyväisyyden suhteen samalla tasolla kuin ihmisasiakaspalvelijoiden saamat arviot.

Sen ydinjärjestelmä ei kuitenkaan ole samalla tavoin tekoälyisyyttä painottava, josko se on käytössä ollenkaan. Se on sisäistä tuotantoa, perinteinen sellainen, sanovat[17]. Aiemmin Klarna tallensi kaiken tietämyksen SaaS-palveluihin kuten "why and what (docs), plans (slides, tickets), performance (sheets), relations (CRM), people (ERP, HR)"[18], mikä koettiin liian siiloituneeksi ja vaati "tons of Klarna spesific expertise to operate and utilize". Se tunnistettiin, että tunnetut yritystietojärjestelmät tarjosivat tärkeitä toimintoja kuten auditointi, versiointi, pääsynhallinta ym., mutta kaikki tällainen lisäsi turhaa hajautuneisuutta, joka hidasti aikaansaavuutta ja lisäsi hallinnollista taakkaa.

Muutos alkoi konsolidoinnilla; asioiden yhteenlaittamisella, tietämyksen toisiinsa kytkemisellä, siilojen poistamisella. Eräänä seurauksena oli suuren määrän SaaS-palveluiden jäämistä pois sen käytöstä, missä tavoite ei niinkään ollut lisenssimaksuissa säästäminen, vaan tietämyksen (datan) yhtenäistämisessä ja standardoinnissa. Tekoälymalleihin Klarnalla ei haluttu asiakasdataa laittaa, koska sellaisella koettiin olevan rajoituksensa. Sen sijaan kehitettiin sisäinen teknologiapino (eng. tech stack), missä käytettiin mm. graafitietokantajärjestelmä Neo4j:tä. Muutos itsessäänkin koettiin mielenkiintoiseksi ja Klarnalla koettiin toiminnan tällaisen tehostamisen hyödyn olevan nähtävissä. Tekoälyistä koodieditoria on käytetty tuottamaan nopsaan uusia käyttöliittymiä ja interaktioita täten uudella tavalla tallennetun tiedon hyödyntämiseksi.[19]

Klarnalla on sen työntekijöiden käyttööön generatiivinen AI, Kiki nimeltään, jota he käyttävät päivittäisissä tekemisissään ja joka sekin hyödyntää OpenAI:tä (sen kielimalleja). Klarnan mukaan jopa 87 % heistä käyttää sitä päivittäin, joita ei-teknillisissä ryhmissä ovat mm. kommunikointi, markkinointi ja lakiasiat. Kiki otettiin käyttöön kesäkuussa 2023 ja se koetaan välttämyydeksi, mikä ilmenee mm. sisäisen tiedon hallinnassa ja leviämisessä, toteuttaen täten myös Klarna sitoutumista avoimeen toimintakulttuuriin ja vapaaseen informaation kulkuun. Kiki generoi vastauksia laajasta aihepiirien joukosta yhdestä viiteen sekunnnissa, mikä täten kultivoi itsesetviväistä ja autonomista toimintakulttuuria, jossa työntekijä voi selvittää ongelmatilanteet itsenäisesti. Tämäkin on Klarnalle toiminnan tehostamista ja joka myös vähentää hallinnollisia tehtäviä ja vapauttaa sen työntekijöitä keskittymään strategisiin ja luoviin tehtäviin. OpenAI:n käyttömahdollisuuksien löytämisessä Klarnalla halutaan pitää kaikki työntekijät motivoituneina löytämään sellaisia ("We push everyone to test, test, test and explore."), josko siten saataisiin vietyä liiketoiminta "uudelle tasolle".[1]

Luototuspäätöksien pisteytysmallit ja teknologiapino koneellisen päätöksenteon muodostamiseen

Pisteytysmallit ovat tärkeitä niin Klarnalle kuin vaikka Nordeallakin[6]niiden arvioidessa maksukyvyttömyystodennäköisyyttä. Vuoden 2024 vuosikertomuksessaan Nordea kertoo niiden olevan "tilastollisia menetelmiä" ja esittää taulukkomuodossa tietoa, jonka mukaan "henkilöasiakkaista 90 prosenttia (93) pisteytettiin vähintään luokkaan C- (asteikolla A+ – F-, jossa A+ on paras ja F- heikoin luokka)". Klarnan "Risk Management and Capital Adequacy Report"-raportin mukaan (2018) "Klarna's proprietary scorecards allow it to control the level of credit risk taken on in the underwriting process." ja missä pisteytysmallit on soviteltu erikseen maakohtaisesti.

Pisteytysmalli sanana kuulostaa juurikin siltä, että kaikille asiakkaille voidaan määrittää arvo jokaiselle pisteytysmallin osoittamalle seikalle, eivätkä nämä seikat välttämättä rajaudu tavanomaisuuksiin kuten asuinpaikkakunta, ikä ja bruttotulot, vaan koneoppimisen avulla näitä seikkoja voi olla lukemattomia määriä. Yrityskohtaisesti kertyneestä datasta voi tehdä tarkentavia päätelmiä ja luototuspäätöksien avuksi voidaan hankkia viimeisintä jotain tietoa esim. asiakastuntemusyrityksiltä kuten Asiakastieto, joka hankkii tietoaan mm. Positiivisesta luottotietorekisteristä ja joka taasen sisältää luottotietoja muiltakin luotottajilta.

Pyrkiessään sekä tehokkuuteen, että riskienhallintaan, Klarna tehnee jokaisen luototuspäätöksen yhteydessä Klarna-tapaisen kattavan selvityksen luototettavuudesta. Tehokkuuden ja eksaktiin varmuuteen pyrkivyyden nimissä Klarna saattaisi olla tyystin käyttämättä yksinkertaista vertailevuutta ja antaa tietojärjestelmiensä muodostaa tapauskohtaisesti uuden koneellisen näkemyksen siitä, minkälaista koneellista tietämystä tarvittaisiin tai voitaisiin tarvita sillä kertaa ja mikä sitten vaikuttaisi arviointialgoritmeihin ja muihin osavaiheiseen.

Klarna on kertonut käyttämistään teknologisista ratkaisuista varsin tarkkaankin. Eräinä näistä ovat mm. Apache Flink ja Amazon Kinesis Data Analytics[7][8]. Asiasta alustavan tuntuman saamiseksi on pyydetty tekoälyä käymään lävitse asiasta kertova YouTube-video "AWS re:Invent 2024 - Klarna: Accelerating credit decisioning with real-time data processing (FSI319)"[9], josta saatiin tietona seuraavat oleellisuudet (editoimattomana, mitä tekoäly sanoi):

• Päätökset millisekunnissa: Järjestelmä tekee riskinarvion jokaisesta ostosta saadakseen "ajan tasalla olevimman näkymän asiakasprofiilista ostohetkellä" [08:27]. Tämä tarkoittaa, että luottorajasi ei ole kiinteä, vaan se on jatkuvasti dynaaminen ja voi muuttua sekunneissa.
• Välitön reagointi: Malli on nimenomaan suunniteltu reagoimaan heti. Klarna haluaa, että jos asiakas maksaa vanhan velan pois, seuraava ostos sallitaan helpommin – tai vastaavasti, jos asiakas tekee uuden riskialttiin toimenpiteen, seuraava ostos estetään tiukemmin [12:34–12:47].
• Innovoinnin pysähtyminen: Vanha arkkitehtuuri oli hidas ja monimutkainen (eroja reaaliaika- ja eräkäsittelyssä), mikä johti siihen, että ominaisuuksien suunnitteluinnovaatio (feature engineering) käytännössä pysähtyi [18:04–18:13]. Klarna oli "jumissa samoissa ominaisuuksissa pitkän aikaa."
• Tarkoituksellinen uudistus: Uusi arkkitehtuuri (jossa on erotettu liiketoimintalogiikka (Business Logic Library) sovelluksen ajonaikaisesta ympäristöstä [22:34]) nimenomaan poistaa tämän kitkan. Tämä tarkoittaa, että uusia, tarkempia (ja tiukempia) pisteytyslogiikoita voidaan ottaa käyttöön paljon nopeammin kuin koskaan ennen.
• Uusi logiikka, koko historia: Uusi järjestelmä mahdollistaa uusien ominaisuusmääritysten (eli uuden pisteytysmallin logiikan) soveltamisen olemassa olevaan ja historialliseen dataan [35:44].
• Muutosten vaikutusanalyysi: Ennen kuin Klarna ottaa käyttöön uuden (mahdollisesti tiukemman) pisteytysmallin, he suorittavat Change Impact Analysis -analyysin [32:30]. Tämän avulla he näkevät, miten uusi malli olisi vaikuttanut asiakkaisiin, jos se olisi ollut käytössä esimerkiksi kaksi vuotta sitten.
• Välitön käyttöönotto: Kun uusi, tiukempi riskiprofiili päätetään ottaa käyttöön, Klarna käyttää State Backfill -prosessia [37:18] repopuloimaan koko reaaliaikaisen tilatietokannan (DynamoDB) tällä uudella logiikalla.

Siinähän sitä sanotaankin, että luottoraja voi muuttua jopa sekunneissa asiakasprofiilin uudelleenarvioinnin vuoksi. Pisteytyslogiikkaakin voidaan ottaa käyttöön "nopeammin kuin koskaan ennen" ja mitä voidaan soveltaa "olemassa olevaan ja historialliseen dataan".

Koneellisen päätöksenteon biasoituneisuus ja vajeellisuudet

Luotottamisessa käytettäviä pisteytysmalleja on yleisemminkin kriitisoitu niiden biasoituneisuudesta ja suorastaan epäreiluudesta[5], eikä Klarna-tapaisesta näkemyksien muodostamisesta ole jäänyt harmituksien tuntemuksien ja ihmettelyjen aiheet pois ennen, eikä jälkeen järjestelmäuudistamisiensa.

Aiempina vuosina sitä on voinut joutua kummastelemaan esim. sitä, miten Klarna on ensin antanut tehdä "maksa osissa"-tyyppisiä ostoksia aina jonnekin esim. 400 euroon asti, mutta sitten jokseenkin yhtäkkisen tuntuisesti tämä raja onkin asettunut jonnekin 200 euron alapuolelle, minkä jälkeen saattoi tehdä vielä joitakin vähäisiä "maksa kuukauden kuluttua"-ostoksia tai sitten ei edes niitäkään. Tällainen on jyrkkä muutos ottaen huomioon, että omassa tulotasossa, asuinpaikkakunnassa tai muissa "perusasioissa" ei ollut tapahtunut muutosta, joka voisi selittää moista. Järkeilyn kannalta lisää hämmennystä aiheutuisi siitä, että takaisinmaksaja olisi maksanut 400 euroon asti noussutta ostoksiensa kokonaissummaa takaisin noin 80 eur per kuukausi -tahtiin ja sitä ennen pienempi kokonaissummia noin 20 - 30 euroa kuukaudessa keskittyäessään jonkin aikaa käyttämään rahojaan johonkin muualle ja palatakseen sitten takaisin maksamaan pikaisemmin loput Klarna-ostoksista. Tietenkin takaisinmaksaja olettaa, että Klarna suhtautuisi takaisinmaksun logiikkaan samalla intuitiolla kuin takaisinmaksajakin, sillä onhan se asiakaskokemuksenkin kannalta aika heikko suoritus, jos Klarnan liiketoiminnalliset suunnanmuutokset tai järjestelmien toiminnan konfigurointi aiheuttavat asiakkaassa "eihän tämä näin voi mennä"-tuntemuksia. Tuolloin ei vielä edes ollut Positiivista luottotietorekisteriä, eikä samoihin aikoihin ollut muille tahoille maksettavana osamaksuja takaisinpäin, joten vika, jos sen sellaiseksi luonnehtii, oli ihan Klarnan aiheuttamaa.

Nykyisellään (toukokuussa 2026) Klarna antaa selityksenä omituisuuksien tuntuisuuksille luototuspäätöksissään tällaista selitteitä:

"Luotonmyöntäjän riskipisteet eivät koskaan riipu vain yhdestä henkilöstä, vaan koko Klarnan asiakaskannan riskiprofiilista."

"Vaikka sinulla ei olisi ollut maksuhäiriömerkintöjä, ulkopuolisten luottotietoyhtiöiden sinusta antama arvio saattoi muuttua."

"Luottorajasi ei ole kiinteä, vaan se on dynaaminen. Se voi muuttua sekunneissa sen perusteella, mitä uutta dataa malli on oppinut koko verrokkiryhmästä (eikä vain sinusta) tai mitä uusia luottotietoja se saa ulkoisista lähteistä juuri sillä hetkellä."

Mahtaisipa esim. opiskelijaa ihmetyttää, jos ensin voi totuttautua siihen, että oppikirjoja voi ostella Klarnalla siihen tahtiin, että takaisinmaksettavan määrä saavuttelee toistuvasti esim. 200 euroa, välillä osamaksuilla vähemmäksi saatuna ja sitten jotain uusia oppikirjoja lisää ostaen, kunnes jonakin kertana huomaakin, että vaikka maksettavaa olisi vain 80 euroa, ei edes yhtä 16 euron kirjaa voi ostaa edes siten, että maksaa sen 30 päivän kuluttua. Ottaen huomioon, kuinka Suomen valtion talous aiheuttaa monenlaisia leikkauksia mm. opiskelijoiden käytettävissä oleviin tuloihin ja palveluihin, sellainenkin sitten muokannee "sekunneissa" Klarnan koko asiakaskannan "riskiprofiilia"? Tätä ounastelua ei ole laajalti koeteltu, joten sinänsä se on spekulointia, joka perustuu henkilökohtaisiin kokemuksiin ja saatavilla olleisiin kuulopuheisiin.

Voinee joka tapauksessa olettaa, että jos esim. opiskelijalla on ollut ennen Positiivisen luottotietorekisteriä laajempaa käyttöönottoa luottotili mm. opiskelussa ja arjessa tarvittavien laitteiden hankintaa varten johonkin verkkokauppaan, eikä Klarnalla ole ollut siihen dataan pääsyä, Klarna ym. samantapaiset eivät ole kokeneet jotain asiakasta riskitapaukseksi, sillä hän on maksanut "ihan tavallisesti" osamaksuja niille, mutta kun tuon jonkun luottotilin tiedot ovat alkaneet näkyä Positiivisessa luottotietorekisterissä, Klarnan järjestelmät eivät ole osanneet tehdä mitään muuta päätöstä kuin sen, että "riskiä on", vaikka asiakas on maksanut sekä Klarnalle, että sille toisella luotottajalle osamaksujaan ilman ongelmia.

Edellisen esimerkin tapauksessa ongelman aiheuttaa Positiivinen luottotietorekisteri, josta hankitaan olevinaan laadukkaan päätöksenteon tueksi dataa, mutta mistä ei erotu mitenkään luottojen käyttäjän järkeilemiset kuten se, että jotain luottotiliä käytetään vain pitkän aikaa käytössä olevien laitteiden hankintaan ja joissa voi olla useamman vuoden mittaiseksi aikeiltu maksuaika, Klarnan tms. ollessa vähäisemmän hintaisiin osteluihin käytetty kuluttajaluottojen tarjoaja. Kaikki olisi mennyt ihan riittävän hyvin asiakkaan kannalta ellei Positiivinen luottotietorekisteri olisi tullut siihen häsläämään tai siis, elleivät poliitikot olisi jankuttaneet siitä, kuinka on tärkeää ja hyödyllistä, että ihmiset "eivät elä yli varojensa" yms. Eli tältäkin osin poliitikot mokasivat, koska eivät ajatelleet ihmisten käyttäytymistottumuksia kovinkaan kummoisesti.

Klarnan omissa materiaaleissa todetaan petoksien tunnistamisesta mm., että "we use machine learning extensively in fraud detection", "AI helps fight fraud patterns in real time" ja "our models adjust dynamically to new fraud signals", mutta vaikka Klarnan "ydinjärjestelmä" petosten tunnistamisesta erillisen luototuspäätöksien osalta ei olisikaan tekoäly-painotteinen, vaan "perinteisempi", sen laskelmoinnissaan käyttämiä "datapisteitä" on valtava määrä ja niiden prosessointi on erittäin nopeaa, joten tekoälyä enemmän tai vähemmän, koneellinen päätöksenteko tulee tehdyksi yhdessä hujauksessa. Siinä samalla tulee tehtyä profilointia, mikä tarkoittaa mm. "tiettyjen henkilökohtaisten asioiden arviointia esimerkiksi analysoimalla tai ennustamalla henkilökohtaisia mielenkiinnon kohteitasi kuten ostosmieltymyksiä tai analysoimalla taloustietojasi"[4].

Tietosuojavaltuutetun toimiston verkkosivut eräänä tietolähteenä kertovat siitä, milloin automaattinen päätöksenteko on sallittua ja mistä voi lukea sallivuuden muodostuvan mm. sopimuksen tekemisen välttämättömyydestä ja erillisestä suostumuksen antamisesta. Vaikka sellaistakin vaaditaan, että on tarjottava "yksinkertaisia tapoja vaatia ihmisen osallistumista tietojen käsittelemiseen, esittää oma kantansa ja riitauttaa päätös", ei ihmisasiakaspalvelijan kanssa tekstitse chattaaminen todennäköisesti johda siihen, että saa selvityksen datapisteiden laskennassa käytetyistä algoritmeistä, mutta se voi toki olla mahdollista (yleisesti ottaen), että esim. tulotiedot ovat jostain syystä väärät.

Klarnan sivuilla mainitaan, että profilointiin sisältyy "tietojen vertaamista muiden asiakkaidemme mieltymyksiin, jotka ovat käyttäneet palveluitamme samalla tavalla", missä erityisesti "samalla tavalla" herättää mietteitä siitä, kuinka laaja koneellinen, vertailtavissa oleva päätelmä voikaan Klarnan tapauksessa olla? Kyetäänkö siinä "normalisoimaan" erilaisten aikakausien aikaiset ostelut eli esim. "korona-vuosina" tehdyt ostokset vs. niiden jälkeen tehdyt? Tehdäänkö koneellisia ounasteluja siitä, missä jonkin ostoksen tuleva käyttöpaikka voisikaan olla ja minkälainen kyseisen ihmisen täytyy olla, jos hän sellaisen jonkinlaisen ostaa ja vieläpä siihen erääseen kellonaikaan yömyöhään? Voivatko aiempien kaltaisten ostoksien ostamiset muiden tekeminä jossain tietyllä asuinalueella vaikuttaa siihen, kuinka jokin muu samankaltaisiin käyttötilanteisiin mahdollisesti soveltuvat ostokset vaikuttaa sen asiakkaan ostoksiin, joka asuu eri paikkakunnalla kuin nuo muut? Voiko pelkkä suurinpiirteinen vuokra-asuntojen hintataso asuinalueella vaikuttaa luotettavuuspäätökseen? Tunnistetaanko ostoimpulssien taustavaikuttimet ja osataanko erottaa ne toisten saman henkilön ostamispäätökseen vaikuttavista tekijöistä? Seurataanko Klarnalla miten tarkkaan, minkälaisia myyntikampanjoita jossain taholla on meneillään tai saako se kenties suoraan tiedot esim OVT:n (Organisaatioiden välinen tiedonsiirto) tai EDI:n (elektroninen tiedonsiirto, eng. Electronic Data Interchange) avulla?

Voinee olettaa, että Klarnalla tehtäessä järjestelmätestausta, ei voida luottaa ehdottomasti siihen, että kokenutkaan datatieteilijä voisi yksinään tai työnjaollisesti muodostaa täyden varmuuden siitä, että biasoituneisuutta, vajeita tai vääriä laskentakaavoja ei järjestelmän toimintaan jäisi, joten oletettavasti tekoälyn puoleen on käännytty ainakin tuhansien, kenties miljoonien, testitapausten generoimiseksi. Niiden ajamisesta saatujen raporttien perusteella järjestelmää voidaan koodata ja konfiguroida uudelleen, mutta tuleeko siltikään taatuksi se, että jotain kattavaa ja riittävän täydellisestä saatiin aikaan?

Säädöksien mahdollista rajoittavuutta ei välttämättä voi "kovakoodata" päättelylogiikkaan mukaan, sillä vaikkeivat säädökset kuten GDPR tarkkaan määrittele sitä, mihin tarkkuuteen asti jonkin asian suhteen voi tietoa suorasti tai epäsuorasti kerätä, käyttötarkoitukseen suhteellistumisen salliutuvuus ei välttämättä käy yhtä lailla määriteltävissä olevaksi esim. asiakas-, tuote- tai "tilanne"-kohtaisesti, vaan pätevä käyttötarkoitus voi ilmentyä vasta myöhemmällä ostoskerralla.

Sinänsä voisi luulla, että yhdelle ihmiselle aiheutunut jyrkän muutoksen tunne Klarnan päätöksenteossa aiheutuisi oletettavasti monille muillekin ja se taasen olisi pitänyt tulla huomautuksi myös Klarnalla ja vaikka Iltalehdessä, jos sinne asti joku joutaa mietteitään kertomaan. Onhan sellainen oudoksuttavuutta aiheuttavaa, jos esim. sille jollekin opiskelijalle jää kuukaudessa harkitun rahankäyttönsä vuoksi 250 euroa "ylimääräistä" rahaa, mutta Klarnalla todetaan, että "et voi maksaa tätä 30 euron ostosta kolmessa osassa, mutta voit kokeilla jotain toista maksuvaihtoehtoa ja kun hän sitten kokeilee maksavansa 30 päivän kuluttua, ei sekään kävisi, koska "Klarna haluaa huolehtia siitä, että asiakkaamme eivät ylittäisi takaisinmaksuvalmiuttaan" tjs. Niin, voisi kuvitella, että tällainen aiheuttuisi sitä, että kenties useampikin ottaisi yhteyttä esim. Iltalehden toimitukseen kenties pyyntönä selvitellä, miten moinen voi olla mahdollista.

"Olen erittäin tyytyväinen, että tämä merkittävä uudistus on tulossa maaliin. Positiivisella luottotietorekisterillä on jatkossa tärkeä rooli ylivelkaantumisen torjumisessa, joka on yksi tämän hallituksen keskeisistä tavoitteista", oikeusministeri Anna-Maja Henriksson sanoo.[2]

Hallitus on jälleen määrätietoisesti toteuttanut yhden hallitusohjelman mukaisen linjauksen. Positiivisen luottotietorekisterin tarkoitus on torjua ylivelkaantumista ja tuoda apua ihmisten talouden hallintaan. "Rekisterin tarkoituksena on ennen kaikkea luotonanto. Sen avulla luotonantaja pystyy jatkossa arvioimaan paremmin henkilön maksukykyä maksaa luotot ajallaan. Tämä taas hillitsee ylivelkaantumista, joka viime vuosien aikana on kasvanut huomattavasti.", Werning toteaa.[3]

Mitenkä Klarnalla yrityksenä menee?

New Yorkin pörssiin listautumisesta syyskuussa 2025 ei mennyt montaakaan viikkoja, kun sen arvosta oli kadonnut neljäsosa ja helmikuuhun 2026 mennessä se oli vajonnut jo syvälle, mistä sen on ollut vaikeuksia nousta vielä toukokuussakaan. Klarnan osakkeen hintakehityksestä saa tuntumaa mm. investing.com ja investors.klarna.com.

Klarna Group Plc saw its stock drop below its initial public offering (IPO) price for the first time on Friday, weeks after its highly anticipated debut. The Swedish buy-now-pay-later provider fell 7.7 percent to close at $38.31, slipping under the $40 IPO level and erasing much of the early momentum from its September 10 listing.[20]

When one approach says undervalued and another suggests the opposite, the real question for you is which assumptions around growth, margins, and risk feel more realistic.[21]

Simply Wall St -sivustolla oleva Sankey-diagrammi "Revenue & Expenses Breakdown"[22] on tavallaan julmaa katseltavaa, sillä jos minään vuotena "Earnings" on plussalla, se on ohuena juovana verrattuna siihen, kuinka "Expenses" vie lähes kaiken.

Mihinkähän Klarnan toimitusjohtajan virtuaalisesta AI-avatarista kertova pressijulkaisu-viesti [26]on kadonnut? On listattuna pressisivuilla, mutta siitä aukeaa vain 404-virhesivu.

Initially rolling out in the United States and Sweden, the new hotline provides a one-to-one conversational link between customers and Siemiatkowski's AI clone. As well as providing a feedback loop, ‘AI Sebastian’ can also answer questions about Klarna’s vision and mission, and speak about its founding story and journey so far.[24]

According to The Verge, the hotline allows users—both consumers and merchants—to engage with an interactive AI version of Siemiatkowski, trained on his real voice, insights, and experiences, creating a surreal yet accessible touchpoint for the brand.[25]

The AI hotline, however, takes personalization to an unprecedented level, offering users a chance to “speak” directly with a virtual CEO about product features, issues, or suggestions for improvement.[25]

Sebastian Siemiatkowski, CEO and co-founder of Klarna: “For decades, customer feedback has been a dull, tedious exercise with filling out forms, rating experiences on arbitrary scales, and completing surveys no one ever reads. We’re changing that. Our new approach transforms feedback into a natural, real-time conversation that’s both engaging for customers and actionable for our teams. Now, customers can simply speak their minds, and their insights are delivered to the right people internally in real time, for them to fix."[26]

Each conversation generates an instant transcript and concise summary, automatically analyzed by a large language model (LLM), populating an internal live feed and innovation dashboard. Klarna’s product and engineering teams then review these actionable insights immediately, assigning priority tasks. Depending on the issue, consumers’ suggestions raised today could translate into tangible product improvements already the following day.[26]