Die Achtunddreißig-Punkte-Lücke

2024 lag der Unterschied bei der KI-Einführung zwischen großen und kleinen EU-Unternehmen bei 30 Prozentpunkten. 2025 sind es 38. Die Werkzeuge wurden billiger. Die Oberflächen wurden einfacher. Die Lücke wurde größer.

Das ist keine Prognose. Das ist eine Messung. Die Eurostat-Mitteilung vom 11. Dezember 2025 weist aus, dass 55 % der Großunternehmen (ab 250 Beschäftigten) 2025 KI-Technologien nutzten, gegenüber 17 % der Kleinunternehmen (10-49). Ein Jahr zuvor zeigte dieselbe Erhebung 41 % und 11 %. Die Lücke wurde in dem Jahr größer, in dem sich die Werkzeuge demokratisieren sollten.

Das ist kein Bewusstseinsproblem. Es ist ein Architekturproblem.

Was die Zahlen sagen

Die Eurostat-Gemeinschaftserhebung zur IKT-Nutzung in Unternehmen ist die europäische Referenz. Stichprobe: rund 157 000 Unternehmen in allen 27 Mitgliedstaaten, ab 10 Beschäftigten. Die Welle 2025 wurde am 11. Dezember 2025 veröffentlicht. Die Schlagzeile — 20 % der EU-Unternehmen nutzen KI — wurde überall wiederholt. Die Aufschlüsselung nach Größe nicht.

Hier die Daten nach Größenklasse, Jahr für Jahr:

Kleine Unternehmen sind von 11 % auf 17 % gestiegen — sechs Punkte Wachstum. Große Unternehmen sind von 41 % auf 55 % gestiegen — vierzehn. Mittlere (50-249) sind von 21 % auf 30 % gestiegen. Jede Größenklasse ist gewachsen. Die größte ist am schnellsten gewachsen.

Der Ipsos-Bericht Making AI Work for Europe, im Auftrag von Google im März 2026 von Reece Decastro und Nathan Bransden veröffentlicht, benennt das Muster in einem Satz: „Große Unternehmen sind deutlich eher bereit, KI einzuführen als kleine und mittlere Unternehmen (KMU), und diese Lücke hat sich von 30 Prozentpunkten 2024 auf 38 Prozentpunkte 2025 vergrößert.” Die Autoren stützen sich auf rund 70 Studien und 15 Experteninterviews in 13 EU-Mitgliedstaaten. Sie kommen zur selben Schlussfolgerung wie die Eurostat-Mikrodaten und benennen sie.

Die EIB-Investitionserhebung 2025 — andere Methodik, KI-Werkzeuge nach Marke statt nach technischer Kategorie — weist 28 % der KMU und 44 % der Großunternehmen als KI-Nutzer aus. Andere absolute Zahlen. Dieselbe Form. KMU hinken hinterher, und die Lücke schließt sich nicht.

Die Geografie der Lücke ist genauso scharf wie die Größenklasse. Die länderspezifischen Eurostat-Zahlen für 2025 reichen von 42 % in Dänemark, 37 % in Finnland, 35 % in Schweden — bis zu 5 % in Rumänien, 8 % in Polen, 8 % in Bulgarien, 9 % in Griechenland. Die Varianz ist nicht zufällig. Sie folgt der digitalen Infrastruktur, nicht dem BIP. Dasselbe nach Sektor: 63 % der Unternehmen aus Information und Kommunikation nutzen KI; 40 % der professionellen, wissenschaftlichen und technischen Dienstleistungen; 17 % der Industrie; 11 % von Transport und Lagerung; 11 % vom Bau. Das OECD-Diskussionspapier vom Dezember 2025 zur G7-Ministertagung Industrie, Digitales und Technologie in Montreal beobachtet dasselbe Muster über die G7-Volkswirtschaften: 40 % der Unternehmen mit 250 oder mehr Beschäftigten nutzten 2024 KI, gegenüber 20,4 % der Unternehmen zwischen 50 und 249 und 11,9 % zwischen 10 und 49. Die Ländernamen ändern sich. Die strukturelle Form nicht.

Warum die Lücke größer wird, wenn die Werkzeuge leichter werden

Die Intuition sagt: leichtere Werkzeuge schließen Lücken. Eine Chatbot-Oberfläche bleibt eine Chatbot-Oberfläche, ob der Nutzer bei Siemens sitzt oder in einem 30-Personen-Logistikbetrieb in Tarragona. Die Lizenzen kosten ähnlich. Die Cloud-APIs sind identisch.

Die Intuition ist falsch, und der Grund ist strukturell.

Große Unternehmen haben drei Dinge, die kleine nicht haben. Das Erste ist eigene digitale Infrastruktur. Ein 500-Personen-Hersteller hat eine IT-Abteilung, die Werkzeuge prüft, Integrationen verwaltet, Sicherheitsprüfungen erledigt und die Kosten in eine bestehende Budgetposition aufnimmt. Ein 30-Personen-Logistikunternehmen hat eine einzige Person, die die Telefonanlage, das CRM und die Drucker betreut — und von der nun verlangt wird, KI-Werkzeuge zu prüfen, als Unterbrechung ihrer eigentlichen Arbeit.

Das Zweite sind Daten. Das OECD-Diskussionspapier AI adoption by small and medium-sized enterprises, im Dezember 2025 von Flavio Calvino und Kollegen für die G7-Ministertagung in Montreal veröffentlicht, listet vier Treiber der KI-Einführung auf: Konnektivität, KI-Inputs, Kompetenzen und Finanzierung. KI-Inputs bedeuten Daten — strukturiert, zugänglich, in ausreichendem Volumen, ausreichend kuratiert, um ein Modell zu speisen. Große Unternehmen haben diese Schwelle vor zehn Jahren überschritten, mit der Einführung von ERP-Systemen und Cloud-Data-Warehouses. Die kleinen meist nicht. Ein KI-Werkzeug, das strukturierte Eingaben braucht, kann mit einem Whiteboard nichts anfangen.

Das Dritte ist die Fähigkeit, einen Anwendungsfall zu definieren. Der Bericht IA Révolution der Bpifrance von 2024 stellte fest, dass 72 % der KMU-Führungskräfte in Frankreich noch keine praktische KI-Anwendung für ihr Geschäft haben. Nicht „haben noch nicht eingeführt” — haben keine. Der Anwendungsfall selbst existiert in ihrem Kopf nicht. Sie haben von KI gehört. Sie können nicht auf die Aufgabe zeigen, die KI ersetzen würde.

Wenn die Werkzeuge einfacher werden, kommen diejenigen, die schon Infrastruktur, Daten und einen Anwendungsfall hatten, schneller voran. Diejenigen, die keines der drei hatten, stehen noch dort, wo sie standen. Billigere Werkzeuge erzeugen keine Anwendungsfälle. Einfachere Oberflächen erzeugen keine strukturierten Daten. Eine reibungslose API gibt einem 30-Personen-Unternehmen nicht den Spielraum, einen Arbeitsablauf zu entwerfen.

Die Lücke wird größer, weil die Voraussetzungen zuerst größer werden.

Die Kompetenzgeschichte ist die halbe Geschichte

Die Hälfte jeder EU-Politikdebatte über die Einführungslücke verweist auf Kompetenzen. Der Ipsos-Bericht zitiert eine OECD-Erhebung in vier G7-Ländern: 50 % der KMU berichten, dass ihre Beschäftigten die Fähigkeiten zur Nutzung generativer KI fehlen. Die eigene D4SME-Erhebung der OECD, mit fast 1 000 Befragten in sechs G7-Ländern, fand über 50 %, die Wissenslücke zur Nutzung generativer KI als Hindernis nennen — mit starker nationaler Streuung, von 80 % in Japan bis 40 % im Vereinigten Königreich und Deutschland.

Die Zahl ist real. Sie ist auch unvollständig.

Eine Public-First-Umfrage unter europäischen Führungskräften, ebenfalls im Ipsos-Bericht zitiert, fand nur 14 %, die „uns fehlt die Expertise zur Einführung von KI” nennen, und 12 %, die „uns fehlen die Fähigkeiten zur Nutzung von KI” als Haupthindernisse nennen — deutlich unter Cybersicherheitssorgen (26 %), Ungenauigkeit (24 %) und Kosten (22 %). So gefragt, sind Kompetenzen das beherrschende Hindernis. Anders gefragt, sind sie ein Hindernis unter mehreren.

Was die Daten wirklich zeigen, wenn man sie über die Erhebungen hinweg liest statt innerhalb jeder einzelnen: Kompetenzen korrelieren mit Einführung, aber Kompetenzen liegen stromabwärts der Struktur. Ein für den Ipsos-Bericht befragter Wissenschaftler sagt es direkt: „Es ist nicht die Größe… es hat wirklich mit digitaler Reife zu tun.” Ein belgischer Thinktank-Vertreter in derselben Studie: „KMU sind schon bei der Basisdigitalisierung langsamer, deshalb ist es noch schwerer, KI darauf aufzubauen.”

Die OECD-Erhebung fügt die operative Tatsache hinzu, die alles bestimmt: weniger als 30 % der KMU, die bereits generative KI nutzen, berichten, dass ihre Beschäftigten an KI-bezogenen Schulungen teilnehmen. Die Spanne reicht von 11,3 % in Japan bis 29,4 % in Kanada. Das Schulungsproblem ist nicht, dass die Schulung fehlt. Das Schulungsproblem ist, dass die Zeit fehlt, sie zu besuchen — weil KMU keine Beschäftigten aus umsatzbringenden Tätigkeiten freistellen können, um zu lernen. Die Kompetenzlücke ist zum Teil eine Zeitlücke, die sich als Eignungslücke ausgibt.

Eine strukturelle Lücke schließt man nicht mit Sensibilisierungskampagnen. Man schließt sie mit Architektur.

Was Architektur konkret bedeutet

Im KMU-Kontext ist „Architektur” keine Folie mit fünf Kästchen und Pfeilen. Es sind vier operative Entscheidungen, der Reihe nach getroffen.

Eins: Datenbereitschaft. Vor jedem KI-Werkzeug muss das Unternehmen wissen, welche Daten es hat, wo sie liegen, wie sie fließen und was fehlt. Die meisten KMU können diese vier Fragen am Montagmorgen nicht beantworten. Der erste Monat einer KI-Einführung ist kein Modell. Es ist ein Datenaudit: Rechnungen, Kundendaten, Lieferanteninformationen, Betriebsprotokolle. Wo liegen sie. Wie sind sie gespeichert. Wer ist Eigentümer. Was ist kaputt. Bis das nicht kartiert ist, steht jedes KI-Werkzeug auf einem Fundament, das niemand geprüft hat.

Zwei: ein definierter Anwendungsfall, schmal genug zum Ausliefern. Nicht „Kundenservice mit KI verbessern”. Eine konkrete Aufgabe, eine konkrete Person, eine konkrete Frequenz: eingehende Kunden-E-Mails nach Dringlichkeit klassifizieren, an das richtige Team weiterleiten, innerhalb von sechzig Sekunden, Eskalationsrate wöchentlich messen. Die OECD-Taxonomie im selben Dezember-2025-Papier unterscheidet KI-Anfänger, KI-Erkunder, KI-Optimierer und KI-Champions. Der Sprung vom Anfänger zum Optimierer geschieht nicht, weil sich die Werkzeuge verbessern. Er geschieht, weil ein konkreter Anwendungsfall ausgeliefert wird und dann ein zweiter. Anwendungsfälle bauen aufeinander auf. Strategien nicht.

Drei: rollenspezifische Einführung. KI-Werkzeuge werden nicht an ein Unternehmen ausgerollt. Sie werden an eine Rolle ausgerollt. Die Person, die Rechnungen klassifiziert, braucht ein anderes Werkzeug, eine andere Oberfläche und ein anderes Training als die Person, die Kundenkommunikation schreibt. Ein einziger „KI-Rollout”, der sich an „das Team” richtet, produziert eine einzige Abbruchsrate: hoch. Rollenspezifische Einführung — eine Rolle nach der anderen, mit geprüftem Arbeitsablauf, für diesen Ablauf konfiguriertem Werkzeug und für die Nutzung in der echten Arbeit geschultem Nutzer — produziert Einführung. Das ist keine methodische Vorliebe. Es ist das, was der Bestand an KMU-Fallstudien zeigt.

Vier: Einführungsmessung ab Tag eins. Nicht „haben wir es ausgerollt”. Haben die Leute es letzte Woche genutzt, in ihrer echten Arbeit, für die Aufgabe, für die es gedacht war. Tägliche aktive Nutzung pro Rolle. Wöchentliche Ergebniskennzahl — weniger Eskalationen, kürzere Durchlaufzeiten, präzisere Prognosen. Der Ipsos-Bericht verbindet das mit organisatorischer Kapazität: „KI-Wertschöpfung hängt von organisatorischer Kapazität ab.” Ein Werkzeug, das letzte Woche niemand benutzt hat, hat letzte Woche keinen Wert geschaffen, egal was dafür bezahlt wurde.

Diese vier sind kein Transformationsprogramm. Sie sind die Mindestarchitektur für ein einziges ausgeliefertes KI-Werkzeug. Die Unternehmen in den 17 % haben den Kreis bei diesen vier Punkten geschlossen. Die in den 83 % nicht — und die Gründe dafür sind strukturell, nicht motivational.

Ein konkretes Beispiel

Eine konkrete Form klärt die Abstraktion. Ein 40-Personen-Spezialhersteller im Norden Portugals — realer Typ, anonymisiert — wollte „KI nutzen” für den Kundenservice. Das erste Gespräch brachte das eigentliche Problem hoch: ein einziger Betriebsleiter verbrachte vier bis sechs Stunden pro Woche damit, Kunden-E-Mails nach Dringlichkeit zu sortieren und an das richtige Werkstattteam weiterzuleiten. Das Volumen stieg. Der Betriebsleiter war der Engpass.

Das ist der Anwendungsfall. Nicht „KI für Kundenservice”. Eingehende Kunden-E-Mails nach Dringlichkeit sortieren, nach Produktfamilie klassifizieren, an das richtige Team weiterleiten, Antwortzeit messen. Eine Rolle. Eine Aufgabe. Messbar in einer Woche.

Das Datenaudit dauerte fünf Arbeitstage. Die E-Mails lagen in einem geteilten Postfach. Die Produkttaxonomie lag im ERP. Die Weiterleitungsregeln lagen im Kopf des Betriebsleiters. Zwei der drei waren nicht in strukturierter Form — die Weiterleitungsregeln mussten in einer Halbtags-Sitzung mit dem Betriebsleiter extrahiert, aufgeschrieben und in ein Klassifikationsschema überführt werden. Das Schema ist das eigentliche Liefergut der ersten Woche. Das Modell ist das Liefergut der zweiten.

Das Werkzeug, als es ausgeliefert wurde, war klein. Es las eingehende E-Mails, wandte das Schema an, vergab eine Dringlichkeitsstufe und eine Produktfamilie und schob die Nachricht in die Warteschlange des richtigen Teams. Der Betriebsleiter behielt den Override-Knopf. Tägliche aktive Nutzung begann am Tag der Auslieferung. Wöchentliche Kennzahl: die durchschnittliche Antwortzeit fiel von einundvierzig Stunden auf neun. Der Betriebsleiter bekam vier Stunden pro Woche zurück. Das Team verpasste keine dringenden Nachrichten der größten Kunden mehr.

Die Architektur war die Arbeit. Das Modell waren zwölf Zeilen API-Aufrufe. Die Kosten des Baus waren nicht das Modell — sie waren das Schema, das Audit, die Rollendefinition und die Einigung darüber, wie Erfolg aussieht, bevor irgendetwas ausgerollt wurde. So sieht es aus, die Lücke auf der Einheitsebene zu schließen.

Was Bluewaves sieht

Das erste Gespräch mit jedem Bluewaves-Interessenten geht die vier Punkte oben in der Reihenfolge durch. Etwa ein Drittel der Gespräche bleibt beim ersten stehen. Das Unternehmen hat keine strukturierten Daten, kein System of Record, weiß nicht, wo seine Betriebsinformation liegt. Die Arbeit, die es braucht, ist keine KI-Einführung. Es ist das digitale Fundament, das KI verlangt. Wir sagen das. Wir nehmen den Auftrag nicht an, bevor das Fundament steht — oder bis das Unternehmen entscheidet, dass das Fundament bauen der Auftrag ist.

Etwa ein Drittel bleibt beim zweiten stehen. Das Unternehmen hat Daten, hat Interesse, hat Budget, aber keinen Anwendungsfall, der schmal genug ist, um in drei Wochen ausgeliefert zu werden. Das erste Liefergut für diese Unternehmen ist kein Modell. Es ist ein Anwendungsfall-Workshop mit den Leuten, die das Werkzeug tatsächlich nutzen würden, so angelegt, dass man den Raum mit einer konkreten, schmalen, messbaren Aufgabe verlässt. Danach bauen wir.

Das letzte Drittel kommt mit allen vier Punkten schon im Lot — Daten, definierter Anwendungsfall, Rolle identifiziert, Bereitschaft zu messen. Diese Einführungen werden in drei Wochen ausgeliefert und bleiben in Nutzung, weil die Voraussetzungen erfüllt waren, bevor der Code geschrieben wurde.

Das ist keine Vertriebsmethode. Es ist die operative Realität dafür, warum die Eurostat-Lücke größer wird. Die Unternehmen in den 17 % haben Schwellen überschritten, die die in den 83 % nicht überschritten haben. Das Überschreiten kauft man nicht mit Software-Lizenzen.

Die architektonische Position

Die Lücke wird größer, weil die Bedingungen zum Schließen nicht in den Werkzeugen liegen. Sie liegen in den Unternehmen. Eine billigere API erzeugt keine Datenbereitschaft. Eine einfachere Oberfläche erzeugt keinen Anwendungsfall. Ein freundlicherer Chatbot gibt einem 30-Personen-Unternehmen nicht den Spielraum, einen Arbeitsablauf zu entwerfen. Die Struktur muss zuerst kommen, und die meisten KMU haben keinerlei Hilfe beim Bauen erhalten — weil Hilfe in der EU-politischen Debatte als Schulung, Webinare, Sensibilisierungskampagnen und Pilotfinanzierung definiert wurde. Das ist keine Architektur. Das ist Kommentar.

Der Ipsos-Bericht zitiert Arbeiten der Copenhagen Business School, die die Architektur ehrlich benennen: „KI-Wertschöpfung hängt von organisatorischer Kapazität ab.” Das ist der Satz. Organisatorische Kapazität ist der Engpass. Kapazität entsteht durch Struktur, nicht durch Inhalt. Das zweite Prinzip des Berichts an die Politik ist konsistent: „Den Aufbau organisatorischer Kapazität und Bereitschaft unterstützen.” Nicht mehr Schulung. Kapazität.

Wenn die Eurostat-Welle 2026 im Dezember erscheint und eine Lücke von 40 Punkten zeigt, sollte niemand überrascht sein. Dieselben Bedingungen liegen vor. Dieselben Voraussetzungen fehlen. Derselbe Unterstützungsapparat behandelt weiterhin Sensibilisierung statt Architektur. Die Lücke tut genau das, was ihre strukturellen Ursachen vorhersagen.

Sie zu schließen verlangt einen anderen Eingriff. Nicht mehr Piloten. Nicht mehr Fallstudien. Nicht mehr Webinare. Vorqualifizierte Werkzeuge für vordefinierte Anwendungsfälle, vorab auf die Rolle und die vorhandenen Daten des Unternehmens abgebildet. Externe Trägerschaft, wo interne Trägerschaft nicht existiert. Einführungsmessung, die am ersten Tag beginnt, nicht nach dem dritten Quartalsreview.

Das ist die architektonische Korrektur. Alles andere ist Theater. Die Lücke ist strukturell. Die Korrektur ist strukturell. Die billigeren Werkzeuge und die einfacheren Oberflächen sind real — und sie werden die Lücke weiter vergrößern, solange die Voraussetzungen nicht mit derselben Geschwindigkeit angegangen werden, mit der sich die Werkzeuge verbessern.

Achtunddreißig Punkte letztes Jahr. Die Zahl wird nächstes Jahr größer sein, es sei denn, die Unterstützung hört auf, Inhalt zu sein, und wird Struktur.