De Achtendertig-Punten-Kloof

In 2024 was het verschil in AI-adoptie tussen grote en kleine EU-bedrijven 30 procentpunten. In 2025 is het 38. De tools werden goedkoper. De interfaces werden eenvoudiger. De kloof werd groter.

Dat is geen voorspelling. Het is een meting. Het Eurostat-bericht van 11 december 2025 meldt dat 55% van de grote bedrijven (250+ werknemers) in 2025 AI-technologieën gebruikte, tegenover 17% van de kleine bedrijven (10-49). Een jaar eerder toonde dezelfde enquête 41% en 11%. De kloof groeide in het jaar waarin de tools zouden democratiseren.

Dit is geen bewustzijnsprobleem. Het is een architectuurprobleem.

Wat de Cijfers Zeggen

De Eurostat Gemeenschapsenquête over ICT-Gebruik in Bedrijven is de Europese referentie. Steekproef: ongeveer 157.000 bedrijven in de 27 lidstaten, met minstens 10 werknemers. De editie 2025 is op 11 december 2025 gepubliceerd. De kop — 20% van de EU-bedrijven gebruikt AI — werd overal herhaald. De uitsplitsing naar grootte niet.

Hier de data per grootteklasse, jaar op jaar:

Kleine bedrijven gingen van 11% naar 17% — zes punten groei. Grote bedrijven gingen van 41% naar 55% — veertien. Middelgrote (50-249) gingen van 21% naar 30%. Alle klassen groeiden. De grootste groeide het snelst.

Het Ipsos-rapport Making AI Work for Europe, in opdracht van Google gepubliceerd in maart 2026 door Reece Decastro en Nathan Bransden, vat het patroon in één zin samen: “Grote bedrijven zijn aanzienlijk vaker geneigd AI te adopteren dan kleine en middelgrote ondernemingen (kmo’s), waarbij deze kloof groeide van 30 procentpunten in 2024 tot 38 procentpunten in 2025.” De auteurs baseren zich op ongeveer 70 studies en 15 expertinterviews in 13 EU-lidstaten. Ze komen tot dezelfde conclusie als de Eurostat-microdata en geven die een naam.

De EIB-Investeringsenquête 2025 — andere methodologie, AI-tools per merknaam in plaats van technische categorie — rapporteert 28% van de kmo’s en 44% van de grote bedrijven die AI gebruiken. Andere absolute cijfers. Dezelfde vorm. Kmo’s lopen achter, en de kloof sluit niet.

De geografie van de kloof is even scherp als de grootteklasse. De landencijfers van Eurostat voor 2025 lopen van 42% in Denemarken, 37% in Finland, 35% in Zweden — naar 5% in Roemenië, 8% in Polen, 8% in Bulgarije, 9% in Griekenland. De variantie is niet willekeurig. Ze volgt de digitale infrastructuur, niet het BBP. Hetzelfde per sector: 63% van de informatie- en communicatiebedrijven gebruikt AI; 40% van de professionele, wetenschappelijke en technische dienstverlening; 17% van de industrie; 11% van transport en opslag; 11% van de bouw. Het OESO-discussiepapier van december 2025 voor de G7-ministervergadering in Montreal ziet hetzelfde patroon in de G7-economieën: 40% van de bedrijven met 250 of meer werknemers gebruikte AI in 2024, tegenover 20,4% van de bedrijven tussen 50 en 249, en 11,9% tussen 10 en 49. De landennamen veranderen. De structurele vorm niet.

Waarom de Kloof Groeit als de Tools Makkelijker Worden

De intuïtie zegt dat makkelijkere tools kloven dichten. Een chatbot-interface is een chatbot-interface, of de gebruiker bij Siemens werkt of in een logistieke kmo van 30 mensen in Tarragona. De licenties kosten ongeveer hetzelfde. De cloud-API’s zijn identiek.

De intuïtie klopt niet, en de reden is structureel.

Grote bedrijven hebben drie dingen die kleine niet hebben. Het eerste is eigen digitale infrastructuur. Een fabrikant van 500 mensen heeft een IT-afdeling die tools evalueert, integraties beheert, beveiliging beoordeelt en de kosten absorbeert in een bestaande begrotingspost. Een logistieke kmo van 30 mensen heeft één persoon die de telefooncentrale, het CRM en de printers beheert — en die nu AI-tools moet evalueren als onderbreking van het eigenlijke werk.

Het tweede zijn data. Het OESO-discussiepapier AI adoption by small and medium-sized enterprises, in december 2025 gepubliceerd door Flavio Calvino en collega’s voor de G7-ministervergadering Industrie, Digitaal en Technologie in Montreal, noemt vier hefpunten voor AI-adoptie: connectiviteit, AI-mogelijkmakende inputs, vaardigheden en financiering. AI-mogelijkmakende inputs betekent data — gestructureerd, toegankelijk, voldoende in volume, voldoende beheerd om een model te voeden. Grote bedrijven passeerden die drempel tien jaar geleden, toen ze ERP-systemen en cloud-datawarehouses implementeerden. De kleine meestal niet. Een AI-tool die gestructureerde input nodig heeft, kan niets met een whiteboard.

Het derde is het vermogen een use case te definiëren. Het Bpifrance-rapport IA Révolution uit 2024 stelde vast dat 72% van de kmo-leiders in Frankrijk nog geen praktische AI-toepassing voor hun bedrijf heeft. Niet “nog niet uitgerold” — heeft niet. De use case zelf bestaat niet in hun hoofd. Ze hebben van AI gehoord. Ze kunnen niet aanwijzen welke taak het zou vervangen.

Als tools eenvoudiger worden, gaan degenen die al infrastructuur, data en een use case hadden, sneller. Degenen die geen van de drie hadden, staan nog waar ze stonden. Goedkopere tools genereren geen use cases. Eenvoudigere interfaces produceren geen gestructureerde data. Een wrijvingsloze API geeft een kmo van 30 mensen niet de ruimte om een workflow te ontwerpen.

De kloof groeit omdat de randvoorwaarden eerst groeien.

Het Vaardighedenverhaal is de Halve Geschiedenis

De helft van elke EU-beleidsdiscussie over de adoptiekloof valt terug op vaardigheden. Het Ipsos-rapport citeert een OESO-enquête in vier G7-landen: 50% van de kmo’s meldt dat hun werknemers de vaardigheden missen om generatieve AI te gebruiken. De eigen D4SME-enquête van de OESO, met bijna 1.000 respondenten in zes G7-landen, vond meer dan 50% die gebrek aan kennis over hoe generatieve AI te gebruiken als drempel noemen — met sterke nationale variatie, van 80% in Japan tot 40% in het Verenigd Koninkrijk en Duitsland.

Het cijfer is echt. Het is ook onvolledig.

Een Public First-peiling onder Europese bedrijfsleiders, ook in het Ipsos-rapport geciteerd, vond slechts 14% die “we hebben geen expertise om AI te introduceren” en 12% die “we hebben geen vaardigheden om AI te gebruiken” als hoofdbarrière noemen — ver onder zorgen over cybersecurity (26%), onnauwkeurigheid (24%) en kosten (22%). Op één manier gevraagd, zijn vaardigheden de dominante barrière. Anders gevraagd, zijn ze één barrière onder meerdere.

Wat de data echt laten zien, als je dwars door de enquêtes leest in plaats van binnen elke enquête: vaardigheden correleren met adoptie, maar vaardigheden liggen stroomafwaarts van structuur. Een voor het Ipsos-rapport geïnterviewde academicus zegt het direct: “Het is niet de grootte… het hangt echt samen met digitale volwassenheid.” Een Belgische thinktank-vertegenwoordiger in dezelfde studie: “Kmo’s zijn al trager met basisdigitalisering, dus AI daarop bouwen is nog moeilijker.”

De OESO-enquête voegt het operationele feit toe dat alles bepaalt: minder dan 30% van de kmo’s die al generatieve AI gebruiken, meldt dat hun werknemers deelnemen aan AI-gerelateerde training. De bandbreedte loopt van 11,3% in Japan tot 29,4% in Canada. Het trainingsprobleem is niet dat de training niet bestaat. Het probleem is dat de tijd om eraan deel te nemen niet bestaat — omdat kmo’s geen werknemers kunnen vrijmaken uit omzetgenererende activiteiten om te leren. De vaardighedenkloof is deels een tijdkloof, vermomd als een aanlegkloof.

Een structurele kloof dicht je niet met bewustzijnscampagnes. Je dicht hem met architectuur.

Wat Architectuur in de Praktijk Betekent

In een kmo-context is “architectuur” geen slide met vijf vakjes en pijlen. Het zijn vier operationele beslissingen, in volgorde genomen.

Eén: data-readiness. Voordat er een AI-tool komt, moet het bedrijf weten welke data het heeft, waar die leeft, hoe die stroomt en wat ontbreekt. De meeste kmo’s kunnen deze vier vragen op maandagochtend niet beantwoorden. De eerste maand van een AI-uitrol is geen model. Het is een data-audit: facturen, klantgegevens, leveranciersinformatie, operationele logs. Waar staat het. Hoe is het opgeslagen. Wie is eigenaar. Wat is kapot. Tot dat is gekarteerd, staat elke AI-tool op een fundament dat niemand heeft geïnspecteerd.

Twee: een gedefinieerde use case, smal genoeg om uit te leveren. Niet “klantenservice verbeteren met AI”. Een specifieke taak, een specifieke persoon, een specifieke frequentie: inkomende klantmails classificeren op urgentie, naar het juiste team routeren, binnen zestig seconden, escalatiepercentage wekelijks meten. De OESO-taxonomie in hetzelfde december-2025-papier onderscheidt AI-Nieuwelingen, AI-Verkenners, AI-Optimalisators en AI-Kampioenen. De sprong van Nieuweling naar Optimalisator gebeurt niet omdat tools verbeteren. Hij gebeurt omdat één concrete use case wordt uitgeleverd en dan een tweede. Use cases bouwen op elkaar. Strategieën niet.

Drie: rol-specifieke uitrol. AI-tools worden niet uitgerold naar een bedrijf. Ze worden uitgerold naar een rol. De persoon die facturen classificeert, heeft een andere tool nodig, een andere interface en andere training dan de persoon die klantcommunicatie schrijft. Eén “AI-uitrol” gericht aan “het team” produceert één afhaakratio: hoog. Rol-specifieke uitrol — één rol tegelijk, met de workflow onder de loep, de tool ingesteld op die workflow en de gebruiker getraind om hem binnen het echte werk te gebruiken — produceert adoptie. Dat is geen methodologische voorkeur. Het is wat de verzameling kmo-cases laat zien.

Vier: adoptiemeting vanaf dag één. Niet “hebben we het uitgerold”. Hebben de mensen het vorige week gebruikt, in hun echte werk, voor de taak waarvoor het bedoeld was. Dagelijks actief gebruik per rol. Wekelijkse uitkomstmaatstaf — minder escalaties, kortere doorlooptijden, accuratere voorspellingen. Het Ipsos-rapport koppelt dat aan organisatorische capaciteit: “AI-waardecreatie hangt af van organisatorische capaciteit.” Een tool die niemand vorige week gebruikte, creëerde vorige week geen waarde, ongeacht wat ervoor betaald is.

Deze vier vormen geen transformatieprogramma. Ze zijn de minimale architectuur voor één uitgeleverde AI-tool. De bedrijven in de 17% sloten de cirkel op deze vier punten. Die in de 83% niet — en de redenen waarom niet zijn structureel, niet motivationeel.

Een Concreet Voorbeeld

Een specifieke vorm verheldert de abstractie. Een specialty-fabrikant van 40 mensen in Noord-Portugal — echt type, geanonimiseerd — wilde “AI gebruiken” voor klantenservice. Het eerste gesprek bracht het echte probleem boven: één operationeel manager besteedde vier tot zes uur per week aan het sorteren van klantmails op urgentie en het routeren naar het juiste werkvloerteam. Het volume nam toe. De manager was de bottleneck.

Dat is de use case. Niet “AI voor klantenservice”. Inkomende klantmails sorteren op urgentie, classificeren per productfamilie, routeren naar het juiste team, antwoordtijd meten. Eén rol. Eén taak. Meetbaar in een week.

De data-audit duurde vijf werkdagen. De mails bestonden in een gedeelde mailbox. De producttaxonomie bestond in het ERP. De routeringsregels bestonden in het hoofd van de manager. Twee van de drie waren niet in gestructureerde vorm — de routeringsregels moesten in een halfdaagse sessie met de manager worden geëxtraheerd, opgeschreven en omgezet in een classificatieschema. Het schema is de echte oplevering van week één. Het model is de oplevering van week twee.

De tool, toen die werd uitgeleverd, was klein. Hij las inkomende mails, paste het schema toe, kende een urgentieniveau en een productfamilie toe, en duwde het bericht in de wachtrij van het juiste team. De manager hield de override-knop. Dagelijks actief gebruik begon op de dag van uitrol. Wekelijkse maatstaf: de gemiddelde antwoordtijd daalde van eenenveertig uur naar negen. De manager kreeg vier uur per week terug. Het team miste geen urgente berichten meer van de grootste klanten.

De architectuur was het werk. Het model was twaalf regels API-aanroepen. De kosten van het bouwen waren niet het model — ze waren het schema, de audit, de roldefinitie en de afspraak over hoe succes eruitziet, vóór er iets werd uitgerold. Zo ziet het sluiten van de kloof eruit op eenheidsniveau.

Wat Bluewaves Ziet

Het eerste gesprek met elke Bluewaves-prospect doorloopt de vier bovenstaande punten, in volgorde. Ongeveer een derde van de gesprekken stopt bij het eerste. Het bedrijf heeft geen gestructureerde data, geen systeem of record, weet niet waar de operationele informatie woont. Het werk dat het nodig heeft, is geen AI-uitrol. Het is het digitale fundament dat AI vereist. Dat zeggen we. We nemen de opdracht niet aan tot het fundament er is — of tot het bedrijf besluit dat het bouwen van het fundament de opdracht is.

Ongeveer een derde stopt bij het tweede. Het bedrijf heeft data, heeft interesse, heeft budget, maar geen use case smal genoeg om in drie weken te leveren. De eerste oplevering voor deze bedrijven is geen model. Het is een use-case-workshop met de mensen die de tool daadwerkelijk zouden gebruiken, ontworpen om de kamer te verlaten met één specifieke, smalle, meetbare taak. Daarna bouwen we.

Het laatste derde komt met alle vier de punten al op orde — data, gedefinieerde use case, rol vastgesteld, bereidheid om te meten. Deze uitrollen worden in drie weken geleverd en blijven in gebruik omdat de randvoorwaarden vervuld waren voor de code geschreven werd.

Dit is geen verkoopmethode. Het is de operationele realiteit van waarom de Eurostat-kloof groeit. De bedrijven in de 17% zijn drempels overgestoken die de bedrijven in de 83% niet zijn overgestoken. Die oversteek koop je niet met softwarelicenties.

De Architectonische Positie

De kloof groeit omdat de voorwaarden om hem te dichten niet in de tools zitten. Ze zitten in de bedrijven. Een goedkopere API produceert geen data-readiness. Een eenvoudigere interface produceert geen use case. Een vriendelijkere chatbot geeft een kmo van 30 mensen niet de ruimte om een workflow te ontwerpen. De structuur moet eerst komen, en de meeste kmo’s hebben geen enkele hulp gekregen om die te bouwen — omdat hulp, in het Europese beleidsgesprek, gedefinieerd is als training, webinars, bewustzijnscampagnes en pilotfinanciering. Dat is geen architectuur. Dat is commentaar.

Het Ipsos-rapport citeert werk van Copenhagen Business School dat de architectuur eerlijk benoemt: “AI-waardecreatie hangt af van organisatorische capaciteit.” Dat is de zin. Organisatorische capaciteit is de bottleneck. Capaciteit wordt gebouwd met structuur, niet met inhoud. Het tweede principe in het rapport, gericht aan beleidsmakers, is consistent: “De ontwikkeling van organisatorische capaciteit en gereedheid ondersteunen.” Geen extra training. Capaciteit.

Als de Eurostat-editie 2026 in december verschijnt en een kloof van 40 punten laat zien, moet niemand verrast zijn. Dezelfde voorwaarden zijn aanwezig. Dezelfde randvoorwaarden ontbreken. Hetzelfde ondersteuningsapparaat behandelt nog steeds bewustzijn in plaats van architectuur. De kloof doet precies wat zijn structurele oorzaken voorspellen.

Hem dichten vraagt om een andere ingreep. Geen extra pilots. Geen extra case studies. Geen extra webinars. Vooraf gekwalificeerde tools voor vooraf gedefinieerde use cases, vooraf gekoppeld aan de rol en de data die het bedrijf al heeft. Externe trekkracht waar interne trekkracht niet bestaat. Adoptiemeting die op dag één begint, niet na de derde kwartaalreview.

Dat is de architectonische correctie. Al het andere is theater. De kloof is structureel. De correctie is structureel. De goedkopere tools en de eenvoudigere interfaces zijn echt — en ze zullen de kloof blijven verbreden zolang de randvoorwaarden niet met dezelfde snelheid worden aangepakt waarmee de tools verbeteren.

Achtendertig punten vorig jaar. Het getal zal volgend jaar groter zijn, tenzij de ondersteuning stopt inhoud te zijn en structuur wordt.