Twintig procent
Het Eurostat-persbericht verscheen in december 2025. De kop: 20% van de EU-ondernemingen heeft AI geadopteerd. LinkedIn vierde feest. Commentatoren verklaarden vooruitgang. Het getal ging de ronde — geciteerd in pitch decks, EU-Commissie toespraken en adviesrapporten als bewijs dat Europese AI-adoptie versnelt.
Het getal is echt. Het is ook misleidend op precies de manier die ertoe doet.
Wat de kop verbergt
Het cijfer van 20% komt uit de Eurostat Community Survey on ICT Usage in Enterprises, jaarlijks uitgevoerd in alle 27 EU-lidstaten. De enquete dekt ondernemingen met 10 of meer werknemers. Tien of meer. Die drempel sluit 99% van alle EU-bedrijven uit.
De EU heeft ongeveer 33 miljoen ondernemingen. Daarvan zijn er circa 32,7 miljoen — 99,1% — micro-ondernemingen: minder dan 10 werknemers, minder dan EUR 2 miljoen jaaromzet. Dit zijn de bakkerijen, de accountantskantoren, de logistiek bedrijven, de kleine fabrikanten, de adviesbureaus, de speciaalzaken. Ze vormen de overgrote meerderheid van de Europese economie. En ze zijn onzichtbaar in de Eurostat-kop.
De enquete bevat wel uitsplitsingen naar grootteklasse, en hier verandert het verhaal. Onder grote ondernemingen (250+ werknemers) bereikt AI-adoptie 55%. Onder middelgrote ondernemingen (50-249 werknemers) daalt het naar circa 30%. Onder kleine ondernemingen (10-49 werknemers) is het cijfer 17%.
Onder micro-ondernemingen? Eurostat enqueteert ze niet routinematig. De data bestaat niet op schaal. De kop van 20% beschrijft een populatie die de overgrote meerderheid van Europese bedrijven uitsluit.
Dit is geen kritiek op Eurostat. De enquete-methodologie is degelijk, het steekproefontwerp is nauwkeurig, en de uitsluiting naar grootteklasse is gedocumenteerd in de technische bijlagen die niemand leest. Het is een kritiek op hoe het getal wordt gebruikt — als maatstaf voor Europese AI-gereedheid terwijl het eigenlijk een maatstaf is voor AI-uitgaven van grote bedrijven.
De grootteklassekloof is architecturaal
Het verschil tussen 55% adoptie bij grote ondernemingen en 17% bij kleine ondernemingen is geen technologiekloof. Het is geen bewustzijnskloof. Het is geen vaardigheidsloof, hoewel vaardigheden ertoe doen. Het is een architectuurkloof.
Grote ondernemingen adopteren AI omdat ze drie dingen hebben die kleine ondernemingen missen:
Toegewijde IT-infrastructuur. Een fabrikant van 500 personen heeft een IT-afdeling. De afdeling evalueert tools, beheert integraties, voert veiligheidsbeoordelingen uit en onderhandelt leverancierscontracten. De kosten van het evalueren van een AI-tool worden geabsorbeerd in het bestaande budget en operationele ritme van de afdeling. Voor een logistiek bedrijf van 30 personen is de “IT-afdeling” een persoon die ook het telefoonsysteem, het CRM en de printers beheert. Een AI-tool evalueren is niet hun taak. Het is een onderbreking van hun taak.
Budget voor experimenteren. Grote ondernemingen kunnen EUR 50.000 toewijzen aan een pilotproject zonder materieel risico. Als de pilot faalt, is het verlies een afrondingsfout. Voor een kleine onderneming met EUR 3 miljoen jaaromzet is EUR 50.000 1,7% van de omzet — een aanzienlijke investering die rechtvaardiging, goedkeuring en resultaten vereist. De asymmetrie gaat niet over rijkdom. Het gaat over de verhouding tussen experimentele investering en operationeel risico.
Interne ambassadeurs. AI-adoptie bij grote ondernemingen begint doorgaans met een middenmanager of technisch leider die een use case identificeert, een businesscase bouwt en het project intern verdedigt. Deze persoon bestaat omdat grote organisaties voldoende diversiteit in rollen hebben om iemand te bevatten wiens werk raakt aan AI. In een bedrijf van 30 personen is ieders baan operationeel. Er is geen rol met de ruimte om een AI-implementatie te evalueren, te verdedigen en te beheren. De ambassadeurskloof is de meest onderschatte factor in de adoptieongelijkheid.
Deze drie factoren — infrastructuur, budgetverhouding en interne ambassadeurs — zijn structureel. Ze veranderen niet met bewustwordingscampagnes, trainingsprogramma’s of marketing. Ze veranderen met architecturale interventie: het verlagen van evaluatiekosten, het verminderen van de technische last van integratie, en het bieden van extern ambassadeurschap waar interne ambassadeurs niet bestaan.
Wat “adoptie” werkelijk meet
De Eurostat-enquete meet adoptie met een specifieke vraag: “Gebruikt uw onderneming enige AI-technologieen?” De vraag somt categorieen op: machine learning, natural language processing, beeldherkenning, robotic process automation, autonome systemen. Een onderneming die enige hiervan gebruikt, wordt geteld als “AI geadopteerd.”
De vraag meet niet de diepte van adoptie. Het maakt geen onderscheid tussen een bedrijf dat een gratis chatbot gebruikt voor incidentele klantvragen en een bedrijf dat machine learning heeft geintegreerd in zijn kernproductieproces. Het meet niet of de AI-tool in dagelijks gebruik is, incidenteel gebruik, of verlaten-na-de-gratis-proefperiode gebruik.
Dit is hetzelfde methodologische probleem dat alle technologie-adoptie-enquetes plaagt. Binaire adoptie (ja/nee) verbergt het spectrum van experimenteel tot ingebed. Een bedrijf dat in januari een ChatGPT Enterprise-licentie afsluitte en het in maart was vergeten, wordt hetzelfde geteld als een bedrijf dat geautomatiseerde vraagprognose gebruikt om zijn hele supply chain te beheren.
Het OESO-rapport van december 2025 over mkb AI-adoptie pakte dit aan door ondernemingen in vier volwassenheidsniveaus te categoriseren: AI-beginners, AI-verkenners, AI-optimaliseerders en AI-kampioenen. De binaire maatstaf van Eurostat gooit beginners en verkenners op een hoop met de rest. De operationele impact — het deel dat ertoe doet voor productiviteit, concurrentiekracht en economische groei — zit in de categorieen optimaliseerders en kampioenen.
De bevinding van de OESO is onomwonden: de meeste mkb AI-adoptie blijft in een beginfase of pilotfase. Bedrijven experimenteren met AI-tools maar stuiten op structurele hindernissen bij het inbedden ervan in kernactiviteiten. De kloof tussen “wij gebruiken AI” en “AI verandert hoe wij werken” is waar het meeste AI-budget wordt verspild.
Twintig procent heeft AI geadopteerd. Een fractie heeft het geintegreerd. De kloof tussen die getallen is het hele probleem.
De geografie in het getal
Het EU-gemiddelde van 20% verbergt landenniveauvariatie die loopt van 9% tot 39%. Denemarken, Finland en Nederland leiden. Roemenie, Bulgarije en Griekenland lopen achter. De variatie is niet willekeurig. Het correleert sterker met drie infrastructuurindicatoren dan met bbp per capita:
Volwassenheid van digitale overheidsdiensten. Landen met geavanceerde digitale identiteitssystemen, interoperabele overheidsdiensten en e-government-infrastructuur hebben hogere AI-adoptie. Het Deense NemID/MitID-systeem, het Finse Suomi.fi, het Nederlandse DigiD — deze creeren een digitale infrastructuurbasis die integratie van AI-tools makkelijker maakt. De onderneming hoeft digitaal vertrouwen niet vanaf nul op te bouwen. De publieke infrastructuur heeft het al gevestigd.
Breedbandpenetratiekwaliteit. Niet alleen connectiviteit — kwaliteit. Glasvezel-naar-de-woning dekking in Denemarken overschrijdt 75%. In Roemenie daalt het onder 30% in landelijke gebieden waar veel mkb-bedrijven actief zijn. AI-tools die consistente, lage-latentie connectiviteit vereisen, zijn architecturaal incompatibel met intermitterend breedband. De tool werkt in Kopenhagen. De tool krijgt een time-out in Constanta.
Mkb-digitaliseringsbasis. AI-adoptie is een tweederangs effect. Eersterangs is basale digitalisering: cloud-boekhouding, CRM, digitaal voorraadbeheer. Bedrijven die hun basale activiteiten niet gedigitaliseerd hebben, kunnen geen AI-tools adopteren omdat er geen data-infrastructuur is waarop de AI kan aansluiten. Een aanzienlijk deel van EU mkb-bedrijven vertrouwt nog steeds op voornamelijk papieren administratie voor ten minste een kernbedrijfsfunctie — het exacte percentage verschilt per land, maar het patroon is consistent in Zuid- en Oost-Europa.
Deze drie factoren verklaren meer van de landenniveauvariatie dan welke maatstaf van “innovatiecultuur” of “ondernemersmentaliteit” ook. De fabrikant van 30 personen in Braga, Portugal, mist geen innovatiecultuur. Het mist glasvezelbreedband en een digitaal facturatiesysteem.
De genderdimensie die de data toont
Een dimensie die de Eurostat-data vastlegt maar weinig commentatoren bespreken: onder ondernemingen geleid door vrouwen is AI-adoptie 7 procentpunten lager dan onder ondernemingen geleid door mannen, na correctie voor sector en grootte. De kloof blijft bestaan over alle grootteklassen.
De kloof gaat niet over technische aanleg of interesse. Het Women in Digital Scoreboard van de Europese Commissie — jaarlijks gepubliceerd sinds 2019 — volgt structurele ongelijkheden in internetgebruik, digitale vaardigheden en specialistisch werk. De structurele factoren achter de adoptiekloof omvatten toegang tot financiering voor technologie-investering (door vrouwen geleide ondernemingen ontvangen consequent een fractie van de totale durfkapitaalfinanciering — minder dan 3% in recente jaren, volgens PitchBook-data) en toegang tot peernetwerken waar kennis over AI-adoptie circuleert. Dit zijn infrastructuurfouten, geen individuele fouten.
Dit zijn geen individuele tekortkomingen. Het zijn infrastructuurfouten. Dezelfde architectuurkloof die grote ondernemingen scheidt van kleine, scheidt goed verbonden oprichters van minder goed verbonden oprichters. Het probleem is niet wie je bent. Het probleem is welke infrastructuur beschikbaar is voor jou.
Wat de andere 80% werkelijk nodig heeft
De 80% van EU-ondernemingen die geen AI heeft geadopteerd, heeft geen bewustwording nodig. Ze weten dat AI bestaat. Ze hebben geen inspiratie nodig. Ze hebben de demo’s gezien. Ze hebben geen goedkopere tools nodig. Veel AI-tools hebben gratis niveaus.
Ze hebben drie dingen nodig:
Verlaagde evaluatiekosten. De kosten van het evalueren of een AI-tool past bij een specifieke bedrijfsbehoefte zijn te hoog voor een bedrijf zonder toegewijd IT-personeel. Evaluatie vereist technische beoordeling, veiligheidscontrole, integratietesten en workflowanalyse. Voor een grote onderneming zijn deze kosten marginaal. Voor een bedrijf van 30 personen zijn ze prohibitief. De interventie is voorgekwalificeerde, voorbeoordeelde tools met gedocumenteerde integratiepaden voor gangbare bedrijfssystemen. Niet generieke “AI voor bedrijven”-tools. Specifieke tools voor specifieke taken: factuurverwerking voor mkb-bedrijven die Sage gebruiken, classificatie van klantvragen voor bedrijven die Zendesk gebruiken, vraagprognose voor WooCommerce-winkels.
Extern ambassadeurschap. Als niemand in het bedrijf de rol, de tijd of de expertise heeft om een AI-implementatie te verdedigen, moet iemand buiten het bedrijf die rol tijdelijk vervullen. Dit is geen advieswerk. Advieswerk produceert rapporten. Ambassadeurschap produceert implementatie. De externe ambassadeur werkt met het team, implementeert de tool, observeert hoe mensen het gebruiken, past de configuratie aan, en vertrekt wanneer de tool in dagelijks gebruik is.
Dit is wat Bluewaves doet. Geen AI-strategie. Geen digitale transformatieadvies. Implementatie. Een werkende tool in handen van de mensen die het zullen gebruiken, binnen drie weken.
Peervalidatie. Grote ondernemingen adopteren AI omdat andere grote ondernemingen AI adopteren. De casestudies bestaan. De bewijspunten circuleren. Voor een logistiek bedrijf van 30 personen in Tarragona is de relevante casestudy niet “hoe Siemens AI inzette in zijn supply chain.” De relevante casestudy is “hoe een logistiek bedrijf van 35 personen in Porto AI inzette in zijn magazijnbeheer en pickfouten met 22% verminderde.” Zelfde sector, zelfde grootte, zelfde beperkingen. Het bewijspunt ontbreekt omdat niemand mkb-implementaties documenteert.
De Eurostat-data vertelt ons waar adoptie staat. Het vertelt ons niet waarom adoptie stopt. De redenen zijn architecturaal, niet attitudinaal.
De sectordimensie
De kop van 20% verbergt sectoreniveauvariatie die net zo significant is als de grootteklassevariatie.
Informatie- en communicatie-ondernemingen (NACE-sectie J) rapporteren AI-adoptie boven 40%. Financiele en verzekeringsondernemingen (NACE-sectie K) rapporteren boven 35%. Dit zijn de sectoren waar digitale infrastructuur al bestaat, waar datastromen al gestructureerd zijn, waar de integratiekosten van een AI-tool marginaal zijn omdat de digitale workflow al bestaat.
Industrie (NACE-sectie C) — de ruggengraat van de EU-economische productie, goed voor 15% van het bbp — rapporteert AI-adoptie van circa 12%. Bouw (NACE-sectie F) rapporteert onder 8%. Landbouw (NACE-sectie A) is nauwelijks meetbaar.
De variatie koppelt direct aan digitale volwassenheid, niet aan AI-gereedheid. Een fabrikant wiens productieplanning nog op een whiteboard draait, kan geen AI-vraagprognose-tool adopteren — niet omdat de AI niet beschikbaar is, maar omdat de data die de AI nodig heeft niet in digitale vorm bestaat. De AI-tool vereist gestructureerde input. Het whiteboard produceert geen gestructureerde input.
Dit is de infrastructuurcascade: basale digitalisering maakt dataverzameling mogelijk, dataverzameling maakt analytics mogelijk, analytics maken AI mogelijk. Sla een stap over en de volgende stappen falen. Het adoptiepercentage van 12% in de industrie is geen falen van AI-bewustzijn. Het is een falen van basale digitalisering — en het falen dateert van voor AI, een decennium terug.
Het AI Watch-rapport van het JRC over AI-adoptie in de industrie identificeerde de cascade expliciet: onder fabrikanten die basale digitalisering hadden voltooid (cloud-gebaseerd ERP, digitale voorraad, geautomatiseerde rapportage) was AI-adoptie een orde van grootte hoger dan onder fabrikanten die dat niet hadden gedaan. De digitaliseringsbasis is de werkelijke voorspeller, niet de beschikbaarheid van AI-tools.
Voor de 88% van EU-fabrikanten die geen AI hebben geadopteerd, is de interventie geen AI-training. Het is digitale infrastructuur — het saaie, onglamoureuze werk van papier naar cloud, van whiteboard naar database, van dossierkast naar gestructureerde data. De AI komt daarna. Het kan niet daarvoor komen.
Wat Bluewaves ziet
De bedrijven die Bluewaves benaderen vallen in twee categorieen. De eerste categorie heeft een specifieke AI-use case, een digitale infrastructuurbasis, en een team dat bereid is een tool te gebruiken. Deze bedrijven implementeren in drie weken. De tool is in gebruik tegen week vier. Het proces is niet ingewikkeld omdat aan de randvoorwaarden is voldaan.
De tweede categorie heeft interesse in AI, enthousiasme van het management, en geen digitale infrastructuur. Geen gestructureerde data. Geen gestandaardiseerde workflows. Geen gedocumenteerde processen. Deze bedrijven kunnen geen AI-tool in drie weken implementeren omdat er niets is om de tool aan te koppelen. Het werk is geen AI-implementatie. Het werk is digitalisering — de randvoorwaarde die de kop van 20% als universeel veronderstelt en dat niet is.
Wij nemen de tweede categorie niet aan. Niet omdat het werk niet waardevol is — dat is het. Omdat het “AI-implementatie” noemen terwijl de werkelijke behoefte “digitale infrastructuur” is oneerlijk is, en oneerlijkheid is duur voor iedereen.
De 20% die AI heeft geadopteerd, zijn de bedrijven die de digitaliseringsdrempel overschreden voordat AI arriveerde. De 80% die dat niet heeft, zijn grotendeels bedrijven die die drempel nog niet hebben overschreden. De AI is klaar. De infrastructuur niet.
Het getal dat ertoe doet
Twintig procent is een kop. Zeventien procent onder kleine ondernemingen is een datapunt. De fractie die AI werkelijk heeft geintegreerd in kernactiviteiten — de “AI-kampioenen” van de OESO — is het getal dat ertoe doet.
De kloof tussen adoptie en integratie — tussen “wij gebruiken AI” en “AI verandert hoe wij werken” — is de ruimte waar het meeste AI-budget wordt verspild. Het is het kerkhof van chatbotlicenties, verlaten dashboards en pilotprojecten die nooit leverden.
Die kloof dichten vereist drie dingen die niets met AI-technologie te maken hebben: infrastructuur die evaluatie goedkoop maakt, externe ambassadeurs die implementatie echt maken, en peerbewijs dat adoptie geloofwaardig maakt.
De data die we nodig hebben
De Eurostat-enquete wordt opnieuw uitgevoerd in 2026. Wanneer de resultaten worden gepubliceerd, rapporteren ze een nieuw kopgetal. Tweeentwintig procent, misschien. Of vijfentwintig. Het getal zal hoger zijn. LinkedIn zal vieren. Vooruitgang wordt verklaard.
Het getal zal nog steeds misleidend zijn — tenzij de methodologie verandert. Drie toevoegingen zouden de enquete operationeel bruikbaar maken:
Ten eerste: neem micro-ondernemingen op. De 99% van EU-bedrijven die van de enquete zijn uitgesloten, zijn de bedrijven die de data het hardst nodig hebben. Een aparte micro-ondernemingen AI-module, zelfs als die wordt uitgevoerd bij een steekproef in plaats van de volledige census, zou de basislijn bieden die momenteel niet bestaat.
Ten tweede: meet diepte, niet alleen breedte. Ga verder dan binaire adoptie (ja/nee) naar een volwassenheidstaxonomie zoals het vierniveaukader van de OESO: beginners, verkenners, optimaliseerders, kampioenen. De verdeling over niveaus doet er meer toe dan de binaire telling.
Ten derde: meet het ambassadeurseffect. Vraag niet alleen “gebruikt uw onderneming AI?” maar “heeft uw onderneming een persoon wiens rol het beheer van AI-tooladoptie omvat?” De aan- of afwezigheid van een interne ambassadeur is, in onze observatie, de sterkste voorspeller van duurzame adoptie — meer voorspellend dan budget, sector of bedrijfsgrootte.
Deze drie toevoegingen zouden de enquete transformeren van een kopgenerator naar een operationeel instrument. De data is beschikbaar om verzameld te worden. De methodologie bestaat om het te verzamelen. De kop van 20% blijft bestaan totdat iemand besluit dat nauwkeurige data meer uitmaakt dan optimistische data.
Twintig procent is geen succesverhaal. Het is een vertrekpunt. Het werk zit in de 80% die volgt — en de 2% die ertoe doet.