Trettiåttapunktsgapet

Under 2024 var skillnaden i AI-användning mellan stora och små EU-företag 30 procentenheter. Under 2025 är den 38. Verktygen blev billigare. Gränssnitten blev enklare. Gapet blev större.

Det är inte en prognos. Det är en mätning. Eurostats besked den 11 december 2025 visar att 55 procent av de stora företagen (250+ anställda) använde AI-teknik 2025, mot 17 procent av de små företagen (10-49). Ett år tidigare visade samma undersökning 41 procent och 11 procent. Gapet växte under det år då verktygen skulle demokratiseras.

Det är inte ett medvetenhetsproblem. Det är ett arkitekturproblem.

Vad Siffrorna Säger

Eurostats samordnade undersökning om IKT-användning i företag är den europeiska referensen. Urval: cirka 157 000 företag i alla 27 medlemsstater, med minst 10 anställda. 2025 års våg publicerades den 11 december 2025. Rubriken — 20 procent av EU:s företag använder AI — upprepades överallt. Uppdelningen efter storlek inte.

Här är data per storleksklass, år för år:

Små företag gick från 11 procent till 17 procent — sex enheters tillväxt. Stora företag gick från 41 procent till 55 procent — fjorton. Medelstora (50-249) gick från 21 procent till 30 procent. Alla klasser växte. Den största växte snabbast.

Ipsos-rapporten Making AI Work for Europe, beställd av Google och publicerad i mars 2026 av Reece Decastro och Nathan Bransden, namnger mönstret i en mening: “Stora företag är avsevärt mer benägna att börja använda AI än små och medelstora företag (SMF), och detta gap växte från 30 procentenheter 2024 till 38 procentenheter 2025.” Författarna stöder sig på ungefär 70 studier och 15 expertintervjuer i 13 EU-medlemsstater. De når samma slutsats som Eurostats mikrodata, och ger den ett namn.

EIB:s investeringsundersökning 2025 — annan metod, AI-verktyg per varumärke i stället för per teknisk kategori — rapporterar 28 procent av SMF och 44 procent av de stora företagen som AI-användare. Andra absoluta tal. Samma form. SMF ligger efter, och gapet sluter sig inte.

Geografin i gapet är lika skarp som storleksklassen. Eurostats landssiffror för 2025 löper från 42 procent i Danmark, 37 procent i Finland, 35 procent i Sverige — till 5 procent i Rumänien, 8 procent i Polen, 8 procent i Bulgarien, 9 procent i Grekland. Variationen är inte slumpmässig. Den följer den digitala infrastrukturen, inte BNP. Detsamma per sektor: 63 procent av företagen inom information och kommunikation använder AI; 40 procent inom yrkesmässig, vetenskaplig och teknisk verksamhet; 17 procent inom tillverkning; 11 procent inom transport och magasinering; 11 procent inom bygg. OECD:s diskussionsunderlag från december 2025 inför G7-mötet i Montreal ser samma mönster i G7-ekonomierna: 40 procent av företagen med 250 eller fler anställda använde AI 2024, mot 20,4 procent av företagen mellan 50 och 249, och 11,9 procent mellan 10 och 49. Landsnamnen ändras. Den strukturella formen inte.

Varför Gapet Växer När Verktygen Blir Enklare

Intuitionen säger att enklare verktyg sluter gap. Ett chatbot-gränssnitt är ett chatbot-gränssnitt, oavsett om användaren sitter på Siemens eller i ett 30-personers logistikföretag i Tarragona. Licensavgifterna är lika. Moln-API:erna är identiska.

Intuitionen har fel, och skälet är strukturellt.

Stora företag har tre saker som små inte har. Det första är egen digital infrastruktur. En tillverkare med 500 anställda har en IT-avdelning som utvärderar verktyg, hanterar integrationer, gör säkerhetsgranskningar och absorberar kostnaden i en befintlig budgetpost. Ett 30-personers logistikföretag har en enda person som sköter växeln, CRM:et och skrivarna — och som nu förväntas utvärdera AI-verktyg som ett avbrott i sitt egentliga arbete.

Det andra är data. OECD:s diskussionsunderlag AI adoption by small and medium-sized enterprises, publicerat i december 2025 av Flavio Calvino och kollegor inför G7-ministermötet om industri, digitalt och teknik i Montreal, listar fyra möjliggörare för AI-användning: konnektivitet, AI-möjliggörande insatsvaror, kompetens och finansiering. AI-möjliggörande insatsvaror betyder data — strukturerade, tillgängliga, i tillräcklig volym, tillräckligt förvaltade för att mata en modell. Stora företag passerade den tröskeln för ett decennium sedan, när de implementerade affärssystem och molnbaserade datalager. De små har för det mesta inte gjort det. Ett AI-verktyg som behöver strukturerad indata kan inte arbeta mot en whiteboard.

Det tredje är förmågan att definiera ett användningsfall. Bpifrance-rapporten IA Révolution från 2024 fann att 72 procent av SMF-cheferna i Frankrike ännu inte har en praktisk AI-tillämpning för sitt företag. Inte “har inte rullat ut” — har inte. Användningsfallet existerar inte i deras huvud. De har hört talas om AI. De kan inte peka på den uppgift som det skulle ersätta.

När verktygen blir enklare rör sig de som redan hade infrastruktur, data och ett användningsfall snabbare. De som inte hade något av de tre står kvar där de stod. Billigare verktyg genererar inte användningsfall. Enklare gränssnitt producerar inte strukturerade data. Ett friktionsfritt API ger inte ett 30-personers företag det utrymme som krävs för att designa ett arbetsflöde.

Gapet växer för att förutsättningarna växer först.

Kompetensberättelsen Är Halva Berättelsen

Hälften av varje EU-politisk diskussion om användningsgapet återgår till kompetens. Ipsos-rapporten citerar en OECD-undersökning i fyra G7-länder: 50 procent av SMF uppger att deras anställda saknar kompetensen att använda generativ AI. OECD:s egen D4SME-undersökning, med nära 1 000 respondenter i sex G7-länder, fann över 50 procent som anger bristande kunskap om hur man använder generativ AI som ett hinder för adoption — med stor nationell variation, från 80 procent i Japan till 40 procent i Storbritannien och Tyskland.

Siffran är verklig. Den är också ofullständig.

En Public First-undersökning bland europeiska företagsledare, som också citeras i Ipsos-rapporten, fann bara 14 procent som angav “vi har inte expertisen att införa AI” och 12 procent som angav “vi har inte kompetensen att använda AI” som huvudsakliga hinder — långt under oro för cybersäkerhet (26 procent), felaktighet (24 procent) och kostnad (22 procent). Frågat på ett sätt är kompetens det dominerande hindret. Frågat på ett annat är det ett hinder bland flera.

Vad data faktiskt visar, läst tvärs genom undersökningarna i stället för i var och en, är detta: kompetens är korrelerad med användning, men kompetens ligger nedströms strukturen. En akademiker som intervjuades för Ipsos-rapporten säger det rakt: “Det är inte storleken… det handlar verkligen om digital mognad.” En belgisk tankesmedjerepresentant i samma studie: “SMF är redan långsammare i basal digitalisering, så att bygga AI ovanpå är ännu svårare.”

OECD-undersökningen lägger till det operativa faktum som avgör allt: mindre än 30 procent av de SMF som redan använder generativ AI rapporterar att deras anställda deltar i AI-relaterad utbildning. Spannet löper från 11,3 procent i Japan till 29,4 procent i Kanada. Utbildningsproblemet är inte att utbildningen inte finns. Problemet är att tiden för att gå på den inte finns — för att SMF inte kan släppa anställda från intäktsgenererande verksamhet för att lära sig. Kompetensgapet är, delvis, ett tidsgap utklätt till ett anlagsgap.

Ett strukturellt gap sluter man inte med medvetandekampanjer. Man sluter det med arkitektur.

Vad Arkitektur Betyder i Praktiken

I ett SMF-sammanhang är “arkitektur” inte en bild med fem rutor och pilar. Det är fyra operativa beslut, fattade i ordning.

Ett: databeredskap. Innan något AI-verktyg måste företaget veta vilka data det har, var de bor, hur de flödar och vad som saknas. De flesta SMF kan inte svara på dessa fyra frågor en måndagmorgon. Den första månaden av en AI-utrullning är inte en modell. Det är en datarevision: fakturor, kundregister, leverantörsinformation, driftloggar. Var finns det. Hur lagras det. Vem äger det. Vad är trasigt. Tills detta är kartlagt vilar varje AI-verktyg på en grund som ingen har inspekterat.

Två: ett definierat användningsfall, smalt nog att leverera. Inte “förbättra kundservicen med AI”. En specifik uppgift, en specifik person, en specifik frekvens: klassificera inkommande kundmejl efter brådska, dirigera till rätt team, gör det inom sextio sekunder, mät eskaleringsfrekvens varje vecka. OECD:s taxonomi i samma december-2025-dokument skiljer mellan AI-Nybörjare, AI-Utforskare, AI-Optimerare och AI-Mästare. Steget från Nybörjare till Optimerare sker inte för att verktygen blir bättre. Det sker för att ett konkret användningsfall levereras och sedan ett andra. Användningsfall bygger på varandra. Strategier gör det inte.

Tre: rollspecifik utrullning. AI-verktyg rullas inte ut till ett företag. De rullas ut till en roll. Personen som klassificerar fakturor behöver ett annat verktyg, ett annat gränssnitt och en annan utbildning än personen som skriver kundkommunikation. En enda “AI-utrullning” riktad till “teamet” producerar en enda avhoppsfrekvens: hög. Rollspecifik utrullning — en roll i taget, med arbetsflödet granskat, verktyget konfigurerat för det flödet och användaren utbildad att använda det inom sitt verkliga arbete — producerar användning. Det är inte en metodologisk preferens. Det är vad samlingen av SMF-fall visar.

Fyra: användningsmätning från dag ett. Inte “har vi rullat ut det”. Använde folk det förra veckan, i sitt verkliga arbete, för den uppgift det var tänkt för. Dagligt aktivt användande per roll. Veckovis resultatmått — färre eskaleringar, kortare svarstider, mer precisa prognoser. Ipsos-rapporten kopplar detta till organisatorisk kapacitet: “AI-värdeskapande hänger på organisatorisk kapacitet.” Ett verktyg som ingen använde förra veckan skapade inget värde förra veckan, oavsett vad det kostade.

Dessa fyra är inte ett transformationsprogram. De är minimiarkitekturen för ett enda levererat AI-verktyg. Företagen i de 17 procenten slöt cirkeln på dessa fyra punkter. De i de 83 procenten gjorde det inte — och skälen till att de inte gjorde det är strukturella, inte motivationsmässiga.

Ett Konkret Exempel

En specifik form klargör abstraktionen. En specialiserad tillverkare med 40 anställda i norra Portugal — verklig typ, anonymiserad — ville “använda AI” för kundservice. Det första samtalet lyfte fram det egentliga problemet: en enda driftchef ägnade fyra till sex timmar per vecka åt att sortera kundmejl efter brådska och dirigera dem till rätt verkstadslag. Volymen ökade. Driftchefen var flaskhalsen.

Det är användningsfallet. Inte “AI för kundservice”. Sortera inkommande kundmejl efter brådska, klassificera efter produktfamilj, dirigera till rätt team, mäta svarstid. En roll. En uppgift. Mätbar på en vecka.

Datarevisionen tog fem arbetsdagar. Mejlen fanns i en delad brevlåda. Produkttaxonomin fanns i affärssystemet. Dirigeringsreglerna fanns i driftchefens huvud. Två av tre var inte i strukturerad form — dirigeringsreglerna fick extraheras i en halvdagssession med driftchefen, skrivas ner och omvandlas till ett klassifikationsschema. Schemat är den faktiska leveransen vecka ett. Modellen är leveransen vecka två.

Verktyget, när det levererades, var litet. Det läste inkommande mejl, tillämpade schemat, satte en brådskenivå och en produktfamilj, och tryckte meddelandet till rätt teams kö. Driftchefen behöll override-knappen. Dagligt aktivt användande började samma dag verktyget levererades. Veckomått: den genomsnittliga svarstiden föll från fyrtioen timmar till nio. Driftchefen fick tillbaka fyra timmar i veckan. Teamet slutade missa brådskande meddelanden från de största kunderna.

Arkitekturen var arbetet. Modellen var tolv rader API-anrop. Kostnaden för att bygga den var inte modellen — det var schemat, revisionen, rolldefinitionen och överenskommelsen om hur framgång ser ut, innan något rullades ut. Så ser det ut att sluta gapet på enhetsnivå.

Vad Bluewaves Ser

Det första samtalet med varje Bluewaves-prospekt går igenom de fyra punkterna ovan, i ordning. Ungefär en tredjedel av samtalen stannar vid punkt ett. Företaget har inte strukturerade data, har inget system of record, vet inte var den operativa informationen bor. Arbetet de behöver är inte AI-utrullning. Det är den digitala grund som AI kräver. Vi säger det. Vi tar inte uppdraget förrän grunden är på plats — eller tills företaget bestämmer att lägga grunden på plats är uppdraget.

Ungefär en tredjedel stannar vid punkt två. Företaget har data, har intresse, har budget, men har inget användningsfall smalt nog att leverera på tre veckor. Den första leveransen för dessa företag är ingen modell. Det är en användningsfallsworkshop med de personer som faktiskt skulle använda verktyget, utformad för att lämna rummet med en specifik, smal, mätbar uppgift. Sedan bygger vi.

Den sista tredjedelen kommer med alla fyra punkterna redan på plats — data, definierat användningsfall, identifierad roll, vilja att mäta. Dessa utrullningar levereras på tre veckor och stannar i bruk eftersom förutsättningarna var uppfyllda innan koden skrevs.

Det här är ingen säljmetod. Det är den operativa verkligheten bakom varför Eurostat-gapet växer. Företagen i de 17 procenten har passerat trösklar som de i de 83 procenten inte har passerat. Den passagen köper man inte med mjukvarulicenser.

Den Arkitektoniska Positionen

Gapet växer för att villkoren för att sluta det inte ligger i verktygen. De ligger i företagen. Ett billigare API producerar inte databeredskap. Ett enklare gränssnitt producerar inte ett användningsfall. En vänligare chatbot ger inte ett 30-personers företag utrymmet att designa ett arbetsflöde. Strukturen måste komma först, och de flesta SMF har inte fått någon hjälp att bygga den — för att hjälp, i EU:s politiska samtal, har definierats som utbildning, webbinarier, medvetandekampanjer och pilotfinansiering. Det är inte arkitektur. Det är kommentar.

Ipsos-rapporten citerar arbete från Copenhagen Business School som namnger arkitekturen ärligt: “AI-värdeskapande hänger på organisatorisk kapacitet.” Det är meningen. Organisatorisk kapacitet är flaskhalsen. Kapacitet byggs med struktur, inte med innehåll. Rapportens andra princip riktad till beslutsfattare är samstämmig: “Stötta utvecklingen av organisatorisk kapacitet och beredskap.” Inte mer utbildning. Kapacitet.

Om Eurostats våg 2026 publiceras i december och visar ett gap på 40 punkter ska ingen bli förvånad. Samma villkor är på plats. Samma förutsättningar saknas. Samma stödapparat fortsätter att hantera medvetenhet i stället för arkitektur. Gapet gör exakt det som dess strukturella orsaker förutsäger.

Att sluta det kräver en annan intervention. Inte fler pilotprojekt. Inte fler case-studier. Inte fler webbinarier. Förkvalificerade verktyg för fördefinierade användningsfall, förkartlagda till rollen och de data företaget redan har. Externt ägarskap där internt ägarskap inte finns. Användningsmätning som börjar dag ett, inte efter den tredje kvartalsöversynen.

Det är den arkitektoniska korrigeringen. Allt annat är teater. Gapet är strukturellt. Korrigeringen är strukturell. De billigare verktygen och de enklare gränssnitten är verkliga — och de kommer att fortsätta vidga gapet så länge förutsättningarna inte hanteras i samma takt som verktygen förbättras.

Trettioåtta punkter i fjol. Talet kommer att vara större nästa år, om inte stödet slutar vara innehåll och blir struktur.