Tjugo procent
Eurostats pressmeddelande landade i december 2025. Rubriken: 20 % av EU:s företag har anammat AI. LinkedIn firade. Kommentatorer deklarerade framsteg. Siffran hamnade i rotation — citerad i pitch decks, EU-kommissionens tal och konsultrapporter som bevis på att europeisk AI-adoption accelererar.
Siffran är verklig. Den är också missvisande på exakt det sätt som spelar roll.
Vad rubriken döljer
20 %-siffran kommer från Eurostats undersökning om IKT-användning i företag, som genomförs årligen i alla 27 EU-medlemsstater. Undersökningen täcker företag med 10 eller fler anställda. Tio eller fler. Den tröskeln exkluderar 99 % av alla EU-företag.
EU har ungefär 33 miljoner företag. Av dessa är cirka 32,7 miljoner — 99,1 % — mikroföretag: färre än 10 anställda, under 2 miljoner euro i årsomsättning. Det är bagerierna, revisionsbyråerna, logistikoperatörerna, de små tillverkarna, konsultfirmorna, specialbutikerna. De utgör den stora majoriteten av den europeiska ekonomin. Och de är osynliga i Eurostats rubrik.
Undersökningen inkluderar storleksklassuppdelningar, och det är där berättelsen förändras. Bland stora företag (250+ anställda) når AI-adoptionen 55 %. Bland medelstora företag (50–249 anställda) sjunker den till ungefär 30 %. Bland små företag (10–49 anställda) är siffran 17 %.
Bland mikroföretag? Eurostat undersöker dem inte rutinmässigt. Data saknas i stor skala. 20 %-rubriken beskriver en population som exkluderar den stora majoriteten av europeiska företag.
Det här är inte en kritik av Eurostat. Undersökningsmetodiken är solid, urvalsdesignen rigorös, och storleksklassexkluderingen är dokumenterad i de tekniska noter som ingen läser. Det är en kritik av hur siffran används — som ett mått på europeisk AI-beredskap när den i själva verket är ett mått på storföretags AI-utgifter.
Storleksklassgapet är arkitektoniskt
Skillnaden mellan 55 % adoption i stora företag och 17 % i små företag är inte ett teknologigap. Det är inte ett medvetenhetsgap. Det är inte ett kompetensgap, även om kompetens spelar roll. Det är ett arkitekturgap.
Stora företag anammar AI för att de har tre saker som små företag saknar:
Dedikerad IT-infrastruktur. En tillverkare med 500 anställda har en IT-avdelning. Avdelningen utvärderar verktyg, hanterar integrationer, sköter säkerhetsbedömningar och förhandlar leverantörsavtal. Kostnaden för att utvärdera ett AI-verktyg absorberas i avdelningens befintliga budget och operativa rytm. För ett logistikföretag med 30 anställda är “IT-avdelningen” en person som även sköter telefonsystemet, CRM:et och skrivarna. Att utvärdera ett AI-verktyg är inte deras jobb. Det är ett avbrott från deras jobb.
Budget för experimenterande. Stora företag kan avsätta 50 000 euro till ett pilotprojekt utan materiell risk. Om piloten misslyckas är förlusten en avrundningsdifferens. För ett litet företag med 3 miljoner euro i årsomsättning är 50 000 euro 1,7 % av omsättningen — ett betydande åtagande som kräver motivering, godkännande och resultat. Asymmetrin handlar inte om rikedom. Den handlar om förhållandet mellan experimentell investering och operativ risk.
Interna förespråkare. AI-adoption i stora företag börjar typiskt med en mellanchef eller teknisk ledare som identifierar ett användningsfall, bygger ett affärsunderlag och driver projektet internt. Den personen existerar för att stora organisationer har tillräcklig rollmångfald för att inkludera någon vars jobb tangerar AI. I ett 30-personers företag är varje persons jobb operativt. Det finns ingen roll med utrymme att utvärdera, förespråka och hantera en AI-driftsättning. Förespråkargapet är den mest underskattade faktorn i adoptionsskillnaden.
Dessa tre faktorer — infrastruktur, budgetkvot och interna förespråkare — är strukturella. De förändras inte genom medvetenhetskampanjer, utbildningsprogram eller marknadsföring. De förändras genom arkitektoniska interventioner: att sänka kostnaden för utvärdering, minska den tekniska bördan av integration och tillhandahålla externt förespråkande där interna förespråkare inte finns.
Vad “adoption” faktiskt mäter
Eurostats undersökning mäter adoption med en specifik fråga: “Använder ert företag några AI-teknologier?” Frågan listar kategorier: maskininlärning, naturlig språkbehandling, bildigenkänning, robotiserad processautomation, autonoma system. Ett företag som använder någon av dessa räknas som att det har “anammat AI”.
Frågan mäter inte adoptionsdjup. Den skiljer inte mellan ett företag som använder en gratis chatbot för enstaka kundförfrågningar och ett företag som har integrerat maskininlärning i sitt centrala produktionsarbetsflöde. Den mäter inte om AI-verktyget är i daglig användning, enstaka användning, eller övergiven-efter-provperioden-användning.
Det här är samma metodologiska problem som plågar alla undersökningar om teknikadoption. Binär adoption (ja/nej) döljer spektrat från experimentell till inbäddad. Ett företag som registrerade en ChatGPT Enterprise-licens i januari och glömde bort den i mars räknas likadant som ett företag som använder automatiserad efterfrågeprognostisering för att styra hela sin leveranskedja.
OECD:s rapport från december 2025 om AI-adoption bland små och medelstora företag adresserade detta genom att kategorisera företag i fyra mognadsnivåer: AI-nybörjare, AI-utforskare, AI-optimerare och AI-mästare. Eurostats binära mått klumpar ihop nybörjare och utforskare med resten. Den operativa påverkan — den del som spelar roll för produktivitet, konkurrenskraft och ekonomisk tillväxt — bor i kategorierna optimerare och mästare.
OECD:s slutsats är rakt på sak: det mesta av AI-adoptionen bland små och medelstora företag förblir i ett begynnande eller pilotstadium. Företag experimenterar med AI-verktyg men möter strukturella hinder för att bädda in dem i kärnverksamheten. Gapet mellan “vi använder AI” och “AI förändrar hur vi arbetar” är där de flesta AI-utgifterna slösas bort.
Tjugo procent har anammat AI. En bråkdel har integrerat det. Gapet mellan de siffrorna är hela problemet.
Geografin inuti siffran
EU-genomsnittet på 20 % döljer landsnivåvariation som sträcker sig från 9 % till 39 %. Danmark, Finland och Nederländerna leder. Rumänien, Bulgarien och Grekland ligger efter. Variansen är inte slumpmässig. Den korrelerar med tre infrastrukturindikatorer starkare än med BNP per capita:
Mognad för digitala offentliga tjänster. Länder med avancerade digitala identitetssystem, interoperabla offentliga tjänster och e-förvaltningsinfrastruktur har högre AI-adoption. Danmarks NemID/MitID-system, Finlands Suomi.fi, Nederländernas DigiD — dessa skapar en digital infrastrukturbaslinje som gör integration av AI-verktyg enklare. Företaget behöver inte bygga digitalt förtroende från grunden. Den offentliga infrastrukturen har redan etablerat det.
Bredbandsgenomträngnigskvalitet. Inte bara uppkoppling — kvalitet. Fiber-till-hemmet-täckning i Danmark överstiger 75 %. I Rumänien sjunker den under 30 % på landsbygden där många små och medelstora företag verkar. AI-verktyg som kräver konsekvent uppkoppling med låg latens är arkitektoniskt inkompatibla med intermittent bredband. Verktyget fungerar i Köpenhamn. Verktyget timeout:ar i Constanța.
Digitaliseringsbaslinje för små och medelstora företag. AI-adoption är en andra ordningens effekt. Första ordningen är grundläggande digitalisering: molnbaserad redovisning, CRM, digital lagerhantering. Företag som inte har digitaliserat sin grundläggande verksamhet kan inte anamma AI-verktyg för att det saknas datainfrastruktur för AI att koppla till. En betydande andel av EU:s små och medelstora företag förlitar sig fortfarande på huvudsakligen pappersbaserad registerföring för minst en kärnverksamhetsfunktion — den exakta andelen varierar mellan länder, men mönstret är konsekvent i Syd- och Östeuropa.
Dessa tre faktorer förklarar mer av landsnivåvariansen än något mått på “innovationskultur” eller “entreprenöriellt tänkesätt”. Den 30-personers tillverkaren i Braga, Portugal, saknar inte innovationskultur. Den saknar fiberbredband och ett digitalt faktureringssystem.
Könsdimensionen som data visar
En dimension som Eurostats data fångar men få kommentatorer diskuterar: bland företag ledda av kvinnor är AI-adoptionen 7 procentenheter lägre än bland företag ledda av män, efter kontroll för sektor och storlek. Gapet kvarstår i alla storleksklasser.
Gapet handlar inte om teknisk begåvning eller intresse. Europeiska kommissionens Women in Digital Scoreboard — som publiceras årligen sedan 2019 — spårar strukturella skillnader i internetanvändning, digitala färdigheter och specialistanställning. De strukturella faktorerna bakom adoptionsgapet inkluderar tillgång till finansiering för teknikinvesteringar (kvinnoledda företag får konsekvent en bråkdel av det totala riskkapitalet — under 3 % de senaste åren, enligt PitchBook-data) och tillgång till kontaktnätverk där kunskap om AI-adoption cirkulerar. Det här är infrastrukturbrister, inte individuella brister.
Det här är inte individuella misslyckanden. Det är infrastrukturbrister. Samma arkitekturgap som skiljer stora företag från små skiljer välnätverkade grundare från undernätverkade grundare. Problemet är inte vem du är. Problemet är vilken infrastruktur som finns tillgänglig för dig.
Vad de andra 80 % faktiskt behöver
De 80 % av EU:s företag som inte har anammat AI behöver inte medvetenhet. De vet att AI finns. De behöver inte inspiration. De har sett demos. De behöver inte billigare verktyg. Många AI-verktyg har gratisversioner.
De behöver tre saker:
Sänkt utvärderingskostnad. Kostnaden för att utvärdera om ett AI-verktyg passar ett specifikt affärsbehov är för hög för ett företag utan dedikerad IT-personal. Utvärdering kräver teknisk bedömning, säkerhetsgranskning, integrationstestning och arbetsflödesanalys. För ett stort företag är den kostnaden marginell. För ett 30-personers företag är den förbjudande. Interventionen är förkvalificerade, förvärderade verktyg med dokumenterade integrationsstigar för vanliga affärssystem. Inte generiska “AI för företag”-verktyg. Specifika verktyg för specifika uppgifter: fakturabehandling för småföretag som använder Sage, klassificering av kundförfrågningar för företag som använder Zendesk, efterfrågeprognos för WooCommerce-butiker.
Externt förespråkande. Om ingen i företaget har rollen, tiden eller expertisen att driva en AI-driftsättning måste någon utanför företaget fylla den rollen tillfälligt. Det här är inte konsulting. Konsulting producerar rapporter. Förespråkande producerar driftsättning. Den externa förespråkaren arbetar med teamet, driftsätter verktyget, observerar hur folk använder det, justerar konfigurationen och lämnar när verktyget är i daglig användning.
Det här är vad Bluewaves gör. Inte AI-strategi. Inte konsulting inom digital transformation. Driftsättning. Ett fungerande verktyg i händerna på de som ska använda det, inom tre veckor.
Kollegial validering. Stora företag anammar AI för att andra stora företag anammar AI. Fallstudierna finns. Bevisunderlagen cirkulerar. För ett logistikföretag med 30 anställda i Tarragona är den relevanta fallstudien inte “hur Siemens driftsatte AI i sin leveranskedja”. Den relevanta fallstudien är “hur ett logistikföretag med 35 anställda i Porto driftsatte AI i sin lagerhantering och minskade plockfel med 22 %”. Samma sektor, samma storlek, samma begränsningar. Bevisunderlaget saknas för att ingen dokumenterar driftsättningar hos små och medelstora företag.
Eurostats data berättar var adoption finns. Den berättar inte varför adoption stannar. Skälen är arkitektoniska, inte attitydmässiga.
Sektordimensionen
20 %-rubriken döljer sektornivåvariation som är lika betydande som storleksklassvariationen.
Informations- och kommunikationsföretag (NACE avsnitt J) rapporterar AI-adoption över 40 %. Finans- och försäkringsföretag (NACE avsnitt K) rapporterar över 35 %. Det är de sektorer där digital infrastruktur redan finns, där dataflöden redan är strukturerade, där integrationskostnaden för ett AI-verktyg är marginell för att det digitala arbetsflödet redan existerar.
Tillverkning (NACE avsnitt C) — ryggraden i EU:s ekonomiska produktion, som representerar 15 % av BNP — rapporterar AI-adoption på ungefär 12 %. Byggsektorn (NACE avsnitt F) rapporterar under 8 %. Jordbruk (NACE avsnitt A) registreras knappt.
Variansen kartlägger direkt den digitala mognaden, inte AI-beredskapen. En tillverkare vars produktionsplanering fortfarande körs på en whiteboard kan inte anamma ett AI-verktyg för efterfrågeprognostisering — inte för att AI:n saknas, utan för att den data AI:n behöver inte existerar i digital form. AI-verktyget kräver strukturerad indata. Whiteboardtavlan producerar inte strukturerad indata.
Det här är infrastrukturkaskaden: grundläggande digitalisering möjliggör datainsamling, datainsamling möjliggör analys, analys möjliggör AI. Hoppa över något steg och de efterföljande stegen fallerar. Tillverkningens 12 % adoption är inte ett misslyckande i AI-medvetenhet. Det är ett misslyckande i grundläggande digitalisering — och misslyckandet föregår AI med ett decennium.
JRC:s AI Watch-rapport om tillverkningsindustrins AI-adoption identifierade kaskaden explicit: bland tillverkare som hade slutfört grundläggande digitalisering (molnbaserat affärssystem, digital lagerhantering, automatiserad rapportering) var AI-adoptionen en storleksordning högre än bland dem som inte hade det. Digitaliseringsbaslinjen är den faktiska prediktorn, inte AI-verktygstillgängligheten.
För de 88 % av EU:s tillverkare som inte har anammat AI är interventionen inte AI-utbildning. Det är digital infrastruktur — det tråkiga, oglamorösa arbetet med att flytta från papper till moln, från whiteboard till databas, från arkivskåp till strukturerad data. AI:n kommer efter. Den kan inte komma före.
Vad Bluewaves ser
De företag som kontaktar Bluewaves faller i två kategorier. Den första kategorin har ett specifikt AI-användningsfall, en digital infrastrukturbaslinje och ett team som är villigt att använda ett verktyg. Dessa företag driftsätter på tre veckor. Verktyget är i bruk vecka fyra. Processen är inte komplicerad för att förutsättningarna är uppfyllda.
Den andra kategorin har intresse för AI, entusiasm från ledningen och ingen digital infrastruktur. Ingen strukturerad data. Inga standardiserade arbetsflöden. Inga dokumenterade processer. Dessa företag kan inte driftsätta ett AI-verktyg på tre veckor för att det inte finns något att koppla verktyget till. Arbetet är inte AI-driftsättning. Arbetet är digitalisering — den förutsättning som 20 %-rubriken antar är universell och inte är det.
Vi tar inte oss an den andra kategorin. Inte för att arbetet inte är värdefullt — det är det. För att kalla det “AI-driftsättning” när det faktiska behovet är “digital infrastruktur” är oärligt, och oärlighet är dyrt för alla.
De 20 % som har anammat AI är de företag som passerade digitaliseringströskeln innan AI anlände. De 80 % som inte har det är, till stor del, företag som inte har passerat den tröskeln ännu. AI:n är redo. Infrastrukturen är det inte.
Siffran som spelar roll
Tjugo procent är en rubrik. Sjutton procent bland små företag är en datapunkt. Den bråkdel som verkligen har integrerat AI i kärnverksamheten — OECD:s “AI-mästare” — är siffran som spelar roll.
Gapet mellan adoption och integration — mellan “vi använder AI” och “AI förändrar hur vi arbetar” — är utrymmet där de flesta AI-utgifterna slösas bort. Det är kyrkogården för chatbotlicenser, övergivna dashboards och pilotprojekt som aldrig levererades.
Att stänga det gapet kräver tre saker som inte har med AI-teknik att göra: infrastruktur som gör utvärdering billig, externa förespråkare som gör driftsättning verklig, och kollegiala bevis som gör adoption trovärdig.
Den data vi behöver
Eurostats undersökning kommer att genomföras igen 2026. När resultaten publiceras kommer de att rapportera en ny rubriksiffra. Tjugotvå procent, kanske. Eller tjugofem. Siffran kommer att vara högre. LinkedIn kommer att fira. Framsteg kommer att deklareras.
Siffran kommer fortfarande att vara missvisande — om inte metodiken ändras. Tre tillägg skulle göra undersökningen operativt användbar:
Först: inkludera mikroföretag. De 99 % av EU:s företag som exkluderas från undersökningen är de företag som behöver datan mest. En separat AI-modul för mikroföretag, även om den administreras för ett urval snarare än hela populationen, skulle ge den baslinje som för närvarande saknas.
Näst: mät djup, inte bara bredd. Gå bortom binär adoption (ja/nej) till en mognadstaxonomi som OECD:s fyranivåramverk: nybörjare, utforskare, optimerare, mästare. Fördelningen mellan nivåerna spelar mer roll än den binära räkningen.
Sist: mät förespråkareffekten. Fråga inte bara “använder ert företag AI?” utan “har ert företag en person vars roll inkluderar att hantera adoption av AI-verktyg?” Närvaron eller frånvaron av en intern förespråkare är, enligt vår observation, den starkaste prediktorn för hållbar adoption — mer prediktiv än budget, sektor eller företagsstorlek.
Dessa tre tillägg skulle omvandla undersökningen från en rubrikgenerator till ett operativt verktyg. Datan finns att samla in. Metodiken finns att tillämpa. 20 %-rubriken kommer att bestå tills någon bestämmer att korrekt data spelar mer roll än optimistisk data.
Tjugo procent är inte en framgångsberättelse. Det är en startpunkt. Arbetet ligger i de 80 % som följer — och de 2 % som spelar roll.