Dirk Odeurs · AI Transformation
Dirk Odeurs
Dirk Odeurs
AI Transformation & Change · België

Vijftien jaar project-, programma- en changemanagement. Sinds 2016 ondernemer in de bouwsector. En zelf een AI-native SaaS ERP-platform voor de bouwsector ontworpen, gebouwd en in productie genomen.

Dirk Odeurs
AI Transformation & Change · Belgium

Fifteen years of project, programme and change management. A business owner since 2016. And the designer and builder of an AI-native SaaS ERP platform for the construction sector, now running in production.

AI-transformatie mislukt zelden op technologie.

De zeven bekende faaloorzaken van AI-projecten zijn alle zeven organisatorisch. Vier ervan: geen eigenaar, geen gemeten uitgangspunt, geen procesherontwerp, governance als sluitstuk. De zeven staan hieronder op een rij. Ik heb vijftien jaar aan precies die zeven gewerkt — bij ERP-implementaties, e-businessportalen en reorganisaties. Alleen de technologie is nieuw. En die heb ik in mijn eigen bedrijf van nul gebouwd en in productie genomen — geen proefopstelling, maar een volledig bedrijfsplatform dat de zaak draaiende houdt.

Aanpak voor een klein bedrijf Aanpak voor een grotere organisatie
88%
gebruikt AI regelmatig in minstens één bedrijfsfunctie
6%
schrijft meer dan 5% van de EBIT toe aan AI
0 op 7
van de bekende faaloorzaken is technisch van aard
Beide cijfers komen uit hetzelfde onderzoek: McKinsey & Company, The state of AI in 2025 (5 november 2025), een enquête onder bedrijfsleiders. “6%” is McKinsey’s definitie van een AI high performer: meer dan 5% van de EBIT én “significante waarde” toegeschreven aan AI. Zelfgerapporteerd, geen audit. Let op wat er níet staat: 39% rapporteert wél enige EBIT-impact. Wie 6% en 94% tegenover elkaar zet, leest het verkeerd. De zeven faaloorzaken hieronder zijn een synthese; per oorzaak staat de bron erbij.

In twee minuten.

De hele gedachtegang in één video — voor wie beslist over AI in een organisatie van honderden tot duizenden mensen.

Verder in de reeks
Video 2 · 2:40 · voor wie het werk organiseert

Je eerste digitale medewerker

Eén taak, vier stappen waarin vertrouwen verdiend wordt, en na acht weken een cijfer. Zo laat je AI meewerken zonder groot project.

Het plan in zes stappen ›
Video 3 · 2:41 · voor wie wil zien hoe het werkt

De AI-poort, van dichtbij

Hoe één vraag door de AI-poort reist: bij elke stap dezelfde controle — mag dit, ja of nee? AI raakt je data nooit zelf aan.

De referentiearchitectuur ›
Twee sporen

Welke van de twee ben jij?

De aanpak verschilt wezenlijk naargelang je schaal — niet alleen in lengte, maar in vorm. Een bedrijf van vijftien mensen heeft geen beslisorgaan met juridische dienst en security. Het heeft een zaakvoerder die beslist, en dat is een voordeel. Doen alsof dat hetzelfde is, is precies waarom veel adviestrajecten bij kleinere bedrijven mislukken.

Klein bedrijf · 10 tot 20 medewerkers

Eén eigenaar, acht weken

8 wekentot een eerste gemeten resultaat
1 eigenaargeen stuurgroep, geen comité
1 toepassingtegelijk, tot ze werkt

Zes stappen. Geen beslisorgaan, geen aparte omgevingen, geen formeel register — die voeg je later toe wanneer je ze nodig hebt. Dit is de aanpak die ik in mijn eigen bedrijf heb gebruikt, waar ik zelf de stuurgroep was.

Bekijk de zes stappen
Grotere organisatie · vanaf ±20 medewerkers

Twee sporen, tweeëntwintig weken

22 wekentot bewezen waarde én fundament
4 fasesachttien genummerde taken
2 sporenwaarde en fundament, parallel

Resultaat zonder fundament wordt rommel die niemand meer overziet. Fundament zonder resultaat wordt een map die niemand opent. Daarom lopen de twee sporen naast elkaar, elk met een eigenaar en een meetpunt.

Bekijk de vier fases
Het probleem

Gebruiken is nog geen veranderen

Vrijwel iedereen gebruikt intussen AI. Bijna niemand kan aantonen wat het opbrengt. Bij de doorlichting van een eigen bedrijf kwam één zin naar boven die sindsdien bij elke organisatie klopt: de intelligentie was aanwezig, de integratie ontbrak. De techniek is zelden het probleem. Wat ontbreekt is het werk eromheen — processen die opnieuw getekend zijn, data waarop te bouwen valt, iemand die eigenaar is, en iemand die durft te meten.

Ondertussen gebruiken medewerkers al AI, alleen niet die van het bedrijf. Dat is geen overtreding maar een signaal: er is vraag die het officiële traject niet invult.

  • 1Technologie zoekt probleem.Het project startte vanuit een demo, niet vanuit een gemeten pijnpunt.RAND, The Root Causes of Failure for AI Projects (2024, 65 interviews): “Chasing the latest and greatest advances in AI for their own sake is one of the most frequent pathways to failure.”
  • 2De tool staat naast het werk.Geen integratie in de bestaande workflow, geen geheugen, geen verbetering door gebruik.McKinsey (2025): high performers zijn bijna drie keer zo vaak een organisatie die werkstromen fundamenteel hertekende — 55% tegenover 20%. Gartner (april 2026) vindt hetzelfde: succes komt van AI ínbedden, niet ernaast zetten.
  • 3Data niet bruikbaar.Kwaliteit of beschikbaarheid zijn niet op orde — de stille blokkade nummer één.Gartner (februari 2025): organisaties laten tot 2026 zowat 60% van hun AI-projecten varen bij gebrek aan AI-klare data; 63% weet niet of het de juiste datapraktijk heeft. Gartner (april 2026): 38% noemt datakwaliteit of ‑beschikbaarheid als directe faaloorzaak.
  • 4Geen eigenaar.Een innovatieteam bouwt iets dat de lijnorganisatie nooit overneemt.McKinsey (2025): 48% van de high performers ziet eigenaarschap bij de directie, tegenover 16% bij de rest.
  • 5Geen uitgangsmeting.Zonder cijfers van vóór de start valt achteraf geen waarde aan te tonen — en dan stopt het budget.Dit is de enige van de zeven die niet met een cijfer uit één rapport te staven is; het is een praktijkobservatie. Wat er wél is: Gartner (november 2025) — wie AI-systemen regelmatig beoordeelt, haalt er meer dan drie keer zo vaak hoge waarde uit.
  • 6Verandering onderschat.Het zwaartepunt zit bij mensen en processen, maar het budget ging naar licenties.McKinsey (augustus 2026): per euro in de technologie hoort er drie naar procesherontwerp en vijf naar bekwaamheid en adoptie — “most companies invert this formula entirely”. BCG komt met 10-20-70 op dezelfde verhouding uit.
  • 7Governance als sluitstuk.Security en legal komen in week twaalf langs en blokkeren de livegang.Deloitte (april 2026), 3.235 leidinggevenden in 24 landen: 21% heeft een volwassen governancemodel voor agentic AI, terwijl 74% er tegen 2027 mee wil werken.
Geen enkele van deze zeven is technisch. Dat is het eerlijke verhaal. En de consequentie is onaangenaam: het grootste deel van het budget hoort niet bij de techniek te liggen.
Ik ben ze alle zeven zelf tegengekomen › Hoe start je dan wel? ›
Wie ik ben

Vijftien jaar transformatie, en een platform dat ik zelf bouwde

Dirk Odeurs

Ik ben Dirk Odeurs, industrieel ingenieur, Prince2 Practitioner sinds 2003. Ik heb mijn loopbaan besteed aan wat vandaag de moeilijkste kant van AI-transformatie blijkt te zijn: organisaties in beweging krijgen. ERP-systemen geïmplementeerd en gemigreerd, e-businessportalen gebouwd met duizenden dagelijkse gebruikers, een veranderingstraject geleid in een organisatie met meer dan vierhonderd beheerders.

Sinds 2016 ben ik daarnaast ondernemer in de bouwsector. Vanaf 2024 bracht ik daar AI stap voor stap in de processen, en in 2026 heb ik voor dat bedrijf een volledig AI-native SaaS ERP-platform ontworpen, gebouwd en in productie genomen: agentic workflows in de dagelijkse operatie, verificatie op elke voorgestelde actie, kosten per taak zichtbaar en begrensd. Drieënzestig modules, tweehonderd datamodellen — opgebouwd terwijl het bedrijf gewoon doordraaide, en het draait er vandaag op.

Die combinatie is het punt. Ik weet niet alleen hoe het hoort — ik weet ook wat er stukgaat als je het zelf moet laten werken, met je eigen geld als inzet.

Volledig profiel
Referentiemateriaal · open en gratis

Drie documenten, vrij te lezen en te delen

Ik zet mijn werk online omdat de methode het probleem niet is. De uitvoering wel. Alles hieronder is vrij te gebruiken en te delen.

Voor wie beslist

Directienota

AI die je eigen cijfers beantwoordt — beheerst en controleerbaar. Wat het oplevert, de vier zorgen van elk directiecomité met hun antwoord, en de investeringslogica. Zonder jargon.

Lees de nota › Voor wie bouwt

Referentiearchitectuur

Bestuurde agentische datatoegang: hoe je AI-agenten een open vraagbereik geeft over bedrijfsdata zonder de controle over rechten, herkomst, kosten en risico op te geven. Vijf lagen, tien ontwerpprincipes.

Lees het document › Voor wie moet voldoen

EU AI Act

Tien vragen voor organisaties die AI gebruiken maar niet bouwen. Bijgewerkt na de Digital Omnibus van juli 2026 — waar de meeste bronnen nog de oude tekst hanteren.

Lees de vragen ›
Contact

Vragen of reacties op de aanpak

Wie met deze aanpak aan de slag gaat en op een vraag stuit, of het ergens grondig mee oneens is: ik hoor het graag. Een methode wordt beter van tegenspraak.

dodeurs@gmail.com

of bel +32 478 544 682

AI transformation rarely fails on technology.

The seven known reasons AI projects fail are all seven organisational. Four of them: no owner, no measured starting point, no process redesign, governance bolted on at the end. All seven are listed below. I spent fifteen years on exactly those seven — in ERP implementations, e-business platforms and reorganisations. Only the technology is new. And I built that part myself, from scratch, and put it into production in my own company — not a proof of concept, but a full business platform that runs the business.

Approach for a smaller company Approach for a larger organisation
88%
of organisations use AI in at least one function
6%
get substantial bottom-line impact from it
0 of 7
known failure causes are technical in nature
Adoption figures: McKinsey, State of AI (November 2025). The failure causes are a synthesis of MIT NANDA, Gartner, Deloitte and others. The numbers are snapshots — the conclusion underneath them is not.

In two minutes.

The whole argument in one video — for those who decide on AI in an organisation of hundreds to thousands of people. Dutch spoken, English subtitles.

More in the series
Video 2 · 2:40 · for those who run the work

Your first digital employee

One task, four steps in which trust is earned, and a number after eight weeks. How to put AI to work without a big project.

The plan in six steps ›
Video 3 · 2:41 · for those who want to see how it works

The AI gate, up close

How one question travels through the AI gate: the same check at every step — is this allowed, yes or no? AI never touches your data itself.

The reference architecture ›
Two tracks

Which of the two are you?

The approach differs fundamentally with your scale — not just in length, but in shape. A company of fifteen people does not have a decision body with legal and security on it. It has an owner who decides, and that is an advantage. Pretending those are the same thing is precisely why so much consulting fails at smaller companies.

Smaller company · 10 to 20 people

One owner, eight weeks

8 weeksto a first measured result
1 ownerno steering group, no committee
1 use caseat a time, until it works

Six steps. No decision body, no separated environments, no formal register — you add those later, when you need them. This is the approach I used in my own company, where I was the steering group.

See the six steps
Larger organisation · from ±20 people

Two tracks, twenty-two weeks

22 weeksto proven value and foundation
4 phaseseighteen numbered tasks
2 tracksvalue and foundation, in parallel

Results without foundations become a mess nobody can oversee. Foundations without results become a folder nobody opens. So the two tracks run alongside each other, each with an owner and a measurement point.

See the four phases
The problem

Using it is not the same as changing

Almost everyone uses AI by now. Almost nobody can show what it returns. An audit of an own company produced one sentence that has held up at every organisation since: the intelligence was there, the integration was missing. The technology is rarely the problem. What is missing is the work around it — processes redrawn, data that can be built on, someone who owns it, and someone willing to measure.

Meanwhile employees are already using AI, just not the company's. That is not misconduct, it is a signal: there is demand the official programme is not meeting.

  • 1Technology looking for a problem.The project started from a demo, not from a measured pain point.RAND, The Root Causes of Failure for AI Projects (2024, 65 interviews): “Chasing the latest and greatest advances in AI for their own sake is one of the most frequent pathways to failure.”
  • 2The tool sits next to the work.No integration into the existing workflow, no memory, no improvement through use.McKinsey (2025): high performers are nearly three times as likely to have fundamentally redesigned workflows — 55% versus 20%. Gartner (April 2026) finds the same.
  • 3Data not usable.Quality or availability are not in order — the number one silent blocker.Gartner (February 2025): organisations will abandon some 60% of AI projects through 2026 for want of AI-ready data; 63% do not know whether their data practice is right.
  • 4No owner.An innovation team builds something the line organisation never adopts.McKinsey (2025): 48% of high performers see ownership at senior level, against 16% of the rest.
  • 5No baseline.Without numbers from before the start, value cannot be demonstrated afterwards — and then the budget stops.The one cause of the seven that cannot be backed with a figure from a single report; it is a practitioner’s observation. What does exist: Gartner (November 2025) — organisations that assess AI systems regularly are over three times as likely to realise high value.
  • 6Change underestimated.The centre of gravity is people and process, but the budget went to licences.McKinsey (August 2026): for every euro in technology, three belong in process redesign and five in capability building — “most companies invert this formula entirely”. BCG’s 10-20-70 lands in the same place.
  • 7Governance as an afterthought.Security and legal arrive in week twelve and block the launch.Deloitte (April 2026), 3,235 leaders across 24 countries: 21% have a mature governance model for agentic AI, while 74% intend to deploy it by 2027.
Not one of these seven is technical. That is the honest story. And the consequence is uncomfortable: most of the budget does not belong with the technology.
I ran into all seven myself › So how do you start? ›
Who I am

Fifteen years of transformation, and a platform I built myself

Dirk Odeurs

I am Dirk Odeurs, an industrial engineer and Prince2 Practitioner since 2003. I have spent my career on what turns out to be the hard part of AI transformation: getting organisations to actually move. ERP systems implemented and migrated, e-business platforms built with thousands of daily users, a change programme led in an organisation of more than four hundred case handlers.

Since 2016 I have also run my own company in the construction sector. From 2024 I brought AI into its processes step by step, and in 2026 I designed, built and put into production a complete AI-native SaaS ERP platform for that company: agentic workflows in daily operations, verification on every proposed action, cost per task visible and capped. Sixty-three modules, a hundred and eighty data models — built while the business kept running, and running the business today.

That combination is the point. I do not only know how it should be done — I know what breaks when you have to make it work yourself, with your own money at stake.

Full profile
Reference material · open and free

Three documents, free to read and share

I publish my work because the method is not the problem. The execution is. Everything below is free to use and to share.

For those who decide

Board memo

AI that answers your own numbers — controlled and auditable. What it returns, the four concerns of every board with their answer, and the investment logic. Without jargon.

Read the memo › For those who build

Reference architecture

Governed agentic data access: how to give AI agents an open question range over company data without giving up control of permissions, provenance, cost and risk. Five layers, ten design principles.

Read the document › For those who must comply

EU AI Act

Ten questions for organisations that use AI but do not build it. Updated after the Digital Omnibus of July 2026 — where most sources still quote the old text.

Read the questions ›
Contact

Questions or comments on the approach

If you put this approach to work and run into a question — or disagree with something — I would like to hear it. A method gets better through challenge.

dodeurs@gmail.com

or call +32 478 544 682