Voor organisaties zonder aparte IT-, juridische of HR-afdeling — van tien medewerkers tot ongeveer tweehonderdvijftig. Dit is de aanpak die ik in mijn eigen bedrijf heb gebruikt, waar ik zelf de stuurgroep was.
Hieronder staat niet alleen wát er gebeurt, maar ook hoe ik elke stap concreet uitvoer: welke sessie, wie erbij zit, hoeveel gesprekken, wat er op papier komt. Klik een stap open.
Voor organisaties zonder aparte IT-, juridische of HR-afdeling. Dit is de aanpak die ik in mijn eigen bedrijf heb gebruikt, waar ik zelf de stuurgroep was.
Een terechte vraag, en ze verdient een eerlijk antwoord in plaats van een verkooppraatje. Wie vandaag over AI op bedrijfsdata leest, botst op kennislagen, gateways, bevoegdhedenmatrices en auditsporen. Dat is geschreven voor een verzekeraar met een toezichthouder. U werkt in één pakket, met eigen logins, zonder koppelingen naar buiten.
Het antwoord is kort: al die structuur dient vier dingen, en een gesloten systeem lost er maar één van op.
Klopt. Eén systeem, uw eigen logins, geen koppelingen naar buiten. Vertrouwelijkheid hebt u inderdaad grotendeels geregeld — tot de dag dat er een tweede bron bij komt, en dat is meestal sneller dan u denkt.
Hier is klein zijn een nadeel, geen voordeel. U vraagt: “wat was mijn marge op die werf?” U krijgt 22%. Klopt dat? In een groot bedrijf zit er iemand die zegt “nee, je vergeet de onderaannemer”. Bij u zit die persoon er niet. En u maakt uw volgende offerte op dat cijfer.
Een AI die zelfstandig blijft doorzoeken laat uw factuur stil oplopen. In een groot bedrijf valt dat op in een budgetlijn. Bij u valt het op wanneer de afrekening komt. Kostprijs per vraag en een plafond per dag: een halve dag werk.
Dit is het sterkste argument op uw schaal, en het is het omgekeerde van dat van een groot bedrijf. Zij leggen kennis vast omdat ze over veertig mensen verspreid zit. U legt ze vast omdat ze in één hoofd zit: het uwe. Wat “opgeleverd” betekent, waarom die klant een ander tarief heeft, wanneer een werf meetelt — het staat nergens.
Wat betekent “actieve werf”, “opgeleverd”, “in regie”, “forfait”. Waarom klant X een ander tarief heeft. Welke projecten buiten de margeberekening vallen. Eén keer opschrijven. Dat blad is meteen ook uw inwerkdocument voor de eerste medewerker die u aanneemt.
Marge, openstaand bedrag, uurtarief-realisatie, dekkingsgraad. Eén manier om ze te berekenen, niet drie. Zonder dat geeft dezelfde vraag in andere woorden een ander getal — en dan is uw vertrouwen na drie weken weg. Vertrouwen is alles-of-niets: u krijgt één kans.
De AI mag alles lézen. Maar vóór ze iets dóét — een mail versturen, een factuur wijzigen, tweehonderd records aanpassen — vraagt ze het eerst. Eén namiddag werk, en de enige echt catastrofale faalwijze is structureel onmogelijk in plaats van onwaarschijnlijk. U hebt geen ploeg die dat achteraf opruimt.
Wilt u zien hoe hetzelfde principe er op grote schaal uitziet, met vijf lagen en een auditspoor? Dat staat volledig uitgewerkt in de referentiearchitectuur. En wat de Europese AI-verordening concreet van een klein bedrijf verwacht, staat in tien vragen en antwoorden.
Hiervoor hebt u mij niet nodig. Als u dit doet en er komt niets verontrustends uit, hebt u waarschijnlijk ook geen consultant nodig. Komt er wél iets uit, dan weet u tenminste wat.
Eén enquête van onder de acht minuten: welke AI-hulpmiddelen gebruikt u voor uw werk, ook privé-accounts. Anoniem, anders krijgt u het antwoord dat u wil horen. Verwacht een hoger cijfer dan u denkt — en behandel dat als vraagsignaal, niet als overtreding.
Een rekenblad met zeven kolommen: naam, type, eigenaar, gebruikers, welke data, wat het kost, status. Vul het met alles wat u vindt. U kunt niets sturen wat u niet ziet. Die lijst is uw halve diagnose.
De klassieke faalwijze is versnippering over tien proeven. Kies de toepassing met het grootste volume en de duidelijkste pijn, en zet de rest expliciet op een niet-nu-lijst. Nee zeggen is een kwaliteitskenmerk.
Twee tot vier weken cijfers verzamelen: hoeveel, hoe lang, hoe vaak fout. Uit de systemen als het kan, anders twintig taken met een chronometer. Zonder dit getal kunt u later nooit aantonen dat het gewerkt heeft.
Welke middelen zijn toegestaan, welke data mag er nooit in, wanneer moet een mens beslissen, en bij wie meldt u een probleem. Twee pagina's die iedereen kent, verslaan een handboek dat niemand leest.
Deze werkwijze is niet uit het niets ontstaan, en ik doe niet alsof. De diagnosevragen — welke processen zijn herontworpen, en wie is er eigenaar van — komen uit het onderzoek van McKinsey. Het inzicht dat het zwaartepunt bij mensen en processen ligt en niet bij de techniek, is van BCG. Dat proeven zonder eigenaar en zonder nulmeting zelden iets opleveren, is gedocumenteerd door MIT. En de opbouw van het fundamentspoor — eerst zien wat er draait, dan eigenaarschap, dan rechten, dan doorlopende opvolging — volgt de logica die Cegeka beschreef in hun uitrolmodel voor AI-agents.
Wat van mij is: de volgorde waarin ik het uitvoer, de manier waarop elke stap concreet wordt gemaakt — welke sessie, wie erbij zit, wat er op papier komt — en vijftien jaar ervaring met wat er werkelijk in de kamer gebeurt wanneer je een directie om een besluit vraagt.
Ik zet dit erbij omdat ik het van klanten ook vraag. Wie een cijfer of een model gebruikt zonder te zeggen waar het vandaan komt, verkoopt iets.
Als u herkent wat hierboven staat — veel losse initiatieven, weinig aantoonbaar resultaat, en niemand die precies weet wat er draait — dan is een eerste gesprek meestal genoeg om te bepalen of er iets zinvols te doen valt. Ook als het antwoord "nog niet" is.
dirk.odeurs@vedinet.beFor organisations without a separate IT, legal or HR department — from ten people up to around two hundred and fifty. This is the approach I used in my own company, where I was the steering group.
Below is not only what happens, but how I actually carry out each step: which session, who is in the room, how many conversations, what ends up on paper. Click a step to open it.
For organisations without a separate IT, legal or HR department. This is the approach I used in my own company, where I was the steering group.
A fair question, and it deserves an honest answer rather than a sales pitch. Anyone reading about AI on company data today runs into knowledge layers, gateways, permission matrices and audit trails. That material is written for an insurer with a regulator. You work in one package, with your own logins, with no outside connections.
The answer is short: all that structure serves four things, and a closed system solves only one of them.
Correct. One system, your own logins, no outside connections. Confidentiality you have largely handled — until the day a second source appears, and that is usually sooner than you expect.
Here being small is a disadvantage, not an advantage. You ask: “what was my margin on that job?” You get 22%. Is that right? In a large company somebody says “no, you are forgetting the subcontractor”. In your company that person is not there. And you price your next job on that number.
An AI that keeps searching on its own quietly runs up your bill. In a large company that shows up in a budget line. In yours it shows up when the invoice arrives. Cost per question and a daily cap: half a day of work.
This is the strongest argument at your scale, and it is the inverse of the large-company one. They document because knowledge is spread across forty people. You document because it sits in one head: yours. What “delivered” means, why that client has a different rate, when a job counts — none of it is written down.
What counts as an “active job”, “delivered”, “time and materials”, “fixed price”. Why client X has a different rate. Which projects fall outside the margin calculation. Write it once. That page is also your onboarding document for the first person you hire.
Margin, outstanding balance, hourly rate realisation, coverage. One way to calculate each, not three. Without that, the same question in different words returns a different number — and your trust is gone in three weeks. Trust is all-or-nothing: you get one attempt.
The AI may read everything. But before it does anything — sends an email, changes an invoice, updates two hundred records — it asks first. One afternoon of work, and the single catastrophic failure mode becomes structurally impossible rather than merely unlikely. You have no team to clean that up afterwards.
Want to see what the same principle looks like at scale, with five layers and an audit trail? It is worked out in full in the reference architecture. And what the European AI Act actually expects of a smaller company is covered in ten questions and answers.
You do not need me for this. If you do it and nothing worrying comes out, you probably do not need a consultant either. If something does come out, at least you know what.
One survey under eight minutes: which AI tools do you use for work, personal accounts included. Anonymous, otherwise you get the answer you want to hear. Expect a higher number than you think — and treat it as demand, not misconduct.
A spreadsheet with seven columns: name, type, owner, users, which data, what it costs, status. Fill it with everything you find. You cannot steer what you cannot see. That list is half your diagnosis.
The classic failure mode is spreading across ten pilots. Pick the application with the highest volume and the clearest pain, and put the rest explicitly on a not-now list. Saying no is a mark of quality.
Two to four weeks of numbers: how many, how long, how often wrong. From the systems if you can, otherwise twenty tasks with a stopwatch. Without that number you can never later prove it worked.
Which tools are allowed, which data may never go in, when a human has to decide, and who to report a problem to. Two pages everybody knows beat a manual nobody reads.
This way of working did not appear out of nowhere, and I will not pretend otherwise. The diagnostic questions — which processes have been redesigned, and who owns them — come from McKinsey's research. The insight that the centre of gravity sits with people and process rather than technology is BCG's. That pilots without an owner and without a baseline rarely return anything has been documented by MIT. And the sequence of the foundation track — first see what is running, then ownership, then permissions, then continuous monitoring — follows the logic Cegeka described in their rollout model for AI agents.
What is mine: the order in which I run it, the way each step is made concrete — which session, who is in the room, what ends up on paper — and fifteen years of knowing what actually happens when you ask a board for a decision.
I state this because I ask the same of clients. Anyone using a figure or a model without saying where it came from is selling something.
If you recognise the picture above — many scattered initiatives, little demonstrable result, and nobody who knows exactly what is running — a first conversation is usually enough to establish whether there is anything worth doing. Including when the answer is "not yet".
dirk.odeurs@vedinet.be