En kunde mærker ikke geografisk dækning på et punkt på et landkort, men på svaret på et par konkrete spørgsmål. Kan denne leverandør være på lokation i morgen. Kender vedkommende den lokale lovgivning, sprog og skikke. Er der nogen tilgængelig i den rette tidszone, på det rette tidspunkt. Tidligere var svaret på disse spørgsmål direkte koblet til, hvor et firma havde folk siddende. Dækning var en konsekvens af afdelinger, vognparker og bemanding pr. region. Den, der ville betjene flere områder, måtte sætte flere folk der eller ansætte flere folk, der kendte regionen.
Denne sammenhæng mellem dækning og fysisk bemanding er under pres, ikke fordi den fysiske tilstedeværelse forsvinder, men fordi en del af det arbejde, der gør dækning mulig, ikke længere er bundet til en lokation.
Bag ethvert krav om geografisk dækning ligger en bunke arbejde, der som regel forbliver usynligt for kunden. At holde styr på lovgivning pr. land eller region og oversætte det til, hvad det betyder for et tilbud. At planlægge lokale lagerpositioner eller servicepunkter. At vurdere efterspørgsel og udbud pr. region, så der ikke står for meget eller for lidt kapacitet klar. At koordinere flersproget kommunikation mellem et centralt team og lokale kontakter. At udarbejde rapporter, der viser hvilke regioner der reelt betjenes inden for den lovede tid.
Dette arbejde falder inden for de tre kategorier, der går igen overalt. En del kan AI overtage: at kombinere lovgivning, efterspørgselsmønstre og logistikdata til et dækningsforslag pr. region er for størstedelens vedkommende regnearbejde baseret på data, der allerede findes. En del er delvis, med tilsyn: et AI-system foreslår en inddeling af regioner eller et serviceniveau, et menneske vurderer om det passer til den specifikke situation hos en kunde eller et marked og godkender eller afviser, med begrundelse. Og en del forbliver menneskearbejde: den faktiske tilstedeværelse på lokationen, samtalen med en lokal partner, vurderingen af en situation, der ikke lader sig indfange i data.
Så længe dækning primært var et spørgsmål om bemanding, vandt som regel den, der havde flest folk på flest steder. Det var en omkostningsbarriere: at betjene flere regioner kostede proportionalt lige så meget mere kapacitet. Et lille firma med et stærkt regionalt netværk kunne skille sig ud, simpelthen fordi det at skalere op til flere regioner var lige så dyrt for en konkurrent.
Hvis kombinationen af lovgivning, efterspørgsel og logistik i vid udstrækning håndteres af AI, ændrer dette regnestykke sig. Et firma, der allerede har overdraget dette arbejde til et system, kan lægge et dækningsforslag for en ny region på bordet hurtigere, med mindre ekstra kapacitet end en konkurrent, der stadig udfører dette arbejde manuelt pr. region. Forskellen ligger så ikke længere i, hvor mange folk nogen har i en region, men i hvor hurtigt og hvor velunderbygget nogen kan fremsætte et krav om dækning og, vigtigere, kan indfri det, så snart en kunde konkret afprøver det.
Det gør dækning til en dimension, hvor sammenligningen mellem udbydere forskydes fra "hvem har flest afdelinger" til "hvem kan også underbygge den dækning, han hævder". En udbyder, der hævder at levere i tolv lande, men gør det pr. land med forældede antagelser, taber terræn til en udbyder, der kan dokumentere det samme krav med aktuelle, regionalt underbyggede data. Hvordan man afprøver et sådant krav, før en kunde selv gør det, er beskrevet på en side om at underbygge et kvalitetskrav.
Forskellen mellem firmaer, der allerede mærker denne forskydning, og firmaer, der endnu ikke ser noget til den, ligger sjældent i branchen og oftere i, hvordan arbejdet bag dækning er organiseret. Et firma, hvor regional planlægning stadig ligger i løse regneark pr. afdeling, kan ikke bare overdrage dette arbejde til et system; dataene findes ikke i den form, det kræver. Et firma, hvor disse data allerede samles struktureret, kan med de samme AI-muligheder tage et skridt meget hurtigere.
Det gør dækning til en dimension, der ikke står isoleret fra resten. Den hænger sammen med hvor hurtigt et tilbud for en ny region kan udarbejdes, hvilket kan læses på siden om hvad AI ændrer ved hastigheden, hvormed tilbud sendes af sted, og med hvor let en kunde i en ny region kan handle med en leverandør, behandlet på siden om hvad AI ændrer ved lethed i at handle. Den, der ligger bagud på dækning i forhold til peer group, finder på en side om hvad man gør ved et efterslæb på en dimension et udgangspunkt for, hvordan dette efterslæb kan forstås, uden at det bliver til rådgivning om personale; berører et valg dette, gælder der egne lovmæssige krav.
Spørgsmålet om, hvorvidt en konkurrent hævder en geografisk dækning, som også indfries, er svært at besvare uden en sammenligning på samme dimension, med samme bevisbyrde. Hvilken rolle AI helt præcist spiller heri, varierer stærkt fra firma til firma og fra region til region, og afhænger af hvor struktureret de underliggende data allerede er, og hvor meget tilsyn med AI-forslag der stadig er nødvendigt. Hvilket arbejde i et specifikt firma reelt kan overtages af AI, og hvilket arbejde forbliver menneskearbejde, besvares af FTE TO AI's arbejdsscan pr. opgave.
En dimension som geografisk dækning er først nyttig i en sammenligning, når kravet bag den kan afprøves. Den gratis dimensionstjek er et første skridt hertil: De angiver, hvor De mener at vinde, og ser hvilke af disse krav der kan forsvares med bevis. Den fulde benchmark, med bevismatricen pr. dimension, er under opbygning.