Für Entscheider: Die meisten strategischen Entscheidungen werden getroffen, ohne den vollständigen Entscheidungsraum zu sehen
Kapitalallokation scheitert selten an fehlender Analyse. Sie scheitert daran, dass der Entscheidungsraum nicht vollständig berechnet wird.
Bereits bei 20 Initiativen existieren über 1 Million mögliche Portfoliokombinationen. Bei 50 Projekten sind es mehr als eine Billiarde.
Vorstände prüfen Projekte. Gremien priorisieren Maßnahmen. Controlling überwacht Budgets.
Doch nahezu keine Organisation berechnet die mathematisch optimale Kombination unter realen Nebenbedingungen.
Das globale Optimum bleibt unsichtbar.
Wenn der vollständige Entscheidungsraum nicht berechnet wird, wird Komplexität verwaltet – nicht optimiert.
Im Folgenden analysieren wir, wie Organisationen ihr Portfolio formal modellieren und das globale Optimum unter realen Nebenbedingungen ex ante bestimmen können:
Ausgangspunkt: Die vollständige Investitionsliste vor der eigentlichen Entscheidung
Der entscheidende Unterschied dieser neuen Berechnungsmethode liegt im Zeitpunkt der Anwendung: Sie wird nicht nach der Entscheidung zur Validierung verwendet, sondern vor der eigentlichen Entscheidung, ausgehend von der vollständigen Investitions- und Projektliste des Unternehmens.
Typischerweise existiert eine Liste potenzieller CAPEX-Projekte – z. B. Werksmodernisierungen, IT-Transformationen, Produktentwicklungen, Infrastrukturmaßnahmen oder Effizienzprogramme. Gleichzeitig bestehen fixe Restriktionen wie ein begrenztes Gesamtbudget, begrenzte Engineering-Kapazitäten, Produktionsfenster, Risikobudgets und strategische Rahmenbedingungen.
Genau hier entsteht das eigentliche Entscheidungsproblem: Nicht alle Projekte können umgesetzt werden. Die Frage ist daher nicht, welche Projekte isoliert sinnvoll erscheinen, sondern welche Kombination dieser Projekte unter den gegebenen Restriktionen das global optimale Gesamtportfolio bildet.
Die neue Berechnungsmethode bewertet daher nicht einzelne Projekte isoliert, sondern berechnet aus der vollständigen Projektliste das optimale Portfolio unter Berücksichtigung aller Budget-, Kapazitäts-, Risiko- und Strategiegrenzen. Das Ergebnis ist eine mathematisch fundierte Auswahl derjenigen Projekte, die gemeinsam den maximalen Gesamtwertbeitrag erzeugen – vor der eigentlichen Investitionsentscheidung.
Dadurch wird CAPEX-Planung von einem sequenziellen Auswahlprozess zu einer konsistenten Portfolio-Optimierung überführt, bei der Opportunitätskosten, Restriktionsengpässe und Portfolioeffekte vollständig berücksichtigt werden.
Projekte verschwinden nicht – sie werden besser positioniert und über mehrere Jahre optimal eingeplant
In einem mathematisch optimierten Investitionssystem werden Projekte nicht verworfen. Stattdessen werden sie neu priorisiert, zeitlich verschoben oder strategisch anders positioniert, sodass sie unter gegebenen Budget-, Kapazitäts- und Risikorestriktionen zum optimalen Zeitpunkt den maximalen ökonomischen Beitrag zum Gesamtportfolio leisten.
Entscheidend ist dabei die Mehrjahresperspektive. Investitionsentscheidungen werden nicht isoliert für ein einzelnes Jahr getroffen, sondern im Kontext von 2-, 3-, 5- oder 10-Jahresplänen optimiert.
Liquidität, die durch die Optimierung im Startjahr entsteht, wird systematisch in das Folgejahr übertragen. Dadurch erhöht sich das verfügbare Investitionsbudget der nächsten Periode. Auch dieses Folgejahr wird anschließend erneut optimiert.
Der Effekt: Projekte können nachgezogen werden, sobald sie unter den neuen Budget-, Kapazitäts- und Renditebedingungen in das global optimale Portfolio passen. Auf diese Weise entsteht eine dynamische Mehrjahresoptimierung, bei der jede Optimierungsperiode die Investitionsmöglichkeiten der folgenden Jahre strukturell verbessert.
Warum die meisten Portfolios strukturell suboptimal sind – in 90 Sekunden
- Portfolioentscheidungen erzeugen einen kombinatorischen Entscheidungsraum nach der Logik 2^N.
- Ab etwa 20 Projekten ist eine vollständige manuelle Bewertung faktisch unmöglich.
- Heuristiken (z. B. „Top 5 nach NPV“, „IRR > WACC“, „Payback < 3 Jahre“) erzeugen systematische Verzerrungen.
- Organisationen verwechseln lokale Optima mit der besten Lösung im gesamten Entscheidungsraum.
- Opportunitätskosten bleiben dadurch strukturell unsichtbar.
- Algorithmische Optimierung berechnet die beste Projektkombination unter realen Nebenbedingungen (Budget, Kapazität, Risiko, ESG etc.).
Fazit:
Wer den vollständigen Lösungsraum nicht berechnet, akzeptiert implizit suboptimale Kapitalallokation.
Monte-Carlo gegen KI: Fixed-Assets-Entscheidungen unter Unsicherheit: Simulation versus Optimierung
Warum Simulation im Anlagevermögen nicht mehr genügt – und mathematische Optimierung zur neuen Governance-Notwendigkeit wird
Executive Summary
Über Jahrzehnte galt die Monte-Carlo-Simulation als methodischer Goldstandard zur Bewertung von Unsicherheiten in Investitionsentscheidungen. Insbesondere im Bereich der Fixed Assets – also bei langfristigen Kapitalbindungen wie Immobilien, Infrastruktur, Produktionsanlagen oder IT-Großsystemen – war sie das bevorzugte Instrument zur Risikomodellierung.
Monte-Carlo war zeitgemäß.
Monte-Carlo war rechentechnisch sinnvoll.
Monte-Carlo war ein Fortschritt gegenüber deterministischen Einzelannahmen.
Doch Monte-Carlo trifft keine Entscheidung.
Es simuliert sie.
Und im Kontext moderner Portfolio- und CapEx-Steuerung bedeutet das: Eine potenziell strukturell falsche Entscheidung wird 10.000-fach variiert – aber nicht optimiert.
Mit wachsender Komplexität, Abhängigkeiten zwischen Projekten, Budgetrestriktionen und multiplen Zielkonflikten stößt die Simulation an eine systemische Grenze. Sie bewertet Szenarien. Sie durchsucht nicht den vollständigen Entscheidungsraum.
Genau hier setzt algorithmische ex-ante-Optimierung an. Statt Wahrscheinlichkeitsverteilungen zu simulieren, wird der kombinatorische Raum aller möglichen Portfolio-Konfigurationen mathematisch analysiert – und das globale Optimum identifiziert.
Im Bereich Fixed Assets im Projektportfolio-Management (PPM) wird Monte-Carlo dadurch nicht verbessert, sondern obsolet.
1. Historische Einordnung: Warum Monte-Carlo sinnvoll war
Die Monte-Carlo-Methode wurde im 20. Jahrhundert entwickelt, um komplexe Wahrscheinlichkeitsprobleme rechnerisch zu approximieren. In der Finanzwirtschaft, im Risikomanagement und in der Investitionsrechnung war sie revolutionär, weil sie Unsicherheit quantifizierbar machte.
Anstelle einer einzigen Annahme über Cashflows oder Auslastung wurden tausende Zufallsziehungen erzeugt. Daraus entstanden:
- Erwartungswerte
- Varianz
- Value-at-Risk
- Konfidenzintervalle
- Szenariobänder
Für Fixed Assets bedeutete das:
- Baukostenunsicherheit
- Zinsschwankungen
- Marktpreisvolatilität
- Auslastungsrisiken
- Restwertannahmen
All diese Faktoren konnten statistisch modelliert werden.
In einer Welt mit begrenzter Rechenleistung und überschaubarer Projektzahl war das rational.
Doch diese Welt existiert nicht mehr.
2. Das strukturelle Problem: Simulation ist keine Optimierung
Monte-Carlo beantwortet folgende Frage:
Wenn wir uns für dieses Projekt oder dieses Portfolio entscheiden – wie wahrscheinlich ist welches Ergebnis?
Was Monte-Carlo nicht beantwortet:
Ist dieses Portfolio überhaupt das beste mögliche unter allen zulässigen Kombinationen?
Das ist ein fundamentaler Unterschied.
Simulation
- Bewertet eine gegebene Entscheidung
- Variiert Parameter
- Liefert Wahrscheinlichkeiten
Optimierung
- Durchsucht Entscheidungsraum
- Berücksichtigt Restriktionen
- Maximiert Zielfunktion
- Identifiziert globales Optimum
Monte-Carlo simuliert also Unsicherheit innerhalb einer bereits getroffenen Strukturentscheidung.
Wenn diese Strukturentscheidung suboptimal ist, wird nur deren Streuung analysiert.
Das entspricht einer 10.000-fach simulierten Fehlallokation.
3. Fixed Assets im PPM: Warum die Komplexität exponentiell wird
Im klassischen Fixed-Assets-Portfolio existieren:
- Mehrere Investitionsprojekte
- Unterschiedliche Laufzeiten
- Budgetrestriktionen
- Synergieeffekte
- Ausschlussbeziehungen
- regulatorische Bedingungen
- ESG-Vorgaben
- strategische Prioritäten
Bereits bei 20 Projekten existieren über eine Million mögliche Portfolio-Kombinationen.
Bei 50 Projekten:
250 ≈ 1.125.899.906.842.624 Kombinationen
Monte-Carlo simuliert innerhalb einer gewählten Kombination. Es durchsucht nicht diese 1,1 Billiarden Möglichkeiten.
Das ist keine graduelle Schwäche. Es ist eine strukturelle.
4. Typische Anwendung von Monte-Carlo im Anlagevermögen
Im Fixed-Assets-Kontext wird Monte-Carlo typischerweise eingesetzt für:
- NPV-Verteilung eines Projekts
- IRR-Bandbreiten
- Sensitivitätsanalysen
- Stress-Tests
- Risikobewertung einzelner Assets
Doch in der Praxis bedeutet das:
- Projekte werden einzeln bewertet.
- Ein Portfolio wird auf Basis von Ranking oder heuristischen Kriterien gebildet.
- Monte-Carlo simuliert Unsicherheiten innerhalb dieser Auswahl.
Das Ranking bleibt lokal. Die Portfolio-Struktur bleibt heuristisch. Die Budgetallokation bleibt approximativ.
5. Vergleich: Monte-Carlo vs. Globale Optimierung
| Kriterium | Monte-Carlo-Simulation | Globale Optimierung |
|---|---|---|
| Fragestellung | Wie streut ein gewähltes Szenario? | Welche Portfolio-Kombination maximiert die Zielfunktion? |
| Methodik | Zufallsbasierte Stichproben | Deterministische / hybride Algorithmik |
| Entscheidungsraum | Fixiert | Vollständig durchsucht |
| Umgang mit Restriktionen | Ex-post Bewertung | Integrierte Nebenbedingungen |
| Komplexität | Linear in Simulationen | Exponentieller Raum – algorithmisch beherrscht |
| Ergebnis | Wahrscheinlichkeitsverteilung | Mathematisches Globaloptimum |
| Governance-Qualität | Risikodarstellung | Ressourcenoptimierung |
6. Warum Monte-Carlo bei Fixed Assets systemisch unzureichend ist
6.1 Kapitalbindung
Fixed Assets binden Kapital über Jahre oder Jahrzehnte. Fehlallokationen wirken langfristig.
6.2 Irreversibilität
Infrastruktur, Immobilien oder Produktionsanlagen lassen sich nicht ohne erhebliche Verluste umschichten.
6.3 Interdependenzen
Ein Logistikzentrum beeinflusst Transportkosten.
Eine IT-Investition beeinflusst Personalkosten.
Eine ESG-Maßnahme beeinflusst Finanzierungskosten.
Monte-Carlo modelliert Unsicherheit innerhalb eines Projekts – nicht die Kombinatorik der Abhängigkeiten.
7. Der mathematische Perspektivwechsel
Die relevante Frage lautet nicht:
„Wie sicher ist Projekt A?“
Sondern:
„Welche Kombination aus A, B, C … unter Budget- und Nebenbedingungen maximiert den Gesamtwert?“
Das ist ein kombinatorisches Optimierungsproblem.
Ab einer bestimmten Projektzahl wird dieses Problem NP-hart.
Simulation hilft hier nicht weiter. Nur algorithmische Suchverfahren können den Raum systematisch strukturieren.
8. Warum 10.000 Simulationen keine strukturelle Sicherheit geben
10.000 Simulationen erzeugen 10.000 mögliche Outcomes.
Doch sie basieren alle auf derselben Portfolio-Struktur.
Wenn diese Struktur 15 % unter dem global möglichen Optimum liegt, wird dieser Abstand nie erkannt.
Monte-Carlo beantwortet:
„Wie wahrscheinlich ist das Ergebnis dieser Wahl?“
Optimierung beantwortet:
„War diese Wahl überhaupt die beste?“
Das sind zwei unterschiedliche Ebenen.
9. Ex-ante-Optimierung als neue Governance-Norm
Moderne Entscheidungsarchitektur im Fixed-Assets-PPM erfordert:
- Vollständige Kombinationsanalyse
- Integration von Budgetrestriktionen
- Mehrzieloptimierung (ROI, ESG, Risiko)
- Nebenbedingungen
- Abhängigkeitslogiken
- Szenariokonsistenz
Eine ex-ante-Optimierung analysiert nicht nur einzelne Projekte, sondern das System als Ganzes.
Hierbei wird die Zielfunktion definiert, Nebenbedingungen werden formalisiert, und der kombinatorische Raum wird algorithmisch strukturiert durchsucht.
Das Ergebnis ist kein Erwartungswertband, sondern ein mathematisch bestimmtes Portfolio.
10. Warum das globale Optimum Monte-Carlo im Fixed-Assets-PPM ersetzt
Wenn das globale Optimum berechnet wird, entsteht:
- Maximale Kapitalproduktivität
- Minimierte Opportunitätskosten
- Strukturierte Risikointegration
- Transparente Entscheidungslogik
- Revisionssichere Governance
Monte-Carlo kann weiterhin als Sensitivitätswerkzeug dienen – jedoch nicht als Entscheidungsgrundlage.
Im Kontext Fixed Assets verliert es seine primäre Rolle.
11. Die Rolle von StratePlan
StratePlan analysiert den vollständigen Entscheidungsraum eines Fixed-Assets-Portfolios unter Berücksichtigung:
- Budgetrestriktionen
- Projektabhängigkeiten
- Mehrzieloptimierung
- regulatorischen Nebenbedingungen
- Risiko-Parametern
Anstatt 10.000 Zufallsziehungen durchzuführen, wird die optimale Portfolio-Konfiguration algorithmisch identifiziert.
Monte-Carlo wird dadurch nicht verbessert. Es wird entbehrlich.
Denn Unsicherheit kann in die Zielfunktion integriert werden, ohne den Entscheidungsraum zu fixieren.
12. Konsequenzen für CFO und Board
Für CFOs bedeutet das:
- Höhere Kapitalrendite
- Bessere Allokationslogik
- Transparente Entscheidungsvorlagen
- Reduktion von Decision Debt
- Minimierung struktureller Fehlallokation
Für Boards bedeutet das:
- Nachweisbare Entscheidungsqualität
- Auditierbare Logik
- Governance-Robustheit
Monte-Carlo war eine Antwort auf Unsicherheit. Optimierung ist eine Antwort auf Komplexität.
13. Fazit
Monte-Carlo war ein Meilenstein der Risikomodellierung. Es war zeitgemäß.
Doch im Bereich Fixed Assets im PPM reicht Risikobewertung nicht mehr aus.
Was benötigt wird, ist eine vollständige Durchdringung des Entscheidungsraums.
Simulation beantwortet die falsche Frage zur richtigen Entscheidung. Optimierung beantwortet die richtige Frage.
Das globale Optimum ist keine Simulation. Es ist eine Eigenschaft der Entscheidungsstruktur.
Und sobald es berechnet wird, verliert Monte-Carlo seine strategische Relevanz.
FAQ
Ist Monte-Carlo grundsätzlich falsch?
Nein. Monte-Carlo ist ein valides Instrument zur Unsicherheitsanalyse. Es ist jedoch kein Optimierungsverfahren und daher ungeeignet zur Identifikation des global besten Portfolios.
Kann Monte-Carlo in Kombination mit Optimierung sinnvoll sein?
Ja, als ergänzende Sensitivitätsanalyse nach Identifikation des optimalen Portfolios. Nicht als primäre Entscheidungslogik.
Warum reicht Ranking nach NPV nicht aus?
Weil Projekte interdependent sind und Budgetrestriktionen kombinatorische Effekte erzeugen, die Ranking nicht abbildet.
Ist globale Optimierung bei großen Portfolios rechnerisch realistisch?
Ja. Moderne algorithmische Verfahren ermöglichen die strukturierte Analyse exponentieller Entscheidungsräume.
Bedeutet das das Ende der Risikomodellierung?
Nein. Risiko wird integriert – aber nicht mehr isoliert simuliert.
Warum ist das besonders bei Fixed Assets relevant?
Weil Fehlallokationen hier langfristig und kaum reversibel sind.
Verändert das die Rolle des CFO?
Ja. Von der Risikobewertung einzelner Projekte hin zur systemischen Kapitalallokationsarchitektur.
Die strategische Konsequenz ist klar: Nicht die Simulation von Unsicherheit entscheidet über Kapitalrendite. Sondern die mathematische Strukturierung des Entscheidungsraums. Und genau dort beginnt die Zukunft der Fixed-Assets-Governance.
