Beslutningstagning med AI – hvorfor strategiske beslutninger i dag skal beregnes

Resumé: Kvaliteten af en beslutning afhænger af de undersøgte alternativer

Hvordan kan virksomheder, bestyrelser og offentlige forvaltninger sikre, at de blandt de mange mulige tiltag rent faktisk vælger den bedste kombination ud fra et økonomisk eller samfundsmæssigt perspektiv?

Strategisk beslutningstagning bygger traditionelt på erfaring, ekspertviden, intuition, business cases, Excel-modeller og drøftelser i ledelsesudvalg.

Disse redskaber er stadig uundværlige. De støder dog på praktiske begrænsninger, så snart mange investeringer, projekter og tiltag samtidig konkurrerer om begrænsede ressourcer.

Udfordringen ligger ikke nødvendigvis i manglende information eller manglende beslutningskompetence.

Den ligger i den matematiske kompleksitet af beslutningsrummet.

En virksomhed med 50 planlagte investeringsprojekter står i et forenklet binært model over for mere end en billion mulige projektkombinationer.

Ingen bestyrelse, intet investeringsudvalg og intet kommunalt beslutningsorgan kan undersøge disse alternativer fuldt ud gennem diskussioner eller manuelle sammenligninger.

Det afgørende spørgsmål lyder derfor ikke længere udelukkende:

»Hvilke projekter er særligt vigtige eller økonomisk attraktive?«

Men:

»Hvilken kombination af alle tilgængelige projekter opnår det bedst mulige samlede resultat under vores budget-, ressource- og strategiske rammer?«

Det er netop her, den AI-baserede matematiske beslutningsoptimering kommer ind i billedet.

StratePlan kombinerer metoder fra operations research med AI-baserede tilgange for systematisk at undersøge komplekse projektporteføljer og beregne økonomisk effektive kombinationer.

Målet er ikke at erstatte menneskelige beslutninger, men at forbedre deres matematiske grundlag afgørende.

1. Det centrale problem ved moderne beslutningstagning: Enkeltbeslutninger er porteføljebeslutninger

I mange organisationer betragtes strategiske beslutninger stadig hver for sig.

Et investeringsprojekt vurderes ud fra dets afkast (ROI). En digitaliseringsforanstaltning tildeles en strategisk score. Et kommunalt infrastrukturprojekt prioriteres efter hastighed.

Disse individuelle vurderinger er vigtige.

De besvarer dog ikke automatisk spørgsmålet om, hvilken kombination af alle tiltag der skaber det bedste samlede resultat.

Årsagen er enkel: Projekter konkurrerer med hinanden.

De kræver kapital, personale, tid, tekniske kapaciteter og organisatorisk opmærksomhed.

Når en foranstaltning gennemføres, står de ressourcer, der er afsat til den, ikke længere til rådighed for andre projekter.

Dette skaber vekselvirkninger mellem de enkelte beslutninger.

De økonomisk mest attraktive enkeltprojekter udgør derfor ikke nødvendigvis den økonomisk bedste samlede portefølje.

Et projekt med et højt individuelt afkast kan for eksempel kræve så meget kapital, at flere andre projekter med et højere samlet nettobidrag ikke længere kan finansieres.

Strategisk beslutningstagning skal derfor foregå på porteføljeniveau.

Det centrale ledelsesspørgsmål lyder:

Hvilken kombination af vores tilgængelige tiltag skaber det største samlede økonomiske eller samfundsmæssige bidrag inden for de eksisterende begrænsninger?

2. Hvorfor beslutningsrummet vokser eksponentielt: Det matematiske princip 2^N

Antallet af mulige projektkombinationer vokser ikke lineært med antallet af projekter.

I en forenklet binær beslutningsmodel kan hvert projekt enten gennemføres eller ikke gennemføres.

Med N uafhængigt valgbare projekter opstår der teoretisk set 2^N mulige kombinationer.

Størrelsesordenen bliver tydelig allerede ved et forholdsvis lille antal projekter:

• 7 projekter: 2^7 = 128 kombinationer
• 10 projekter: 2^10 = 1.024 kombinationer
• 20 projekter: 2^20 = 1.048.576 kombinationer
• 30 projekter: 2^30 = 1.073.741.824 kombinationer
• 40 projekter: 2^40 = 1.099.511.627.776 kombinationer
• 50 projekter: 2^50 = 1.125.899.906.842.624 kombinationer
• 100 projekter: 2^100 = ca. 1,27 × 10^30 kombinationer

Ved 50 projekter findes der således ca. 1,126 billiarder teoretisk mulige projektkombinationer.

Ikke alle kombinationer er tilladte på grund af budgetbegrænsninger, ressourcebegrænsninger eller projektafhængigheder.

Alligevel viser størrelsesordenen, hvorfor klassiske beslutningsmetoder kun kan tage højde for et begrænset udsnit af det samlede løsningsrum.

Den egentlige udfordring består ikke i at vurdere de 50 projekter hver for sig. Den består i at fastlægge den bedst mulige tilladte kombination af disse 50 projekter.

3. Hvorfor erfaring, intuition og ledelsesorganer alene ikke er tilstrækkeligt

Erfaring og faglig viden er væsentlige grundpiller i god virksomhedsledelse.

De hjælper med at vurdere risici, formulere strategiske mål og kritisk vurdere økonomiske antagelser.

Men menneskelig beslutningskompetence har en matematisk grænse.

En bestyrelse kan analysere enkelte investeringsprojekter, drøfte deres fordele og ulemper og sammenligne flere scenarier.

Den kan dog ikke gennemgå millioner eller milliarder af forskellige projektkombinationer fuldt ud.

I praksis foretages der derfor ofte forenklinger:

• Projekter sorteres efter individuelle nøgletal.
• Kun de formodentlig vigtigste tiltag undersøges nærmere.
• Alternative projektkombinationer sammensættes manuelt.
• Investeringsbudgetterne fordeles på forretningsområderne.
• Strategiske prioriteter fastlægges gennem vægtninger eller beslutninger truffet af udvalg.

Disse fremgangsmåder kan være organisatorisk fornuftige og nødvendige.

De garanterer dog ikke, at den valgte projektkombination opnår det maksimalt mulige samlede bidrag.

Grænserne for menneskelig beslutningstagning i forbindelse med komplekse porteføljer ligger ikke primært i manglende viden, men i den begrænsede evne til at sammenligne et eksponentielt stort antal alternativer med hinanden.

Matematisk optimering supplerer derfor den menneskelige beslutningskompetence med en systematisk undersøgelse af løsningsrummet.

4. Et simpelt eksempel: Hvorfor den bedste enkeltbeslutning ikke er den bedste samlede beslutning

En virksomhed råder over et investeringsbudget på 10 millioner euro.

Der er tre projekter at vælge imellem.

Projekt A har det højeste individuelle nettobidrag.

Hvis projekt A vælges, er der 3 millioner euro tilbage på budgettet. Dette beløb er ikke tilstrækkeligt til nogen af de øvrige projekter.

Det samlede nettoværdibidrag udgør således 4 mio. euro.

En matematisk analyse af de mulige kombinationer viser imidlertid et økonomisk bedre alternativ.

Projekterne B og C kræver tilsammen 10 millioner euro og opnår en samlet nettoværditilvækst på 6 millioner euro.

Under forudsætning af, at projekterne er uafhængige af hinanden og uden yderligere begrænsninger, er B + C den optimale kombination til at maksimere nettoværditilførslen.

Den matematisk optimerede projektkombination skaber dermed et nettoværditilskud, der er 50 % højere end det oprindelige valg.

Virksomheden har ikke brug for yderligere investeringskapital til dette.

Det skal blot vælge en anden kombination af sine eksisterende projekter.

Dette eksempel viser: En økonomisk fornuftig enkeltbeslutning kan alligevel være suboptimal på porteføljeniveau.

5. Beslutningstagning med AI: Fra prioritering til matematisk optimering

AI-baseret beslutningstagning kan løse forskellige opgaver.

Generativ AI hjælper for eksempel med at analysere information, udarbejde beslutningsforslag eller sammenfatte komplekse forhold.

Prognosemodeller kan vurdere fremtidige udviklinger.

Matematisk beslutningsoptimering forfølger derimod et andet mål.

Den undersøger, hvilken kombination af tilgængelige handlingsalternativer der inden for definerede begrænsninger bedst muligt opfylder en bestemt målfunktion.

Til dette formål beskrives beslutningsopgaven som en matematisk model.

Typiske komponenter er:

• Beslutningsvariabler: Hvilke projekter skal gennemføres?
• Målfunktion: Hvilket samlet økonomisk eller samfundsmæssigt bidrag skal maksimeres?
• Budgetbegrænsninger: Hvor meget kapital er der til rådighed?
• Ressourcebegrænsninger: Hvilke personelle og tekniske kapaciteter er til rådighed?
• Projektafhængigheder: Hvilke tiltag skal gennemføres samtidigt eller i en bestemt rækkefølge?
• Strategiske retningslinjer: Hvilke projekter eller effektmål skal der tages højde for?

Ud fra disse oplysninger opstår der et kombinatorisk optimeringsproblem.

Egnede algoritmer gennemsøger henholdsvis analyserer det matematiske løsningsrum og identificerer effektive, tilladte projektkombinationer.

Afhængigt af problemets struktur og den anvendte metode kan der findes en påviseligt global eller en tilnærmelsesvis optimal løsning.

En fuldstændig individuel beregning af alle 2^N kombinationer er ikke nødvendigvis påkrævet.

Det afgørende fremskridt består i at undersøge komplekse porteføljebeslutninger matematisk i stedet for udelukkende at sammenligne nogle få manuelt udvalgte scenarier med hinanden.

6. Hvordan StratePlan matematisk optimerer strategiske beslutninger

StratePlan er udviklet til at undersøge komplekse investerings- og projektporteføljer ved hjælp af matematiske optimeringsmetoder.

Teknologien kombinerer tilgange fra operationsanalyse med AI-baserede metoder til effektiv søgning efter højtydende projektkombinationer.

Til en grundlæggende økonomisk optimeringsmodel kræves der i første omgang kun tre oplysninger pr. projekt:

1. Projekt-ID: Entydig identifikation af projektet
2. Udgifter: Planlagte udgifter eller investeringer
3. Indtægter: Forventede indtægter eller økonomisk afkast

Derudover defineres det disponible investeringsbudget.

Dataene kan f.eks. hentes fra eksisterende investeringsplaner i Excel.

StratePlan undersøger mulige projektkombinationer og beregner en porteføljesammensætning i overensstemmelse med den valgte målfunktion.

Ved »Maximize Net Contribution« er fokus på at maksimere det samlede forventede nettobidrag.

Porteføljens ROI kan desuden angives som et økonomisk nøgletal.

Udvidede modeller kan tage højde for yderligere begrænsninger og vurderingsparametre:

• Projektafhængigheder
• Strategiske vægtninger
• Ressource- og kapacitetsbegrænsninger
• Flerårige investeringsbudgetter
• Tidsmæssige begrænsninger
• Risiko- og bæredygtighedskriterier

Resultatet er ikke blot en rangliste over de enkelte projekter, men en matematisk beregnet projektkombination inden for de definerede rammer.

StratePlan supplerer dermed den strategiske beslutningstagning med et matematisk optimeringsniveau.

7. Live i bestyrelsesmødet: Beregn strategiske scenarier med det samme

Matematisk beslutningsoptimering bliver særligt værdifuld, når den anvendes direkte i ledelses- og bestyrelsesmøder.

Lad os forestille os en industrikoncern med 100 planlagte investeringsprojekter.

Summen af alle investeringsønsker overstiger det disponible CAPEX-budget.

Ledelsen skal beslutte, hvilke projekter der skal gennemføres.

StratePlan beregner først en optimeret projektkombination på baggrund af de eksisterende økonomiske antagelser.

På bestyrelsesmødet kan der derefter undersøges forskellige scenarier.

Scenarie A: Maksimalt samlet økonomisk bidrag

CFO'en spørger:

„Hvilken kombination af vores planlagte investeringer giver det højeste forventede nettobidrag med det eksisterende CAPEX-budget?“

StratePlan beregner en passende projektkombination.

Ledelsen får et overblik over de udvalgte projekter, den nødvendige kapitalindsats og det forventede samlede økonomiske bidrag.

Scenarie B: Reduceret investeringsbudget

CEO'en stiller spørgsmålet:

»Hvad sker der, hvis vi er nødt til at reducere vores investeringsbudget med 15 %?«

Budgetbegrænsningen tilpasses.

StratePlan beregner porteføljen på ny.

Ledelsen kan se, hvilke projekter der falder bort, og hvordan det forventede nettobidrag ændrer sig.

Scenarie C: Strategiske projekter skal inddrages som en forpligtelse

Et andet medlem af direktionen spørger:

„Hvordan ændrer vores optimale projektkombination sig, hvis visse strategiske investeringer skal gennemføres ufravigeligt?“

De pågældende projekter inddrages som bindende begrænsninger.

Porteføljen optimeres på ny.

Sammenligningen viser, hvilke økonomiske konsekvenser den yderligere strategiske forudsætning har inden for modellen.

Scenarie D: Ekstra investeringskapital

CFO’en vil gerne vide:

„Hvilket yderligere økonomisk bidrag kunne vi opnå, hvis vi forhøjede vores CAPEX-budget med yderligere 20 millioner euro?“

Budgettet justeres, og der foretages en ny beregning.

Ledelsen kan sammenligne den modellerede yderligere værdiskabelse med den nødvendige kapitalindsats.

Scenarie E: Ændrede strategiske prioriteter

Bestyrelsen spørger:

»Hvordan ændrer vores portefølje sig, hvis vi lægger større vægt på digitalisering, energieffektivitet eller bestemte vækstområder?«

De relevante parametre justeres.

StratePlan beregner en ny projektkombination og muliggør en sammenligning med de tidligere scenarier.

Ændr budgettet. Tilpas de strategiske retningslinjer. Genberegn porteføljen. Sammenlign de økonomiske konsekvenser.

På den måde bliver en statisk investeringsplanlægning til et dynamisk grundlag for strategiske beslutninger.

8. Ex-ante-beslutningstagning: Fastlæg den bedste kombination inden implementeringen

Traditionel virksomhedsstyring fokuserer ofte på efterfølgende evaluering af allerede trufne beslutninger.

Controlling undersøger omsætning, EBIT, ROI, kapitalafkast og budgetafvigelser.

Disse nøgletal viser, hvilke økonomiske resultater der er opnået.

De besvarer dog ikke automatisk spørgsmålet om, hvorvidt en anden projektkombination ville have været mere succesfuld.

Den matematiske ex ante-optimering sætter derfor ind allerede inden kapitalen bindes.

Den undersøger, hvilken kombination af planlagte tiltag der inden for de tilgængelige ressourcer opnår det højeste forventede samlede bidrag.

Dette skift i perspektiv er afgørende.

Ex post: »Hvor vellykket var vores beslutning?«

Ex ante: »Hvilken beslutning lover det bedste samlede resultat ud fra vores antagelser?«

Gennem matematisk porteføljeoptimering kan virksomheder sammenligne alternative projektkombinationer allerede inden deres gennemførelse.

Det kan bidrage til at reducere økonomisk fejlallokering og synliggøre uudnyttet værdiskabelsespotentiale.

Kvaliteten af strategiske beslutninger vurderes dermed ikke først efter implementeringen, men undersøges systematisk allerede i beslutningsprocessen.

9. Alternativomkostninger: Hvad koster en ikke-optimal beslutning?

Hver investeringsbeslutning binder kapital og ressourcer.

Denne kapital står derefter ikke længere til rådighed for andre projekter.

Dette medfører alternativomkostninger.

De beskriver den tabte nytte ved det bedste alternativ, der ikke blev valgt.

En virksomhed kan vælge økonomisk attraktive projekter og alligevel lade et betydeligt yderligere værditilskud gå til spilde.

Matematisk porteføljeoptimering gør det muligt at sammenligne den oprindeligt planlagte investeringsportefølje med en optimeret projektkombination.

I den forbindelse kan blandt andet følgende nøgletal sammenlignes:

• Samlet investeringsbehov
• Forventet nettoværditilvækst
• Porteføljens ROI
• Udvalgte og ikke-udvalgte projekter
• Resterende budgetmargener
• Økonomiske forskelle mellem alternative porteføljer

Forskellen mellem de modellerede resultater viser, hvilket økonomisk forbedringspotentiale der findes under de anvendte forudsætninger.

Hvis det globale optimum er matematisk påvist, kan afstanden mellem en valgt projektkombination og dette optimum bestemmes nøjagtigt inden for modellen.

Ved tilnærmelsesvis optimale løsninger angives først forskellen i forhold til den bedste fundne løsning.

Den afgørende merværdi ligger i, at man allerede inden implementeringen kan synliggøre mulige økonomiske ulemper ved en porteføljebeslutning.

10. Sensitivitetsanalyse: Hvor robust er en matematisk optimeret beslutning?

Strategiske beslutninger bygger på antagelser om fremtidige udviklinger.

Investeringsomkostningerne kan stige. De forventede indtægter kan vise sig at være lavere. Ressourcerne kan blive knapere. De strategiske prioriteter kan ændre sig.

Derfor bør en matematisk optimering ikke udelukkende tage højde for et enkelt scenarie.

Ved målrettede ændringer af indgangsparametrene kan man simulere forskellige økonomiske udviklinger.

Typiske spørgsmål er:

• Hvilke projekter forbliver en del af porteføljen, selv med et reduceret budget?
• Hvilke investeringer er særligt følsomme over for stigende omkostninger?
• Hvordan ændrer nettoværditilførslen sig ved lavere indtægtsforventninger?
• Hvilken projektkombination opstår ved ændrede strategiske vægtninger?
• Hvilke tiltag forbliver økonomisk attraktive under forskellige scenarier?

Disse følsomhedsanalyser kan vise, hvor stabil en beregnet projektkombination forbliver under ændrede rammebetingelser.

En god strategisk beslutning tager derfor ikke kun højde for det bedste resultat under en enkelt antagelse, men også for virkningerne af mulige ændringer.

11. Praksiseksempel: Klybeck-området i Basel – ca. 63 % højere kapitalafkast

Hvilket økonomisk potentiale matematisk porteføljeoptimering kan udfolde, illustreres af StratePlan-referencen for Klybeck-området i Basel.

Som led i porteføljeoptimeringen for Central Real Estate AG og Swiss Life AG blev eksisterende investerings- og projektalternativer undersøgt matematisk.

Det modellerede resultat:

• Oprindelig kapitalafkast: 7,0 %
• Optimeret kapitalafkast: 11,4 %
• Relativ afkastforbedring: ca. 63 %
• Yderligere modelleret økonomisk værditilførsel: ca. 30 millioner CHF

Forbedringen er modelleret ved at ændre kombinationen af eksisterende investeringsalternativer med et uændret budget.

Disse projektspecifikke resultater udgør ikke en generel afkastgaranti.

Den centrale konklusion: Et højere samlet økonomisk bidrag kan allerede opnås gennem en bedre kombination af eksisterende investeringsalternativer – uden et yderligere investeringsbudget.

12. Beslutningstagning med AI i virksomheder og offentlige forvaltninger

Matematisk beslutningsoptimering er relevant overalt, hvor mange tiltag konkurrerer om begrænsede økonomiske eller operationelle ressourcer.

Industri og strategisk CAPEX-planlægning

Investeringer i maskiner, produktionskapacitet, automatiseringsprojekter og udvidelser af produktionssteder skal udvælges inden for fælles investeringsbudgetter.

En matematisk porteføljeoptimering kan hjælpe med at identificere økonomisk mere effektive kombinationer af disse tiltag.

Digitalisering og AI-transformation

Virksomheder har ofte adskillige potentielle AI- og digitaliseringsprojekter.

Den centrale udfordring består i at udvælge de tiltag, der tilsammen giver det største økonomiske udbytte inden for de tilgængelige ressourcer.

Ejendomme og fast ejendom

Projektudvikling, renoveringer, moderniseringer og investeringer i lokationer kan optimeres inden for et samlet kapitalbudget.

Valget af de enkelte projekter påvirker finansieringsmulighederne for hele porteføljen.

Energi og infrastruktur

Energiprojekter, investeringer i forsyningsnet, energieffektiviseringstiltag og modernisering af infrastruktur kræver ofte langsigtede kapitalbinding.

Matematisk optimering kan hjælpe med at sammenligne forskellige investeringskombinationer under økonomiske og tekniske begrænsninger.

Kommuner og offentlige budgetter

Byer og kommuner skal finansiere talrige investeringsprojekter inden for begrænsede budgetmidler.

Skoler, veje, administrationsbygninger, infrastruktur og sociale institutioner konkurrerer om de samme offentlige ressourcer.

Udfordringen består i at forene økonomiske begrænsninger med politiske prioriteter, lovmæssige forpligtelser og samfundsmæssige effektmål.

Matematisk porteføljeoptimering kan i denne sammenhæng beregne forskellige kombinationer af tiltag og synliggøre virkningerne af ændrede budget- og vægtningskrav.

Det fælles spørgsmål lyder: Hvilken kombination af tilgængelige tiltag giver det største samlede økonomiske eller samfundsmæssige bidrag under de definerede rammebetingelser?

13. Budgetsimulering og samtidig optimering af kommunale investeringsprogrammer

Det er særligt interessant at kombinere matematisk porteføljeoptimering med simulering af offentlige budgetter.

Kommunale beslutningstagere står jævnligt over for udfordringen med at finansiere talrige investeringsønsker med begrænsede budgetmidler.

Et eksempel:

En by råder over et investeringsbudget på 81 millioner euro.

Samtidig er der 50 planlagte projekter med et samlet investeringsbehov på 220 millioner euro at vælge imellem.

Det centrale spørgsmål er ikke udelukkende, hvilke projekter der forekommer særligt vigtige politisk eller fagligt.

Hvilken kombination af disse 50 projekter opnår den højeste definerede økonomiske eller samfundsmæssige samlet nytte inden for det disponible budget?

Ved 50 binære projektbeslutninger opstår der teoretisk set 2^50 = 1.125.899.906.842.624 mulige kombinationer.

En matematisk porteføljeoptimering kan undersøge forskellige tilladte projektkombinationer inden for de definerede budget- og effektbegrænsninger.

Gennem en samtidig budgetsimulering kan ændrede økonomiske rammebetingelser tages i betragtning.

For eksempel:

• Hvordan ændrer det optimale projektvalg sig ved et reduceret investeringsbudget?
• Hvilke yderligere projekter kunne finansieres ved højere indtægter?
• Hvilke økonomiske eller samfundsmæssige konsekvenser medfører bindende politiske projekter?
• Hvordan ændrer porteføljen sig, hvis der lægges større vægt på uddannelse, infrastruktur eller klimabeskyttelse?
• Hvilken projektkombination opnår den højeste modellerede samlede nytte inden for det disponible budget?

Resultaterne afhænger af kvaliteten af indtastningsdataene og definitionen af de økonomiske henholdsvis samfundsmæssige målsætninger.

Kombinationen af budgetsimulering og matematisk porteføljeoptimering kan hjælpe politiske beslutningstagere med at foretage gennemsigtige sammenligninger af alternative tiltagspakker og systematisk undersøge effekten af begrænsede budgetmidler.

14. Fra Business Intelligence til Decision Intelligence

Business Intelligence undersøger hovedsageligt en organisations økonomiske udvikling.

Hvad er der sket? Hvilke KPI’er har ændret sig? Hvor er der afvigelser i forhold til planlægningen?

Decision Intelligence udvider dette perspektiv med systematisk støtte til fremtidige beslutninger.

Hvilke alternativer er der? Hvilke begrænsninger gælder? Hvilken projektkombination opfylder de definerede mål bedst?

StratePlan supplerer eksisterende ERP-, controlling- og Business Intelligence-systemer med et matematisk optimeringsniveau.

De nødvendige projektdata kan i første omgang stilles til rådighed via enkle Excel-tabeller.

Dermed kan virksomheder og offentlige institutioner bruge eksisterende investeringsplaner som udgangspunkt for en systematisk porteføljeoptimering.

Den afgørende forskel ligger i, at man ikke blot måler de økonomiske konsekvenser af allerede trufne beslutninger, men også matematisk undersøger alternative beslutninger, inden de gennemføres.

15. Konklusion: Strategiske beslutninger kræver et matematisk grundlag

Strategisk beslutningstagning bliver stadig mere kompleks i takt med det stigende antal projekter og begrænsninger.

Erfaring, faglig viden og ledelseskompetence er stadig uundværlige.

De er dog ikke tilstrækkelige i sig selv til systematisk at undersøge eksponentielt store beslutningsrum.

Allerede ved 50 projekter opstår der mere end en billiard teoretisk mulige kombinationer.

En isoleret vurdering af enkelte projekter giver derfor ikke automatisk svaret på, hvad der er den bedst mulige samlede portefølje.

Matematisk beslutningsoptimering gør det muligt at undersøge komplekse investerings- og tiltagsporteføljer under hensyntagen til økonomiske mål, disponible budgetter og definerede begrænsninger.

StratePlan kombinerer til dette formål metoder fra operations research med AI-baserede tilgange.

Dermed kan virksomheder, bestyrelser og offentlige beslutningstagere beregne alternative projektkombinationer, sammenligne forskellige scenarier og identificere uudnyttet økonomisk eller samfundsmæssigt potentiale.

Det afgørende spørgsmål er ikke længere: Hvilke projekter anser vi for at være de bedste?

Men: Hvilken kombination af vores tilgængelige projekter opnår det bedst mulige samlede resultat under de givne rammebetingelser?

Det er netop her, overgangen fra klassisk projektprioritering til matematisk beslutningsoptimering begynder.

StratePlan – Samme projekter. Samme budget. Optimal kombination. Bedre resultat.

FAQ – Beslutningstagning med AI

Hvad betyder beslutningstagning med AI konkret?

Beslutningstagning med AI beskriver brugen af algoritmiske systemer til at understøtte komplekse beslutninger.

Inden for matematisk porteføljeoptimering undersøges tilgængelige handlingsalternativer, økonomiske mål og begrænsninger i en fælles model.

Målet er at identificere en så effektiv og tilladt kombination af tiltag som muligt.

Hvordan adskiller AI-baseret beslutningstagning sig fra klassiske analyser?

Klassiske beslutningsprocesser sammenligner ofte enkelte projekter eller få foruddefinerede scenarier.

Matematisk porteføljeoptimering undersøger derimod kombinationen af forskellige tiltag under fælles budget- og ressourcebegrænsninger.

Derved kan der komme økonomisk mere attraktive alternativer til syne, som ikke tages i betragtning ved en ren vurdering af enkeltprojekter.

Hvad betyder 2^N i forbindelse med strategiske beslutninger?

2^N beskriver antallet af teoretisk mulige kombinationer ved N uafhængige binære beslutninger.

Hvert projekt kan enten vælges eller ikke vælges.

Med 20 projekter giver det 2^20 = 1.048.576 mulige kombinationer.

Ved 50 projekter opstår der 2^50 = 1.125.899.906.842.624 mulige kombinationer.

De faktisk tilladte kombinationer afhænger af de definerede begrænsninger.

Skal AI virkelig beregne alle 2^N kombinationer enkeltvis?

Nej.

Moderne matematiske optimeringsmetoder kan effektivt undersøge store beslutningsrum uden at skulle evaluere hver eneste teoretisk mulige kombination fuldstændigt.

Hvilke metoder der er egnede, afhænger af problemets matematiske struktur og de definerede betingelser.

Kan AI beregne det globale optimum for en beslutning?

Med egnede matematiske modeller og optimeringsmetoder kan et globalt optimum beregnes og påvises.

Ved særligt komplekse problemer kan der også anvendes tilnærmelsesvis optimale løsninger.

Konklusionen om løsningens kvalitet skal derfor stemme overens med den anvendte metode og det foreliggende bevis for optimalitet.

Erstatter AI ledelsens beslutning?

Nej.

Ledelsen definerer de økonomiske og strategiske mål, fastlægger begrænsninger og vurderer resultaterne.

AI-baseret matematisk optimering leverer yderligere beslutningsgrundlag.

Det endelige ansvar ligger fortsat hos de ansvarlige ledere eller politiske beslutningstagere.

Hvilke beslutninger er matematisk AI særligt velegnet til?

Den er særligt relevant for komplekse porteføljebeslutninger med mange konkurrerende projekter og begrænsede ressourcer.

Typiske anvendelsesområder er CAPEX-planlægning, digitaliseringsporteføljer, AI-anvendelsestilfælde, industriinvesteringer, ejendomsprojekter, energiprogrammer og kommunal budgetplanlægning.

Hvad betyder ex ante-beslutningstagning?

Ex ante betyder, at en beslutning undersøges, før den gennemføres.

Ved matematisk porteføljeoptimering beregnes alternative projektkombinationer, inden der bindes kapital eller iværksættes tiltag.

Derved kan de økonomiske konsekvenser af forskellige beslutninger blive synlige på et tidligt tidspunkt.

Hvor pålidelige er AI-baserede beslutningsresultater?

Resultatkvaliteten afhænger af de underliggende data, definitionen af målfunktionen, modelleringen af begrænsningerne og den anvendte optimeringsmetode.

Matematisk optimering muliggør reproducerbare og gennemsigtige beregninger.

Sensitivitetsanalyser kan desuden vise, hvordan resultaterne udvikler sig, når antagelserne ændres.

Er AI-baseret beslutningstagning kun relevant for store koncerner?

Nej.

Også mellemstore virksomheder, kommuner og andre organisationer kan drage fordel af matematisk porteføljeoptimering.

Det afgørende er ikke alene organisationens størrelse, men beslutningens kompleksitet og antallet af konkurrerende tiltag.

Hvilke data har StratePlan brug for til en første beregning?

Til en grundlæggende økonomisk optimeringsmodel kræves der først tre oplysninger pr. projekt:

• Projekt-ID
• Udgifter – planlagte udgifter
• Indtægter – forventede indtægter eller økonomiske afkast

Derudover fastlægges det disponible investeringsbudget.

Mere komplekse modeller kan tage højde for yderligere begrænsninger og vurderingsparametre.

Kan StratePlan simulere forskellige budgetscenarier?

Ja. Forskellige budgetgrænser kan modelleres som alternative scenarier.

Derved kan man undersøge, hvilken projektkombination der vælges ved et lavere eller højere investeringsbudget, og hvordan det forventede samlede økonomiske bidrag ændrer sig.

Hvad er forskellen mellem projektprioritering og porteføljeoptimering?

Projektprioritering opstiller en rangorden for de enkelte tiltag.

Porteføljeoptimering undersøger, hvilken kombination af disse tiltag der opnår det bedste samlede resultat inden for de definerede begrænsninger.

Den bedste rangliste er derfor ikke automatisk den bedste projektportefølje.

Hvad er den vigtigste konklusion for CEO'er, CFO'er og offentlige beslutningstagere?

Komplekse strategiske beslutninger bør ikke udelukkende baseres på vurderingen af enkelte projekter eller få manuelt udvalgte scenarier.

Matematisk porteføljeoptimering muliggør en systematisk undersøgelse af alternative projektkombinationer og skaber dermed et yderligere grundlag for velunderbyggede beslutninger.

AI erstatter ikke ansvar. Den kan dog hjælpe med at synliggøre økonomisk eller samfundsmæssigt bedre handlingsalternativer.

Hvilken kombination af dine projekter giver det bedste resultat?

Find ud af, hvilken kombination af dine planlagte investeringsprojekter der inden for dit disponible budget kan opnå det højeste forventede nettobidrag.

Start med dine egne projektdata, og sammenlign matematisk optimerede investeringsscenarier.

Du kan optimere op til 15 projekter gratis.

Optimer nu op til 15 projekter gratis →