Monte Carlo frente a la IA: Decisiones sobre activos fijos en condiciones de incertidumbre: simulación frente a optimización

Por qué la simulación ya no es suficiente para los activos fijos y la optimización matemática se está convirtiendo en la nueva necesidad de gobernanza

Resumen ejecutivo

Durante décadas, la simulación de Montecarlo se ha considerado el método de referencia para evaluar la incertidumbre en las decisiones de inversión. Especialmente en el ámbito de los activos fijos, es decir, los compromisos de capital a largo plazo como bienes inmuebles, infraestructuras, instalaciones de producción o sistemas informáticos a gran escala, era el instrumento preferido para la modelización de riesgos.

Montecarlo estaba al día.
Montecarlo tenía sentido desde el punto de vista matemático.
Montecarlo suponía un avance con respecto a los supuestos individuales deterministas.

Pero Montecarlo no toma una decisión.
Las simula.

Y en el contexto de la gestión moderna de carteras y CapEx, esto significa que una decisión potencialmente incorrecta desde el punto de vista estructural se varía 10.000 veces, pero no se optimiza.

Con la creciente complejidad, las dependencias entre proyectos, las restricciones presupuestarias y los múltiples objetivos en conflicto, la simulación alcanza un límite sistémico. Evalúa escenarios. No busca en todo el espacio de decisión.

Aquí es precisamente donde entra en juego la optimización algorítmica ex ante. En lugar de simular distribuciones de probabilidad, se analiza matemáticamente el espacio combinatorio de todas las configuraciones posibles de la cartera y se identifica el óptimo global.

En el ámbito de los activos fijos en la gestión de carteras de proyectos (GCP), esto no mejora a Montecarlo, sino que lo deja obsoleto.

1. Clasificación histórica: Por qué era útil Montecarlo

El método de Montecarlo se desarrolló en el siglo XX para aproximar matemáticamente problemas de probabilidad complejos. Fue revolucionario en las finanzas, la gestión de riesgos y el cálculo de inversiones porque hizo cuantificable la incertidumbre.

En lugar de una única hipótesis sobre los flujos de caja o la utilización de la capacidad, se generaban miles de extracciones aleatorias. El resultado era

• Valores esperados
• Varianza
• Valor en riesgo
• Intervalos de confianza
• Bandas de escenarios

Para el inmovilizado esto significa

• Incertidumbre en los costes de construcción
• Fluctuaciones de los tipos de interés
• Volatilidad de los precios de mercado
• Riesgos de utilización
• Hipótesis de valor residual

Todos estos factores podían modelizarse estadísticamente.

En un mundo con una potencia de cálculo limitada y un número manejable de proyectos, esto era racional.

Pero este mundo ya no existe.

2. El problema estructural: la simulación no es optimización

Montecarlo responde a la siguiente pregunta:

Si nos decidimos por este proyecto o esta cartera, ¿cuál es la probabilidad de que se produzca?

Lo que Monte Carlo no responde

¿Es esta cartera la mejor posible entre todas las combinaciones admisibles?

Esta es una diferencia fundamental.

Simulación

• Evalúa una decisión determinada
• Varía los parámetros
• Proporciona probabilidades

Optimización

• Busca en el espacio de decisión
• Considera restricciones
• Maximiza la función objetivo
• Identifica el óptimo global

Monte Carlo simula así la incertidumbre dentro de una decisión estructural ya tomada.

Si esta decisión estructural no es óptima, sólo se analiza su dispersión.

Esto corresponde a una mala asignación simulada de 10.000 veces.

3. Activos fijos en PPM: por qué la complejidad se vuelve exponencial

La cartera clásica de inmovilizado contiene

• Varios proyectos de inversión
• Diferentes vencimientos
• Restricciones presupuestarias
• Efectos de sinergia
• Relaciones de exclusión
• condiciones reglamentarias
• Requisitos ESG
• prioridades estratégicas

Ya hay más de un millón de combinaciones posibles de carteras para 20 proyectos.

Para 50 proyectos:

²⁵⁰ ≈ 1.125.899.906.842.624 combinaciones

Monte Carlo simula dentro de una combinación seleccionada. No busca entre esas 1,1 cuatrillones de posibilidades.

No se trata de una debilidad gradual. Es una debilidad estructural.

4. Aplicación típica de Montecarlo en activos fijos

En el contexto de los activos fijos, Monte Carlo se utiliza normalmente para:

• Distribución del VAN de un proyecto
• Rangos de TIR
• Análisis de sensibilidad
• Pruebas de estrés
• Evaluación del riesgo de activos individuales

Pero en la práctica esto significa que

1. Los proyectos se evalúan individualmente.
2. Se forma una cartera sobre la base de criterios de clasificación o heurísticos.
3. Monte Carlo simula incertidumbres dentro de esta selección.

La clasificación sigue siendo local. La estructura de la cartera sigue siendo heurística. La asignación presupuestaria sigue siendo aproximada.

5. Comparación: Montecarlo frente a la optimización global

Criterio	Simulación de Montecarlo	Optimización global
Pregunta	¿Cómo se dispersa un escenario seleccionado?	¿Qué combinación de carteras maximiza la función objetivo?
Metodología	Muestreo aleatorio	Algoritmos deterministas / híbridos
Espacio de decisión	Fijo	Búsqueda completa
Restricciones	Evaluación a posteriori	Restricciones integradas
Complejidad	Lineal en simulaciones	Espacio exponencial - dominado algorítmicamente
Resultados	Distribución de probabilidad	Óptimo global matemático
Calidad de la gobernanza	Visualización del riesgo	Optimización de recursos

6. Por qué Monte Carlo es sistemáticamente inadecuado para los activos fijos

6.1 Compromiso de capital

Los activos fijos inmovilizan capital durante años o décadas. Las asignaciones erróneas tienen un efecto a largo plazo.

6.2 Irreversibilidad

Las infraestructuras, los bienes inmuebles o las instalaciones de producción no pueden reasignarse sin pérdidas significativas.

6.3 Interdependencias

Un centro logístico influye en los costes de transporte.
Una inversión informática influye en los costes de personal.
Una medida ESG influye en los costes de financiación.

Monte Carlo modela la incertidumbre dentro de un proyecto, no la combinatoria de dependencias.

7. El cambio matemático de perspectiva

La pregunta relevante no es:

"¿Hasta qué punto es seguro el proyecto A?"

Sino más bien:

"¿Qué combinación de A, B, C... bajo presupuesto y restricciones maximiza el valor global?"

Se trata de un problema de optimización combinatoria.

A partir de un cierto número de proyectos, este problema se convierte en NP-difícil.

La simulación no ayuda en este caso. Sólo los métodos de búsqueda algorítmica pueden estructurar sistemáticamente el espacio.

8. Por qué 10.000 simulaciones no aportan seguridad estructural

10.000 simulaciones generan 10.000 resultados posibles.

Pero todos se basan en la misma estructura de cartera.

Si esta estructura está un 15 % por debajo del óptimo globalmente posible, nunca se reconoce este desfase.

Monte Carlo responde:

"¿Cuán probable es el resultado de esta elección?"

La optimización responde:

"¿Era esta elección la mejor desde el principio?"

Se trata de dos niveles diferentes.

9. La optimización ex ante como nueva norma de gobernanza

La arquitectura de decisión moderna en la GFP de activos fijos requiere

• Análisis combinatorio completo
• Integración de restricciones presupuestarias
• Optimización multiobjetivo (ROI, ESG, riesgo)
• Restricciones
• Lógicas de dependencia
• Coherencia de escenarios

Una optimización ex ante no sólo analiza los proyectos individuales, sino el sistema en su conjunto.

Se define la función objetivo, se formalizan las restricciones y se busca en el espacio combinatorio de forma algorítmicamente estructurada.

El resultado no es una banda de valor esperado, sino una cartera matemáticamente determinada.

10. Por qué el óptimo global sustituye a Montecarlo en la GFP de activos fijos

Cuando se calcula el óptimo global, el resultado es

• Maximización de la productividad del capital
• Minimización de los costes de oportunidad
• Integración estructurada del riesgo
• Lógica de toma de decisiones transparente
• Gobernanza a prueba de auditorías

Monte Carlo puede seguir sirviendo como herramienta de sensibilidad, pero no como base para la toma de decisiones.

En el contexto de los activos fijos, pierde su papel principal.

11. El papel de StratePlan

StratePlan analiza el espacio de decisión completo de una cartera de activos fijos, teniendo en cuenta

• Las restricciones presupuestarias
• Las dependencias de los proyectos
• La optimización multiobjetivo
• las restricciones reglamentarias
• Parámetros de riesgo

En lugar de realizar 10.000 extracciones aleatorias, la configuración óptima de la cartera se identifica algorítmicamente.

Esto no mejora Monte Carlo. Resulta superfluo.

Esto se debe a que la incertidumbre puede integrarse en la función objetivo sin fijar el espacio de decisión.

12. Consecuencias para los directores financieros y el consejo de administración

Para los directores financieros, esto significa

• Mayor rendimiento del capital
• Mejor lógica de asignación
• Plantillas de decisión transparentes
• Reducción de la deuda de decisión
• Minimización de la mala asignación estructural

Para los consejos de administración esto significa

• Calidad verificable de las decisiones
• Lógica auditable
• Solidez de la gobernanza

Monte Carlo fue una respuesta a la incertidumbre. La optimización es una respuesta a la complejidad.

13. Conclusión

Montecarlo marcó un hito en la modelización del riesgo. Era contemporáneo.

Pero en los activos fijos de PPM, la evaluación del riesgo ya no es suficiente.

Lo que se necesita es una penetración completa en el espacio de decisión.

La simulación responde a la pregunta equivocada sobre la decisión correcta. La optimización responde a la pregunta correcta.

El óptimo global no es una simulación. Es una propiedad de la estructura de decisión.

Y en cuanto se calcula, Montecarlo pierde su relevancia estratégica.

PREGUNTAS FRECUENTES

¿Es Monte Carlo fundamentalmente erróneo?

No. Montecarlo es un instrumento válido para analizar la incertidumbre. Sin embargo, no es un método de optimización y, por tanto, no es adecuado para identificar la mejor cartera global.

¿Puede Monte Carlo ser útil en combinación con la optimización?

Sí, como análisis de sensibilidad complementario tras la identificación de la cartera óptima. No como lógica de decisión primaria.

¿Por qué no es suficiente la clasificación por VAN?

Porque los proyectos son interdependientes y las restricciones presupuestarias generan efectos combinatorios que la clasificación no refleja.

¿Es la optimización global matemáticamente realista para carteras grandes?

Sí, los métodos algorítmicos modernos permiten el análisis estructurado de espacios de decisión exponenciales.

¿Significa esto el fin de la modelización del riesgo?

No. El riesgo está integrado, pero ya no se simula de forma aislada.

¿Por qué es esto especialmente relevante para los activos fijos?

Porque las asignaciones erróneas son a largo plazo y difícilmente reversibles.

¿Cambia esto el papel del Director Financiero?

Sí, desde la evaluación de riesgos de proyectos individuales hasta la arquitectura sistémica de asignación de capital.

La consecuencia estratégica es clara: no es la simulación de la incertidumbre lo que determina el rendimiento del capital. Es la estructuración matemática del espacio de decisión. Y aquí es donde empieza el futuro de la gobernanza del inmovilizado.