Monte-Carlo contre IA : décisions d'actifs fixes dans l'incertitude : simulation versus optimisation

Pourquoi la simulation ne suffit plus dans les actifs immobilisés - et pourquoi l'optimisation mathématique devient une nouvelle nécessité de gouvernance

Résumé exécutif

Pendant des décennies, la simulation de Monte Carlo a été considérée comme l'étalon-or méthodologique pour évaluer les incertitudes dans les décisions d'investissement. Dans le domaine des actifs fixes en particulier - c'est-à-dire pour les engagements de capitaux à long terme tels que l'immobilier, les infrastructures, les installations de production ou les grands systèmes informatiques - elle était l'instrument privilégié pour la modélisation des risques.

Monte-Carlo était dans l'air du temps.
Monte-Carlo était logique du point de vue de la technique de calcul.
Monte-Carlo représentait un progrès par rapport aux hypothèses individuelles déterministes.

Mais Monte-Carlo ne prend pas de décision.
Il la simule.

Et dans le contexte de la gestion moderne de portefeuilles et de CapEx, cela signifie qu'une décision potentiellement structurellement erronée est variée 10 000 fois - mais pas optimisée.

Avec la complexité croissante, les interdépendances entre les projets, les restrictions budgétaires et les multiples conflits d'objectifs, la simulation se heurte à une limite systémique. Elle évalue des scénarios. Elle n'explore pas l'espace décisionnel complet.

C'est précisément là qu'intervient l'optimisation algorithmique ex ante. Au lieu de simuler des distributions de probabilité, l'espace combinatoire de toutes les configurations de portefeuille possibles est analysé mathématiquement - et l'optimum global est identifié.

Dans le domaine des actifs fixes de la gestion de portefeuille de projets (PPM), Monte-Carlo n'est donc pas amélioré, mais obsolète.

1. Mise en perspective historique : pourquoi Monte-Carlo était-il utile ?

La méthode Monte-Carlo a été développée au 20e siècle afin d'approximer par le calcul des problèmes de probabilité complexes. Elle a été révolutionnaire dans le domaine de la finance, de la gestion des risques et du calcul des investissements, car elle a permis de quantifier l'incertitude.

Au lieu d'une seule hypothèse sur les flux de trésorerie ou l'utilisation, des milliers de tirages aléatoires ont été générés. Il en a résulté des résultats :

• Valeurs attendues
• Variance
• Valeur à risque
• Intervalles de confiance
• Bandes de scénarios

Pour les Fixed Assets, cela signifiait :

• Incertitude sur les coûts de construction
• Fluctuations des taux d'intérêt
• Volatilité des prix du marché
• Risques liés à l'utilisation des capacités
• Hypothèses de valeur résiduelle

Tous ces facteurs pouvaient être modélisés statistiquement.

Dans un monde où la puissance de calcul était limitée et le nombre de projets gérable, cela était rationnel.

Mais ce monde n'existe plus.

2. Le problème structurel : la simulation n'est pas une optimisation

Monte-Carlo répond à la question suivante :

Si nous choisissons tel projet ou tel portefeuille, quelle est la probabilité de tel résultat ?

Ce à quoi Monte-Carlo ne répond pas :

Ce portefeuille est-il vraiment le meilleur possible parmi toutes les combinaisons autorisées ?

Il s'agit là d'une différence fondamentale.

Simulation

• Évalue une décision donnée
• Fait varier les paramètres
• Fournit des probabilités

Optimisation

• Explore l'espace de décision
• Prend en compte les restrictions
• Maximise la fonction cible
• Identifie l'optimum global

Monte-Carlo simule donc l'incertitude au sein d'une décision structurelle déjà prise.

Si cette décision structurelle est sous-optimale, seule sa dispersion est analysée.

Cela correspond à une mauvaise allocation simulée 10 000 fois.

3. Actifs fixes dans le PPM : pourquoi la complexité devient exponentielle

Dans un portefeuille classique d'actifs fixes, il existe :

• Plusieurs projets d'investissement
• Différentes échéances
• Restrictions budgétaires
• Effets de synergie
• Relations d'exclusion
• conditions réglementaires
• Exigences ESG
• priorités stratégiques

Pour 20 projets, il existe déjà plus d'un million de combinaisons de portefeuilles possibles.

Pour 50 projets :

²⁵⁰ ≈ 1.125.899.906.842.624 combinaisons

Monte-Carlo simule à l'intérieur d'une combinaison choisie. Il n'explore pas ces 1,1 billion de possibilités.

Ce n'est pas une faiblesse graduelle. C'est une faiblesse structurelle.

4. Application typique de Monte-Carlo dans les actifs financiers

Dans le contexte des actifs fixes, Monte-Carlo est typiquement utilisé pour :

• Distribution de la VAN d'un projet
• Fourchettes de TRI
• Analyses de sensibilité
• Tests de stress
• Évaluation du risque d'actifs individuels

Mais dans la pratique, cela signifie que :

1. Les projets sont évalués individuellement.
2. Un portefeuille est constitué sur la base d'un classement ou de critères heuristiques.
3. Monte-Carlo simule les incertitudes au sein de cette sélection.

Le classement reste local. La structure du portefeuille reste heuristique. L'allocation budgétaire reste approximative.

5. Comparaison : Monte-Carlo vs. optimisation globale

Critère	Simulation Monte-Carlo	Optimisation globale
Questionnement	Quelle est la dispersion d'un scénario choisi ?	Quelle combinaison de portefeuille maximise la fonction cible ?
Méthodologie	Échantillonnage aléatoire	Algorithme déterministe / hybride
Espace de décision	Fixe	Recherche complète
Traitement des restrictions	Évaluation ex post	Contraintes intégrées
Complexité	Linéaire dans les simulations	Espace exponentiel - algorithmiquement maîtrisé
Résultat	Distribution de probabilité	Optimum global mathématique
Qualité de la gouvernance	Représentation des risques	Optimisation des ressources

6. Pourquoi Monte-Carlo est systémiquement insuffisant pour les actifs fixes

6.1 Engagement du capital

Les actifs fixes immobilisent du capital pendant des années, voire des décennies. Les mauvaises allocations ont des effets à long terme.

6.2 Irréversibilité

Les infrastructures, l'immobilier ou les installations de production ne peuvent pas être réaffectés sans pertes considérables.

6.3 Interdépendances

Un centre logistique influence les coûts de transport.
Un investissement informatique influence les coûts de personnel.
Une mesure ESG influence les coûts de financement.

Monte-Carlo modélise l'incertitude au sein d'un projet - pas la combinatoire des interdépendances.

7. Le changement de perspective mathématique

La question pertinente n'est pas la suivante :

"Quel est le degré de sécurité du projet A ?"

Mais plutôt :

"Quelle combinaison de A, B, C ... sous conditions de budget et de contraintes maximise la valeur totale ?"

Il s'agit d'un problème d'optimisation combinatoire.

A partir d'un certain nombre de projets, ce problème devient NP-dur.

La simulation n'est d'aucune aide ici. Seules les procédures de recherche algorithmiques peuvent structurer l'espace de manière systématique.

8. Pourquoi 10.000 simulations ne donnent pas de certitude structurelle

10.000 simulations génèrent 10 000 outcomes possibles.

Pourtant, elles sont toutes basées sur la même structure de portefeuille.

Si cette structure est inférieure de 15 % à l'optimum globalement possible, cet écart ne sera jamais détecté.

Monte-Carlo répond :

"Quelle est la probabilité du résultat de ce choix ?"

Optimisation répond :

"Ce choix était-il même le meilleur ?"

Il s'agit de deux niveaux différents.

9. L'optimisation ex ante comme nouvelle norme de gouvernance

L'architecture décisionnelle moderne dans le PPM d'actifs fixes exige :

• Une analyse combinée complète
• Intégration des contraintes budgétaires
• Optimisation multi-objectifs (ROI, ESG, risque)
• Conditions secondaires
• Logiques de dépendance
• Cohérence des scénarios

Une optimisation ex ante n'analyse pas seulement les projets individuels, mais le système dans son ensemble.

Dans ce cas, la fonction cible est définie, les contraintes sont formalisées et l'espace combinatoire est exploré de manière algorithmique et structurée.

Le résultat n'est pas une bande de valeurs attendues, mais un portefeuille mathématiquement déterminé.

10. Pourquoi l'optimum global remplace-t-il Monte-Carlo dans le PPM d'actifs fixes ?

Lorsque l'optimum global est calculé, il en résulte :

• Une productivité maximale du capital
• Coûts d'opportunité minimisés
• Intégration structurée des risques
• Logique décisionnelle transparente
• Gouvernance à l'épreuve des audits

Monte-Carlo peut continuer à servir d'outil de sensibilité - mais pas de base de décision.

Dans le contexte des actifs fixes, il perd son rôle primaire.

11. Le rôle de StratePlan

StratePlan analyse l'espace décisionnel complet d'un portefeuille d'actifs fixes en tenant compte :

• Des restrictions budgétaires
• Dépendances du projet
• De l'optimisation multi-objectifs
• des contraintes réglementaires
• Des paramètres de risque

Au lieu d'effectuer 10.000 tirages aléatoires, la configuration optimale du portefeuille est identifiée de manière algorithmique.

Monte-Carlo n'est pas amélioré pour autant. Il devient même dispensable.

En effet, l'incertitude peut être intégrée dans la fonction objectif sans fixer l'espace de décision.

12. Conséquences pour le CFO et le conseil d'administration

Pour les CFO, cela signifie :

• Un meilleur retour sur investissement
• Meilleure logique d'allocation
• Transparence des modèles de décision
• Réduction de la dette de décision
• Minimisation de la mauvaise allocation structurelle

Pour les conseils d'administration, cela signifie :

• Qualité de décision démontrable
• Logique auditable
• Robustesse de la gouvernance

Monte-Carlo était une réponse à l'incertitude. L'optimisation est une réponse à la complexité.

13. Conclusion

Monte-Carlo a été un jalon de la modélisation des risques. Il était dans l'air du temps.

Mais dans le domaine des actifs fixes en PPM, l'évaluation des risques ne suffit plus.

Ce qui est nécessaire, c'est une pénétration complète de l'espace de décision.

La simulation répond à la mauvaise question pour la bonne décision. L'optimisation répond à la bonne question.

L'optimum global n'est pas une simulation. C'est une propriété de la structure décisionnelle.

Et dès qu'il est calculé, Monte-Carlo perd sa pertinence stratégique.

FAQ

Monte-Carlo est-il fondamentalement faux ?

Non. Monte-Carlo est un outil valide d'analyse de l'incertitude. Il ne s'agit toutefois pas d'une méthode d'optimisation et ne convient donc pas pour identifier le meilleur portefeuille global.

Monte-Carlo peut-il être utile en combinaison avec l'optimisation ?

Oui, comme analyse de sensibilité complémentaire après l'identification du portefeuille optimal. Pas comme logique de décision primaire.

Pourquoi le classement selon la VAN ne suffit-il pas ?

Parce que les projets sont interdépendants et que les restrictions budgétaires génèrent des effets combinatoires que le ranking ne reflète pas.

L'optimisation globale est-elle réaliste d'un point de vue mathématique pour les grands portefeuilles ?

Oui. Les méthodes algorithmiques modernes permettent une analyse structurée des espaces de décision exponentiels.

Cela signifie-t-il la fin de la modélisation des risques ?

Non. Le risque est intégré - mais il n'est plus simulé de manière isolée.

Pourquoi est-ce particulièrement pertinent pour les actifs fixes ?

Parce que les mauvaises allocations sont ici à long terme et à peine réversibles.

Cela change-t-il le rôle du directeur financier ?

Oui, de l'évaluation des risques des projets individuels à l'architecture systémique d'allocation du capital.

La conséquence stratégique est claire : ce n'est pas la simulation de l'incertitude qui détermine le rendement du capital. Mais la structuration mathématique de l'espace de décision. Et c'est là que commence l'avenir de la gouvernance des actifs fixes.