Monte Carlo contro l'IA: Decisioni a capitale fisso in condizioni di incertezza: simulazione contro ottimizzazione

Perché la simulazione non è più sufficiente per le immobilizzazioni e l'ottimizzazione matematica sta diventando la nuova necessità di governance

Sintesi

Per decenni la simulazione Monte Carlo è stata considerata il gold standard metodologico per la valutazione delle incertezze nelle decisioni di investimento. Soprattutto nell'ambito delle immobilizzazioni, ovvero degli impegni di capitale a lungo termine come immobili, infrastrutture, impianti di produzione o sistemi IT su larga scala, era lo strumento preferito per la modellazione del rischio.

Monte Carlo era al passo con i tempi.
Monte Carlo aveva senso dal punto di vista computazionale.
Monte Carlo era un passo avanti rispetto alle ipotesi individuali deterministiche.

Ma Monte Carlo non prende una decisione.
Le simula.

Nel contesto della moderna gestione del portafoglio e del CapEx, ciò significa che una decisione potenzialmente errata dal punto di vista strutturale viene variata 10.000 volte, ma non ottimizzata.

Con la crescente complessità, le dipendenze tra i progetti, le restrizioni di budget e i molteplici obiettivi in conflitto, la simulazione raggiunge un limite sistemico. Valuta gli scenari. Non cerca nell'intero spazio decisionale.

È proprio qui che entra in gioco l'ottimizzazione algoritmica ex-ante. Invece di simulare distribuzioni di probabilità, si analizza matematicamente lo spazio combinatorio di tutte le possibili configurazioni di portafoglio e si identifica l'optimum globale.

Nel settore delle immobilizzazioni nella gestione del portafoglio progetti (PPM), questo non migliora Monte Carlo, ma lo rende obsoleto.

1. Inquadramento storico: perché Monte Carlo era utile

Il metodo Monte Carlo è stato sviluppato nel XX secolo per approssimare matematicamente problemi di probabilità complessi. È stato rivoluzionario nella finanza, nella gestione del rischio e nel calcolo degli investimenti perché ha reso l'incertezza quantificabile.

Invece di una singola ipotesi sui flussi di cassa o sull'utilizzo della capacità, venivano generate migliaia di estrazioni casuali. Il risultato è stato

• Valori attesi
• Varianza
• Valore a rischio
• Intervalli di confidenza
• Fasce di scenario

Per le immobilizzazioni questo significa

• Incertezza dei costi di costruzione
• Fluttuazioni dei tassi di interesse
• Volatilità dei prezzi di mercato
• Rischi di utilizzo
• Ipotesi di valore residuo

Tutti questi fattori potevano essere modellati statisticamente.

In un mondo con una potenza di calcolo limitata e un numero gestibile di progetti, questo era razionale.

Ma questo mondo non esiste più.

2. Il problema strutturale: la simulazione non è ottimizzazione

Monte Carlo risponde alla seguente domanda:

Se decidiamo a favore di questo progetto o di questo portafoglio, qual è la probabilità del risultato?

Ma Monte Carlo non risponde a questa domanda:

Questo portafoglio è il migliore possibile tra tutte le combinazioni ammissibili?

Questa è una differenza fondamentale.

Simulazione

• Valuta una decisione data
• Varia i parametri
• Fornisce le probabilità

Ottimizzazione

• Ricerca nello spazio decisionale
• Considera le restrizioni
• Massimizza la funzione obiettivo
• Identifica l'optimum globale

Monte Carlo simula quindi l'incertezza all'interno di una decisione strutturale già presa.

Se questa decisione strutturale è subottimale, viene analizzata solo la sua dispersione.

Ciò corrisponde a una cattiva allocazione simulata di 10.000 volte.

3. Immobilizzazioni nel PPM: perché la complessità diventa esponenziale

Il classico portafoglio di immobilizzazioni contiene

• Diversi progetti di investimento
• Diverse scadenze
• Restrizioni di budget
• Effetti di sinergia
• Relazioni di esclusione
• condizioni normative
• Requisiti ESG
• priorità strategiche

Esistono già oltre un milione di possibili combinazioni di portafoglio per 20 progetti.

Per 50 progetti:

²⁵⁰ ≈ 1.125.899.906.842.624 combinazioni

Monte Carlo simula all'interno di una combinazione selezionata. Non cerca tra questi 1,1 quadrilioni di possibilità.

Non si tratta di una debolezza graduale. È una debolezza strutturale.

4. Applicazione tipica di Monte Carlo nelle immobilizzazioni

Nel contesto delle immobilizzazioni, Monte Carlo è tipicamente utilizzato per:

• Distribuzione del VAN di un progetto
• Intervalli di TIR
• Analisi di sensibilità
• Stress test
• Valutazione del rischio di singoli asset

Ma in pratica questo significa

1. I progetti vengono valutati singolarmente.
2. Si forma un portafoglio sulla base di criteri di classificazione o euristici.
3. Monte Carlo simula le incertezze di questa selezione.

La classifica rimane locale. La struttura del portafoglio rimane euristica. L'allocazione del budget rimane approssimativa.

5. Confronto: Monte Carlo vs. ottimizzazione globale

Criterio	Simulazione Monte Carlo	Ottimizzazione globale
Domanda	Come si disperde uno scenario selezionato?	Quale combinazione di portafoglio massimizza la funzione obiettivo?
Metodologia	Campionamento casuale	Algoritmi deterministici/ibridi
Spazio decisionale	Fissato	Completamente ricercato
Gestione delle restrizioni	Valutazione ex-post	Vincoli integrati
Complessità	Lineare nelle simulazioni	Spazio esponenziale - padronanza algoritmica
Risultati	Distribuzione di probabilità	Ottimo globale matematico
Qualità della governance	Visualizzazione del rischio	Ottimizzazione delle risorse

6. Perché Monte Carlo è sistematicamente inadeguato per le attività fisse

6.1 Impegno di capitale

Le immobilizzazioni vincolano il capitale per anni o decenni. Le allocazioni errate hanno un effetto a lungo termine.

6.2 Irreversibilità

Infrastrutture, immobili o impianti di produzione non possono essere riallocati senza subire perdite significative.

6.3 Interdipendenze

Un centro logistico influenza i costi di trasporto.
Un investimento IT influenza i costi del personale.
Una misura ESG influenza i costi di finanziamento.

Monte Carlo modella l'incertezza all'interno di un progetto, non la combinatoria delle dipendenze.

7. Il cambio di prospettiva matematico

La domanda da porsi non è:

"Quanto è sicuro il progetto A?"

Ma piuttosto:

"Quale combinazione di A, B, C ... in base al budget e ai vincoli massimizza il valore complessivo?"

Si tratta di un problema di ottimizzazione combinatoria.

Oltre un certo numero di progetti, questo problema diventa NP-hard.

La simulazione non è d'aiuto in questo caso. Solo i metodi di ricerca algoritmica possono strutturare sistematicamente lo spazio.

8. Perché 10.000 simulazioni non forniscono certezza strutturale

10.000 simulazioni generano 10.000 risultati possibili.

Ma si basano tutte sulla stessa struttura di portafoglio.

Se questa struttura è del 15% inferiore all'optimum possibile a livello globale, questo divario non viene mai riconosciuto.

Monte Carlo risponde:

"Quanto è probabile il risultato di questa scelta?"

L'ottimizzazione risponde:

"Questa scelta era la migliore in assoluto?"

Si tratta di due livelli diversi.

9. L'ottimizzazione ex ante come nuova norma di governance

La moderna architettura decisionale nel PPM delle immobilizzazioni richiede:

• Analisi completa delle combinazioni
• Integrazione dei vincoli di budget
• Ottimizzazione multi-obiettivo (ROI, ESG, rischio)
• Vincoli
• Logiche di dipendenza
• Coerenza degli scenari

Un'ottimizzazione ex-ante non analizza solo i singoli progetti, ma il sistema nel suo complesso.

Si definisce la funzione obiettivo, si formalizzano i vincoli e si cerca nello spazio combinatorio in modo algoritmico e strutturato.

Il risultato non è una fascia di valori attesi, ma un portafoglio matematicamente determinato.

10. Perché l'optimum globale sostituisce Monte Carlo nel PPM delle immobilizzazioni

Quando si calcola l'optimum globale, il risultato è

• Massimizzazione della produttività del capitale
• Minimizzazione dei costi di opportunità
• Integrazione strutturata del rischio
• Logica decisionale trasparente
• Governance a prova di audit

Monte Carlo può ancora servire come strumento di sensibilità, ma non come base per il processo decisionale.

Nel contesto delle immobilizzazioni, perde il suo ruolo primario.

11. Il ruolo di StratePlan

StratePlan analizza l'intero spazio decisionale di un portafoglio di immobilizzazioni, tenendo conto di

• Vincoli di budget
• Dipendenze dai progetti
• Ottimizzazione multi-obiettivo
• vincoli normativi
• Parametri di rischio

Invece di effettuare 10.000 estrazioni casuali, la configurazione ottimale del portafoglio viene identificata algoritmicamente.

Questo non migliora il metodo Monte Carlo. Diventa superfluo.

Infatti, l'incertezza può essere integrata nella funzione obiettivo senza fissare lo spazio decisionale.

12. Conseguenze per i CFO e il consiglio di amministrazione

Per i CFO questo significa

• Maggior rendimento del capitale
• Una migliore logica di allocazione
• Modelli decisionali trasparenti
• Riduzione del debito decisionale
• Minimizzazione della cattiva allocazione strutturale

Per i consigli di amministrazione ciò significa

• Qualità delle decisioni verificabile
• Logica verificabile
• Solidità della governance

Monte Carlo era una risposta all'incertezza. L'ottimizzazione è una risposta alla complessità.

13. Conclusione

Monte Carlo è stata una pietra miliare nella modellazione del rischio. Era contemporaneo.

Ma per le immobilizzazioni nel PPM, la valutazione del rischio non è più sufficiente.

È necessaria una penetrazione completa dello spazio decisionale.

La simulazione risponde alla domanda sbagliata sulla decisione giusta. L'ottimizzazione risponde alla domanda giusta.

L'optimum globale non è una simulazione. È una proprietà della struttura decisionale.

E non appena viene calcolato, Monte Carlo perde la sua rilevanza strategica.

DOMANDE FREQUENTI

Monte Carlo è fondamentalmente sbagliato?

No. Monte Carlo è uno strumento valido per analizzare l'incertezza. Tuttavia, non è un metodo di ottimizzazione e quindi non è adatto a individuare il portafoglio migliore a livello globale.

Monte Carlo può essere utile in combinazione con l'ottimizzazione?

Sì, come analisi di sensibilità supplementare dopo l'identificazione del portafoglio ottimale. Non come logica decisionale primaria.

Perché la classificazione in base al VAN non è sufficiente?

Perché i progetti sono interdipendenti e le restrizioni di budget generano effetti combinatori che la classifica non riflette.

L'ottimizzazione globale è matematicamente realistica per portafogli di grandi dimensioni?

Sì, i moderni metodi algoritmici consentono l'analisi strutturata di spazi decisionali esponenziali.

Questo significa la fine della modellazione del rischio?

No. Il rischio è integrato, ma non più simulato in modo isolato.

Perché questo è particolarmente importante per le attività fisse?

Perché gli errori di allocazione sono a lungo termine e difficilmente reversibili.

Questo cambia il ruolo del CFO?

Sì, dalla valutazione del rischio dei singoli progetti all'architettura sistemica dell'allocazione del capitale.

La conseguenza strategica è chiara: non è la simulazione dell'incertezza a determinare il rendimento del capitale. È la strutturazione matematica dello spazio decisionale. Ed è qui che inizia il futuro della governance delle immobilizzazioni.