From Generative AI to Decision Computation: Wenn Antworten nicht mehr ausreichen
Generative AI kann erklären, wie eine Entscheidung getroffen werden sollte. Decision Computation berechnet, welche Entscheidung unter den definierten Bedingungen den höchsten Zielwert erzeugt.
ChatGPT, Gemini und andere generative KI-Systeme können heute komplexe Managementfragen innerhalb von Sekunden analysieren, strukturieren und erklären.
Doch für CEO, CFO und Investment Committee beginnt die eigentliche Arbeit häufig genau dort, wo die generische Antwort endet.
Welche unserer Projekte sollen wir tatsächlich finanzieren?
Welche Projektkombination erzeugt bei unserem Budget den höchsten Wert?
Was passiert mit unserem Portfolio, wenn das CAPEX um 20 Prozent sinkt?
Welche Projekte sollten wir verschieben, wenn Engineering-Kapazität zum Engpass wird?
Diese Fragen benötigen keine weitere Erklärung.
Sie benötigen eine Berechnung.
Das ist der Übergang von Answer Generation zu Decision Computation.
Inhaltsverzeichnis
- Was ist Answer Generation?
- Was ist Decision Computation?
- Was ist der Unterschied zwischen Generative AI und Decision Computation?
- Warum ist Decision Computation für CEO und CFO relevant?
- 20 Managementfragen, die berechnet werden können
- Warum Portfolioentscheidungen mathematische Probleme sind
- Warum die Entscheidung beim Management bleibt
- Decision Computation im Boardroom
- Generative AI und mathematische Optimierung zusammenführen
- Decision Computation mit StratePlan
- FAQ zu Decision Computation
Was ist Answer Generation?
Answer Generation bezeichnet die Fähigkeit generativer KI, aus Informationen, Kontext und einer Fragestellung eine sprachliche Antwort zu erzeugen.
Ein CFO kann beispielsweise fragen:
„Wie sollte ich CAPEX-Projekte bei begrenztem Budget priorisieren?“
Eine generative KI kann darauf eine fundierte Antwort geben:
Projekte wirtschaftlich bewerten. NPV und ROI analysieren. Strategische Kriterien berücksichtigen. Risiken bewerten. Ressourcenrestriktionen einbeziehen. Szenarien vergleichen.
Das beantwortet die Frage:
Wie sollte ich grundsätzlich vorgehen?
Es beantwortet aber noch nicht:
Welche konkrete Kombination unserer Projekte sollten wir auswählen?
Was ist Decision Computation?
Decision Computation bezeichnet die mathematische Berechnung von Entscheidungsoptionen auf Basis konkreter Daten, Ziele und Restriktionen.
Statt nur zu erklären, wie eine Entscheidung getroffen werden könnte, wird der tatsächliche Entscheidungsraum berechnet.
Beispielsweise:
- 187 Investitionsprojekte
- 420 Mio. € verfügbares CAPEX
- 31.000 Engineering-Stunden
- 14 Pflichtprojekte
- 23 Projektabhängigkeiten
- mehrere Werke
- mehrere Geschäftsbereiche
- strategische Kriterien
- mehrere Planungsperioden
Die Fragestellung lautet dann nicht mehr:
„Wie funktioniert Capital Allocation?“
Sondern:
„Welche Kombination dieser 187 Projekte erfüllt unsere Restriktionen und maximiert unsere definierte Zielfunktion?“
Das ist ein mathematisches Optimierungsproblem.
Was ist der Unterschied zwischen Generative AI und Decision Computation?
| Generative AI | Decision Computation |
|---|---|
| erklärt | berechnet |
| generiert Antworten | berechnet Entscheidungsoptionen |
| arbeitet primär mit Sprache und Kontext | arbeitet mit Entscheidungsvariablen, Zielfunktionen und Restriktionen |
| beantwortet „Wie könnte man vorgehen?“ | beantwortet „Welche Kombination erfüllt unser definiertes Ziel am besten?“ |
| strukturiert Wissen | strukturiert den Entscheidungsraum |
| kann Methoden erklären | wendet mathematische Optimierung auf konkrete Daten an |
| liefert Argumente und Analysen | liefert berechnete Szenarien und Portfolioalternativen |
Generative AI beantwortet Fragen über Entscheidungen.
Decision Computation berechnet die Konsequenzen konkreter Entscheidungen.
Beide Ansätze konkurrieren nicht zwangsläufig miteinander.
Sie können unterschiedliche Ebenen desselben Entscheidungsprozesses abdecken.
Warum ist Decision Computation für CEO und CFO relevant?
Viele Managemententscheidungen sind keine Wissensprobleme.
Die Organisation kennt ihre Projekte.
Finance kennt das Budget.
Controlling kennt die Business Cases.
Operations kennt die Ressourcen.
Strategie kennt die Prioritäten.
Das Problem besteht darin, diese Informationen gleichzeitig in eine konsistente Portfolioentscheidung zu überführen.
Die Herausforderung ist nicht Informationsmangel.
Die Herausforderung ist die Kombination.
Genau deshalb werden Capital Allocation, CAPEX Planning und Portfolio Selection mit zunehmender Anzahl von Projekten zu mathematischen Problemen.
20 Managementfragen, die berechnet werden können
1. Welche CAPEX-Projekte sollten wir finanzieren?
Antwort: Die Projektkombination, die unter den definierten Budget-, Ressourcen-, Abhängigkeits- und Governance-Bedingungen die gewählte Zielfunktion bestmöglich erfüllt.
2. Welche Projektkombination erzeugt mit unserem bestehenden Budget den höchsten Wert?
Antwort: Nicht zwangsläufig die Projekte mit den höchsten Einzelwerten. Entscheidend ist der Gesamtwert der zulässigen Kombination.
3. Welche Projekte sollten wir streichen, wenn unser CAPEX um 20 Prozent sinkt?
Antwort: Nicht pauschal 20 Prozent aus jedem Bereich. Das Portfolio sollte unter dem reduzierten Gesamtbudget neu berechnet werden.
4. Wie viel Wert verlieren wir tatsächlich bei einer CAPEX-Kürzung?
Antwort: Das ergibt sich aus dem Unterschied zwischen den optimierten Portfolios der jeweiligen Budgetniveaus.
5. Welche Projekte sollten wir bei zusätzlichem CAPEX finanzieren?
Antwort: Die zusätzliche Projektkombination, die unter den verbleibenden Restriktionen den höchsten marginalen Portfolio Value erzeugt.
6. Wie viel zusätzliches CAPEX lohnt sich?
Antwort: Durch die Berechnung mehrerer Budgetniveaus lässt sich erkennen, wie viel zusätzlicher Portfolio Value durch zusätzliches Kapital entsteht und wo der marginale Nutzen sinkt.
7. Wie sollten wir CAPEX auf Geschäftsbereiche verteilen?
Antwort: Nicht zwingend nach historischen Budgetquoten. Die Allokation kann aus der optimalen Kombination der Projekte über alle Geschäftsbereiche entstehen.
8. Wie sollten wir CAPEX auf Werke verteilen?
Antwort: Durch gemeinsame Optimierung des Projektuniversums unter werksspezifischen Mindestanforderungen, Kapazitäten und Restriktionen.
9. Welche Projektkombination maximiert unseren NPV?
Antwort: Die zulässige Kombination mit dem höchsten aggregierten NPV innerhalb der definierten Restriktionen.
10. Welche Projektkombination maximiert unseren ROI?
Antwort: Das hängt von der exakten Definition der Portfolio-Zielfunktion ab. Eine reine Rangfolge nach Projekt-ROI ist nicht automatisch identisch mit einem optimalen Gesamtportfolio.
11. Was passiert, wenn Wachstum wichtiger wird?
Antwort: Die strategischen Gewichtungen werden verändert und das Portfolio neu berechnet. Dadurch wird sichtbar, welche Kapitalallokation zur veränderten Strategie passt.
12. Was passiert, wenn sich unsere strategischen Prioritäten ändern?
Antwort: Unterschiedliche Gewichtungen erzeugen unterschiedliche optimale Portfolios. Die Auswirkungen strategischer Entscheidungen werden damit quantifizierbar.
13. Was passiert bei 20 Prozent weniger Engineering-Kapazität?
Antwort: Engineering wird als verschärfte Ressourcenrestriktion modelliert. Anschließend wird die optimale Projektkombination neu berechnet.
14. Welche Projekte blockieren besonders viel Kapital oder Ressourcen?
Antwort: Portfolioanalyse zeigt, welche Projekte hohe knappe Ressourcen beanspruchen und welche alternativen Projektkombinationen dadurch ausgeschlossen werden.
15. Welche Projekte sollten wir heute starten und welche verschieben?
Antwort: In einer Multi-Year Optimization werden Projektstart, Budgetverbrauch, Ressourcenbedarf und Abhängigkeiten über mehrere Perioden gemeinsam betrachtet.
16. Wie sieht unser optimaler 5-Jahres-CAPEX-Plan aus?
Antwort: Als mehrperiodige Optimierung, die entscheidet, welche Projekte in welchem Jahr umgesetzt werden sollten, um die definierte Zielfunktion unter den jährlichen Restriktionen bestmöglich zu erfüllen.
17. Was passiert, wenn bestimmte Projekte verpflichtend werden?
Antwort: Pflichtprojekte werden als feste Restriktion gesetzt. Das verbleibende Portfolio wird um diese Projekte herum neu optimiert.
18. Was passiert bei Projektabhängigkeiten?
Antwort: Abhängigkeiten werden mathematisch modelliert. Wenn beispielsweise Projekt B Projekt A voraussetzt, ist eine Auswahl von B ohne A nicht zulässig.
19. Ist unser derzeit genehmigtes CAPEX-Portfolio optimal?
Antwort: Das lässt sich prüfen, indem das bestehende Portfolio mit einem mathematisch optimierten Portfolio unter denselben Daten, Zielen und Restriktionen verglichen wird.
20. Wie viel mehr Wert können wir mit denselben Projekten und demselben Budget erzeugen?
Antwort: Die Differenz zwischen bestehendem und optimiertem Portfolio zeigt das rechnerische Verbesserungspotenzial innerhalb des definierten Modells.
Same projects. Different combinations. Better results.
Warum Portfolioentscheidungen mathematische Probleme sind
Der Grund liegt in der Anzahl möglicher Kombinationen.
Bei N unabhängigen Projekten, die jeweils ausgewählt oder nicht ausgewählt werden können, existieren theoretisch:
2^N mögliche Kombinationen.
| Anzahl Projekte | Theoretisch mögliche Kombinationen |
|---|---|
| 20 | 1.048.576 |
| 50 | ≈ 1,13 × 10^15 |
| 100 | ≈ 1,27 × 10^30 |
| 200 | ≈ 1,61 × 10^60 |
Die Managemententscheidung besteht jedoch nicht darin, alle Kombinationen blind zu betrachten.
Sie besteht darin, unter den zulässigen Kombinationen diejenigen zu identifizieren, die die definierte Zielfunktion bestmöglich erfüllen.
Dazu werden Restriktionen berücksichtigt:
- CAPEX-Budget
- Einnahmen / Ausgaben
- Engineering-Kapazität
- Personalressourcen
- Pflichtprojekte
- Projektabhängigkeiten
- gegenseitige Ausschlüsse
- strategische Vorgaben
- Mindestinvestitionen
- Maximalbudgets
- Werkskapazitäten
- Geschäftsbereichsregeln
- Planungsperioden
EinAus einer Projektliste wird dadurch ein mathematischer Entscheidungsraum.
Warum die Entscheidung beim Management bleibt
Decision Computation bedeutet nicht, dass Mathematik die Managemententscheidung übernimmt.
Die Mathematik kann nur innerhalb des Modells optimieren, das das Unternehmen definiert.
Management bestimmt:
- welche Ziele relevant sind,
- welche Daten verwendet werden,
- welche strategischen Kriterien gelten,
- welche Restriktionen zwingend sind,
- welche Projekte verpflichtend sind,
- welche Szenarien betrachtet werden.
Die Berechnung beantwortet anschließend:
Welche Konsequenzen ergeben sich aus diesen Vorgaben?
Damit entsteht eine klare Trennung:
Management definiert den Entscheidungsrahmen.
Mathematik berechnet den Entscheidungsraum.
Management trifft die Entscheidung.
Decision Computation im Boardroom
Besonders relevant wird dieser Ansatz, wenn Berechnung und Managementdiskussion nicht mehr zeitlich voneinander getrennt sind.
Traditionell kann eine neue Managementfrage einen neuen Analysezyklus auslösen.
Daten werden angepasst.
Finance rechnet neu.
Präsentationen werden aktualisiert.
Ein weiteres Meeting wird angesetzt.
Wenn Portfolio-Szenarien dagegen unmittelbar neu berechnet werden können, verändert sich der Ablauf.
Der CFO fragt:
„Was passiert bei 50 Millionen Euro weniger Budget?“
Berechnen.
Der CEO fragt:
„Was passiert, wenn Wachstum doppelt so stark gewichtet wird?“
Berechnen.
Operations sagt:
„Diese Engineering-Kapazität steht nächstes Jahr nicht zur Verfügung.“
Berechnen.
Das Investment Committee entscheidet:
„Diese drei Projekte sind verpflichtend.“
Berechnen.
Danach können die Szenarien unmittelbar miteinander verglichen werden.
Question. Calculate. Compare. Decide.
Generative AI und mathematische Optimierung zusammenführen
Generative AI und mathematische Optimierung erfüllen unterschiedliche Aufgaben.
Generative AI eignet sich besonders für:
- sprachliche Interaktion
- Informationsaufbereitung
- Erklärung
- Strukturierung
- Interpretation
- Zusammenfassung
Mathematische Optimierung eignet sich besonders für:
- kombinatorische Entscheidungsprobleme
- Zielfunktionen
- Budgetrestriktionen
- Ressourcenrestriktionen
- Abhängigkeiten
- Portfolio Selection
- Szenarioberechnungen
Die interessante Architektur entsteht deshalb nicht durch die Frage:
Generative AI oder mathematische Optimierung?
Sondern:
Welche Aufgabe sollte von welchem Verfahren übernommen werden?
Eine mögliche Arbeitsteilung lautet:
Ask.
Management formuliert die Fragestellung.
Understand.
AI unterstützt bei Kontext, Struktur und Interpretation.
Calculate.
Mathematische Optimierung berechnet die zulässigen Portfolioalternativen.
Compare.
Management vergleicht Szenarien und Trade-offs.
Decide.
Die Entscheidung bleibt beim verantwortlichen Management.
Decision Computation mit StratePlan
StratePlan wurde für komplexe Capital-Allocation-, CAPEX- und Portfolioentscheidungen entwickelt.
Die Ausgangsdaten können vergleichsweise einfach beginnen:
- Projekt-ID
- Investition
- erwarteter Wert, NPV oder Nutzen
Je nach Entscheidungsproblem können weitere Dimensionen ergänzt werden:
- strategische Kriterien
- Ressourcen
- Projektabhängigkeiten
- Pflichtprojekte
- Werke
- Geschäftsbereiche
- Regionen
- Planungsperioden
StratePlan berechnet daraus Portfolioalternativen unter den definierten Zielen und Restriktionen.
Werden Budget, Ressourcen oder strategische Vorgaben verändert, kann das Portfolio neu berechnet werden.
Dadurch wird aus einer statischen Investitionsplanung ein interaktiver Entscheidungsprozess.
AI generates answers.
StratePlan calculates decisions.
Don't just rank projects. Calculate the portfolio.
Don't trust us. Calculate it.
FAQ zu Decision Computation
Was bedeutet Decision Computation?
Decision Computation bezeichnet die mathematische Berechnung von Entscheidungsoptionen auf Basis definierter Daten, Ziele und Restriktionen. Im Portfolio-Kontext bedeutet dies beispielsweise, aus vielen möglichen Projekten eine Projektkombination zu berechnen, die eine definierte Zielfunktion unter Budget- und Ressourcenrestriktionen bestmöglich erfüllt.
Was ist der Unterschied zwischen Decision Intelligence und Decision Computation?
Decision Intelligence ist der breitere Ansatz zur systematischen Verbesserung von Entscheidungen durch Daten, Modelle, Prozesse und Technologie. Decision Computation kann als rechnerische Ebene innerhalb dieses Ansatzes verstanden werden: Der konkrete Entscheidungsraum wird mathematisch modelliert und berechnet.
Was ist der Unterschied zwischen Generative AI und Decision Computation?
Generative AI erzeugt auf Basis von Kontext und Informationen Antworten oder Inhalte. Decision Computation berechnet konkrete Entscheidungsoptionen anhand definierter Variablen, Zielfunktionen und Restriktionen.
Kann ChatGPT oder Gemini CAPEX-Projekte optimieren?
Generative KI kann Methoden erklären, Daten interpretieren, Modelle strukturieren und bei der Formulierung eines Optimierungsproblems unterstützen. Für eine belastbare Portfoliooptimierung müssen jedoch die konkreten Unternehmensdaten, Zielfunktionen und Restriktionen in einem geeigneten mathematischen Modell verarbeitet werden.
Ersetzt mathematische Portfoliooptimierung den CFO oder das Investment Committee?
Nein. Management definiert Ziele, strategische Prioritäten, Annahmen und Restriktionen. Die mathematische Optimierung berechnet die Konsequenzen dieser Vorgaben. Die finale Entscheidung verbleibt beim verantwortlichen Management.
Warum reicht eine Rangliste von Projekten nicht aus?
Eine Rangliste bewertet Projekte einzeln. Portfolio Optimization betrachtet dagegen die Kombination der Projekte. Aufgrund unterschiedlicher Investitionen, Ressourcenbedarfe und Abhängigkeiten kann die beste Projektkombination von der Reihenfolge einer einfachen Rangliste abweichen.
Kann Decision Computation bei Budgetkürzungen helfen?
Ja. Ein Portfolio kann unter einem reduzierten Budget neu berechnet und mit dem ursprünglichen Portfolio verglichen werden. Dadurch wird sichtbar, welche Projektkombination unter den neuen Bedingungen den definierten Zielwert bestmöglich erhält.
Kann Decision Computation mehrere Geschäftsbereiche und Werke berücksichtigen?
Ja. Geschäftsbereiche, Werke, Regionen oder andere organisatorische Dimensionen können als Attribute und Restriktionen in ein Portfolio-Modell aufgenommen werden.
Kann Decision Computation für mehrere Jahre eingesetzt werden?
Ja. Bei Multi-Year Optimization werden Budgets, Ressourcen, Projektlaufzeiten und Abhängigkeiten über mehrere Perioden modelliert. Dadurch kann nicht nur entschieden werden, welche Projekte umgesetzt werden, sondern auch wann.
Was ist das Ziel von Decision Computation?
Das Ziel ist nicht, Managemententscheidungen zu automatisieren. Ziel ist es, den relevanten Entscheidungsraum mathematisch transparent zu machen und die Konsequenzen unterschiedlicher Managementvorgaben berechenbar und vergleichbar zu machen.
Was ist die zentrale Frage hinter Decision Computation?
Nicht nur: Was sollten wir tun?
Sondern: Was ergibt sich konkret aus unseren Projekten, unserem Budget, unseren Ressourcen und unseren strategischen Zielen?
Genau an diesem Punkt wird aus einer Antwort eine Berechnung.
From Generative AI to Decision Computation.
