Van wiskunde naar intelligentie voor strategische besluitvorming

De algoritmische basis van mAInthink

De technologische basis van mAInthink is niet op korte termijn ontstaan, maar is het resultaat van tientallen jaren wetenschappelijk werk op het raakvlak van wiskunde, algoritmen en informatica.

Dr. Igor Kadoshchuk, die sinds de jaren 80 aan de universiteit werkt aan wiskundige processen, optimalisatiealgoritmen en computerondersteunde besluitvorming, speelt hierin een centrale rol.

Wetenschappelijke achtergrond: wiskunde ontmoet computerwetenschap

Dr. Kadoshchuk bekleedde een leerstoel aan het Moskouse Instituut voor Natuurkunde en Technologie (MIPT ), waar hij werkte als hoogleraar computerwetenschappen. Zijn onderzoek en onderwijs richtten zich met name op

• wiskundige optimalisatie
• Algoritmiek
• combinatorische beslissingsproblemen
• computerondersteunde modellering van complexe systemen

In de loop van deze vele jaren werk kwam een centraal besef naar voren:

Wiskundige methoden en computertechnologie kunnen zo worden ingericht dat bij complexe project- en investeringsbeslissingen objectief herkenbaar wordt welke weg de beste is.

Projectoptimalisatie als wiskundig probleem

Project-, portfolio- en investeringsbeslissingen bestaan uiteindelijk uit ID's, variabelen, beperkingen en getallen. Het probleem ligt niet in de beschikbaarheid van gegevens, maar in de combinatoriek.

Zelfs met slechts enkele projecten groeit het aantal mogelijke combinaties exponentieel:

• 5 projecten → 32 combinaties
• 10 projecten → 1.024 combinaties
• 20 projecten → meer dan 1.000.000 combinaties
• 50 projecten → astronomische ordes van grootte

Traditionele tools (bijv. Excel, eenvoudige scoringsmodellen of lineaire benaderingen) zijn over het algemeen niet in staat om deze complexiteit volledig in kaart te brengen, maar werken onvermijdelijk met vereenvoudigingen.

Hybride AI & multithreaded computing

mAInthink gebruikt daarom hybride AI-benaderingen die klassieke wiskunde, heuristische optimalisatie en algoritmisch zoeken combineren met moderne multithreaded computerarchitectuur.

Hierdoor bereiken we een nauwkeurigheid van 97% tot 99,99% in echte project- en investeringsscenario's en kunnen we zeer complexe projectberekeningen zeer snel uitvoeren, wat conventionele tools doorgaans niet kunnen bereiken met deze diepgang en snelheid.

Waarom geen 100%?

Als je theoretisch 100% nauwkeurigheid wilt bereiken, betekent dit dat elke mogelijke combinatie volledig, precies en zonder snelkoppelingen zou moeten worden berekend.

Zelfs met de technische mogelijkheden van vandaag zou dit in grote portefeuillescenario's een rekentijd van ongeveer 75.000 jaar betekenen. De reden hiervoor is niet een gebrek aan software, maar de exponentiële toename van de beslissingsruimte naarmate het aantal projecten en de dichtheid van beperkingen toeneemt.

Voorbeeld: Waarom explodeert de rekentijd?

Stel je voor dat je een portfolio hebt met veel projecten en subprojecten. Elke beslissing (project ja/nee, deelpakket A/B/C, volgorde, budgetlimieten, afhankelijkheden, risico's) verhoogt het aantal mogelijke combinaties enorm. Zelfs boven een bepaalde grootte ontstaat een zoekruimte die niet meer volledig kan worden opgesomd met klassieke computerarchitecturen zonder dat de rekentijd tot onpraktische dimensies groeit.

Dit is precies waar de kracht van mAInthink ligt: We gebruiken hybride AI en parallelle berekening om oplossingen te leveren met een zeer hoge nauwkeurigheid in praktische tijd - in plaats van theoretische perfectie in millennia.

Blik in de toekomst: kwantumcomputers

Kwantumcomputers zouden deze aanpak niet vervangen, maar versnellen. Met de toenemende industriële beschikbaarheid zouden bepaalde klassen optimalisatieproblemen veel sneller verwerkt kunnen worden. Op basis van de reeds gevestigde wiskundige logica zou mAInthink de snelheid nog eens aanzienlijk verhogen.

Conclusie

mAInthink staat voor wetenschappelijk verantwoorde besluitvormingsintelligentie - het resultaat van tientallen jaren wiskundig werk en consequent verbeterd door moderne AI en computertechnologie.

Niet onderbuikgevoel beslist. Geen vereenvoudigde modellen. Maar berekenbare realiteit.

FAQ - Algoritmische project- en investeringsoptimalisatie bij mAInthink

Veelgestelde vragen

Wie is Dr. Igor Kadoshchuk?

Dr. Igor Kadoshchuk is een wiskundige en computerwetenschapper die zich sinds de jaren 80 wetenschappelijk heeft beziggehouden met algoritmen, wiskundige optimalisatie en computerondersteunde besluitvorming. Hij bekleedde een leerstoel aan het Moscow Institute of Physics and Technology (MIPT) en was daar hoogleraar computerwetenschappen.

Wat is de centrale bevinding van zijn onderzoek?

Dat wiskundige methoden en computertechnologie zo gecombineerd kunnen worden dat het mogelijk is om objectief te berekenen welk investeringspad het beste is voor complexe project- en investeringsbeslissingen - ongeacht subjectieve oordelen.

Waarom zijn traditionele tools zoals Excel hiervoor ongeschikt?

Traditionele tools werken met vereenvoudigingen, lineaire aannames of geïsoleerde evaluaties. Ze kunnen het exponentieel groeiende aantal projectcombinaties, afhankelijkheden en beperkingen niet volledig berekenen.

Wat betekent "hybride AI" bij mAInthink?

Hybride AI combineert klassieke wiskunde, heuristische optimalisatiemethoden, algoritmisch zoeken en moderne AI-methoden met parallelle (multi-threaded) computerarchitectuur. Hierdoor kunnen zeer grote beslissingsruimten efficiënt worden geanalyseerd.

Welke nauwkeurigheid bereikt mAInthink?

In echte scenario's bereikt mAInthink een nauwkeurigheid van ongeveer 97% tot 99,99%. Dit vertegenwoordigt de technisch en economisch optimale verhouding tussen rekentijd en beslissingskwaliteit.

Waarom wordt er niet gestreefd naar 100% nauwkeurigheid?

Een volledige berekening van alle mogelijke combinaties zou - afhankelijk van het scenario - tot 75.000 jaar rekentijd vergen. Zo'n perfectie is technisch mogelijk, maar niet praktisch of economisch haalbaar.

Wat is een eenvoudig voorbeeld van deze complexiteit?

Slechts een paar projecten met afhankelijkheden, budgetlimieten, risico's en alternatieven creëren een exponentiële zoekruimte. Elke extra variabele vermenigvuldigt het aantal mogelijke combinaties.

Welke rol spelen kwantumcomputers?

Kwantumcomputers zouden deze berekeningen in de toekomst aanzienlijk kunnen versnellen. De wiskundige modellen blijven hetzelfde, maar de berekening van vele toestanden vindt parallel plaats. mAInthink is hier architectonisch op voorbereid.

Voor welke use cases is mAInthink bijzonder geschikt?

Voor portfolio-optimalisatie, investeringsbeslissingen, projectprioritering, budgetallocatie, strategische planning en scenario's met een hoge complexiteit en veel afhankelijkheden.

Vergelijking: klassieke tools vs. mAInthink

Criterium	Klassieke tools (bijv. Excel)	mAInthink
Rekenmodel	Lineair, vereenvoudigd	Hybride: wiskunde + AI + algoritmen
Aantal projecten	Beperkte uitvoerbaarheid	Schaalbaar tot zeer grote portefeuilles
Afhankelijkheden en beperkingen	Handmatig of sterk vereenvoudigd	Volledig integreerbaar
Combinatorische diepte	Zeer beperkt	Exponentiële beslissingsruimten
Rekentijd	Snel, maar onvolledig	Snel met zeer hoge nauwkeurigheid
Nauwkeurigheid	Subjectief / heuristisch	97 % - 99,99 %
Toekomstige levensvatbaarheid	Beperkt	Voorbereid op kwantumcomputing

Waarom echte beslissingskosten bijna altijd hoger zijn dan computerkosten

In de praktijk wordt de grootste economische schade zelden veroorzaakt door computerkosten, maar door verkeerde beslissingen: verkeerd geprioriteerde projecten, te optimistische business cases of portfolio's die er op papier goed uitzien, maar niet levensvatbaar zijn onder reële beperkingen.

Dit is precies waar mAInthink om de hoek komt kijken: Wiskundig gebaseerde optimalisatie en hybride AI worden niet alleen gebruikt om "een goed project" te selecteren, maar ook om het beste investeringspad te bepalen onder budget-, risico- en afhankelijkheidsomstandigheden. Het cruciale punt hier is:

Rekentijd kost minuten - verkeerde toewijzingen kosten maanden, jaren en vaak bedragen van zeven cijfers.

Typische kostenblokken die klassieke tools onderschatten

Kostenblok	Wat vaak ontbreekt in klassieke tools	Typische impact in de realiteit	Hoe mAInthink dit aanpakt
Kapitaal verplichting	Kapitaal wordt beschouwd als een "gegeven"; opportuniteitskosten ontbreken	Er wordt geld vastgezet, ook al is er een betere manier	Optimaliseert portfolio en volgorde onder budgetbeperkingen
Management & team capaciteit	Middelen worden ruw of statisch gemodelleerd	Knelpunten, vertragingen, overbelasting, projectachterstand	Houdt rekening met capaciteiten, afhankelijkheden en timing
Afhankelijkheden	Deelprojecten worden geïsoleerd geëvalueerd	"Goede" projecten mislukken omdat voorwerk ontbreekt	Berekent optimale ketens (voorgangers/beperkingen) met
Risico & onzekerheid	Risico wordt beheerd als een overhead of tekstveld	Budget en deadline exploderen, ROI stort in	Risico- en scenarioparameters worden wiskundig geïntegreerd
Uitvoeringsvolgorde	Volgorde wordt "uit ervaring" bepaald	Cashflow en ROI worden later gerealiseerd dan noodzakelijk	Vindt de volgorde met maximaal effect en minimale blokkering
Opportuniteitskosten	Niet zichtbaar omdat alleen naar de ROI van het project wordt gekeken	Gemiste marktvensters, gemiste schaalvoordelen	Vergelijkt investeringstrajecten en toont verloren voordelen
Wijzigingskosten & herbewerking	Wijzigingen worden niet beheerd als kostenmodel	Herwerken, opnieuw plannen, extra handel/partners	Evalueert robuustheid: oplossingen die minder "rework" genereren

Specifiek voorbeeld: "Snel beslissen" is vaak duur

Een klassiek scenario uit de portfoliopraktijk:

• Project A lijkt een TOP-project omdat de ROI op papier het hoogst is.
• Project A legt echter al vroeg cruciale middelen en budget vast.
• Hierdoor worden twee kleinere projecten (B en C) uitgesteld, die samen een snellere cashflow en een stabielere risicostructuur zouden opleveren.

Het resultaat: Project A wint in Excel - in werkelijkheid verliest de portefeuille tijd, cashflow en flexibiliteit.

mAInthink berekent niet alleen "welk project er het beste uitziet", maar ook welk investeringspad het beste totale effect bereikt onder reële beperkingen.

Belangrijk punt voor besluitvormers

Rekentijd is een kostenfactor - verkeerde beslissingen zijn een multiplier.

Gegevens in. Maximale ROI eruit. Zonder aanwijzingen. Zonder strategiecreatie.

De aanpak van mAInthink en de algoritmische oplossing StratePlan is bewust helder en praktisch:

De klant levert zijn projectstrategie - wij leveren de optimalisatie.

Hiervoor heeft mAInthink alleen de bestaande planningsgegevens van de klant nodig, bijv. als:

• XLS / Excel-bestanden
• JSON-bestanden

Er zijn geen prompts, geen op tekst gebaseerde AI-instructies en geen semantische interpretaties nodig. StratePlan werkt op basis van gegevens en modellen - niet op basis van prompts.

Belangrijk principe: Strategie komt van de klant

mAInthink creëert geen projectstrategie. Dit is een bewuste en centrale ontwerpbeslissing.

Waarom? Omdat de CEO, CFO, projectmanager of C-level:

• hun markten kennen
• hun risico's begrijpen
• regelgevende, politieke en operationele randvoorwaarden kunnen beoordelen

AI kan en mag deze markt- en contextkennis niet vervangen.

Onze taak is anders:
We valideren de bestaande strategie - en optimaliseren deze in het algemeen.

Validatie & optimalisatie in plaats van heroverweging

In meer dan 95% van de gevallen blijkt dat bestaande project- of investeringsstrategieën

• wiskundig niet optimaal geprioriteerd zijn
• Niet volledig rekening houden met afhankelijkheden
• Opportuniteitskosten over het hoofd worden gezien

Het resultaat:

Een optimalisatie van typisch 10 % tot 60 %+
in termen van ROI, timing van kasstromen of risicostructuur - zonder de inhoud van de strategie te veranderen.

Dynamische markten = dynamische strategie

Markten veranderen. Budgetten veranderen. Risico's verschuiven.

Daarom kan de maker van de strategie

• een aangepast plan uploaden
• nieuwe aannames of beperkingen integreren
• een gewijzigde marktsituatie weerspiegelen

StratePlan herberekent dan de geoptimaliseerde of gevalideerde strategie.

In die zin is StratePlan een soort zakelijke GPS:
Ongeacht of het gaat om een prijsaanpassing, marktverandering of nieuwe randvoorwaarden - het systeem berekent altijd de beste uitgangspositie voor gefundeerde CEO-beslissingen.

Waarom het argument "ROI is niet bestand tegen de realiteit" niet werkt

Een veelgehoord argument is dat geoptimaliseerde ROI's in werkelijkheid kunnen krimpen door externe omstandigheden.

Dit is juist - maar geldt voor elke methode, inclusief traditionele tools.

Het doorslaggevende verschil:

Scenario	Klassieke planning	StratePlan optimalisatie
Berekende ROI (planning)	7 %	35 %
Externe invloeden tijdens implementatie	-4 %	-8 %
Reële ROI na implementatie	3 %	27 %

Beide benaderingen zijn onderhevig aan marktveranderingen. Het verschil is het uitgangspunt.

Zelfs als een deel van de geoptimaliseerde ROI verloren gaat door externe factoren, blijft het resultaat meestal ruim boven het niveau van de klassieke berekeningen.

Conclusie

StratePlan vervangt geen strategie - het maakt ze beter.

Uw strategie blijft uw strategie.
Onze algoritmes zorgen ervoor dat je het maximale eruit haalt onder echte beperkingen.

Gegevens in. Maximale ROI eruit.

Externe studies bevestigen de paradigmaverschuiving

Toonaangevende economische en onderzoeksinstituten zijn onafhankelijk tot een duidelijke duidelijke conclusie: traditionele financiële en planningsmodellen bereiken systematisch hun bereiken systematisch hun grenzen als het aankomt op complexe investeringsbeslissingen.

Studies van McKinsey & Company, Bain & Company en de OESO tonen aan dat bedrijven met data- en modelgebaseerd kapitaal Aanzienlijk betere resultaten boeken dan bedrijven die vertrouwen op geïsoleerde projectwaarderingen of lineaire geïsoleerde projectwaarderingen of lineaire Excel-modellen.

Het onderzoek van dr. Igor Kadoshchuk naar NP-Hard Financial Management Problems levert de wiskundige Veel echte investeringsbeslissingen zijn exacte optimalisatieproblemen, die niet volledig opgelost kunnen worden met klassieke methoden.

Geselecteerde referenties

• McKinsey & Company (2023). Rapport over geoptimaliseerde kapitaalallocatie.
• PwC (2022). Risicobeheerstrategieën voor concurrentievoordeel.
• Kadoshchuk, I.T. (2021). Experimentele algoritmen voor het oplossen van NP-harde financiële managementproblemen.
• Kadoshchuk, I.T. (2018). De hoekpunten die we kiezen.
• Harvard Business Review (2021, 2023).
• MIT Sloan Management Review (2023).
• World Economic Forum (2022).

Bronnen & links

1. World Economic Forum (2023) - Hoe kunstmatige intelligentie de besluitvorming zal veranderen
   https://www.weforum.org/stories/2023/09/how-artificial-intelligence-will-transform-decision-making/
2. World Economic Forum (2025) - Investeringsbedrijven kunnen AI op verantwoorde wijze gebruiken om voordeel te behalen
   https://www.weforum.org/stories/2025/02/ai-redefine-investment-strategy-generate-value-financial-firms/
3. World Economic Forum (2025) - Kunstmatige intelligentie in financiële diensten (PDF-rapport)
   https://reports.weforum.org/docs/WEF_Artificial_Intelligence_in_Financial_Services_2025.pdf
4. Bain & Company (2025) - De toekomst van financiële planning is autonoom
   https://www.bain.com/insights/the-future-of-financial-planning-is-autonomous/
5. SSRN (2023) - De rol van kunstmatige intelligentie in financiële besluitvorming (samenvatting/downloadpagina)
   https://papers.ssrn.com/sol3/papers.cfm?abstract_id=4628237
6. Academische PDF (secundaire referentie) - Gegevensgestuurde besluitvorming (PDF-host)
   https://prosiding.areai.or.id/index.php/ICEAT/article/download/54/79/322
7. Al-Basaer Journal (secundair onderzoek PDF) - AI-integratie in financiële planning (PDF downloaden)
   https://www.albasaer.org/index.php/abjbr/article/download/21/6/192

StratePlan in de praktijk: Wat traditionele planning niet kan bereiken

Veel bedrijven en organisaties beschikken over goede gegevens, ervaren besluitvormers en gevestigde planningsroutines. Desondanks komen suboptimale portfolio's, vertraagde implementatie en onnodige kapitaalinvesteringen regelmatig voor. De reden is zelden een gebrek aan informatie - maar eerder de beperkingen van klassieke hulpmiddelen en denkmodellen in het licht van een hoge complexiteit.

1) Project- en financiële planning is een rekenprobleem - geen buikgevoel

Traditionele financiële planning mislukt vaak door structurele factoren: gefragmenteerde beslissingen, ongecoördineerde prioriteiten, Vereenvoudigingen in modellen en emotionele of politiek gedreven individuele beslissingen. In complexe projectlandschappen is het resultaat niet "fout", maar zelden optimaal.

Dit is precies waar StratePlan om de hoek komt kijken: Het geeft beslissingen weer als een berekenbaar model en optimaliseert de toewijzing van kapitaal en projecten onder reële beperkingen.

2) Waarom optimalisatie snel "NP-Hard" wordt

Echte project- en investeringsbeslissingen zijn zelden lineair. Zodra afhankelijkheden, budgetten, capaciteiten, timing, risico's en alternatieven Alternatieven (bijv. projectvarianten) samenkomen, groeit de zoekruimte exponentieel. Veel van deze probleemklassen zijn NP-hard - dit betekent dat een exacte berekening van alle combinaties theoretisch mogelijk is, maar in de praktijk vaak niet realistisch.

Gevolg: Als je toch "helemaal exact" wilt rekenen, betaal je met onuitvoerbare rekentijd.

3) Waarom 100% nauwkeurigheid in de praktijk geen zin heeft

Voor een 100% berekening zou elke mogelijke combinatie volledig moeten worden opgesomd en geëvalueerd. Vanaf een bepaalde Orde van grootte wordt dit pure theorie. Daarom vertrouwt StratePlan op een combinatie van wiskundige methoden en experimentele/hybride optimalisatiealgoritmen die in de praktijk zeer hoge nauwkeurigheidsniveaus leveren - met een haalbare Rekentijd.

Het resultaat: beslissingen worden niet "op de een of andere manier sneller" berekend, maar met een diepgang die klassieke tools doorgaans niet bereiken niet bereiken.

4) Hybride algoritmen in plaats van Excel-logica of snelle AI

StratePlan is geen generatieve tekst-AI. Het interpreteert geen prompts en genereert geen "waarschijnlijke antwoorden". Het systeem werkt op basis van gegevens en modellen en combineert

• klassieke wiskundige optimalisatie
• algoritmisch zoeken en heuristiek
• schaalbare parallellisatie (multi-threaded computing)

Dit resulteert in een optimalisatiesysteem dat consistent rekent - in plaats van "gokt".

5) Snelheid is een succesfactor - niet alleen een gemakskenmerk

In dynamische markten is het niet alleen de beste portefeuille die telt, maar ook de juiste timing. StratePlan versnelt besluitvorming door complexe scenario's snel door te rekenen en iteratieve optimalisatie mogelijk te maken.

Praktische voordelen: Kansen kunnen worden benut voordat de randvoorwaarden weer veranderen.

6) StratePlan als validatie- en optimalisatielaag (strategie blijft op C-niveau)

Een centraal principe: mAInthink creëert geen projectstrategie. Een CEO, CFO of projectmanager kan dit beter omdat zij de markten kennen, Doelen, politieke randvoorwaarden en operationele beperkingen.

De klant levert zijn strategie als een datamodel - meestal als XLS of JSON:

• Gegevens in: Projectlijst, budgetten, afhankelijkheden, beperkingen, doelen
• Waarde eruit: validatie, prioritering, optimale volgorde, budgettoewijzing, scenarioresultaten

In de praktijk is het vaak zo dat zelfs goede strategieën meetbaar kunnen worden verbeterd door optimalisatie (bijv. door een betere volgorde, het herkennen van verborgen opportuniteitskosten of een robuustere structurering tegen risico's).

7) Iteratie in plaats van een eenmalig plan: StratePlan als een "business GPS"

Markten, kosten, toeleveringsketens, rentetarieven en politieke omstandigheden veranderen. Daarom hoeft een strategie niet "één keer perfect" te zijn, maar moet voortdurend worden bijgewerkt.

In die zin is StratePlan een zakelijke GPS:

• Strategie aanpassen
• nieuw bestand uploaden
• herberekenen
• opnieuw een geoptimaliseerd uitgangspunt voor beslissingen verkrijgen

Op deze manier blijft de planning in staat om te handelen, zelfs bij koerswijzigingen en nieuwe beperkingen.

8) ROI is dynamisch - dit geldt voor alle methoden (het verschil is het startpunt)

Een typisch tegenargument is dat optimalisaties in werkelijkheid kunnen krimpen door externe omstandigheden. Dit is waar - maar het geldt voor elke planningsmethode, inclusief klassieke hulpmiddelen. De beslissende factor is het startpunt.

Voorbeeld	Klassieke planning	StratePlan-geoptimaliseerd
Berekende ROI (plan)	9 %	42 %
Externe invloeden tijdens implementatie	-5 %	-10 %
Reële ROI na implementatie	4 %	32 %

Beide benaderingen ervaren afwijkingen van de werkelijkheid. Het verschil is dat een hogere, geoptimaliseerde uitgangspositie meestal meestal boven het resultaat van klassieke berekeningen blijft.

9) "Nul hallucinaties" - omdat StratePlan berekent in plaats van interpreteert

StratePlan hallucineert niet omdat het niet "antwoordt" op basis van tekst. Het genereert geen vrije interpretaties, maar berekent Resultaten uit een gedefinieerd gegevensmodel (ID's, getallen, beperkingen). Dit betekent dat de uitvoer deterministisch traceerbaar is en intern kan worden gecontroleerd.

Neem nu contact met ons op