Mathematische Optimierung über den vollständigen Lösungsraum, statt Top-X-Selektion aus Excel-Scoring. Aufsichtsrat-defensibel. Drei Slider — CAPEX-Volumen, Anzahl konkurrierender Anträge, Hebel-Szenario. Das Modell ist auf den anonymisierten Real-Case (1,2 Mrd € · 147 Anträge → +4,4 pp realistisch) geankert. Identische Inputs ergeben identische Outputs — keine trainierte KI, keine Random-Komponente, EU-AI-Act-konform.
Wir senden Ihnen ein 4-Seiten-PDF mit der hier eingestellten Szenario-Tabelle, dem Methodik-Anhang und einem Kontakt-Slot für eine 30-minütige Erstberechnung auf echten Daten.
Modell-Anker: 1,2 Mrd € CAPEX, 147 konkurrierende Anträge → 4,4 pp ROI realistisch (Real-Case, anonymisiert). Ergebnis ist deterministisch — gleiche Inputs ergeben gleiche Outputs. Keine Random-Komponente, keine trainierte KI. EU-AI-Act-Klassifikation und Dokumentation: /legal/ai-act-classification.
Gewichtetes Scoring sortiert Einzel-Anträge nach Punkten und genehmigt Top-X. Wechselwirkungen, Constraints und Subset-Effekte werden qualitativ diskutiert, nicht im Modell. Das Ergebnis ist nicht falsch — es ist nur wahrscheinlich nicht das Optimum.
Bei 50 Anträgen werden ein paar Dutzend bis hundert Kombinationen verglichen.
Mathematische Optimierung über vollständigen Lösungsraum. Constraints werden modelliert, das beste Subset wird berechnet. Der Hebel zwischen lokalem und globalem Optimum liegt empirisch bei 2 bis 7 Prozentpunkten ROI — in der Win-Story 4,4 pp auf 1,2 Mrd CAPEX.
Bei 50 Anträgen sind es 250 ≈ 1015 mögliche Portfolios.