Modelowanie ROI inwestycji: Python + AI vs Excel i intuicja

Decyzje warte miliony na skopiowanym arkuszu

Problem nie polega na tym, że Excel jest zły. Polega na tym, że przy poważnej inwestycji arkusz szybko staje się nieprzejrzysty: kilkanaście zakładek, ręczne wpisy, formuły, których autor już nie pamięta. Nikt nie wie, skąd wzięła się konkretna liczba, a mimo to na jej podstawie zapada decyzja.

Skala problemu jest udokumentowana. Analiza McKinsey z 2022 r. objęła ponad 500 dużych projektów (62% to megaprojekty warte co najmniej 1 mld USD): średnie przekroczenie kosztów wyniosło co najmniej 79%, a opóźnienia średnio 52% wobec pierwotnych założeń. Jednym z powszechnych źródeł jest słabo przygotowana analiza na etapie przeddecyzyjnym — czyli dokładnie tam, gdzie dobry model robi różnicę.

Jak działa flow Python + AI

Podział ról jest prosty: Python liczy, AI pełni rolę interpretera. Ty ustalasz założenia i decydujesz. W praktyce Claude (pracując w VS Code) buduje model w Pythonie, uruchamia go i tłumaczy wynik na język, który rozumie inwestor.

Efektem nie jest kolejny arkusz, tylko jednoznaczny raport decyzyjny: wariant, próg opłacalności, najważniejsze ryzyka — i ścieżka, która da się odtworzyć.

Porównanie: Excel + intuicja vs Python + AI

Przydatność tego podejścia: 80/100

Dlaczego tyle? Bo zamiast jednej liczby „na czuja" dostajesz rozkład wyników, jasne progi opłacalności i wskazanie, które zmienne rzeczywiście decydują. Model jest powtarzalny i audytowalny — a AI interpretuje wynik, więc trafia on do decydenta, a nie zostaje w arkuszu.

Dlaczego nie więcej? Bo model jest tak dobry, jak założenia, które mu dajesz — śmieć na wejściu to śmieć na wyjściu. Monte Carlo daje rozkład prawdopodobieństw, nie przepowiednie; to nadal wsparcie decyzji, nie gotowa odpowiedź. Założenia i odpowiedzialność zostają po stronie człowieka. Dlatego 80.

Na co uważać

Najważniejsze: model nie zna przyszłości — porządkuje niepewność, ale jej nie usuwa. Założenia (ceny, najem, koszty, stopy) ustalasz Ty i one ważą najbardziej: jeśli traktujesz je z większą uwagą niż sam kod, model staje się odpowiedzią na pytanie „jak bardzo wyniki zależą od tego, co wrzucimy" — i to jest jego prawdziwa wartość. Model warto walidować: zanim wpuścisz go do narzędzia, odtwórz nim historyczne projekty. I mówię wprost: to narzędzie do modelowania, nie podawania inwestorowi gotowych decyzji — odpowiedzialność za ryzyko jest Twoja, a przy poważnych kwotach skonsultuj się z doradcą.

Od czego zacząć

Weź jedną realną decyzję, którą normalnie policzyłbyś w Excelu. Odtwórz ją jako mały model w Pythonie z dwoma–trzema kluczowymi zmiennymi i jednym wymiarem wrażliwości. Potem popatrz, jak łatwo Ci bronić tej decyzji przed innymi. Ten jeden raz pokaże różnicę między arkuszem a modelem.