Pierre-Simon Laplace

Es gibt diese historischen Szenen, die sich fast zu gut erzählen, um wahr zu sein – und die gerade deshalb etwas Wesentliches über eine Epoche verraten. Eine solche Szene spielt im Frankreich Napoleons. Der Kaiser, gewohnt, Generäle, Minister und Gelehrte in Verlegenheit zu bringen, hat Pierre-Simon Laplace vor sich. Vor ihm liegt ein Werk, das in seiner Kühnheit kaum zu überbieten ist: eine mathematische Beschreibung des Himmels, der Planetenbahnen, der Störungen, der großen Ordnung des Kosmos. Napoleon, halb neugierig, halb provozierend, soll gefragt haben, warum in diesem monumentalen Gebäude der Himmelsmechanik nirgendwo vom Schöpfer die Rede sei. Laplaces Antwort ist berühmt geworden: Er habe diese Hypothese nicht benötigt.

Mehr als ein Rechner des Himmels

Die Pointe dieser Anekdote liegt nicht in irgendeinem vermeintlichen Bekenntnismut, sondern in einer methodischen Grenzziehung. Laplace wollte zeigen, dass sich Naturvorgänge mit mathematischen Mitteln so weit erklären lassen, dass man zur Beschreibung ihrer Abläufe keine zusätzliche Hilfshypothese mehr einführen muss. Genau diese Haltung machte ihn zu einer Schlüsselfigur der modernen Wissenschaft: nicht bloß als Astronom, Physiker und Mathematiker, sondern als Denker der Unsicherheit.

Pierre-Simon Laplace wurde 1749 in der Normandie geboren und stieg in Paris zu einem der einflussreichsten Gelehrten seiner Zeit auf. Er arbeitete an der Stabilität des Sonnensystems, an Himmelsmechanik, Fehlerrechnung, Statistik und Wahrscheinlichkeitstheorie. Sein Ruhm beruht auf Formeln, Operatoren und Theorien, die bis heute seinen Namen tragen. Doch intellektuell vielleicht noch wichtiger ist ein anderer Schritt: Laplace nahm die Wahrscheinlichkeit aus der engen Welt des Spiels und der Wette heraus und machte sie zu einem allgemeinen Instrument des Urteilens unter unvollständigem Wissen.

Damit verschob sich der Gegenstand der Wahrscheinlichkeit grundlegend. Bei Blaise Pascal, Pierre de Fermat und Jakob Bernoulli ging es noch stark um Würfel, Münzen, Serien, Glücksspiele und regelmäßige Wiederholungen. Laplace übernahm dieses Erbe, aber er dehnte es systematisch aus. Wahrscheinlichkeit war für ihn nicht nur eine Rechenkunst für Zufallsexperimente, sondern ein Maß dafür, wie vernünftig ein Urteil ist, wenn die Ursachen nicht vollständig bekannt sind. In dieser Verschiebung liegt sein eigentlicher Durchbruch.

Vom Zufall zum Unwissen

Laplace formulierte den Gedanken in bemerkenswerter Klarheit: Was wir Wahrscheinlichkeit nennen, ist oft nichts anderes als eine Zahl für unser Unwissen. Die Welt selbst mag kausal geordnet sein; uns Menschen fehlen jedoch meist die vollständigen Informationen über Kräfte, Anfangszustände, Abhängigkeiten und Störungen. Gerade deshalb benötigen wir Wahrscheinlichkeiten. Nicht weil die Wirklichkeit notwendig würfelt, sondern weil unsere Erkenntnis begrenzt ist.

Diese Perspektive ist von kaum zu überschätzender Bedeutung. Sie macht Wahrscheinlichkeit zu einer epistemischen Disziplin. Laplace fragte nicht nur: Mit welcher Häufigkeit tritt ein Ereignis ein? Er fragte vor allem: Was dürfen wir vernünftigerweise glauben, wenn uns nur unvollständige Evidenz vorliegt? Damit rückte er die Theorie der Wahrscheinlichkeit in die Nähe von Prognose, Diagnose und Entscheidung – also genau an jene Orte, an denen heute Risikomanagement beginnt.

In seinem "Essai philosophique sur les probabilités" (Philosophischer Essay über die Wahrscheinlichkeiten) formulierte Laplace sinngemäß eine bis heute erstaunlich moderne Einsicht: Fast das gesamte menschliche Wissen beruht nicht auf Gewissheit, sondern auf Wahrscheinlichkeit. Selbst dort, wo wir nach Gewissheit streben, arbeiten wir häufig mit Induktion, Analogie und unvollständigen Beobachtungen. Wahrscheinlichkeit wird bei ihm daher nicht als Randphänomen, sondern als Grundform praktischer Vernunft sichtbar. Das ist die eigentliche Modernität Laplaces.

Die bayesianische Erweiterung

Gerade hier setzt auch Laplaces Beitrag zu dem an, was man heute im weiteren Sinn bayesianisches Denken nennt. Thomas Bayes hatte eine Regel formuliert, die es erlaubt, Vorwissen und neue Beobachtungen miteinander zu verknüpfen. Laplace machte aus diesem Gedanken jedoch weit mehr als eine selten zitierte mathematische Kuriosität. Er entwickelte ihn systematisch weiter, verallgemeinerte ihn und setzte ihn auf reale Fragen an: auf demografische Schätzungen, astronomische Beobachtungsfehler, Urteilsprobleme und Prognosen.

Das Entscheidende dabei ist nicht nur die Formel, sondern die Denkrichtung. Man beginnt nicht bei leerer Gewissheit, sondern mit einem vorläufigen Wissensstand. Neue Evidenz verändert diesen Stand. Wahrscheinlichkeit ist dann nicht bloß Zählung vergangener Häufigkeiten, sondern die fortlaufende Revision vernünftiger Erwartungen. So gesehen ist Laplace einer der großen Architekten der Idee, dass Lernen unter Unsicherheit mathematisch beschreibbar ist.

Ein klassisches Beispiel dafür ist die sogenannte Regel der Sukzession. Wenn ein Ereignis bislang immer eingetreten ist, wie stark darf man dann auf sein erneutes Eintreten vertrauen? Laplace versuchte, solche Fragen nicht mehr intuitiv oder rhetorisch, sondern formal zu beantworten. Gerade darin wird seine Nähe zu modernen Prognosemodellen sichtbar: Vergangenheit liefert Information, aber nie vollständige Sicherheit; jedes neue Datum verschiebt die Bewertung der Zukunft.

Warum Laplace für das Risikomanagement so modern ist

Wer heute in Unternehmen, Banken, Versicherungsunternehmen oder Behörden Risiken analysiert, denkt häufig in Bahnen, die schon Laplace vorgezeichnet hat – oft, ohne sich dessen bewusst zu sein. Denn moderne Risikoanalyse lebt davon, dass man unvollständige Information in strukturierte Urteile übersetzt. Es geht um die Frage, welche Zukunftspfade plausibel sind, mit welchen Wahrscheinlichkeiten man sie belegt und wie neue Informationen die Einschätzung verändern.

Genau hier liegt die Brücke zur Szenarioanalyse. Ein gutes Szenario ist keine Fiktion, sondern eine formalisierte Vermutung über mögliche Zustände der Zukunft. Laplace hätte den Grundgedanken sofort verstanden: Wir kennen die Zukunft nicht, aber wir können auf Basis bekannter Einflussgrößen, plausibler Annahmen und neuer Evidenz unsere Unsicherheit ordnen. Szenarien sind damit keine bloßen Zukunftserzählungen, sondern analytische Versuchsräume, in denen Unternehmen mögliche Entwicklungen unter unvollständigem Wissen strukturiert durchdenken, bewerten und für Entscheidungen nutzbar machen.
Das gilt ebenso für Prognosen. Ob Konjunkturverläufe, Schadenhäufigkeiten, Ausfallraten, Cybervorfälle oder Absatzschwankungen – stets geht es darum, aus unvollständigen und oft verrauschten Informationen eine belastbare Wahrscheinlichkeitsstruktur für künftige Entwicklungen abzuleiten. In der modernen Statistik spricht man dabei von Verteilungen, Konfidenz- oder Glaubwürdigkeitsintervallen, Prognoseintervallen und laufenden Aktualisierungen von Modellen. Im Kern bleibt der intellektuelle Schritt jedoch derselbe: Ungewissheit wird nicht verdrängt, sondern in eine explizite, überprüfbare und entscheidungsfähige Form überführt.

Besonders deutlich wird dies in der Bayesschen Statistik. Dort werden vorhandene Annahmen oder Vorinformationen nicht ausgeblendet, sondern mit neuen Beobachtungen systematisch verknüpft und fortlaufend revidiert. Prognose erscheint dann nicht als einmaliger Blick in die Zukunft, sondern als lernender Prozess unter Unsicherheit.

Laplaces Blick schützt zugleich vor einem verbreiteten Irrtum. Prognosen sind keine verkleideten Gewissheiten. Wer Wahrscheinlichkeiten berechnet, produziert keine sichere Zukunft, sondern eine disziplinierte Form des Nichtwissens. Genau deshalb gehören zu jeder seriösen Risikoanalyse nicht nur Punktwerte, sondern Bandbreiten, Alternativannahmen, Sensitivitäten und Extremfälle. Laplace würde man heute vielleicht als Verteidiger der Prognosedemut lesen.

Ein Beispiel aus der Gegenwart

Man stelle sich einen europäischen Chemie- oder Automobilzulieferer vor, der eine kritische Vorstufe oder Elektronikkomponente überwiegend aus dem Golfraum bezieht. Über Jahre war die Lieferkette robust: regelmäßige Abfahrten, kalkulierbare Transitzeiten, geringe Qualitätsprobleme, wenig operative Überraschungen. Doch genau diese vermeintliche Normalität gerät ins Wanken, wenn sich die geopolitische Lage an einem maritimen Engpass verschärft. Ein aktuelles Beispiel ist die Straße von Hormus. Die Internationale Energieagentur bezeichnet sie als einen der weltweit kritischsten Öl-Transitkorridore; 2025 wurden dort im Durchschnitt rund 20 Millionen Barrel Rohöl und Ölprodukte pro Tag transportiert, etwa ein Viertel des weltweiten seewärtigen Ölhandels. Zugleich meldete Hapag-Lloyd Mitte April 2026 wegen der Krise in der Region des Oberen Golfs Netzstörungen, Umroutungen und Verzögerungen.

Eine laplacianische Herangehensweise würde sich in einer solchen Lage nicht mit dem Hinweis beruhigen, dass "es bisher doch immer funktioniert hat". Sie würde mehrere plausible Zukunftspfade modellieren und fortlaufend neu gewichten. Im Best Case bleibt die Passage offen, Schiffe fahren mit erhöhten Sicherheitsauflagen, und es kommt nur zu moderaten Verzögerungen von einigen Tagen sowie zu begrenzten Zusatzkosten für Fracht und Versicherung. Im Realistic Case führen militärische Spannungen, Hafenstaus und vorsichtige Dispositionen der Reeder zu wiederholten Umleitungen, längeren Transitzeiten, höheren Beschaffungskosten und temporären Engpässen in der Produktion. Im Worst Case wird der Engpass faktisch unpassierbar oder kommerziell unattraktiv; Lieferungen fallen wochenweise aus, Sicherheitsbestände reichen nicht aus, alternative Bezugsquellen sind kurzfristig nicht verfügbar, und aus einem Logistikproblem wird ein Ergebnis-, Liquiditäts- und Reputationsrisiko.

Genau so funktioniert modernes Risikomanagement im besten Sinn: nicht als Panikreaktion und nicht als Beschwichtigung, sondern als strukturierte Arbeit mit unvollständigem Wissen. Neue Informationen – etwa Schiffsbewegungen, Versicherungsprämien, politische Signale, Hafenmeldungen oder Hinweise auf alternative Beschaffungswege – verändern fortlaufend die Gewichtung der Szenarien. Laplace hat dafür die Grammatik geliefert: Nichtwissen ist kein Grund, das Urteil auszusetzen; es ist ein Grund, die Form des Urteils präziser zu machen.

Die Vermessung der Unsicherheit

Vielleicht liegt gerade darin die bleibende Größe Laplaces. Er hat Wahrscheinlichkeit nicht einfach "weiterentwickelt", wie es in knappen Wissenschaftsgeschichten oft heißt. Er hat sie auf einen neuen Gegenstand bezogen: auf Unwissen unter Unsicherheit. Das klingt abstrakt, ist aber von enormer Tragweite. Denn sobald man diesen Schritt vollzieht, wird Wahrscheinlichkeit zu einem universellen Werkzeug des Entscheidens. Dann betrifft sie nicht mehr nur Würfel und Karten, sondern Richter und Ärzte, Regierungen und Unternehmen, Astronomen und Risikomanager.

Zugleich steckt in Laplaces Denken eine produktive Spannung. Einerseits ist da der Traum der vollständigen Berechenbarkeit – berühmt geworden in der Figur des sogenannten Laplaceschen Dämons, jener hypothetischen Intelligenz, die aus vollkommener Kenntnis aller Kräfte und Zustände Vergangenheit und Zukunft gleichermaßen erfassen könnte. Andererseits folgt gerade aus diesem Gedanken für reale Menschen das Gegenteil von Allmachtsphantasie: Weil wir keine Dämonen sind, brauchen wir Wahrscheinlichkeiten. Nicht als Ersatz für Denken, sondern als seine nüchternste Form unter Bedingungen begrenzten Wissens.

Für das Risikomanagement ist das bis heute eine Schlüssellehre. Die Qualität einer Entscheidung hängt selten daran, dass Unsicherheit verschwindet. Sie hängt daran, ob Unsicherheit ehrlich benannt, plausibel strukturiert und laufend mit neuer Evidenz abgeglichen wird. Szenarioanalyse, Forecasting, Frühwarnsysteme und stochastische Modelle stehen damit in einer Tradition, die weit älter ist als viele ihrer heutigen Werkzeuge. Sie alle folgen Laplaces Einsicht, dass Prognosen nicht dazu dienen, die Zukunft sicher zu machen, sondern das Ungewisse möglichst präzise auszuleuchten.

So betrachtet wird auch die berühmte Szene mit Napoleon noch einmal anders lesbar. Laplace sagte nicht bloß, dass er eine Hypothese nicht brauche. Er demonstrierte, dass Wissenschaft dort stark wird, wo sie lernt, mit erklärten Grenzen zu arbeiten. Seine Wahrscheinlichkeitstheorie ist deshalb nicht die Abschaffung des Nichtwissens, sondern seine methodische Zähmung. Und vielleicht liegt gerade darin ihre anhaltende Aktualität: Nicht in der Illusion, die Zukunft zu besitzen, sondern in der Kunst, ihr mit begründeter Vorsicht entgegenzutreten.

Quellenverzeichnis sowie weiterführende Literaturhinweise

• Hahn Roger (2005): Pierre Simon Laplace, 1749–1827: a determined scientist, Harvard University Press, Cambridge, Mass 2005.
• Laplace, Pierre-Simon (1814): Essai philosophique sur les probabilités, Courcier, Paris 1814. Digitale Bibliothek
• Laplace, Pierre-Simon (1812): Théorie analytique des probabilités V. Courcier, Paris 1812. Digitale Bibliothek
• Laplace, Pierre Simon (1996): Philosophischer Versuch über die Wahrscheinlichkeit: (1814). Hrsg.: Richard von Mises. Reprint, 2. Auflage. Thun, Frankfurt am Main 1996.
• Romeike, Frank (2007): Pierre-Simon (Marquise de) Laplace (Köpfe der Risk-Community), in: RISIKO MANAGER, Ausgabe 3/2007, Seite 20.