KI-Mahnwesen: Zahlungsausfall 28 % senken

TL;DR

KI sagt für jede offene Rechnung die Zahlungswahrscheinlichkeit vorher und empfiehlt die optimale Mahnstrategie. Statt pauschaler Mahnläufe nach 14-28-42 Tagen werden säumige Zahler früh erkannt und individuell angesprochen. Ein Großhändler mit 3.200 Kunden reduzierte Forderungsausfälle von 2,1 % auf 1,5 % – eine Verbesserung von €84.000 pro Jahr.

Warum pauschale Mahnung nicht funktioniert

Die klassische Mahnstufe funktioniert so: Rechnung überfällig → 14 Tage warten → Mahnung 1 → 14 Tage → Mahnung 2 → 14 Tage → Inkasso. Jeder Kunde wird gleich behandelt, egal ob er zum ersten Mal verspätet zahlt oder chronisch säumig ist.

Das Problem: Ein Stammkunde, der seit 8 Jahren pünktlich zahlt und einmal 5 Tage überfällig ist, bekommt die gleiche automatische Mahnung wie ein Neukunde mit bereits zwei Zahlungsverzögerungen. Der Stammkunde fühlt sich verärgert, der Risikokunde wird zu spät eskaliert.

KI-gestütztes Mahnwesen behandelt jeden Kunden individuell – basierend auf seinem Zahlungsverhalten, seiner Branche, seiner aktuellen wirtschaftlichen Lage und dem Rechnungsbetrag.

Das Scoring-Modell: Features und Vorhersage

Das Modell bewertet jede offene Rechnung mit einem Score von 0–100: Wie wahrscheinlich wird diese Rechnung innerhalb der nächsten 30 Tage bezahlt?

# KI-Zahlungsprognose: Feature-Set
features_kunde:
  - zahlungshistorie_12_monate_durchschnitt_tage: 8.2
  - zahlungshistorie_std_abweichung: 4.1
  - anzahl_mahnungen_letzte_12_monate: 0
  - kundenkategorie: "A-Kunde"
  - branche: "Maschinenbau"
  - creditreform_score: 245
features_rechnung:
  - rechnungsbetrag_eur: 12400
  - faelligkeit_ueberschritten_tage: 5
  - rechnungstyp: "Projektrechnung"
  - quartal: "Q4"  # Jahresende: verzögerte Zahlungen häufiger
  - skonto_genutzt: false
features_extern:
  - branchenindex_insolvenzrisiko: 0.023
  - zinsniveau_ezb: 3.25
vorhersage:
  zahlungswahrscheinlichkeit_30_tage: 94
  empfohlene_aktion: "Keine Mahnung. Freundliche Erinnerung per E-Mail in 7 Tagen."

Drei Mahnstrategien statt einer

Basierend auf dem Score teilt die KI offene Rechnungen in drei Kategorien:

Grün (Score 80–100): Hohe Zahlungswahrscheinlichkeit. Freundliche Erinnerung per E-Mail, keine formale Mahnung. 70 % der offenen Rechnungen fallen in diese Kategorie.

Gelb (Score 40–79): Mittleres Risiko. Telefonische Kontaktaufnahme durch den Innendienst. Zahlungsziel eventuell anpassen, Teilzahlung anbieten. 22 % der Rechnungen.

Rot (Score 0–39): Hohes Ausfallrisiko. Sofortige formale Mahnung, Lieferstopp prüfen, Inkasso-Vorbereitung. 8 % der Rechnungen – aber 65 % der tatsächlichen Ausfälle.

Praxisbeispiel: Elektro-Großhändler

Ein Elektro-Großhändler (280 Mitarbeiter, 3.200 Kunden, €14 Mio Forderungsbestand) implementierte die KI-Zahlungsprognose:

Vorher: 2,1 % Forderungsausfall = €294.000/Jahr. Drei Sachbearbeiter im Mahnwesen, überwiegend mit Standardbriefen beschäftigt. Keine Priorisierung nach Risiko.

Nachher: 1,5 % Forderungsausfall = €210.000/Jahr. Die drei Sachbearbeiter konzentrieren sich auf die 8 % Rot-Kunden und führen proaktive Gespräche. Grün-Kunden erhalten automatische, freundliche Erinnerungen.

Einsparung: €84.000/Jahr weniger Forderungsausfälle. Plus: €12.000/Jahr weniger Inkasso-Kosten, weil frühere Intervention Inkasso seltener nötig macht. Die Kostenplanung für KI sollte €25.000–€40.000 für die Implementierung einplanen.

Datenquellen und Integration

Die KI nutzt Daten, die bereits im Unternehmen vorhanden sind:

• ERP-System: Rechnungsdaten, Zahlungshistorie, Kundenklassifikation (SAP, proALPHA, DATEV)
• Kreditauskunft: Creditreform-Score oder Schufa Firmenscore (API-Anbindung)
• Branchendaten: Insolvenzstatistik, Konjunkturindikatoren (öffentlich verfügbar)

Die Integration erfolgt über die ERP-API. Das Scoring-Modell läuft als Batch-Job einmal täglich (alle offenen Rechnungen bewerten) und auf Trigger (neue Rechnung überfällig). Technisch simpel: Ein Python-Script, eine PostgreSQL-Datenbank, ein REST-Endpoint für die Buchhaltungssoftware. Der KI-Implementierungsguide beschreibt ERP-Integrationsmuster.

ROI-Berechnung

Den ROI-Rechner können Sie mit Ihren eigenen Forderungsbeständen und Ausfallquoten befüllen.

Häufige Fragen

Wie viele historische Daten brauche ich?

Mindestens 2 Jahre Zahlungshistorie mit allen Rechnungen, Zahlungseingängen und Mahnungen. Bei 3.000 Kunden und 20.000 Rechnungen/Jahr sind das 40.000 Datenpunkte – ausreichend für ein robustes Modell.

Funktioniert das auch bei Neukunden ohne Historie?

Für Neukunden nutzt die KI den Creditreform-Score und Branchen-Durchschnittswerte. Die Vorhersagegenauigkeit ist niedriger (70 % statt 88 %), aber besser als die pauschale Einordnung in die Standard-Mahnstufe. Der KI-Leitfaden erklärt den Cold-Start-Umgang.

Ist das DSGVO-konform?

Zahlungshistorie und Kreditscores sind berechtigte Geschäftsinteressen (Art. 6 Abs. 1f DSGVO). Informieren Sie Kunden in den AGB über die automatisierte Zahlungsbewertung. Rein automatisierte Entscheidungen mit erheblicher Wirkung (z. B. Lieferstopp) erfordern eine Rechtsgrundlage nach Art. 22 DSGVO.

Kann die KI auch Skonto-Wahrscheinlichkeit vorhersagen?

Ja. Das gleiche Modell kann vorhersagen, ob ein Kunde Skonto nutzen wird. Kunden mit hoher Skonto-Wahrscheinlichkeit können aktiver auf Skonto-Bedingungen hingewiesen werden – das beschleunigt den Zahlungseingang zusätzlich.

Wie oft muss das Modell aktualisiert werden?

Monatliches Retraining mit neuen Zahlungsdaten. Bei wirtschaftlichen Veränderungen (Brancheneinbruch, Zinssteigerung) zusätzliches Retraining. Der Modell-Drift wird über ein Monitoring erkannt – wenn die Vorhersagegenauigkeit unter 80 % fällt, wird automatisch neu trainiert.