Order-to-Cash-Agent: Zahlungszuordnung, Mahnwesen, Forderungseinzug und Abzugsbearbeitung

Teams der Debitorenbuchhaltung verbringen einen großen Teil des Tages damit, Bankzeilen Rechnungen zuzuordnen, Zahlungsavis- E-Mails zu lesen, säumigen Zahlern nachzugehen und Kürzungen zu klären. Ein Order-to-Cash-Agent automatisiert den mengenstarken Kern: Er gleicht Zahlungen aus, bewertet, welche Rechnungen verspätet bezahlt werden, versendet stufengerechte Erinnerungen in der Sprache des Kunden, protokolliert Zahlungszusagen und stellt Belege für Klärungsfälle zusammen. Menschen behalten Schlüsselkunden, Abschreibungen und rechtliche Schritte.

Problem & Nutzen

• Heute: Zahlungen treffen als camt.053-/MT940-Zeilen mit schlechten Verwendungszwecken ein; eine Überweisung kann mehrere Rechnungen abdecken, Gutschriften verrechnen oder mit Skonto gekürzt sein. Regeln im ERP gleichen die einfachen Fälle aus; der Rest geht in die Handarbeit. Das Mahnwesen ist oft ein monatlicher Sammellauf mit demselben Schreiben für jeden Kunden, und Klärungsfälle fallen erst auf, wenn jemand anruft.
• KI-Nutzen: mehr automatischer Ausgleich (weniger nicht zugeordnete Zahlungen), früherer und besser gezielter Kontakt beim Forderungseinzug, kürzere Außenstandsdauer (Days Sales Outstanding, DSO), weniger Reibung mit guten Kunden und schnellere Ursachenklärung bei Abzügen.
• Belege: SAP nennt eine Verringerung des Aufwands beim Abgleich offener Forderungen um 71 % für seine Cash Application (Herstellerangabe, nicht unabhängig) [1]. HighRadius bewirbt KI-Agenten für Zahlungszuordnung und Forderungseinzug, ebenfalls als Herstellerangaben [2]. Behandeln Sie alle solchen Zahlen als Obergrenzen und messen Sie Ihre eigene Ausgangslage.
• Regulatorischer Sog: Die Kommission hat eine Verordnung zur Bekämpfung von Zahlungsverzug im Geschäftsverkehr vorgeschlagen (2023/0323(COD)); das Parlament hat 2024 seinen Standpunkt angenommen; der Standpunkt des Rates und die endgültige Annahme waren in den geprüften Quellen noch offen, prüfen Sie daher den aktuellen Stand [3].

Varianten

• Zahlungszuordnung & Abgleich eingehender Zahlungen (Debitoren): der erste Teilschritt. Auslesen der Bankdateien, Extraktion der Avise, Zuordnung von einer Zahlung zu mehreren Rechnungen und Teilzuordnung, Abzugscodes. Produktbeispiele: SAP Cash Application, Serrala, HighRadius.
• Forderungsmanagement & Mahnwesen mit Vorhersage des Zahlungsverhaltens: der zweite Teilschritt. Verzugsvorhersage je Rechnung, priorisierte Arbeitslisten, eskalierende Mahnungen, Zahlungszusagen, Ratenpläne. Beispiele: collectAI (DE), Chaser, Upflow (FR). Zum Vorhersagemodell siehe PRED-021.
• Abzugs- und Klärungsbearbeitung: verbreitet in Handels- und Konsumgüter-Lieferketten (Aktionen, Retouren, Fehlmengen). Der Agent sammelt Liefernachweise und Preisvereinbarungen und leitet den Fall an Vertrieb oder Logistik weiter.
• KMU-/B2C-Variante: schlankerer Ablauf innerhalb von Buchhaltungswerkzeugen (DATEV, Lexware Office, sevDesk), mit höflichen Erinnerungs-E-Mails und Zahlungslinks; beim B2C-Forderungseinzug gelten verbraucherschutzrechtliche Grenzen für Ton und Gebühren.
• Sprachkanal: ausgehende Erinnerungsanrufe behandelt CONV-008.

So funktioniert es

1. bank files (camt.053/MT940) + remittance emails/PDFs + ERP open items
2. parse & extract (remittance lines, references, payer names)
3. candidate matching (rules
4. ML ranker
5. LLM for free-text remittances)
6. clearing proposal (full / partial / bundled / short pay, deduction code)
7. auto-post above confidence threshold | review queue below
8. prediction (P(late), expected pay date)
9. prioritised collector worklist
10. dunning engine (policy stage + channel + language, LLM drafts text)
11. customer replies: promise to pay / dispute / paid-already
12. classify, log, act
13. dispute pack (POD, contract price, credit note)
14. route to owner
15. escalation: key accounts, legal, write-off proposals
16. human decision

• Zuordnung: Eine deterministische Ebene (exakte Referenz, Betrag, Toleranz) gleicht die meisten Posten aus; ein gelernter Ranker auf früheren Ausgleichen behandelt den Rest; ein LLM liest unstrukturierte Zahlungsavise und schlägt die Rechnungsliste vor.
• Vorhersage: Gradient-Boosting-Modelle auf Zahlungshistorie, Konditionen, Rechnungsmerkmalen und Saisonalität, in der Regel besser als ein LLM bei tabellarischen Daten.
• Agentenebene: Ein LLM steuert Werkzeuge (Hauptbuch abfragen, E-Mail lesen, Nachricht entwerfen, Aufgabe anlegen) im Rahmen der Mahnrichtlinie.
• Mensch-in-der-Schleife (Human-in-the-Loop): Prüfung von Zuordnungen mit geringer Sicherheit, alle Abschreibungen und Kreditsperren, Kontakt zu Schlüsselkunden, rechtliche Mahnschritte und jede Änderung von Zahlungsbedingungen oder Bankverbindungen.

Datenaufbereitung

Der Agent braucht Kontoauszüge (camt.053, MT940), die Offene-Posten-Liste, Kundenstammdaten mit Zahlungsbedingungen, die Mahnrichtlinie sowie die Historie von Zahlungen und Ausgleichen. In einem KMU liegen diese im ERP oder Buchhaltungssystem (DATEV, SAP, Dynamics), in Exporten des Online-Bankings und in Postfächern, in denen Zahlungsavise als PDF oder Text eingehen. Typische Lücken sind unklare oder freitextliche Verwendungszwecke, doppelte Kundenkonten, falsche oder fehlende Zahlungsbedingungen, Zahlungsavise nur auf Papier oder in Portalen und frühere manuelle Ausgleiche, die nie gekennzeichnet wurden.

Konkrete Schritte: ERP- und Bankexporte zuverlässig anbinden (PREP-005), doppelte Kundenstammsätze bereinigen und zusammenführen (PREP-011) und Avise aus Postfächern und PDFs in lesbaren Text umwandeln (PREP-007, DOC-014). Kennzeichnungen aus vorhandenen Ausgleichen gewinnen, denn jede gebuchte Zuordnung ist ein Trainings- und Testbeispiel (PREP-020). Aus einigen Monaten geklärter Fälle einen Auswertungsdatensatz aufbauen (PREP-018) und Kategorien für Abzüge und Klärungsfälle festlegen (PREP-019). Die Mahnrichtlinie als klaren Regeltext dokumentieren (PREP-016). Den Zugriff auf Finanz- und Kundendaten beschränken und Testdaten pseudonymisieren (PREP-022). Planen Sie dafür etwa ein Viertel bis ein Drittel des Aufwands ein. Für eine Bereitschaftsprüfung nutzen Sie GUIDE-003.

Umsetzungswege

Welcher Weg für wen

• KMU: A. Ausgereifte Module für Zahlungszuordnung und Mahnwesen gibt es in DATEV, ERP-Erweiterungen und in der EU gehosteten Finanzwerkzeugen zu KMU-Preisen, und der Prozess ist Standard.
• Großunternehmen: B. Große Volumina, SAP- oder Dynamics-Anbindung und unternehmensspezifische Abzugslogik sprechen für eine eigene Pipeline auf Cloud-APIs, bei der platzbasierte Produkte teuer werden.
• Entwickler: B. Zuordnungslogik, ERP-Konnektoren und per Prompt gesteuerte Mahntexte baut man am besten auf Cloud-APIs mit offenen Workflow-Werkzeugen.

Weg A — Kaufen (für die meisten empfohlen)

• ERP-nativ: SAP Cash Application und SAP Receivables Management für S/4HANA; Microsoft Dynamics 365 Finance Forderungseinzug und Zahlungsvorhersage [1].
• Spezialisierte Debitoren-Plattformen: HighRadius, Serrala (DE), Billtrust, Esker (FR), Upflow (FR), Chaser, Tesorio, Kolleno. Spezialisten für Forderungseinzug: collectAI (DE), Intrum, Dienste im Umfeld von Creditreform. Mit EU-Bezug: Serrala, Esker, Upflow, collectAI.
• Prüfen: SAP-/DATEV-Konnektoren, Verarbeitung von camt.053 und Avis-E-Mails, Konfigurierbarkeit der Mahnrichtlinie, Datenhaltung in der EU, Prüfpfad.
• A wählen, wenn: Sie bereits SAP oder DATEV einsetzen, das Volumen bei Tausenden Zahlungen pro Monat liegt und Sie bewährte Zuordnung ohne Modellbetrieb wünschen.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Dokumenten- und E-Mail-Extraktion: Azure AI Document Intelligence, Google Document AI, AWS Textract, Mistral OCR (EU) oder ein multimodales Frontier-Modell mit strukturierter JSON-Ausgabe für Avis-PDFs.
• Schlussfolgern und Entwerfen: Frontier-LLMs über Endpunkte in EU-Regionen (Azure OpenAI EU, Vertex AI EU, Bedrock Frankfurt, Mistral).
• Tabellarisches ML: XGBoost/LightGBM für Verzugsvorhersage und Ranking der Zuordnungen, trainiert auf Ihrer Hauptbuchhistorie.
• Orchestrierung: n8n, Camunda oder ein Python-Agenten-Framework; ERP-Anbindung über SAP OData/BAPI, DATEV-Schnittstellen oder Bank-APIs (PSD2/ISO 20022).
• B wählen, wenn: Sie eine individuelle Mahnlogik oder ein nicht unterstütztes ERP haben und über ein Entwicklungsteam verfügen.

Weg C — Selbst betreiben (Open Source)

• Modelle: LLMs mit offenen Gewichten (Mistral-, Qwen-, Llama-Familien) über vLLM/Ollama zur E-Mail-Klassifizierung und zum Entwerfen; Docling oder PaddleOCR für Avis-PDFs; LightGBM für die Vorhersage.
• Stack: n8n oder Camunda, PostgreSQL, eine Abstimmbibliothek plus eigene Regelebene; Archivierung nach GoBD.
• Hardware: HW2 genügt für mittlere Volumina; für die tabellarischen Modelle ist keine GPU nötig.
• Aufwand: erfordert Dateningenieur und fachlichen Produktverantwortlichen aus dem Finanzbereich; kein Open-Source-Produkt erreicht ausgereifte Debitoren-Suiten.

Weg D — Eigenes Training

Lohnt sich bei großen Volumina mit eigenwilligen Avisformaten oder Beständen mit langen Zahlungshistorien (Hunderttausende ausgeglichener Posten). Trainieren Sie einen paarweisen Zuordnungs-Ranker und ein Modell für Zahlungsverzug auf Ihrer eigenen Historie; Korrekturen der Prüfenden sind die natürlichen Kennzeichnungen. Ein Feintuning eines LLM ist selten nötig.

Stand der Technik (2026)

• Hybride Zuordnung (Regeln + ML + LLM für unstrukturierte Avise) ist in Herstellerprodukten Standard; Hersteller vermarkten Agenten, die Avis-E-Mails lesen und auch Mahnnachrichten entwerfen [1][2].
• Agentisches Mahnwesen: LLM-Agenten führen mehrstufige Kontakte (Erinnerung, Auswertung der Antwort, Zahlungszusage, Nachfassen) innerhalb der Vorgaben der Richtlinie; die Autonomie beschränkt sich meist auf Konten mit geringem Wert und geringem Risiko.
• Vorhersage bleibt tabellarisches ML; Verbesserungen kommen aus sauberer Zahlungshistorie, nicht aus größeren Modellen.
• Grenzen und Fehlerbilder: falscher Ausgleich einer Sammelzahlung (schwer rückgängig zu machen), halluzinierte Rechnungsnummern in Entwürfen, Tonprobleme bei sensiblen Kunden, als Zahlungsverzug missverstandene Klärungsfälle, doppelte oder widersprüchliche Erinnerungen von Vertrieb und Finanzen sowie Prompt Injection über eingehende E-Mail-Inhalte. Prüfen Sie Beträge und Rechnungsnummern gegen das Hauptbuch, lassen Sie das LLM nie direkt eine Buchung schreiben und unterdrücken Sie Mahnungen, solange ein Klärungsfall offen ist.

Gemeinsame Bausteine & Kombinationen

• Gleicher Stack: Dokumentenverarbeitung und VLM aus DOC-001 und DOC-017; E-Mail-Triage aus AGENT-001; Workflow-Engine aus AGENT-002.
• Vor- und nachgelagert: AGENT-006 (Abschluss und Abstimmung) verarbeitet ausgeglichene Posten weiter; PRED-016 nutzt erwartete Zahlungstermine für Liquiditätsprognosen; PRED-009 und AGENT-028 liefern Kreditlimits; AGENT-031 behandelt Kartenrückbuchungen; CONV-008 ergänzt Erinnerungen per Sprache.
• Das Vorhersagemodell wird mit PRED-021 geteilt.

Aufwand, Kosten & Kennzahlen

• Weg A: Wochen bis 3 Monate einschließlich ERP-Konnektor und Regelwerk; Preis je Nutzer, je Transaktion oder nach Umsatzband.
• Weg B: 3-6 Monate; die LLM-Kosten je Dokument sind im Vergleich zur Arbeitszeit der Sachbearbeitung gering, Hauptkosten sind Integration und Tests.
• Weg C: 4-8 Monate plus laufender Betrieb.
• Kennzahlen: Quote automatischer Zuordnung (nach Anzahl und Wert), Alter nicht zugeordneter Zahlungen, DSO und Best Possible DSO, Anteil überfälliger Forderungen, Produktivität der Sachbearbeitung im Forderungseinzug, Quote eingehaltener Zahlungszusagen, Durchlaufzeit von Klärungsfällen, Quote falscher Ausgleiche, Kundenbeschwerden über Mahnungen.

Menschen & Veränderung

Beziehen Sie die Geschäftsführung für die Risikobereitschaft (Ton der Mahnungen, Schwellenwerte), die Leitung Finanzen oder Debitorenbuchhaltung als Prozessverantwortliche und die Sachbearbeitenden, die Zahlungen ausgleichen und Rechnungen nachverfolgen, von Anfang an ein, denn ihre Korrekturen erzeugen die Kennzeichnungen. Die IT bindet ERP- und Bankschnittstellen an; die Datenverantwortlichen der Kundenstammdaten geben die Bereinigung frei. Die oder der Datenschutzbeauftragte prüft personenbezogene Daten von Einzelunternehmern und Ansprechpartnern, den AVV (Art. 28 DSGVO) mit Anbietern und ob eine DSFA nötig ist; Kunden sind von den Mahnschreiben betroffen, daher brauchen Ton und Eskalationsregeln eine Freigabe.

Betriebsrat: abhängig vom Einzelfall. Erfasst oder bewertet das Werkzeug Bearbeitungszeiten oder Fehlerquoten einzelner Sachbearbeitender, greift § 87 Abs. 1 Nr. 6 BetrVG, da die objektive Eignung zur Überwachung genügt; andernfalls ist nach § 90 Abs. 1 Nr. 3 rechtzeitig zu informieren. Öffentliche Stellen beteiligen den Personalrat.

Beginnen Sie mit einem Pilotprojekt zur Zahlungszuordnung für ein Bankkonto oder eine Kundengruppe, im Vorschlagsmodus, und weiten Sie dann aus. Behalten Sie eine menschliche Freigabe für Mahnungen an Schlüsselkunden, für Klärungsfälle und für jede Abschreibung bei. Typische Sorgen sind Arbeitsplatzverlust und beschädigte Kundenbeziehungen; zeigen Sie, dass die Sachbearbeitung sich auf Ausnahmen und Verhandlung verlagert. Fördern Sie die KI-Kompetenz (die KI-Verordnung (AI Act) verlangt in Art. 4 Maßnahmen dazu). Siehe GUIDE-009, GUIDE-008 und GUIDE-005.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): in der Regel minimales Risiko; die B2B-Forderungsbearbeitung steht nicht in Anhang III. Bewertet der Agent natürliche Personen, um über den Zugang zu Krediten oder wesentlichen Diensten zu entscheiden (z. B. Bonität von Verbrauchern), kann er in die Hochrisikokategorie fallen (Anhang III Nr. 5 Buchst. b); die Vorhersage allein zur Priorisierung im Forderungseinzug ist in der Regel keine Bonitätsbewertung, prüfen Sie dies aber im Einzelfall. Die Pflicht zur KI-Kompetenz (Art. 4) gilt. Kundenseitiger Chat oder Sprachkanal erfordert einen KI-Hinweis (Art. 50) [4].
• DSGVO: Einzelunternehmer und Verbraucher als Schuldner sind personenbezogene Daten; dokumentieren Sie die Rechtsgrundlage (Vertrag / berechtigtes Interesse), führen Sie eine DSFA für Verbraucher-Scoring durch und vermeiden Sie ausschließlich automatisierte Entscheidungen mit Rechtswirkung (Art. 22), etwa automatische Kreditsperren bei Verbrauchern [5].
• Branchen- und nationale Regeln: Mahngebühren und Verhaltensregeln beim Forderungseinzug (z. B. die Verzugsregeln des deutschen BGB § 286, Registrierung von Inkassodienstleistern nach RDG); verbraucherschutzrechtliche Grenzen für Ton und Häufigkeit; GoBD für die Nachvollziehbarkeit von Buchungen; Datenverarbeitung nach PSD2/SEPA.
• Gegenmaßnahmen: Sicherheitsschwellen, Obergrenzen für automatische Buchungen, Vier-Augen-Prinzip bei Abschreibungen, Unterdrückung bei Klärungsfällen, an Vorlagen gebundene Nachrichten mit freigegebenem Wortlaut, Prüfprotokoll jedes KI-Vorschlags im Vergleich zur endgültigen Aktion.

Erste Schritte

1. Die Ausgangslage messen: Quote automatischer Zuordnung, nicht zugeordnete Zahlungen, DSO, Anteil der Posten mit manuellem Aufwand und die Gründe.
2. 6-12 Monate Bankzeilen, offene Posten und Ausgleiche exportieren; die Ausnahmekategorien kennzeichnen.
3. Zuerst die Zahlungszuordnung pilotieren (geringstes Risiko, größte Aufwandsersparnis), nur im Vorschlagsmodus; mit den Entscheidungen der Sachbearbeitung vergleichen.
4. Verzugsvorhersage und eine nach Rang sortierte Arbeitsliste ergänzen, dann KI-entworfene Mahnungen für risikoarme Kundensegmente unter Freigabe aktivieren.
5. Mahnrichtlinie, Eskalationsverantwortliche und Unterdrückung bei Klärungsfällen festlegen, bevor etwas autonom versendet wird.

Quellen

1. SAP — SAP Cash Application — https://www.sap.com/products/financial-management/cash-application.html
2. HighRadius — AI-powered Accounts Receivable software — https://www.highradius.com/product/accounts-receivable-software/
3. European Commission — Late Payment Directive (SME strategy page) — https://single-market-economy.ec.europa.eu/smes/sme-strategy/late-payment-directive_en
4. Regulation (EU) 2024/1689 (AI Act) — https://eur-lex.europa.eu/eli/reg/2024/1689/oj
5. Regulation (EU) 2016/679 (GDPR) — https://eur-lex.europa.eu/eli/reg/2016/679/oj
6. SAP Insider / Mastering SAP — SAP Cash Application leverages machine learning — https://masteringsap.com/expert-insights/machine-learning-enables-sap-cash-application-automation/
7. Ibec — Late Payments Directive faces further delays — https://www.ibec.ie/sfa/news-insights-and-events/insights/2025/02/11/late-payments-directive-faces-further-delays