Prognose des Zahlungsverhaltens und Priorisierung im Forderungsmanagement (Debitoren, Mahnwesen, Inkasso)

Die meisten Unternehmen verfolgen Forderungen noch nach Altersklassen: Alles, was 30 Tage überfällig ist, bekommt Mahnung 2, alles über 60 Tage einen Anruf. Das verschwendet Arbeitszeit auf Kunden, die ohnehin gezahlt hätten, und erreicht die echten Risiken zu spät. Modelle zum Zahlungsverhalten sagen für jede Rechnung oder jedes Konto voraus, wann bezahlt wird, wie wahrscheinlich eine Verspätung ist und welche Maßnahme das Ergebnis tatsächlich verändert. Sachbearbeiter erhalten eine priorisierte Arbeitsliste, risikoarme Kunden bekommen eine leichte digitale Erinnerung oder gar nichts, und das Finanzwesen erhält eine Zahlungseingangsprognose auf Rechnungsebene. Bei Verbraucherforderungen müssen dieselben Modelle zusätzlich Kunden in finanziellen Schwierigkeiten erkennen und Stundung anbieten.

Problem & Nutzen

• Wer hat das Problem: B2B-Debitorenteams im Mittelstand und in Konzernen (Shared-Service-Center) sowie Teams für das eigene Forderungsmanagement bei Banken, Buy-now-pay-later-Anbietern, Telekommunikationsunternehmen, Versorgern und öffentlichen Gläubigern. Inkassounternehmen wenden dieselbe Logik auf angekaufte oder abgetretene Portfolios an.
• Heute: starre Mahnläufe im ERP (z. B. SAP-Mahnverfahren, DATEV-OPOS-Listen), Arbeitslisten nach Altersklassen und das Bauchgefühl der Sachbearbeiter. Alle Kunden bekommen zur selben Zeit denselben Brief, Reklamationen werden spät erkannt, und teure Kanäle (Anrufe, Inkassobüros) werden für die falschen Konten eingesetzt.
• Warum KI hilft: Gradient-Boosting-Modelle auf der Zahlungshistorie sagen Zahlungsdatum und Verspätung deutlich besser voraus als Durchschnittswerte. Uplift- bzw. Maßnahmenmodelle schätzen, welche Aktion das Verhalten ändert, statt nur zu zeigen, welcher Kunde riskant ist. Eine kapazitätsbewusste Priorisierung richtet die knappen Stunden der Sachbearbeiter auf die Fälle mit dem höchsten erwarteten Wert.
• Berichtete Ergebnisse (Herstellerangaben, ohne unabhängige Prüfung): HighRadius nennt eine Senkung der DSO um 20 Tage beim Distributor DXP [1]. Upflow gibt eine durchschnittliche DSO-Senkung von 30 % innerhalb von 3 Monaten an [3]. collect.AI (Aareal Bank Group) behauptet ≥30 % niedrigere Kosten im Forderungsmanagement und >90 % der Forderungen vor Fälligkeit beglichen, bei über 20 Mrd. EUR verarbeitetem Volumen [4]. InDebted gibt 35 % niedrigere Betriebskosten und 15 % mehr eingezogenes Geld für seine Plattform für das eigene Forderungsmanagement an [2]. Betrachten Sie diese Werte als Obergrenzen und überprüfen Sie sie in einem kontrollierten Pilotprojekt.

Varianten

• B2B-Debitoren (Kernvariante): Prognose des Zahlungsdatums auf Rechnungsebene plus Priorisierung der Arbeitsliste im ERP-zentrierten Order-to-Cash. Typisch in Fertigung, Großhandel, Dienstleistung und SaaS.
• KMU / Freiberufler: Das Buchhaltungswerkzeug oder eine schlanke Debitoren-App (Upflow, Chaser, Werkzeuge vom Typ Kolleno) ergänzt Hinweise „wahrscheinlich verspätet" und automatisierte Erinnerungsfolgen. Regelbasiertes Mahnwesen plus ein einfacher Score reicht oft aus.
• Verbraucherforderungen und Rückführung (Banken, BNPL, Versorger, Telekommunikation): Zahlungsneigung, Selbstheilungswahrscheinlichkeit (zahlt der Kunde ohne Kontakt?) und Roll-Raten zwischen den Rückstandsklassen steuern die Behandlungspfade. Dazu gehören digitale Selbstbedienung, Ratenplan, Anruf durch Mitarbeitende, Stundung oder Verkauf bzw. Abtretung an ein Inkassobüro. Diese Variante muss Erkennung von Schutzbedürftigkeit und Stundung nach CCD2 (Richtlinie (EU) 2023/2225, Art. 35) enthalten und, für Servicer von Bank-NPLs, die Kreditservicer-Richtlinie (EU) 2021/2167, in Deutschland durch das Kreditzweitmarktgesetz unter Aufsicht der BaFin umgesetzt [6].
• Inkassounternehmen: Portfoliobewertung und Rückführungs-Scoring auf Fallebene für angekaufte oder abgetretene Forderungen. Unternehmen wie EOS, Intrum, Lowell, PAIR Finance und Creditreform betreiben dies im eigenen Haus.
• Öffentlicher Sektor: kommunale Kassen sowie Steuer- und Gebührenämter (Kasse, Vollstreckung), die Mahnungen und Vollstreckung priorisieren. Die Entscheidung über Vollstreckung bleibt beim Menschen; siehe den Abschnitt zur Regulierung.
• Private Nutzung: keine Zielgruppe. Verbraucher stehen auf der Empfängerseite. Schuldnerberatungen sind ein eigener Bereich ohne KI-Scoring.

So funktioniert es

1. ERP/AR open items + payment history + contact log + external credit signals
2. feature store (customer-level lateness stats, trend, terms, disputes, seasonality, credit-agency data)
3. model 1: payment-date / lateness prediction (GBM regression or classification; survival/AFT model)
4. model 2: treatment response / uplift per action (no action, email, SMS, letter, call, plan, agency)
5. prioritisation: expected value = amount × P(late) × uplift − contact cost, under collector capacity
6. policy layer: compliance rules (contact frequency, quiet hours, vulnerability, disputes, forbearance)
7. worklist + scheduled digital actions (dunning engine / workflow) + LLM-drafted messages
8. outcomes logged
9. retraining and A/B or bandit evaluation of treatments

• Prognose: LightGBM, XGBoost oder CatBoost auf Merkmalen der Rechnungs- und Kundenebene sind das Arbeitspferd. HighRadius nennt für seine Funktion „Predict Payment Date" zum Beispiel Random Forest und Gradient-Boosted Trees [1]. Survival-Modelle berücksichtigen Zensierung, weil offene Rechnungen noch kein Zahlungsdatum haben. lifelines (Cox, AFT, Cure-Modelle) ist dafür ein verbreitetes Python-Werkzeug [8].
• Maßnahmenauswahl: Uplift-Modelle (Zwei-Modell-Ansatz oder Causal Forests) oder kontextuelle Bandits lernen, welche Aktion bei welchem Segment wirkt. Regelbasierte Champion/Challenger-Tests sind der vorsichtige Einstieg.
• LLM-Schicht: formuliert Erinnerungs-E-Mails im passenden Ton, fasst die Kontohistorie für die Sachbearbeitung zusammen und klassifiziert Antworten (Reklamation, Zahlungszusage, Notlage). Diese Schicht gehört zu AGENT-023; dieser Anwendungsfall liefert die Scores.
• Mensch-in-der-Schleife (Human-in-the-Loop): Sachbearbeiter können die Arbeitsliste übersteuern. Ratenpläne, Stundung, Kredit- sperren, Übergabe an ein Inkassobüro, Meldung an Auskunfteien und Vollstreckung bleiben menschliche Entscheidungen.

Datenaufbereitung

Die Zahlungsprognose braucht die offenen Posten und die Zahlungshistorie aus dem ERP oder der Debitorenbuchhaltung (SAP FI-AR, Dynamics, DATEV, NetSuite), Kundenstammdaten, das Mahn- und Reklamationsprotokoll sowie Kontaktnotizen. In einem KMU liegt das typischerweise im ERP plus Excel-Listen einzelner Sachbearbeiter, und Zahlungszusagen stehen in E-Mails oder Telefonnotizen. Typische Lücken sind doppelte Kundenkonten, fehlende Reklamationsgründe, Zahlungen ohne eindeutige Rechnungszuordnung und zwei bis drei Jahre Historie mit geänderten Zahlungsbedingungen.

Schritte der Aufbereitung: Hauptbuchdaten über Standardschnittstellen exportieren (PREP-005), Dubletten zusammenführen und einen einheitlichen Kundenschlüssel festlegen, ein klares Label wie „mehr als 14 Tage zu spät bezahlt" vereinbaren (PREP-019), es aus gebuchten Zahlungen gewinnen (PREP-020) und vor jedem externen Scoring pseudonymisieren (PREP-022). Sachbearbeiter sollten Reklamationen und Zusagen in strukturierten Feldern statt im Freitext erfassen (PREP-021). Die Bereitschaft prüfen Sie mit GUIDE-003.

Grober Aufwandsanteil: etwa 30 bis 40 Prozent des Projekts, überwiegend für Zuordnung, Bereinigung und Label-Definition. Wer ein Produkt kauft, verlagert einen Teil davon auf den Konnektor des Anbieters, aber die Bereinigung der Stammdaten bleibt bei Ihnen.

Umsetzungswege

Welcher Weg für wen

• KMU: Weg A. Ausgereifte Produkte für Debitoren und Mahnwesen mit Konnektoren zu DATEV, SAP und Dynamics gibt es zu KMU-Preisen, und das Mahnwesen ist ein Standardprozess.
• Großunternehmen: Weg B. Forderungen sind für den Cashflow zentral und die Volumina hoch; Scoring auf den eigenen Hauptbuchdaten über Cloud-KI-Dienste oder eine interne Plattform vermeidet Lizenzkosten pro Nutzer und Abhängigkeit vom Anbieter.
• Entwickler: Weg C. Ein Gradient-Boosting-Modell auf der Zahlungshistorie läuft mit Open-Source-Bibliotheken auf HW1 und bietet volle Kontrolle über Merkmale und Erklärbarkeit.
• Öffentlicher Sektor: Weg C. Schuldnerdaten von Bürgern sind sensibel, und das Vergaberecht begünstigt souveränen, selbst betriebenen oder deutschen Cloud-Betrieb.

Weg A — Kaufen (Standardsoftware)

• ERP-nativ: SAP S/4HANA Collections Management und SAP „behavioral insights for contract accounting" (FI-CA-Zahlungsrisikoprognose für Versorger, Telekommunikation und öffentlichen Sektor) [5]. Microsoft Dynamics 365 Finance „Finance insights" mit Zahlungsprognosen je Kunde.
• Debitoren- / Order-to-Cash-Suiten: HighRadius, Sidetrade (FR/EU, Aimie AI), Esker (FR/EU), Serrala (DE), Billtrust, Quadient AR, Emagia, Versapay. Mittelstand mit EU-Fokus: Upflow (FR), collect.AI (DE, Aareal Bank Group) [4], Kolleno (UK), Chaser (UK).
• Plattformen für Verbraucherforderungen: receeve (in Berlin gegründet, heute die Plattform „Receive" von InDebted für das eigene Forderungsmanagement) [2], Collenda (DE), Experian PowerCurve Collections, FICO Platform for collections.
• Wählen Sie A, wenn: Sie ein Standard-ERP und bis zu zehntausende offene Posten haben und Ergebnisse innerhalb eines Quartals wollen. Prüfen Sie EU-Hosting, den ERP-Konnektor (SAP, DATEV, Dynamics), ob Scores erklärbar sind und ob Sie Ergebnisdaten exportieren können.

Weg B — Auf Cloud-KI-Diensten aufbauen

• AutoML-/Tabellen-Dienste in EU-Regionen: Azure Machine Learning AutoML (West Europe / Germany West Central), Google Vertex AI Tabular (europe-west3), AWS SageMaker Autopilot (eu-central-1), Databricks AutoML. Auf einem Auszug der Debitorenhistorie trainieren, Scores per Batch-Job zurück ins ERP liefern.
• LLM-APIs (Mistral, Aleph Alpha / auf STACKIT gehostete Modelle, Azure OpenAI EU Data Zone, Claude auf AWS Bedrock Frankfurt) nur für das Formulieren von Nachrichten und die Klassifikation von Antworten. Personenbezogene Daten auf das Nötige beschränken.
• Orchestrierung: n8n oder Power Automate lösen Mahnaktionen aus. SAP-BTP-Integration für S/4HANA.

Weg C — Selbst betreiben (Open Source)

• Stack: Python mit LightGBM/XGBoost/CatBoost, lifelines oder scikit-survival für die Zeit bis zur Zahlung, EconML oder CausalML für Uplift, Vowpal Wabbit oder einfaches Thompson Sampling für Bandits bei Kanal und Zeitpunkt, OR-Tools für kapazitätsbeschränkte Arbeitslisten. MLflow für das Modellregister, Feast für Merkmale.
• Tabellen-Foundation-Modelle: TabPFN 3.5 verarbeitet bis zu 1 Mio. Zeilen [7] und ist stark bei kleinen Debitoren- Datensätzen. Beachten Sie, dass die neueren Gewichte nicht kommerziell nutzbar sind, sofern sie nicht von Prior Labs lizenziert werden.
• Hardware: HW1, ein CPU-Server genügt. Ein kleines LLM (z. B. Mistral Small oder Qwen3 8B auf HW2) ist nur nötig, wenn Schreiben lokal formuliert werden.
• Betriebsaufwand: mäßig. Monatliches Nachtrainieren, Drift-Überwachung und ein sauberer ERP-Datenauszug sind die eigentliche Arbeit.

Weg D — Eigenes Training

Lohnt sich für Banken, BNPL-Anbieter, Versorger und große Shared-Service-Center mit hunderttausenden Konten. Hier sind eigene Daten zum Behandlungsergebnis (wer wurde wann und wie kontaktiert, und was passierte) das wichtigste Kapital. Sie brauchen 12–24 Monate Kontakt- und Zahlungshistorie, protokollierte Randomisierung bzw. Holdouts für unverzerrte Uplift-Schätzungen sowie eine Governance für Modellrisiken (Validierung, Kalibrierung, Fairness). Reinforcement Learning für mehrstufige Behandlungsstrategien ist in der Produktion noch selten und sollte durch Offline-Evaluation der Strategie abgesichert werden.

Stand der Technik (2026)

• Prädiktives Forderungsmanagement ist in großen Suiten Standard. Der Wandel 2025–2026 geht von Scores zu agentischem Order-to-Cash: Anbieter bündeln die Prognose mit Agenten, die die passende Erinnerung versenden, Antworten lesen und Zahlungszusagen erfassen. HighRadius bewirbt über 180 KI-Agenten [1], und Upflow liefert Agenten für Mahnwesen und Auswertungen sowie einen MCP-Server, um Debitorendaten aus Claude und ChatGPT abzufragen [3].
• Techniken: Gradient Boosting bleibt bei tabellarischen Zahlungsdaten am besten. Survival- und Cure-Modelle behandeln zensierte offene Posten. Uplift- und Bandit-Verfahren unterscheiden „riskant" von „beeinflussbar". Tabellen-Foundation-Modelle (TabPFN-Linie) senken den Datenbedarf bei Hauptbüchern in KMU-Größe [7].
• Verbraucherseite: Selbstheilungsmodelle, die unnötigen Kontakt unterdrücken, digitale Ratenpläne zur Selbstbedienung und Erkennung von Schutzbedürftigkeit. LLM-Klassifikatoren markieren Hinweise auf Notlagen in Nachrichten für die menschliche Nachbearbeitung.
• Grenzen und Fehlerbilder: Modelle lernen aus früheren Maßnahmen, daher sind Ergebnisse verzerrt, sofern es keine Holdouts gibt. Reklamationen und Rechnungsfehler erscheinen als Zahlungsverzug und sollten vorgelagert behoben werden. Große Einzelkunden dominieren die Beträge, haben aber wenige Beobachtungen. Makroschocks (Zinsanstiege, Energiepreisspitzen) zerstören die Kalibrierung schnell. Scores, die auf der Mahnhistorie trainiert wurden, können sozioökonomische Verzerrungen in Verbraucherportfolios abbilden.

Gemeinsame Bausteine & Kombinationen

• Derselbe Tabellen-ML-Stack (tabular-ml, HW1): PRED-003 Kundenabwanderung, PRED-004 Kundenwert, PRED-009 Kredit-Scoring (Kreditvergabe vs. diese Phase der Kontoführung), PRED-005 Lead-Scoring. Ein Feature Store und eine MLOps-Pipeline können alle bedienen, und die Merkmale zum Zahlungsverhalten der Kunden werden in PRED-009 und PRED-003 wiederverwendet.
• Nachgelagert: PRED-016 Cashflow- und Liquiditätsprognose nutzt die Zahlungseingangskurven auf Rechnungsebene. DATA-002 Berichtstexte decken DSO-Dashboards ab. OPT-003 / PRED-011 planen den Personaleinsatz von Sachbearbeitern und Callcenter anhand des prognostizierten Arbeitsaufkommens.
• Ausführungskanäle: AGENT-023 Order-to-Cash-Agent (Zahlungszuordnung, Mahnwesen, Reklamationen), CONV-008 ausgehender Sprachagent für Erinnerungen, REC-006 Optimierung von Versandzeitpunkt und Kanal, LANG-002 Erstellung von Briefen und E-Mails, AGENT-001 Posteingangssortierung für Kundenantworten, SPEECH-002 Gesprächs- analyse für Qualitätssicherung und Erkennung von Notlagen.
• Vorgelagerte Datenqualität: AGENT-006 Kontenabstimmung und LANG-033 Kategorisierung von Banktransaktionen liefern saubere Zahlungsdaten. REC-003 Next-Best-Action nutzt dieselbe Uplift- und Bandit-Technik.

Aufwand, Kosten & Kennzahlen

• Weg A: 4–12 Wochen inkl. ERP-Konnektor. Lizenzen werden meist pro Nutzer, pro offenem Posten oder pro Kundenkonto berechnet. Order-to-Cash-Suiten für Großunternehmen sind eine jährliche Verpflichtung im sechsstelligen Bereich, während KMU-Debitorenwerkzeuge einige hundert Euro pro Monat kosten (aktuelle Preislisten der Anbieter prüfen).
• Weg B/C: 2–4 Monate für ein erstes Modell samt Rückschreiben ins ERP durch eine Data Scientist-Stelle und einen ERP-/Integrationsingenieur. Die Rechenkosten sind vernachlässigbar, weil die Datenaufbereitung überwiegt.
• Weg D: 6–12 Monate mit Governance für Modellrisiken bei regulierten Kreditgebern.
• Kennzahlen: DSO und Best-Possible-DSO, Überfälligkeit in % nach Klasse (CEI, Collection Effectiveness Index), Forderungsausfälle, eingezogenes Geld pro Sachbearbeiterstunde, Roll- und Heilungsraten, Selbstheilungsquote nicht kontaktierter Konten, mittlerer absoluter Fehler des Zahlungsdatums (Tage), Kalibrierung von P(verspätet), Uplift gegenüber Holdout, Beschwerdequote, Anteil schutzbedürftiger Kunden, die korrekt an Spezialteams geleitet werden.

Menschen & Veränderung

Beginnen Sie mit der Geschäftsführung und der Leitung des Finanzwesens, die das Ziel (niedrigere DSO) und die Entscheidung über die Behandlung der Kunden verantworten. Binden Sie die IT früh für den ERP-Export ein, und die Datenverantwortlichen in der Buchhaltung für die Stammdaten. Die Datenschutzbeauftragte bzw. der Datenschutzbeauftragte muss die Rechtsgrundlage und den AVV mit jedem Anbieter freigeben, denn das Zahlungsverhalten von Einzelpersonen sind personenbezogene Daten und automatisierte Mahnentscheidungen berühren Art. 22 DSGVO; bei Verbraucherschuldnern in großem Umfang ist eine DSFA wahrscheinlich.

Betriebsrat: kommt darauf an. Das reine Scoring von Kunden löst noch keine Mitbestimmung aus, aber Arbeitslisten, die die Aktivität von Sachbearbeitern protokollieren oder ihre Leistung messen, können unter § 87 Abs. 1 Nr. 6 BetrVG fallen, und § 90 Abs. 1 Nr. 3 verlangt eine rechtzeitige Unterrichtung über KI-gestützte Arbeitsprozesse. Binden Sie den Betriebsrat vor dem Pilotprojekt ein; in öffentlichen Stellen gilt der Personalrat.

Starten Sie den Pilot mit einem kleinen Forderungsteam und einem Kundensegment und lassen Sie das Modell im Schattenbetrieb neben dem bestehenden Prozess laufen. Typische Bedenken sind „das Werkzeug beurteilt meine Kunden" und „es ersetzt mich". Begegnen Sie ihnen, indem Sie die Gründe hinter jedem Score zeigen, Entscheidungen über Mahnstufe und Ratenplan bei Menschen belassen und Sachbearbeitern erlauben, zu übersteuern und Rückmeldung zu geben. Fördern Sie die KI-Kompetenz mit einer kurzen Schulung des Teams (KI-Verordnung Art. 4). Siehe GUIDE-004, GUIDE-005 und GUIDE-008.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): kommt darauf an. Die Priorisierung von B2B-Forderungen gegenüber Unternehmen ist minimales Risiko (Art. 4 KI-Kompetenz gilt). Anhang III Nr. 5 Buchst. b stuft KI, die die Kreditwürdigkeit natürlicher Personen bewertet oder ihren Kredit-Score ermittelt, als hochriskant ein [9]. Ein Modell für Verbraucherforderungen ist nicht eindeutig. Wenn es nur Kontakte ordnet, sehen viele Juristen es außerhalb von Nr. 5 Buchst. b. Wenn seine Ausgabe in Entscheidungen über Kreditlimits, Kontokündigung, Stundungsberechtigung oder Meldung an Auskunfteien einfließt, behandeln Sie es als hochriskant (Risikomanagement, Daten-Governance, Protokollierung, menschliche Aufsicht, Grundrechte-Folgenabschätzung (FRIA) für öffentliche Stellen und Banken). Anhang III Nr. 5 Buchst. a gilt, wenn Behörden KI einsetzen, um Sozialleistungen zurückzufordern [9]. Bei normaler Nutzung greift kein Verbot nach Art. 5, aber ein Scoring, das auf nicht zusammenhängendem Sozialverhalten beruht, käme dem Verbot des Social Scoring nahe.
• DSGVO: Schuldner, die natürliche Personen sind (Verbraucher, Einzelunternehmer, Ansprechpersonen), sind betroffene Personen. Nutzen Sie berechtigtes Interesse oder Vertrag als Rechtsgrundlage, informieren Sie über das Profiling (Art. 13/14) und bearbeiten Sie Widersprüche. Nach dem EuGH-Urteil SCHUFA (C-634/21, 2023) ist ein Score eine automatisierte Entscheidung nach Art. 22, wenn er eine maßgebliche Rolle bei einer Entscheidung mit rechtlicher oder ähnlicher Wirkung spielt. Die Übergabe an ein Inkassobüro oder die Meldung an Auskunfteien allein auf Basis eines Scores ist daher riskant. Halten Sie Menschen in der Schleife und nennen Sie Gründe. Deutschland: § 31 BDSG für das Scoring sowie die Registrierungs- und Informationspflichten nach dem RDG für Inkasso.
• Verbraucherkredit und Servicing: CCD2 Art. 35 verpflichtet Kreditgeber, vor der Vollstreckung angemessene Stundung zu gewähren und Gebühren bei Verzug zu begrenzen. Die Kreditservicer-Richtlinie / das KrZwMG regelt das Verhalten der Servicer und die faire Behandlung der Kreditnehmer [6]. EBA-Leitlinien zu Zahlungsrückständen und Stundung gelten für Banken. Der britische FCA Consumer Duty und die Leitlinien zu schutzbedürftigen Kunden sind ein Maßstab für EU-Richtlinien zum Umgang mit Schutzbedürftigkeit.
• Handelsrecht: Die Zahlungsverzugsrichtlinie 2011/7/EU (von der Kommission überarbeitet [10]) und die Verzugsregeln (z. B. § 286 BGB) bestimmen, wann Mahngebühren und Zinsen zulässig sind.
• Risiken & Gegenmaßnahmen: Aggressive Kontaktmuster gegenüber schutzbedürftigen Personen brauchen Kontaktobergrenzen, Erkennung von Notlagen und ein Spezialteam. Verzerrungen brauchen eine Überwachung der Ergebnisse nach Region und Alter, mit Entfernung von Stellvertretermerkmalen. Als Schulden behandelte Reklamationen brauchen ein Reklamationskennzeichen, das das Mahnwesen sperrt. Verzerrungen durch Rückkopplung brauchen dauerhafte zufällige Holdouts.

Erste Schritte

1. Extrahieren Sie 12–24 Monate Debitorenhistorie (offene und ausgeglichene Posten, Mahnläufe, Reklamationen, Kontakte) und berechnen Sie die Basiswerte für DSO, CEI und den Anteil verspätet bezahlter Rechnungen je Kundensegment.
2. Starten Sie mit der nativen Prognose Ihres ERP oder einem Debitorenwerkzeug (Weg A) in einem Testsegment. Alternativ bauen Sie ein LightGBM-Modell für das Zahlungsdatum und vergleichen den mittleren absoluten Fehler mit „durchschnittliche Verspätungstage je Kunde".
3. Führen Sie einen kontrollierten Pilot durch: die Hälfte der Konten mit der KI-Arbeitsliste, die Hälfte im alten Prozess nach Altersklassen, mit einem kleinen Holdout ohne Kontakt, um die Selbstheilung zu messen.
4. Legen Sie Leitplanken fest: Reklamationssperren, Kontaktgrenzen, Leitung schutzbedürftiger Kunden, menschliche Freigabe für die Übergabe an Inkassobüros und die Meldung an Auskunfteien. Dokumentieren Sie sie für die DSGVO und, bei Verbrauchern, für die KI-Verordnung.
5. Speisen Sie die Zahlungsprognosen auf Rechnungsebene in die Cashflow-Prognose (PRED-016) ein und trainieren Sie monatlich nach.

Quellen

1. HighRadius — Collections software (AI features, Predict Payment Date, customer results) — https://www.highradius.com/lp/autonomous-receivables/collections-management-software/
2. InDebted — Receive (formerly receeve) first-party collections platform — https://www.indebted.co/solution/receeve/
3. Upflow — AR & collections platform, agents, MCP server, customer figures — https://upflow.io/
4. collect.AI (Aareal Bank Group) — AI dunning & payment probability assistant — https://www.collect.ai/
5. SAP — Predict the risk of late payment for invoices (use case page) — https://www.sap.com/uk/use-cases/predict-risk-of-late-payment-for-invoices
6. BaFin — Kreditzweitmarkt (Kreditzweitmarktgesetz, credit servicers) — https://www.bafin.de/DE/Aufsicht/Kreditzweitmarkt/kreditzweitmarkt_node.html
7. Prior Labs — TabPFN repository (versions, limits, licences) — https://github.com/PriorLabs/TabPFN
8. lifelines — survival analysis in Python — https://lifelines.readthedocs.io/en/latest/
9. EU AI Act, Annex III (high-risk use cases, point 5) — https://artificialintelligenceact.eu/annex/3/
10. European Commission — Late payment (revision of Directive 2011/7/EU) — https://single-market-economy.ec.europa.eu/smes/sme-strategy/late-payment_en
11. CJEU press release on C-634/21 SCHUFA (GDPR and scoring) — https://curia.europa.eu/jcms/upload/docs/application/pdf/2023-12/cp230186en.pdf
12. Directive (EU) 2023/2225 (Consumer Credit Directive, CCD2) — https://eur-lex.europa.eu/eli/dir/2023/2225/oj
13. Directive (EU) 2021/2167 (Credit Servicers Directive) — https://eur-lex.europa.eu/eli/dir/2021/2167/oj