KI-Liquiditätsprognose aus Rechnungen

Eine KI-Liquiditätsprognose darf das Zahlungsziel einer Rechnung nicht einfach als erwarteten Zahlungseingang übernehmen. Belastbar wird sie erst, wenn sie Fälligkeiten mit tatsächlichem Zahlungsverhalten, offenen Posten, Teilzahlungen, Gutschriften und saisonalen Mustern verbindet. Das Ergebnis sollte keine scheinpräzise Tageszahl sein, sondern ein nachvollziehbarer Erwartungsbereich mit Szenarien und Unsicherheit.

Für KMU in Österreich und Deutschland ist das praktisch relevant: Ein voller Auftragsbestand schützt nicht vor einem Liquiditätsengpass, wenn Kundinnen und Kunden später zahlen als geplant. KI kann Muster in vorhandenen Rechnungs- und Zahlungsdaten erkennen. Die Verantwortung für Annahmen, Maßnahmen und Freigaben bleibt jedoch beim Unternehmen. Dieser Leitfaden zeigt, welche Daten wirklich helfen, welche Fehler häufig auftreten und wie ein kontrollierter Pilot aufgebaut werden kann.

Zahlungsziel, Prognose und Liquiditätsplan sind drei verschiedene Dinge

Das Zahlungsziel beschreibt, wann eine Forderung fällig sein soll. Eine Prognose schätzt, wann und mit welcher Wahrscheinlichkeit tatsächlich Geld eingeht. Der Liquiditätsplan führt diese erwarteten Einzahlungen anschließend mit Bankbestand und geplanten Auszahlungen zusammen. Wer diese Ebenen vermischt, erzeugt einen optimistischen Plan, der bei verspäteten Zahlungen sofort auseinanderfällt.

Ebene	Leitfrage	Typischer Datenpunkt	Geeignete Aussage
Fälligkeit	Wann sollte bezahlt werden?	Rechnungsdatum, Zahlungsziel, Fälligkeitsdatum	Vertraglicher oder berechneter Termin
KI-Prognose	Wann kommt das Geld voraussichtlich?	Historische Abweichung, Kunde, Betrag, Status	Wahrscheinlichkeit oder Zeitfenster
Liquiditätsplan	Reichen die Mittel für alle Zahlungen?	Bankbestand, Ein- und Auszahlungen, Reserven	Basis-, Vorsichts- und Stressszenario

Die österreichische Wirtschaftskammer empfiehlt, Liquiditätsreserven, erwartete Einnahmen, Forderungen und zeitlich anfallende Ausgaben gemeinsam zu betrachten. Auch die deutsche Liquiditätsvorschau des Existenzgründungsportals stellt erwartete Ein- und Auszahlungen gegenüber. Eine KI-Schätzung für Forderungen ist daher nur ein Baustein, niemals der vollständige Liquiditätsplan.

Welche Daten eine KI-Liquiditätsprognose wirklich braucht

Für einen ersten Pilot reichen meist strukturierte Daten aus dem Rechnungs- und Zahlungsprozess. Freie E-Mail-Texte, Gesprächsnotizen oder komplette Dokumentenarchive erhöhen das Datenschutz- und Fehlerrisiko, ohne zwangsläufig bessere Prognosen zu liefern. Sinnvoll sind vor allem folgende Merkmale:

Rechnungsdatum, Fälligkeitsdatum und Bruttobetrag,
Datum und Höhe tatsächlich verbuchter Zahlungen,
offener Restbetrag bei Teilzahlungen,
Status von Storno, Gutschrift, Reklamation oder Mahnpause,
Abweichung zwischen Fälligkeit und Zahlung in Tagen,
Kundensegment oder vereinbartes Zahlungsziel, sofern fachlich begründet,
Saison, Wochentag und wiederkehrende Abrechnungszyklen.

Wichtig ist die zeitliche Perspektive: Für jede historische Prognose dürfen nur Informationen verwendet werden, die am damaligen Prognosetag bereits bekannt waren. Wird versehentlich das spätere Zahlungsdatum oder ein nachträglicher Mahnstatus in die Eingabedaten aufgenommen, lernt das Modell aus der Zukunft. Im Test wirkt es dann hervorragend, im Alltag versagt es. Dieses Problem wird als Datenleck bezeichnet.

Das BSI betont im QUAIDAL-Katalog, dass Datenqualität anwendungsbezogen gemessen werden muss. Vollständigkeit, Konsistenz und zeitliche Eignung sind für eine Zahlungseingangsprognose wichtiger als eine möglichst große Datenmenge. Zehn Jahre ungeprüfte Altbestände können schlechter sein als zwölf Monate sauber verbuchter Rechnungen und Zahlungen.

Was das Modell ausgeben sollte

Eine einzelne Aussage wie „Rechnung wird am 18. August bezahlt“ wirkt präzise, verschleiert aber Unsicherheit. Für betriebliche Entscheidungen sind drei Ausgaben hilfreicher:

Zahlungswahrscheinlichkeit je Zeitraum: etwa bis zur Fälligkeit, innerhalb von 14 Tagen danach und später.
Erwarteter Betrag: unter Berücksichtigung von Teilzahlungen, Gutschriften und offenem Restbetrag.
Vertrauenshinweis: hohe, mittlere oder geringe Datengrundlage mit einer kurzen Begründung.

Eine geringe Sicherheit ist kein Fehler, sondern eine wichtige Information. Bei einem neuen Kunden ohne Zahlungshistorie sollte das System beispielsweise auf das vereinbarte Zahlungsziel und ein konservatives Segmentmuster zurückgreifen. Es darf nicht so tun, als kenne es individuelles Verhalten. Bei einem langjährigen Kunden mit 40 sauber zugeordneten Zahlungen kann die Schätzung enger ausfallen.

Von der Prognose zu drei belastbaren Szenarien

Die KI liefert Erwartungswerte; die Geschäftsführung benötigt Handlungsszenarien. Ein praktikabler Aufbau trennt:

Basisszenario: wahrscheinlichster Zahlungseingang aus dem Modell,
Vorsichtsszenario: relevante Forderungen kommen später oder nur teilweise,
Stressszenario: große Einzelzahlungen fallen im Planungszeitraum aus.

Ausgaben gehören separat und vollständig in den Plan: Löhne, Lieferanten, Miete, Kredite, Versicherungen, Steuern, Sozialabgaben und Investitionen. Das deutsche Existenzgründungsportal empfiehlt für eine Liquiditätsvorschau ausdrücklich die Gegenüberstellung erwarteter monatlicher Ein- und Auszahlungen. Die WKO weist zusätzlich auf Reserven, Kreditlinien, ausstehende Forderungen und mögliche Uneinbringlichkeit hin.

Der KI-Wert liegt also nicht darin, den gesamten Plan autonom zu erzeugen. Er liegt darin, die unsicherste Eingangsgröße – den Zeitpunkt offener Kundenzahlungen – datenbasiert und wiederholbar einzuschätzen.

Praxisbeispiel 1: Handwerksbetrieb mit wenigen großen Rechnungen

Ein Installationsbetrieb stellt monatlich 35 Rechnungen. Drei Projektabrechnungen machen jedoch mehr als die Hälfte des Forderungsbestands aus. Ein einfacher Durchschnitt sagt, dass Kunden acht Tage nach Fälligkeit zahlen. Für die Liquidität ist dieser Mittelwert gefährlich: Fällt eine große Projektzahlung aus, fehlen Mittel für Material und Löhne.

Die KI gruppiert deshalb nicht nur nach durchschnittlicher Verspätung. Sie betrachtet Betrag, Projekttyp, Teilzahlungsplan und bisheriges Verhalten des jeweiligen Kunden. Für zwei große Rechnungen meldet sie geringe Sicherheit, weil Reklamationsstatus und Leistungsabnahme nicht vollständig dokumentiert sind. Diese Beträge wandern im Vorsichtsszenario zwei Wochen nach hinten. Die Geschäftsführung entscheidet daraufhin nicht automatisch über Mahnungen, sondern klärt zuerst Abnahme und Rechnungsstatus.

Der Nutzen entsteht aus der frühen Warnung und der sichtbaren Datenlücke. Die Prognose ersetzt weder Kundenkontakt noch Forderungsmanagement.

Praxisbeispiel 2: Agentur mit vielen wiederkehrenden Kunden

Eine Agentur fakturiert monatliche Leistungen an 120 Geschäftskunden. Die meisten zahlen regelmäßig, einige jedoch gesammelt zum Monatsende. Würde der Plan jede Rechnung am Fälligkeitstag ansetzen, entstünden wöchentlich falsche Spitzen und Täler.

Das Modell erkennt wiederkehrende Muster: Ein Kunde zahlt stets am letzten Bankarbeitstag, ein anderer bündelt zwei Rechnungen, ein neuer Kunde besitzt noch keine belastbare Historie. Die Ausgabe verteilt die erwarteten Beträge auf Zeitfenster. Für den neuen Kunden nutzt die Agentur im Basisszenario das Zahlungsziel und im Vorsichtsszenario einen zusätzlichen Puffer. Nach jedem Monatsabschluss werden Prognose und tatsächlicher Eingang verglichen.

So wird sichtbar, ob das Modell systematisch zu optimistisch ist. Eine Prognose, die häufig nur um einen Tag danebenliegt, kann für die Wochenplanung brauchbar sein. Bei großen Forderungen kann schon dieselbe Abweichung zu riskant sein. Die Qualitätsgrenze muss deshalb nach Entscheidungszweck und Betrag definiert werden.

Österreich und Deutschland: gemeinsame Methode, andere Planungsunterlagen

Punkt	Österreich	Deutschland
Planungsgrundlage	WKO: Reserven, Forderungen, Ausgaben und monatliche Planung gemeinsam betrachten	Existenzgründungsportal: erwartete Ein- und Auszahlungen für drei bis sechs Monate gegenüberstellen
Operative Daten	Rechnungen, offene Forderungen, Zahlungseingänge und Bankbestand	Dieselben Kerndaten; IHK-Unterlagen betonen zusätzlich rollierende Kontrolle
Datenschutz	Die DSGVO gilt in beiden Ländern. Personenbezogene Kundendaten müssen richtig, aktuell, zweckgebunden und angemessen geschützt sein.

Die Methode unterscheidet sich fachlich kaum. Unterschiede ergeben sich eher aus Steuerterminen, Sozialabgaben, Finanzierungsverträgen und internen Abläufen. Diese Auszahlungen müssen Unternehmen landesspezifisch ergänzen. Eine KI, die nur Ausgangsrechnungen betrachtet, kann diese Verpflichtungen nicht kennen.

Welche Kennzahlen im Pilot wirklich zählen

Der durchschnittliche Fehler in Tagen ist leicht verständlich, reicht aber nicht. Eine Prognose kann bei hundert kleinen Rechnungen sehr genau und bei einer einzigen großen Forderung deutlich falsch liegen. Für die Liquidität wiegt der zweite Fehler schwerer. KMU sollten deshalb mindestens vier Perspektiven getrennt messen:

zeitlicher Fehler: Wie viele Tage liegen Erwartung und tatsächlicher Eingang auseinander?
eurogewichteter Fehler: Wie stark wirken Abweichungen gemessen am jeweiligen offenen Betrag?
Kalibrierung: Treffen als „80 Prozent wahrscheinlich“ bezeichnete Eingänge langfristig tatsächlich ungefähr in acht von zehn Fällen ein?
systematische Richtung: Schätzt das Modell bestimmte Kundengruppen, Branchen oder Monate regelmäßig zu optimistisch?

Zusätzlich braucht es eine Abdeckungsquote. Wenn das Modell für schwierige Fälle keine Prognose ausgibt, kann seine Trefferquote gut aussehen, obwohl gerade die liquiditätsrelevanten Forderungen fehlen. Deshalb müssen KMU dokumentieren, welcher Anteil des offenen Betrags überhaupt prognostiziert wurde.

Auch Daten und Verhalten verändern sich. Neue Zahlungsbedingungen, ein Konjunktureinbruch, ein veränderter Kundenmix oder konsequenteres Mahnwesen können historische Muster entwerten. Ein monatlicher Vergleich zeigt, ob die Fehler steigen. Dann ist nicht automatisch ein neues Modell nötig: Zuerst sollten Datenqualität, Statuspflege und fachliche Annahmen geprüft werden.

Sieben Fehler, die eine Prognose unbrauchbar machen

Fälligkeit wird mit Zahlung gleichgesetzt. Dann ist es keine Prognose, sondern nur eine Terminliste.
Stornos und Gutschriften bleiben im Forderungsbestand. Das Modell erwartet Geld, das nicht mehr geschuldet wird.
Teilzahlungen werden als vollständig bezahlt markiert. Offene Restbeträge verschwinden aus dem Plan.
Reklamationen fehlen. Fachlich strittige Rechnungen wirken wie normale Forderungen.
Nur Durchschnittswerte werden geprüft. Große Fehler bei hohen Beträgen gehen zwischen vielen kleinen Treffern unter.
Unsicherheit wird ausgeblendet. Eine Zahl ohne Bandbreite verleitet zu überhöhten Ausgaben.
Das Modell löst automatisch Zahlungen oder Mahnungen aus. Eine Prognose ist keine Freigabe für finanzielle oder rechtliche Maßnahmen.

Umsetzung in sechs kontrollierten Schritten

1. Entscheidungszweck festlegen

Definieren Sie, ob die Prognose eine Wochenplanung, einen rollierenden Dreimonatsplan oder nur die Priorisierung großer Forderungen unterstützen soll. Ohne klaren Zweck gibt es keine sinnvolle Qualitätsgrenze.

2. Datenbestand abgrenzen

Starten Sie mit strukturierten Rechnungs-, Fälligkeits- und Zahlungsdaten. Dokumentieren Sie ausgeschlossene Datensätze, etwa Stornos, Testkunden oder unvollständige Altimporte.

3. Baseline berechnen

Vergleichen Sie die KI mit einer einfachen Regel, beispielsweise „Fälligkeit plus historische Medianabweichung“. Nur wenn das Modell diese Baseline messbar verbessert, rechtfertigt es zusätzliche Komplexität.

4. Zeitlich korrekt testen

Trainieren Sie auf älteren Perioden und testen Sie auf einer späteren, unangetasteten Periode. Zufälliges Mischen kann saisonale und zeitliche Effekte verschleiern.

5. Szenarien und Freigaben definieren

Legen Sie fest, welche Beträge im Vorsichts- oder Stressszenario verschoben werden und wer Maßnahmen freigibt. Hohe Einzelbeträge und niedrige Modellkonfidenz gehören in eine manuelle Prüfung.

6. Prognose gegen Realität messen

Speichern Sie Prognosedatum, Modellversion, Datenzeitraum und Ergebnis. Vergleichen Sie später den erwarteten mit dem tatsächlichen Zahlungseingang. Bewerten Sie nicht nur Tage, sondern auch Eurobeträge und die Trefferquote je Zeitfenster.

Checkliste für den ersten KMU-Pilot

Ist der konkrete Planungszeitraum definiert?
Sind Fälligkeit und tatsächliches Zahlungsdatum getrennte Felder?
Werden Teilzahlungen, Gutschriften, Stornos und Reklamationen korrekt behandelt?
Enthält der Test ausschließlich damals verfügbare Informationen?
Gibt es eine einfache Baseline zum Vergleich?
Zeigt die Ausgabe Zeitfenster und Unsicherheit statt Scheingenauigkeit?
Werden große Forderungen gesondert geprüft?
Bleiben Mahnungen, Ausgaben und Finanzierungsentscheidungen menschlich freigegeben?
Werden Fehler nach Zeitraum, Kundengruppe und Betrag überwacht?
Ist dokumentiert, welche personenbezogenen Daten verarbeitet werden?

Wie Claribill die Datengrundlage ordnen kann

Eine Prognose benötigt verlässliche Ausgangsdaten. Claribill dokumentiert öffentlich Funktionen für Rechnungen und Fälligkeiten, erfasste Zahlungen sowie betriebliche Berichte. Der hier beschriebene KI-Forecast ist keine Behauptung über eine vorhandene Claribill-Funktion, sondern ein kontrollierter Analyseansatz, der auf sauber geführten Rechnungs- und Zahlungsdaten aufbauen kann.

Vor einem Pilot sollten KMU insbesondere den Beginn von Zahlungsfristen korrekt bestimmen, unklare Zahlungseingänge sauber zuordnen und die bereits erläuterten Warnsignale einer KI-Anomalieprüfung getrennt von der Liquiditätsprognose behandeln. Anomalieerkennung fragt, ob etwas ungewöhnlich ist; Forecasting fragt, wann ein erwarteter Betrag wahrscheinlich eingeht.

FAQ zur KI-Liquiditätsprognose

Wie viele historische Rechnungen braucht ein KMU?

Es gibt keine allgemeingültige Mindestzahl. Entscheidend sind wiederkehrende Muster, saubere Zahlungszuordnung und ausreichend Fälle je relevantem Segment. Bei wenigen großen Kunden sind konservative Szenarien oft wichtiger als ein komplexes Modell.

Darf die KI automatisch Mahnungen starten?

Eine verspätete Zahlungserwartung beweist weder Verzug noch die fachliche Richtigkeit der Forderung. Prognose, Mahnprüfung und Versandfreigabe sollten getrennte Schritte bleiben.

Ist eine KI-Prognose genauer als eine Tabellenkalkulation?

Nicht automatisch. Eine einfache Medianregel kann bei kleinen, stabilen Datenbeständen besser und nachvollziehbarer sein. Der Vergleich mit einer Baseline zeigt, ob KI tatsächlich zusätzlichen Nutzen bringt.

Ersetzt die Prognose Steuerberatung oder Insolvenzprüfung?

Nein. Sie ist ein operatives Planungsinstrument. Bei absehbarer Unterdeckung oder Zweifeln an der Zahlungsfähigkeit sind qualifizierte steuerliche, betriebswirtschaftliche oder rechtliche Beratung und die geltenden nationalen Pflichten maßgeblich.

Fazit

Eine gute KI-Liquiditätsprognose beginnt nicht mit einem großen Modell, sondern mit der sauberen Trennung von Fälligkeit, Zahlung und Planungsannahme. KMU sollten Zeitfenster statt Scheingenauigkeit verlangen, große Forderungen konservativ behandeln und Prognosen laufend gegen echte Zahlungseingänge prüfen. So wird KI zu einem Frühwarninstrument, ohne finanzielle Entscheidungen zu automatisieren oder Unsicherheit zu verstecken.

Zahlungsziel ist keine Prognose: Wie KI Zahlungseingänge realistisch schätzt