Liquiditätsplanung die die KI realistischer macht.

Liquidität ist die Lebensader jedes Unternehmens — und gleichzeitig die Größe, die im Mittelstand am häufigsten aus dem Bauch heraus geplant wird. Viele Geschäftsführungen arbeiten mit einer groben Excel-Schätzung, die schnell veraltet, Zahlungseingänge zu optimistisch ansetzt und saisonale Schwankungen kaum abbildet. Das funktioniert, solange genug Puffer da ist. Wird es eng, kommt die Erkenntnis oft zu spät, um noch handeln zu können. KI kann hier helfen, eine realistischere und rollierende Liquiditätsplanung aufzubauen: Sie lernt aus der tatsächlichen Zahlungshistorie, wann Kunden wirklich zahlen, verknüpft offene Posten und Auftragsbestand mit den fälligen Ausgaben und projiziert die Liquidität für die kommenden Wochen — typischerweise als rollierende 13-Wochen-Vorschau. Das verschafft der Geschäftsführung Vorlauf statt Überraschungen. Dieser Beitrag zeigt, was eine KI-gestützte Cashflow-Prognose leisten kann, wo ihre Grenzen liegen, welche Genauigkeit realistisch ist und wie der Einstieg im Mittelstand aussieht.

Warum die Excel-Liquiditätsplanung an Grenzen stößt.

Die klassische Liquiditätsplanung im Mittelstand ist eine Tabelle: erwartete Eingänge oben, erwartete Ausgaben unten, Saldo pro Woche oder Monat. Sie ist transparent und für stabile Verhältnisse lange brauchbar — hat aber strukturelle Schwächen, die in schwierigen Phasen genau dann zuschlagen, wenn es darauf ankommt.

Erstens beruht sie auf Soll-Annahmen: Eine Rechnung mit Zahlungsziel 30 Tage wird zum Tag 30 als Eingang gebucht — obwohl der Kunde erfahrungsgemäß am Tag 45 zahlt. Über viele Posten summieren sich diese Optimismen zu einer systematisch zu schönen Vorschau. Zweitens ist sie statisch: Sie wird einmal erstellt und altert sofort, weil neue Aufträge, verspätete Zahlungen und ungeplante Ausgaben nicht automatisch einfließen. Drittens bildet sie Saisonalität und Muster kaum ab — der typische Dezember-Einbruch, die Quartalszahlungen, das Verhalten einzelner Großkunden.

Genau diese drei Schwächen adressiert ein datengetriebener Ansatz. Er ersetzt Soll-Annahmen durch gelernte Ist-Muster, aktualisiert sich laufend und erkennt Regelmäßigkeiten, die in der manuellen Planung untergehen.

Wie KI Zahlungseingänge realistischer schätzt.

Der größte Hebel liegt bei der Prognose der Zahlungseingänge, weil dort die größte Unsicherheit und der größte Optimismusfehler stecken. Statt das Zahlungsziel als Eingangsdatum zu nehmen, lernt das Modell aus der Historie das tatsächliche Zahlungsverhalten.

Konkret schätzt es für jeden offenen Posten ein wahrscheinliches Zahlungsdatum auf Basis von Merkmalen wie: Wie hat dieser Kunde in der Vergangenheit gezahlt? Welche Rechnungsgröße, welches Zahlungsziel, welche Branche, welche Jahreszeit? Aus tausenden vergangenen Rechnungen entsteht ein differenziertes Bild — der eine Kunde zahlt verlässlich pünktlich, der andere konstant zwei Wochen zu spät, ein dritter rund um seine eigenen Quartalsenden.

Daraus ergibt sich kein einzelnes Datum, sondern eine Verteilung: „Dieser Eingang fällt mit hoher Wahrscheinlichkeit in Kalenderwoche 34, möglich auch 35.“ Diese ehrliche Unsicherheit ist wertvoller als ein scheinpräziser Einzeltermin. Bei den Ausgaben ist die Prognose meist einfacher, weil viele Posten — Löhne, Mieten, Tilgungen, Steuern — planbar und terminlich bekannt sind; hier ergänzt das Modell vor allem die schwankenden variablen Kosten.

Die rollierende 13-Wochen-Vorschau.

In der Praxis hat sich der 13-Wochen-Horizont als Standard etabliert — lang genug, um Engpässe rechtzeitig zu sehen, kurz genug, um belastbar zu bleiben. „Rollierend“ heißt: Die Vorschau verschiebt sich jede Woche um eine Woche nach vorn und wird mit den neuesten Ist-Daten neu berechnet. So bleibt die Planung immer aktuell, statt zu einer Momentaufnahme aus der Vergangenheit zu werden.

Eine sinnvolle Darstellung zeigt nicht nur den erwarteten Saldo, sondern auch ein Band: einen optimistischen, einen erwarteten und einen vorsichtigen Verlauf. Gerade die vorsichtige Linie ist für die Geschäftsführung relevant — sie zeigt, wann es im ungünstigen Fall eng werden könnte, und damit, ab wann gegengesteuert werden muss.

Der eigentliche Nutzen ist die Vorwarnzeit. Wenn das System in Woche 3 zeigt, dass die Liquidität in Woche 9 unter eine kritische Schwelle fällt, bleiben sechs Wochen zum Handeln — eine Zahlung verschieben, einen Kontokorrent ziehen, eine Forderung anmahnen, eine Investition strecken. Diese sechs Wochen sind oft der Unterschied zwischen geordnetem Manövrieren und einer Notlage.

Welche Daten die Prognose braucht.

Eine gute Cashflow-Prognose braucht keine exotischen Datenquellen, sondern die ohnehin vorhandenen sauber angebunden. Die wichtigsten Quellen und ihr Beitrag:

In den meisten mittelständischen Unternehmen liegen diese Daten im ERP oder in der Finanzbuchhaltung — DATEV, SAP, Microsoft Dynamics, Sage oder branchenspezifische Systeme. Der Aufwand steckt weniger im Modell als in der sauberen Anbindung und Bereinigung. Mehr Datenquellen bedeuten nicht automatisch bessere Prognosen: Drei bis vier verlässliche Quellen erklären den Großteil der Vorhersagequalität, der Rest ist oft Feinschliff.

Was an Genauigkeit realistisch ist.

Bei der Genauigkeit ist Ehrlichkeit wichtiger als ein beeindruckender Prozentwert. Eine Liquiditätsprognose ist nie exakt — sie kann nicht wissen, ob ein Großkunde nächste Woche überraschend zahlt oder eine Maschine ausfällt. Das Ziel ist nicht Punktgenauigkeit, sondern eine deutlich bessere und ehrlichere Schätzung als die Soll-basierte Excel-Planung.

Realistisch lässt sich der Fehler bei der wochengenauen Eingangsprognose gegenüber der naiven Zahlungsziel-Annahme spürbar reduzieren — in vielen Mittelstandsfällen um eine Größenordnung von 20 bis 40 Prozent, gemessen an der mittleren Abweichung. Auf kurze Sicht (zwei bis vier Wochen) ist die Prognose gut, weil die offenen Posten weitgehend bekannt sind. Auf die volle 13-Wochen-Sicht wächst die Unsicherheit, vor allem bei den noch nicht in Rechnung gestellten Eingängen.

Wichtiger als der nackte Prozentwert ist, dass die Unsicherheit ausgewiesen wird. Eine Prognose, die ehrlich ein Band statt eines Einzelwerts zeigt, ist für Entscheidungen brauchbarer als eine scheinpräzise Zahl. Und für Unternehmen mit wenigen, großen, unregelmäßigen Zahlungseingängen ist KI naturgemäß schwächer als für solche mit vielen, regelmäßigen Posten — schlicht weil weniger Muster zum Lernen da sind.

Grenzen und wo der Mensch entscheidet.

Drei Situationen sind für jede datengetriebene Cashflow-Prognose schwierig, und ein gutes System sagt das auch. Erstens strukturelle Brüche: Ein neuer Großkunde, der Verlust eines Stammkunden, eine Konjunkturwende — Ereignisse, die in der Historie nicht vorkommen, kann das Modell nicht aus den Daten ableiten. Hier muss die Geschäftsführung ihr Wissen einbringen, und das System muss das ermöglichen, statt blind weiterzurechnen.

Zweitens seltene Großereignisse: Eine einzelne sehr große Zahlung, deren Timing über Wohl und Wehe entscheidet, lässt sich kaum statistisch prognostizieren. Solche Posten gehören manuell gesetzt, nicht dem Modell überlassen. Drittens dünne Datenlage: Junge Unternehmen oder solche mit stark wechselndem Geschäft haben zu wenig Historie für verlässliches Lernen.

Deshalb ist die richtige Rolle der KI die einer Entscheidungsunterstützung, nicht eines Autopiloten. Die Geschäftsführung sollte Annahmen überschreiben können — „diesen Auftrag werte ich vorsichtiger“, „diese Zahlung erwarte ich definitiv im Mai“ — und das System sollte diese Eingriffe transparent in die Prognose einarbeiten. So entsteht ein Werkzeug, das die Erfahrung der Führung verstärkt, statt sie zu ersetzen.

Einführung, Kosten und Nutzen.

Ein realistischer Einstieg beginnt mit der Anbindung der vorhandenen Finanzdaten und einer ersten 13-Wochen-Vorschau für das Gesamtunternehmen — nicht mit einer Aufschlüsselung bis ins letzte Detail. In sechs bis zwölf Wochen lässt sich eine erste nutzbare Planung aufbauen, die laufend aktualisiert wird und die Excel-Schätzung ablöst.

Die Investition für einen ersten Anwendungsfall liegt im Mittelstand grob bei 25.000 bis 70.000 Euro, abhängig von der Datenlage und der ERP-Integration. Laufende Kosten bewegen sich häufig bei einigen hundert bis rund 2.000 Euro im Monat. Der Nutzen ist oft schwerer in Euro zu fassen als bei anderen Anwendungsfällen, aber real: weniger Liquiditätsüberraschungen, bessere Verhandlungsposition gegenüber Banken durch eine belastbare Planung, gezielteres Forderungsmanagement und ein ruhigeres Schlafen der Geschäftsführung.

Der größte Wert entsteht, wenn die Planung Teil der Routine wird — wenn die rollierende Vorschau im wöchentlichen Rhythmus angeschaut und besprochen wird, statt nur im Krisenfall hervorgeholt zu werden. Eine gute KI-Prognose liefert die Datenbasis dafür; den Wert hebt aber erst die Disziplin, sie regelmäßig zu nutzen und die eigene Einschätzung mit ihr abzugleichen.

Sie wollen aus Ihrer Excel-Schätzung eine belastbare, rollierende Liquiditätsplanung machen, die Engpässe früh sichtbar macht? Unverbindlich anfragen — wir schauen gemeinsam auf Datenlage, Zahlungsstruktur und ERP-Anbindung und schätzen ehrlich ab, wie viel Vorwarnzeit realistisch drin ist.