KI im Mahnwesen das Geld schneller hereinholt.
Im Mahnwesen verschenken viele mittelständische Unternehmen Geld — nicht durch endgültige Ausfälle, sondern durch Liegezeiten. Offene Posten werden nach starrem Schema gemahnt: nach dreißig Tagen die erste Mahnung, nach weiteren vierzehn die zweite, unabhängig davon, ob der Kunde nur vergesslich ist oder kurz vor der Insolvenz steht. Das Ergebnis ist ein langer Forderungslauf, gebundene Liquidität und gelegentlich ein Ausfall, der sich früh angekündigt hätte. KI kann hier an zwei Stellen helfen: Sie priorisiert die offenen Posten nach Ausfallrisiko und Zahlungswahrscheinlichkeit, sodass die Sachbearbeitung ihre Zeit auf die richtigen Fälle lenkt, und sie formuliert Mahntexte tonrichtig — vom freundlichen Erinnern beim guten Kunden bis zur klaren Eskalation beim Dauer-Säumigen. Das verkürzt die durchschnittliche Forderungslaufzeit spürbar, ohne wertvolle Kundenbeziehungen zu beschädigen. Dieser Beitrag zeigt, wie ein solches System arbeitet, welche Effekte realistisch sind — und wo rechtliche und menschliche Grenzen verlaufen, die kein Algorithmus überschreiten sollte.
Warum das starre Mahnschema teuer ist.
Das klassische Mahnwesen behandelt alle offenen Posten gleich: Frist abgelaufen, Mahnung raus, nächste Stufe nach Plan. Diese Gleichbehandlung ist administrativ einfach, aber wirtschaftlich grob. Sie ignoriert, dass hinter jeder überfälligen Rechnung eine andere Geschichte steckt.
Der zuverlässige Stammkunde, der eine Rechnung schlicht übersehen hat, braucht eine freundliche Erinnerung — und reagiert oft schon auf einen kurzen Anruf. Der chronisch späte Zahler kalkuliert das Mahnwesen ein und zahlt erst auf Druck. Und der Kunde mit echten Liquiditätsproblemen ist ein Frühwarnfall, bei dem schnelles Handeln über die Höhe des Ausfalls entscheidet. Alle drei nach gleichem Schema zu behandeln, ist in jedem Fall suboptimal.
Hinzu kommt der Mengeneffekt: In einem typischen Mittelständler sind ständig hunderte Posten offen. Die Sachbearbeitung kann nicht jeden einzeln einschätzen und arbeitet die Liste der Reihe nach ab. Genau hier liegt der Hebel — die richtige Reihenfolge und der richtige Ton machen messbaren Unterschied, ohne dass mehr Personal nötig wäre.
Priorisierung nach Ausfallrisiko und Zahlungswahrscheinlichkeit.
Der erste Hebel ist die Reihenfolge. KI schätzt für jeden offenen Posten zwei Dinge: wie wahrscheinlich ein Ausfall ist und wie schnell der Kunde voraussichtlich zahlt. Aus diesen beiden Größen ergibt sich, welche Fälle dringend persönliche Aufmerksamkeit brauchen und welche getrost dem automatisierten Standardlauf überlassen werden können.
Das Modell lernt aus der eigenen Zahlungshistorie, welche Muster auf Probleme hindeuten: ein Kunde, dessen Zahlungsverzug von Rechnung zu Rechnung wächst; einer, der zum ersten Mal überhaupt überfällig ist, obwohl er sonst pünktlich war; einer, dessen Bestellverhalten sich auffällig verändert hat. Solche Signale sind für die Sachbearbeitung in der Masse nicht sichtbar, für ein Modell aber gut erkennbar.
Das Ergebnis ist eine nach Handlungsbedarf sortierte Arbeitsliste. Oben stehen die Fälle, bei denen ein früher persönlicher Kontakt den größten Unterschied macht — typischerweise die Kombination aus hohem Betrag und steigendem Risiko. Das ist der wirtschaftlich wertvollste Teil: Ein früh erkannter Problemfall, bei dem man rechtzeitig eine Ratenvereinbarung trifft, kostet weit weniger als ein zu spät bemerkter Totalausfall.
Tonrichtige Mahntexte mit generativer KI.
Der zweite Hebel ist die Ansprache. Sprachmodelle können Mahntexte erzeugen, die zur Eskalationsstufe und zum Kundentyp passen — von der betont freundlichen Zahlungserinnerung bis zur sachlich-bestimmten letzten Mahnung. Das spart der Sachbearbeitung das mühsame Formulieren und sorgt für einen konsistenten, professionellen Ton.
Der praktische Nutzen ist real, aber die Grenzen sind klar: Generierte Mahntexte müssen geprüft werden, bevor sie rausgehen. Ein Sprachmodell kann Fristen, Beträge oder rechtliche Formulierungen falsch wiedergeben, und gerade im Mahnwesen sind formale Fehler heikel — eine falsch berechnete Frist oder ein unzulässiger Verzugszins ist nicht nur peinlich, sondern angreifbar. Bewährt hat sich, die KI Entwürfe auf Basis fester, juristisch geprüfter Textbausteine erzeugen zu lassen und Beträge sowie Fristen aus dem System einzusetzen, statt sie das Modell frei formulieren zu lassen.
Bei späteren Mahnstufen und allem, was Richtung Inkasso oder gerichtliches Mahnverfahren geht, gehört ohnehin ein Mensch in die Schleife. Hier geht es um Texte mit rechtlicher Wirkung, und die volle Verantwortung dafür kann und sollte keine Automatik tragen.
Was an Effekt auf die Forderungslaufzeit realistisch ist.
Die zentrale Kennzahl im Forderungsmanagement ist die durchschnittliche Forderungslaufzeit, oft als DSO (Days Sales Outstanding) gemessen — die Zeit zwischen Rechnung und Zahlungseingang. Jeder Tag weniger bindet weniger Liquidität.
Eine seriöse Bandbreite: Durch konsequente Priorisierung und früheren, gezielteren Kontakt lässt sich die Forderungslaufzeit in vielen Mittelständlern um typischerweise einige Tage bis grob zwei Wochen verkürzen — abhängig stark davon, wie unstrukturiert das Mahnwesen vorher war. Bei Unternehmen mit bereits sehr diszipliniertem Mahnwesen ist der Spielraum kleiner. Bei solchen, die bisher reaktiv und uneinheitlich gemahnt haben, ist der Effekt am größten.
| Hebel | Typischer Effekt |
|---|---|
| Frühere Ansprache der Risikofälle | weniger und kleinere Ausfälle |
| Priorisierung der hohen Beträge | schnellerer Liquiditätszufluss |
| Konsistenter, passender Ton | weniger eskalierte Konflikte mit guten Kunden |
| Automatisierter Standardlauf für unkritische Posten | entlastete Sachbearbeitung |
Der Nutzen entsteht also aus mehreren kleinen Effekten zusammen, nicht aus einem einzelnen spektakulären. Wer einen DSO-Sprung von Wochen erwartet, überschätzt das Werkzeug; wer eine stetige Straffung will, liegt richtig.
Die rechtlichen Grenzen ernst nehmen.
Mahnwesen ist ein rechtlich regulierter Bereich, und hier ist Vorsicht keine Bürokratie, sondern Selbstschutz. Mehrere Punkte sind kritisch.
Erstens dürfen automatisierte Risikoeinschätzungen, die rechtliche oder erhebliche wirtschaftliche Wirkung für eine Person entfalten, nach DSGVO nicht ohne Weiteres allein einer Maschine überlassen werden — Stichwort automatisierte Einzelentscheidung. Bei der bloßen internen Priorisierung von Arbeitslisten ist das meist unkritisch; sobald aber ein Score automatisch über Liefersperren oder Konditionen entscheidet, wird es heikel und gehört juristisch geprüft.
Zweitens unterliegt der Mahntext selbst Formvorschriften: zulässige Verzugszinsen, korrekte Fristen, das Trennen von Mahngebühren und Verzugsschaden. Hier darf keine generative Freiheit walten.
Drittens ist der Ton eine Frage des Augenmaßes. Übertrieben aggressive oder einschüchternde Formulierungen können nicht nur die Kundenbeziehung zerstören, sondern auch rechtlich angreifbar sein. Ein gutes System bleibt sachlich und bestimmt — nie drohend. Diese Grenzen sind kein Hindernis für Automatisierung, aber sie definieren, wo der Mensch die Verantwortung behält.
Integration in Buchhaltung und ERP.
Ein Mahn-Assistent, der neben dem Buchhaltungssystem in einem eigenen Tool lebt, erzeugt Doppelarbeit und Fehler. Der Nutzen entsteht erst, wenn die Lösung direkt auf den offenen Posten im ERP oder der Finanzbuchhaltung aufsetzt — Beträge, Fristen und Zahlungseingänge kommen aus dem System, die Priorisierung und die Textentwürfe fließen zurück.
Bei gängigen Systemen wie DATEV, SAP, Sage oder Microsoft Dynamics gibt es heute brauchbare Schnittstellen, oft auch fertige Bausteine. Wichtig ist, dass Zahlungseingänge zeitnah einfließen, damit kein Kunde gemahnt wird, der gerade gezahlt hat — nichts beschädigt Vertrauen schneller als eine Mahnung für eine längst beglichene Rechnung.
Sinnvoll ist außerdem ein klar getrennter Automatik- und Handlungsbereich: Unkritische Standardfälle laufen automatisiert durch, die priorisierten Risiko- und Großfälle landen auf dem Tisch eines Menschen. Diese Arbeitsteilung — Maschine für die Masse, Mensch für die wichtigen Ausnahmen — ist der Kern eines funktionierenden Systems.
Einstieg, Kosten, Lernkurve.
Ein realistischer Einstieg beginnt mit der Priorisierung allein — also der Risiko- und Zahlungsprognose auf den bestehenden offenen Posten, ohne sofort die Textgenerierung zu automatisieren. Sechs bis zwölf Wochen sind realistisch, bis eine erste nutzbare Priorisierung im Alltag der Buchhaltung steht.
Die Investition für einen ersten Anwendungsfall im Mittelstand liegt grob bei 25.000 bis 70.000 Euro, abhängig vor allem von der ERP-Anbindung und der Datenlage. Laufende Kosten bewegen sich typisch im niedrigen vierstelligen Bereich pro Monat. Der Nutzen entsteht über die gebundene Liquidität, die früher hereinkommt, und über vermiedene Ausfälle, die früh erkannt wurden.
Die Lernkurve betrifft hier weniger die Technik als das Vertrauen der Sachbearbeitung. Sie muss erleben, dass die priorisierten Fälle tatsächlich die richtigen sind, und sie braucht die Möglichkeit, die Einschätzung des Systems zu übersteuern und zu begründen. Diese Rückmeldungen verbessern das Modell — und gewinnen das Team, ohne das auch das beste Mahnwesen nicht läuft.
Sie wollen wissen, wie viel Liquidität in Ihren offenen Posten gebunden ist und wo eine intelligente Priorisierung den größten Hebel hätte? Unverbindlich anfragen — wir schauen gemeinsam auf Forderungslaufzeit, Zahlungshistorie und ERP-Anbindung und definieren einen rechtssicheren ersten Schritt.