Das Wichtigste in Kürze
- Ordnen Sie überfällige Rechnungen nach erwartetem Zahlungseingang (Betrag × Verzugsrisiko × Kontaktwirkung): Eine Rechnung über 120.000 EUR, die fünf Tage überfällig ist, kann vor einer über 3.200 EUR mit 95 Tagen Verzug stehen.
- Nehmen Sie strittige Beträge aus dem Score, stellen Sie Rechnungen mit Zahlungszusage bis zum zugesagten Termin zurück und ziehen Sie Rechnungen mit gebrochener Zusage nach vorn.
- Ein Sachbearbeiter schafft 15 bis 20 Anrufe am Tag. Alles unterhalb der Kapazitätsgrenze des Teams (bei zwei Sachbearbeitern etwa Rang 40) übernimmt deshalb ein KI-Agent.
- Der DSO der 1.000 größten Unternehmen Europas lag 2024 bei 48,5 Tagen, der Abstand zwischen Median und Spitzengruppe bei 18 Tagen (The Hackett Group, 2025).
In diesem Artikel
- Das Wichtigste in Kürze
- Was ist KI-gestützte Priorisierung im Forderungsmanagement?
- Warum lässt die Bearbeitung nach Rechnungsalter Geld liegen?
- Was brauchen Sie, bevor Sie das Forderungsmanagement mit KI priorisieren?
- So priorisieren Sie das Forderungsmanagement mit KI in 6 Schritten
- Beispiel: eine Arbeitsliste, zwei Reihenfolgen
- Häufige Fehler bei der Priorisierung mit KI
- Woran messen Sie, ob die KI-Priorisierung funktioniert?
Was ist KI-gestützte Priorisierung im Forderungsmanagement?
KI-gestützte Priorisierung im Forderungsmanagement ist ein Bewertungsverfahren, das jede überfällige Rechnung danach ordnet, wie viel Geld ein Kontakt voraussichtlich bringt. So wird zuerst erledigt, was sich am meisten lohnt.
Das Ergebnis ist eine täglich neu geordnete Arbeitsliste: Jede überfällige Rechnung bekommt einen nächsten Schritt und einen Verantwortlichen, also einen Sachbearbeiter oder den KI-Agenten. Eine Fälligkeitsanalyse sortiert nach Zeit, der Score nach erwartetem Zahlungseingang.
Die Priorisierung ist der erste Schritt eines größeren Ablaufs aus Mahnwesen, Anrufen, der Nachverfolgung von Zahlungszusagen und der Klärung von Streitfällen. Wie dieser Ablauf insgesamt funktioniert, beschreibt unser Beitrag Forderungsmanagement mit KI automatisieren.
Warum lässt die Bearbeitung nach Rechnungsalter Geld liegen?
Wer die älteste Rechnung zuerst mahnt, lässt Geld liegen, denn die Tage im Verzug sagen nichts über den Betrag, das Zahlungsverhalten des Kunden oder darüber, ob ein Anruf etwas ändert.
Bei den 1.000 größten Unternehmen Europas stieg der DSO 2024 auf 48,5 Tage, und zwischen Median und Spitzengruppe lagen 18 Tage (The Hackett Group, 2025).
Europäische Unternehmen bekommen inzwischen mehr als 12 % ihres Umsatzes verspätet bezahlt, also mehr, als sie selbst für tragbar halten (Intrum, 2026). Intrum hat dafür 8.385 Unternehmen in 20 europäischen Ländern befragt.
Unternehmen in Westeuropa verlieren im Schnitt 1,6 % ihres fakturierten B2B-Umsatzes durch Forderungsausfälle, und fast jedes vierte meldet Ausfälle von bis zu 5 % (Atradius, 2026).
Wer nach Alter priorisiert, verwendet die ersten Anrufe auf kleine, alte Salden, die oft ohnehin verloren sind. Die große Rechnung eines Kunden, dessen Zahlungsmoral nachlässt, wartet derweil, weil sie erst fünf Tage überfällig ist.
Was brauchen Sie, bevor Sie das Forderungsmanagement mit KI priorisieren?
Für die KI-Priorisierung brauchen Sie offene Posten, mindestens 12 Monate Zahlungshistorie, Zahlungszusagen, Streitfälle, Kontaktdaten und Kreditlimits an einem Ort, dazu eine schriftliche Richtlinie.
- Daten: offene Posten je Rechnung aus dem ERP, ausgeglichene Posten aus mindestens 12 Monaten (bei Saisongeschäft mehr), jede Zahlungszusage mit Datum und Betrag, offene Streitfälle, das Kontaktprotokoll, das Kreditlimit und gegebenenfalls zugekaufte Bonitätsauskünfte.
- Richtlinie: welche Kunden fest bei einer bestimmten Person bleiben, was nie automatisiert werden darf und wann ein Fall an ein Inkassounternehmen geht.
- Ausgangswerte: der Anteil der überfälligen Rechnungen mit einem Kontakt innerhalb von 24 Stunden, der DSO und die Quote eingehaltener Zusagen, gemessen in den vier Wochen vor der Umstellung.
So priorisieren Sie das Forderungsmanagement mit KI in 6 Schritten
Die Priorisierung im Forderungsmanagement mit KI läuft in sechs Schritten: Daten zusammenführen, jede Zahlung vorhersagen, den erwarteten Zahlungseingang bewerten, Regeln anwenden, die Arbeitsliste nach Kapazität aufteilen und nachkalibrieren.
- Jede überfällige Rechnung samt Kundenhistorie in einem Datensatz zusammenführen, täglich aktualisiert.
- Die Zahlung jeder Rechnung vorhersagen: die Wahrscheinlichkeit einer verspäteten Zahlung und den erwarteten Zahlungstermin.
- Den erwarteten Zahlungseingang bewerten: offener Betrag × Verzugswahrscheinlichkeit × Kontaktwirkung.
- Regeln anwenden: Streitfälle, Zahlungszusagen und fest betreute Kunden gesondert behandeln.
- Die Arbeitsliste nach Kapazität aufteilen: Die Sachbearbeiter übernehmen die Spitze, ein KI-Agent den Rest.
- Täglich neu ordnen und monatlich nachkalibrieren.
Schritt 1: Jede überfällige Rechnung samt Historie in einem Datensatz zusammenführen
Der Score gilt je Rechnung, das Obligo je Kunde. Beides gehört in den Datensatz: An jeder Rechnung hängen der gesamte offene Saldo des Kunden, die Auslastung seines Kreditlimits, seine letzte Zahlungszusage und sein letzter Streitfall.
Aktualisieren Sie den Datensatz täglich nach dem Zahlungsabgleich, damit bereits bezahlte Rechnungen gar nicht erst auf der Liste landen. Vero, der KI-Agent von Transformance, arbeitet mit Customer 360, einem Graphen pro Kunde, der ihm als Arbeitsgedächtnis dient. So kennt Vero vor jedem Kontakt die letzte Zusage, den letzten Streitfall und das letzte Gespräch.
Schritt 2: Die Zahlung jeder Rechnung vorhersagen
Das Prognosemodell liefert für jede Rechnung zwei Werte: die Wahrscheinlichkeit, dass sie mehr als N Tage zu spät bezahlt wird (N legt Ihre Richtlinie fest, etwa 30), und ein erwarteter Zahlungstermin.
Die aussagekräftigsten Merkmale im B2B-Geschäft stammen vom Kunden selbst. Dazu zählen seine bisherigen Verzugstage, die Rechnungshöhe im Vergleich zu seinen üblichen Rechnungen, die Nähe zum Monats- oder Quartalsende, frühere Streitfälle, die Reaktion auf Zahlungserinnerungen und jüngste Teilzahlungen. Welche Merkmale und Modelle sich eignen, beschreibt unser Leitfaden zur ML-basierten Zahlungsprognose.
Schritt 3: Den erwarteten Zahlungseingang bewerten
Die Formel: Prioritätswert = offener Betrag × Wahrscheinlichkeit verspäteter Zahlung × Wahrscheinlichkeit, dass ein Kontakt am Ergebnis etwas ändert.
Lassen Sie den dritten Faktor nicht weg. Ein zuverlässiger Zahler, der drei Tage im Verzug ist, zahlt auch ohne Anruf. Ein Kunde, der nach einem Kontakt schneller zahlt, bekommt einen hohen Faktor. Schätzen Sie diesen Faktor daraus, wie viel früher vergleichbare Rechnungen nach einem Kontakt bezahlt wurden.
Zuschläge multiplizieren den Score. Halten Sie ihre Zahl klein und legen Sie sie schriftlich fest. Typische Auslöser sind eine gebrochene Zusage (×1,5 im Beispiel unten), eine Rechnung kurz vor der nächsten Fälligkeitsklasse (×1,25), eine steigende Auslastung des Kreditlimits und ein Warnsignal zur Bonität. So wird daraus risikobasiertes Forderungsmanagement und nicht bloß eine Sortierung nach Betrag.
Das Risiko steigt: 53 % der europäischen Unternehmen erwarten, dass verspätete Zahlungen oder Zahlungsausfälle in den nächsten 12 Monaten zunehmen (Intrum, 2026). Die Insolvenzanmeldungen in der EU lagen im zweiten Quartal 2026 um 5,7 % über dem Vorquartal (Eurostat, 2026).
Rechnen Sie in Konzernwährung zum Tageskurs, damit das Währungsrisiko den Vergleich über Ländergrenzen hinweg nicht verzerrt.
Schritt 4: Regeln anwenden, bevor ein Kunde kontaktiert wird
- Streitfälle: Der strittige Betrag fällt aus dem Score und geht ins Streitfallmanagement, der unstrittige Saldo bleibt auf der Liste.
- Zahlungszusagen: Eine Rechnung mit offener Zusage wird bis einen Werktag nach dem zugesagten Termin zurückgestellt. Kommt das Geld nicht, schiebt sie der Zuschlag für die gebrochene Zusage nach oben.
- Fest betreute Kunden: Strategische Kunden, laufende Ratenzahlungen und Fälle bei der Rechtsabteilung gehen samt Score an die zuständige Person.
- Inkassofälle: Überschreitet ein Fall die Schwelle aus Ihrer Richtlinie, verlässt er die Arbeitsliste. Wann Software und wann ein Inkassodienstleister die bessere Wahl ist, zeigt unser Beitrag B2B-Forderungsmanagement: Software oder Dienstleister.
Schritt 5: Die Arbeitsliste nach Kapazität aufteilen
Zwei Sachbearbeiter mit je 15 bis 20 Anrufen am Tag schaffen zusammen 30 bis 40 Anrufe. Die Kapazitätsgrenze des Teams liegt auf der Arbeitsliste also etwa bei Rang 40.
Diese Grenze beantwortet auch die Frage, wen Sie zuerst anrufen. Die Sachbearbeiter übernehmen die ersten 40 Ränge, denn dort steht das meiste Geld auf dem Spiel, und dort zählt ihr Urteil am meisten. Für alles darunter meldet sich noch heute der Agent: per E-Mail beim zuverlässigen Zahler, per Anruf bei dem, der E-Mails liegen lässt.
Ein Sachbearbeiter schafft 15 bis 20 Anrufe am Tag, der KI-Telefonagent in CollectPulse 15 bis 20 Anrufe pro Stunde, und das in über 70 Sprachen. CollectPulse bearbeitet 100 % der überfälligen Rechnungen innerhalb von 24 Stunden, manuell arbeitende Teams kommen auf 30 bis 40 %.
Schritt 6: Täglich neu ordnen, monatlich nachkalibrieren
Bewerten Sie täglich neu, nach dem Zahlungsabgleich und nach jeder Antwort, jeder Zusage und jedem Streitfall. Vergleichen Sie einmal im Monat die vorhergesagten mit den tatsächlichen Zahlungsterminen. Prüfen Sie, ob die ersten 40 Ränge pro Kontakt das meiste Geld eingebracht haben, und passen Sie die Gewichte dort an, wo der Score danebenlag. Halten Sie jede Änderung mit Datum fest.
Ein KI-Agent in der Debitorenbuchhaltung gibt zunächst Empfehlungen und übernimmt Routinekontakte erst dann selbst, wenn seine Entscheidungen denen der Sachbearbeiter entsprechen. Transformance arbeitet mit einem Freigabemodell in vier Stufen (Lesen, Empfehlen, Ausführen, Buchen), und bei ERP-Buchungen bleibt ein Mensch eingebunden.
Beispiel: eine Arbeitsliste, zwei Reihenfolgen
In diesem frei gewählten Beispiel mit sechs Rechnungen steht nach Alter sortiert eine Rechnung über 3.200 EUR oben, nach KI-Score dagegen eine über 120.000 EUR mit gebrochener Zahlungszusage.
Alle Werte sind erfunden und in Konzernwährung angegeben. Für diese sechs Rechnungen hat das Team einen einzigen Anruf frei. Score = unstrittiger offener Betrag × Verzugswahrscheinlichkeit × Kontaktwirkung × Zuschlag. Das ist die Methode dieses Artikels, nicht das Bewertungsmodell eines Produkts.
Für Kunde A: 120.000 × 0,35 × 0,6 = 25.200, der Zuschlag von ×1,5 für die gebrochene Zusage hebt den Wert auf 37.800. Für D: 9.500 × 0,80 × 0,4 = 3.040, mit ×1,25 ergibt das 3.800.
Nach Alter geht der eine Anruf an 3.200 EUR, die vermutlich verloren sind. F wird vor dem zugesagten Termin gemahnt, und A steht erst an fünfter Stelle. Mit KI geht der Anruf an A, und der Agent kümmert sich noch am selben Tag um B, C, D und E.
Häufige Fehler bei der Priorisierung mit KI
Die teuren Fehler der KI-Priorisierung liegen nicht im Modell, sondern in den Regeln: Strittige Beträge bleiben im Score, bei Zusagen wird zu früh nachgefasst, und niemand arbeitet die Liste ab.
- Nach Tagen im Verzug sortieren und ein KI-Etikett daraufkleben: Der Score sieht den Betrag nie.
- Strittige Beträge mitbewerten oder vor dem zugesagten Termin anrufen: In beiden Fällen laufen Sie Geld hinterher, zu dem sich der Kunde bereits geäußert hat.
- Eine Liste mit 400 Zeilen für ein Team, das 40 Anrufe schafft: Die unteren 360 bekommen nie einen Kontakt.
- Prognosen nie mit den tatsächlichen Zahlungen abgleichen: Dann liegen die Gewichte mit jedem Quartalsende weiter daneben.
Woran messen Sie, ob die KI-Priorisierung funktioniert?
Messen Sie die KI-Priorisierung an Abdeckung, Zahlungseingang und Genauigkeit: Anteil der binnen 24 Stunden bearbeiteten überfälligen Rechnungen, Einzugsquote, Quote eingehaltener Zusagen, Abweichung zwischen vorhergesagtem und tatsächlichem Zahlungstermin.
- Abdeckung = überfällige Rechnungen mit einem Kontakt innerhalb von 24 Stunden / alle überfälligen Rechnungen.
- Collections Effectiveness Index (CEI) = Anteil der einziehbaren Forderungen, der im Zeitraum tatsächlich eingezogen wurde.
- Quote eingehaltener Zusagen = bis zum zugesagten Termin vollständig bezahlte Zusagen / abgegebene Zusagen.
- Prognosefehler = Median der Abweichung in Tagen zwischen vorhergesagter und tatsächlicher Zahlung.
- Ertrag der Listenspitze = Zahlungseingang aus den ersten 40 Rängen (Sachbearbeiter) / gesamter Zahlungseingang.
Weitere Kennzahlen finden Sie in unserem Überblick zu Prozessen und KPIs im Forderungsmanagement. Bei Kunden von CollectPulse sinkt der DSO im Schnitt um 8 bis 12 Tage (Transformance-Kundendaten, 2026).
Fazit: nach erwartetem Zahlungseingang ordnen, den Rest am selben Tag bearbeiten
Forderungsmanagement mit KI zu priorisieren heißt, nach erwartetem Zahlungseingang statt nach Alter zu ordnen und jede Rechnung unterhalb der Kapazitätsgrenze binnen 24 Stunden einem KI-Agenten zu übergeben. Legen Sie zuerst die Richtlinie schriftlich fest, starten Sie im Empfehlungsmodus, und messen Sie Abdeckung, Quote eingehaltener Zusagen und DSO an Ihren Ausgangswerten.
Häufig gestellte Fragen
Wie lässt sich das Forderungsmanagement mit KI priorisieren?
Bewerten Sie jede überfällige Rechnung nach Betrag, Verzugswahrscheinlichkeit und Kontaktwirkung, berücksichtigen Sie Zusagen und Streitfälle, und ordnen Sie nach erwartetem Zahlungseingang. Die Sachbearbeiter übernehmen die Spitze der Liste, ein KI-Agent den Rest.
Wen sollten Sachbearbeiter zuerst anrufen?
Rufen Sie zuerst die Kunden an, bei denen der erwartete Zahlungseingang am höchsten ist und ein persönlicher Anruf etwas bewirkt: hohe Salden, gebrochene Zusagen, ein fast ausgeschöpftes Kreditlimit. Zuverlässige Zahler bekommen eine automatische Erinnerung.
Was ist risikobasiertes Forderungsmanagement?
Risikobasiertes Forderungsmanagement ordnet die Arbeit nach Wahrscheinlichkeit und Kosten eines Zahlungsausfalls statt nach Rechnungsalter. Ein Kunde, dessen Zahlungsmoral nachlässt, kommt so vor einem zuverlässigen Kunden mit älterer Rechnung.
Kann generative KI das Forderungsmanagement priorisieren?
Nicht allein: Die Reihenfolge kommt aus Prognosemodellen, die auf Ihrer Zahlungshistorie trainiert sind, während generative KI die Nachrichten schreibt und die Antworten liest. Wo welche Art von Modell passt, erklärt unser Beitrag zu generativer KI in Finanzteams.
Wie lange dauert die Einführung der KI-Priorisierung?
Bei Transformance dauert ein Proof of Value für eine Gesellschaft 4 bis 5 Wochen, ein vollständiger Rollout bis zu 4 bis 8 Wochen. Beides setzt voraus, dass die Daten aus Schritt 1 zugänglich sind.
