Cashflow-Prognose bezeichnet die Vorhersage von Ein- und Auszahlungen über einen definierten Zeithorizont, typischerweise 13 Wochen im Treasury-Management oder 12 bis 18 Monate für die strategische Planung. Sie bildet die zentrale Grundlage der Liquiditätsplanung.
Mit einer Cashflow-Prognose beantworten Finanzteams zwei Fragen, die sich jedes Unternehmen immer wieder stellen muss: Reichen unsere liquiden Mittel im nächsten Monat, um den Betrieb aufrechtzuerhalten? Und wohin mit überschüssiger Liquidität, falls vorhanden? Wer präzise prognostiziert, muss keine Kreditlinien ziehen, vermeidet unerwartete Liquiditätsengpässe und terminiert Investitionen sowie Schuldentilgungen optimal. Schlechte Prognosen führen entweder zu übermäßiger Kreditaufnahme, also zu Zinskosten, oder zu Unterfinanzierung und damit zu Betriebsunterbrechungen.
Für CFOs mittelständischer und großer Unternehmen zählt die Genauigkeit der Cashflow-Prognose zu den Kennzahlen auf Vorstandsebene. Kreditgeber beurteilen anhand der Prognose, ob Sie Ihre Covenants einhalten. Und Wirtschaftsprüfer werten die Qualität der Prognose als Zeichen für die Disziplin des Managements.
Die meisten Finanzteams arbeiten mit zwei parallelen Prognosen über unterschiedliche Zeithorizonte.
Manche Branchen ergänzen saisonale Prognosen (Einzelhandel Q4, Erntezyklus in der Landwirtschaft) oder projektbezogene Liquiditätsprognosen (Bau, Immobilien).
Auf der Einzahlungsseite stehen Kundenzahlungen auf offene Forderungen, das erwartete Neugeschäft (Umsatzprognose), Steuererstattungen, Finanzierungserlöse und Erlöse aus Anlagenverkäufen. Auf der Auszahlungsseite finden Sie Lieferantenzahlungen (offene Verbindlichkeiten), Personalkosten, Steuern, Kapitaldienst, Investitionsausgaben und Dividenden. Die Prognose saldiert Ein- und Auszahlungen je Periode: wöchentlich bei der 13-Wochen-Planung, monatlich bei einem Horizont von 12 bis 18 Monaten. So entsteht ein fortlaufender Liquiditätsstatus.
Ein IOFM-Benchmark aus dem Jahr 2024 zeigt: 67 % der Finanzteams im Mittelstand treffen über einen Zeitraum von mehr als vier Wochen nur zu weniger als 80 % ins Ziel. Woran das strukturell liegt, ist gut untersucht. Erstens zahlen Kunden zu unsicheren Zeitpunkten, denn der DSO (Debitorenlaufzeit) ist ein Durchschnittswert und keine exakte Größe. Zweitens stützt sich die Prognose meist auf die Fälligkeitsstruktur der Forderungen aus der Vorwoche statt auf Echtzeitdaten aus dem Forderungsmanagement. Drittens lässt sich nur schwer vorhersagen, wie Streitfälle und Abzüge auf Rechnungsebene ausgehen. Und viertens entstehen Prognosen in der Regel in Excel, mit manueller Datenpflege. Fehler summieren sich also, und Korrekturen greifen nur langsam.
KI-native Plattformen für die Cashflow-Prognose setzen genau an diesen strukturellen Problemen an. Machine-Learning-Modelle sagen das Zahlungsdatum jeder einzelnen Rechnung voraus, und zwar auf Basis der Zahlungshistorie des jeweiligen Kunden. Die Genauigkeit liegt bei 80 bis 95 % auf vier Wochen und bei 70 bis 85 % auf zwölf Wochen. Weil die Modelle in Echtzeit an die Cash Application (automatischer Zahlungsabgleich) und den Mahnprozess angebunden sind, aktualisiert sich die Prognose, sobald Zahlungen eingehen und Zahlungszusagen erfasst werden, und nicht erst über Nacht. An die Stelle von Punktschätzungen treten Konfidenzbereiche. Sie geben Treasury-Teams ein Gefühl für das Prognoserisiko, statt eine trügerische Genauigkeit vorzutäuschen.
Die größere strukturelle Veränderung ist das Zusammenspiel aus Prognose und Forderungsmanagement. Zeigt die Vorschau eine Liquiditätslücke, priorisieren agentische AR-Plattformen die Mahnaktivitäten automatisch neu, und zwar auf die Rechnungen, die die Lücke am ehesten schließen. So schließt sich der Kreis zwischen Prognose und Handeln. Genau das macht aus der Prognosegenauigkeit eine steuerbare Größe statt eines statischen Berichts.
Eine 13-Wochen-Liquiditätsplanung zeigt rollierend Woche für Woche, welche Zahlungen in den nächsten 90 Tagen ein- und ausgehen. Sie gilt in der Treasury-Planung als Standardhorizont: kurz genug für eine hohe Genauigkeit und zugleich lang genug, um Liquiditätsengpässe früh zu erkennen und rechtzeitig gegenzusteuern. Die meisten Unternehmen aktualisieren die Planung wöchentlich, gleichen Ist- mit Planwerten ab und schreiben die Vorschau fort.
Je nach Horizont setzen die Spitzenreiter unterschiedliche Genauigkeits-Benchmarks an: über 95 % nach einer Woche, 85 bis 95 % nach vier Wochen, 75 bis 90 % nach 13 Wochen und 60 bis 80 % nach zwölf Monaten. Liegt die Genauigkeit nach vier Wochen unter 80 %, sollten Sie den Prognoseprozess überarbeiten. KI-native Plattformen für die Cashflow-Prognose erreichen meist schon in den ersten 90 Tagen nach der Einführung eine Genauigkeit von 90 bis 95 % nach vier Wochen.
Die direkte Methode bildet jede Zahlung einzeln ab (diese Rechnung wird an diesem Tag bezahlt, dieser Lieferant an jenem Tag). Sie arbeitet granular und trifft kurze Horizonte wie die 13 Wochen sehr genau. Die indirekte Methode leitet den Cashflow über buchhalterische Anpassungen aus der geplanten Gewinn- und Verlustrechnung sowie der Bilanz ab. Sie lässt sich schneller aufbauen, bleibt aber ungenauer und dient meist dem strategischen Horizont von zwölf bis 18 Monaten.
Die direkte Prognose stützt sich auf die offenen Debitorenposten (auf Rechnungsebene), die offenen Kreditorenposten, die Zahlungshistorie der Kunden (um den Zeitpunkt zu prognostizieren), die Zahlungsbedingungen der Lieferanten, den Gehaltszahlungsplan, den Steuerkalender, den Kapitaldienstplan und die Investitionsplanung. Die Debitorendaten sind die umfangreichste Eingabegröße und zugleich am schwersten präzise vorherzusagen. Genau deshalb wirkt die Automatisierung auf der Debitorenseite überproportional auf die Gesamtqualität der Prognose.
KI prognostiziert für jede einzelne Rechnung, wann der Kunde zahlt, statt mit DSO-Durchschnittswerten zu rechnen. Die Echtzeit-Integration mit Zahlungsabgleich und Forderungsmanagement aktualisiert die Prognose laufend, sobald Zahlungen eingehen und Streitfälle sich klären. Konfidenzbereiche ersetzen Punktschätzungen, sodass das Treasury die Risikoverteilung sieht und nicht nur eine einzelne Zahl. Zusammen steigern diese Effekte die Genauigkeit meist um zehn bis 20 Prozentpunkte gegenüber Excel-basierten Prognosen, und das binnen 90 Tagen nach der Einführung.
Das Zusammenspiel aus Prognose und Forderungsmanagement beschreibt die dynamische Rückkopplung zwischen Liquiditätsprognose und Forderungseinzug. Sagt die Prognose für eine künftige Woche einen Liquiditätsengpass voraus, priorisiert das Debitorensystem die Einzugsarbeit neu und konzentriert sich auf die überfälligen Rechnungen, die die Lücke am wahrscheinlichsten schließen (hohe Zahlungswahrscheinlichkeit, passender Betrag, passender Zeitpunkt). So wird die Prognose vom passiven Bericht zum handlungsleitenden Signal. Ältere Systeme leisten das nicht, weil Prognose und Forderungsmanagement getrennt laufen und die Daten nur über Nacht abgleichen.
