Wie KI den Wertstrom Order-to-Cash verändert

Order-to-Cash reicht von der Bestellung des Kunden bis zu dem Moment, in dem seine Zahlung eingegangen und im System der richtigen Rechnung zugeordnet ist. Jedes Unternehmen, das Rechnungen schreibt, betreibt diesen Strom. Er ist das Gegenstück zu Procure-to-Pay aus dem vorigen Beitrag, mit derselben Struktur und umgekehrter Richtung des Geldes.

In der klassischen Form läuft die Arbeit in sechs Schritten, die alle ein Mensch ausführt und von denen jeder eine eigene Übergabe erzeugt. Jemand liest die Bestellung aus Mail, Portal oder Fax und tippt sie ins System. Ein Sachbearbeiter prüft das Kreditlimit, also den Betrag, bis zu dem der Kunde auf Rechnung kaufen darf. Danach gibt er den Auftrag frei oder sperrt ihn. Der Auftrag wird bestätigt, die Ware versandt, die Rechnung verschickt. Trifft die Zahlung ein, wird der Kontoauszug mit den offenen Rechnungen abgeglichen, bei fehlender oder falscher Rechnungsnummer von Hand. Am Ende stehen die Mahnläufe und die Klärfälle. Ein Klärfall ist eine Zahlung, die nicht zur Rechnung passt, weil der Kunde weniger überwiesen, einen Betrag abgezogen oder eine Menge bestritten hat.

Der Aufwand entsteht an denselben Stellen wie im Einkauf, nur dass die Ursachen beim Kunden liegen. Der Kunde tippt seine Bestellung in sein System, das eigene Haus tippt sie noch einmal ab, weil sie als PDF oder Mail und nicht als Datensatz eintrifft. Zahlungen kommen als Sammelüberweisung, mit Abzügen oder ohne verwertbare Rechnungsnummer, sodass die Zuordnung Handarbeit bleibt. Mahnungen erreichen Kunden, die längst bezahlt haben, weil die Zuordnung hinterherhinkt. Wie viel Arbeit am Ende des Stroms anfällt, zeigen die Zahlen zum Zahlungsverhalten. In Deutschland räumten Lieferanten ihren Geschäftskunden im ersten Halbjahr 2026 im Schnitt 32 Tage Zahlungsziel ein, bezahlt wurde nach gut 40 Tagen, überfällige Rechnungen wurden gut acht Tage zu spät beglichen. Europaweit nennen Lieferanten Zahlungszeiten von über 60 Tagen, mehr als die Hälfte der Unternehmen meldet Schwierigkeiten durch Zahlungsverzug. Einem Lieferanten lässt sich das Format vorschreiben, einem Kunden nicht. Deshalb hat das eigene Haus die sauberen Daten, die in Procure-to-Pay den Hebel bilden, hier nur zum Teil in der Hand.

Aus demselben Grund liegt die Grenze der Automatisierung in diesem Strom an einer anderen Stelle als im Einkauf. Im Einkauf darf das Lesen einer eingehenden Rechnung voll automatisiert werden, die Freigabe der Zahlung dagegen bleibt bei einem Menschen, weil Prüfer sehen wollen, wer sie verantwortet hat. In Order-to-Cash ist die Mitte des Stroms der ungefährliche Teil. Ordnet das System eine Zahlung der falschen Rechnung zu, entsteht ein offener Posten in der eigenen Buchhaltung, den jemand korrigiert. Niemand außerhalb des Hauses merkt etwas davon. Am Anfang und am Ende des Stroms treffen die Entscheidungen dagegen den Kunden, eine abgelehnte Kreditlinie, ein gesperrter Auftrag, eine Mahnung. Ist der Kunde eine Privatperson, greift dort Artikel 22 der Datenschutz-Grundverordnung. Er erlaubt es nur unter Bedingungen, dass ein System allein eine Entscheidung mit rechtlichen Folgen trifft. Der betroffenen Person gibt er das Recht, einen Menschen einzuschalten. In der untersten Zeile der Abbildung stehen deshalb zwei Schritte, die heute vollautomatisch laufen, neben zwei Schritten, bei denen das Gesetz einen Menschen verlangt.

Zu jeder Stufe gehören ein Beispiel samt der berichteten Zahl und die Stelle, an der diese Zahl nicht mehr trägt. Die klassische Stufe ist der oben beschriebene Ausgangszustand ohne KI im Ablauf, deshalb setzt die Betrachtung bei der assistierenden Stufe ein.

Auf der assistierenden Stufe bleiben die sechs Schritte von oben an ihrem Platz, weil die KI in jedem Schritt nur zuarbeitet, sodass diese Stufe die Organisation am wenigsten verändert. Das System liest die eingehende Bestellung aus dem Dokument aus und füllt die Auftragsfelder vor, es schlägt beim Zahlungseingang die passende Rechnung vor und sortiert die Mahnungen nach Dringlichkeit. Der Mensch prüft jeden Vorschlag und entscheidet.

Das Beispiel ist Suntory Beverage & Food Spain, ein Getränkehersteller mit über 1.000 Beschäftigten und Marken wie Schweppes, dessen Kundendienst rund 3.500 Bestellungen im Monat verarbeitet. Sie gehen auf vielen Wegen ein, als PDF und E-Mail, über Distributoren und aus dem Telefonverkauf, aus Spanien und aus Portugal. Die Software kommt von Esker, einem Anbieter für die Automatisierung von Auftrags- und Rechnungsprozessen. Ein neuronales Netz liest Kunde, Artikel und Mengen aus dem Dokument. Das System gleicht sie mit den Stammdaten ab, warnt bei ungewöhnlichen Mengen und teilt Aufträge auf, wenn Kühlware und Trockenware getrennte Logistik brauchen. Bestellungen von knapp 600 Kunden laufen bei bestandener Prüfung direkt in SAP, das ERP-System des Unternehmens, den Rest prüft der Kundendienst.

Berichtet werden drei Zahlen, die alle aus der Fallstudie des Softwareanbieters über den eigenen Kunden stammen und für die es keine unabhängige Bestätigung gibt. Die Bearbeitungszeit je Auftrag sank von 2,5 Minuten auf eine Minute, in einem Jahr wurden 3.400 Stunden gespart und 55,3 Prozent der Bestellungen laufen ohne jede Korrektur durch.

Die Arbeit ist damit nicht verschwunden, sie hat sich vom Abtippen zum Klären verlagert, wobei jeder verbleibende Fall mehr Zeit und Erfahrung kostet als früher ein abgetippter Auftrag. Gut vier von zehn Bestellungen brauchen weiterhin eine Korrektur, also die schwierigen Fälle mit wechselnden Mengeneinheiten, gemischten Sortimenten oder einem unbekannten Format. Neu gegenüber dem Einkauf ist die Entscheidung je Kunde. Die Direktbuchung ins ERP-System lässt sich für einzelne Kunden freischalten, sodass im selben Unternehmen manche Bestellungen weiter von Menschen geprüft werden und andere ohne menschlichen Blick durchlaufen. Der Mensch entscheidet, wer wohin gehört.

Auf der agentischen Stufe wird der Ablauf von der Automatisierung her neu geordnet, sodass aus sechs Schritten fünf werden und ausdrücklich festgelegt ist, an welcher Stelle ein Mensch eingreift. Das Beispiel dafür stammt vom hinteren Ende des Stroms, aus dem Umgang mit Abzügen. Ein Abzug entsteht, wenn ein Handelskunde weniger überweist als die Rechnung verlangt, etwa wegen einer Retoure, eines vereinbarten Werbekostenzuschusses oder einer beschädigten Lieferung. Ob der Abzug berechtigt ist, lässt sich nur mit den Belegen klären, die beim Kunden liegen.

Das nächste Beispiel ist Danone North America, ein Konsumgüterkonzern mit über acht Milliarden US-Dollar Umsatz und jährlich über 1,1 Millionen solcher Abzüge im Wert von mehr als 400 Millionen US-Dollar. Vor der Umstellung steckten 25,5 Millionen US-Dollar in ungeklärten Abzügen, ein Abzug blieb im Schnitt 45 Tage offen. Ein Team von 35 Leuten suchte mehr als 40 Stunden je Woche Belege in mehr als 25 Händlerportalen zusammen, Abzüge unter 250 US-Dollar wurden ohne Prüfung ausgebucht. Die Software kommt von HighRadius, einem Anbieter für Forderungsmanagement. Sie sammelt zu jedem Abzug die Belege aus den Portalen und ordnet sie dem Fall zu, die Analysten prüfen und entscheiden die strittigen Fälle. Die Fallstudie des Anbieters über den eigenen Kunden nennt 527.000 automatisch zusammengestellte Fälle, 25 Tage weniger bis zur Klärung eines Abzugs, 75 Prozent mehr bearbeitete Fälle je Analyst und 25,5 Millionen US-Dollar unberechtigte Abzüge, die jährlich zurückgeholt werden. Die Zahlen beschreiben nach Angaben des Kunden das Ergebnis von zehn Jahren Zusammenarbeit. Wie viel davon auf die Software zurückgeht und wie viel auf alles andere, was sich in einem Jahrzehnt in einem Unternehmen ändert, lässt sich aus der Fallstudie nicht ablesen.

Der Fall macht außerdem eine Entscheidung sichtbar, die auf dieser Stufe jemand treffen und verantworten muss, denn vor der Umstellung schrieb Danone jeden Abzug unter 250 US-Dollar ungeprüft ab. Das Nachrechnen lohnte sich nicht, also verzichtete das Unternehmen stillschweigend auf dieses Geld. Jede Automatisierung von Abzügen zieht eine solche Grenze neu, jetzt aber ausdrücklich. Oberhalb der Grenze bleiben die schweren Fälle, also strittige Mengen, Rückbelastungen und Teilzahlungen. Für sie braucht es erfahrene Leute, also genau das Personal, das diese Stufe angeblich einspart.

Das Mahnwesen ist der letzte Schritt dieses Stroms und bleibt es auch, wenn ein Unternehmen offene Forderungen an einen Inkassodienst oder Forderungskäufer abgibt und diesen Schritt damit nur aus dem Haus verlagert. Aus dem Inkasso stammt ein warnendes Beispiel dafür, was aus einer menschlichen Prüfung wird, sobald sie nur noch der Form halber stattfindet. Die amerikanische Inkassokanzlei Pressler & Pressler bereitete für den Forderungskäufer New Century Financial Services zwischen 2009 und 2014 hunderttausende Zahlungsklagen gegen Verbraucher vor, mit einem automatisierten System und mit Hilfskräften ohne Anwaltszulassung. Ein Anwalt musste jede Klage prüfen und unterschreiben. Nach den Feststellungen der Verbraucherschutzbehörde CFPB dauerte seine Prüfung meist wenige Minuten, teils unter 30 Sekunden, die Forderungen selbst wurden nicht überprüft. Die Kanzlei zahlte eine Million US-Dollar Strafe, der Forderungskäufer 1,5 Millionen. KI war daran nicht beteiligt, das System arbeitete nach festen Regeln. Genau deshalb gilt die Lehre daraus für jede Stufe. Ein Mensch im Ablauf ist keine Kontrolle, wenn ihm die Zeit und die Information fehlen, um zu prüfen.

Die autonome Stufe dieses Stroms hat zwei Seiten, denn in der Mitte läuft die Vollautomatisierung seit Jahren, am Anfang und am Ende dagegen verlangt das Gesetz weiterhin einen Menschen. Eine Zahlung, die das System einer Rechnung zuordnet, betrifft niemanden außerhalb des Hauses, eine falsche Zuordnung lässt sich korrigieren. Eine Rechnung, die aus Auftrag und Lieferung erzeugt wird, folgt festen Regeln. Anbieter nennen für die automatische Zuordnung Trefferquoten zwischen 85 und 99 Prozent, die sie bei eigenen Kunden gemessen haben. Die Quote hängt davon ab, wie viele Kunden ihre Zahlungen mit einer verwertbaren Rechnungsnummer versehen. In der Schweiz muss der Kunde diese Angabe nicht selbst machen, denn bei der QR-Rechnung, die im Oktober 2022 die Einzahlungsscheine abgelöst hat, steckt die Referenz im Code und wird mit der Zahlung übermittelt. Bei einer SEPA-Überweisung tippt der Kunde den Verwendungszweck selbst ein, hier entscheidet also die Sorgfalt der Kunden über die Trefferquote.

Am vorderen Ende des Stroms liefert die Kreditentscheidung ein Beispiel für die autonome Stufe, das aus einem Jahresbericht an die US-Börsenaufsicht stammt und deshalb nicht von einem Softwareanbieter kommt. Die Kreditplattform Upstart vermittelt Verbraucherkredite für mehr als 100 Partnerbanken und entscheidet mit eigenen lernenden Modellen. Im Jahresbericht für 2025 steht, dass 91 Prozent der knapp 1,5 Millionen Kredite des Jahres mit einem Volumen von 11 Milliarden US-Dollar vollautomatisch liefen, im Wortlaut „fully automated, with no human intervention by Upstart". Zum Börsengang im Dezember 2020 hatte diese Quote noch bei rund 70 Prozent gelegen. In den Strom Order-to-Cash gehört der Fall, weil jedes Unternehmen, das auf Rechnung liefert, Kredit gewährt. Ob am Ende Geld ausgezahlt oder Ware geliefert wird, die Prüfung der Kreditwürdigkeit davor ist dieselbe.

Die Kontrolle ist bei Upstart nicht abgeschafft, sie steckt in den Regeln, die jede Partnerbank selbst festlegt und die das Modell bei jeder Entscheidung einhalten muss. Der Bericht nennt als harte Kriterien Mindestscore, Mindest- und Höchstbetrag sowie einen Höchstwert für die Schuldendienstquote, den Anteil des Einkommens, der schon für Kredite gebunden ist. Die Mehrzahl der Ablehnungen auf der Plattform folgt aus diesen Kriterien der Banken. Innerhalb der Regeln entscheidet das Modell, ohne dass bei Upstart jemand den Einzelfall ansieht. Die Bank, die die Regeln festgelegt hat, bleibt für jede dieser Entscheidungen verantwortlich, auch wenn sie den Einzelfall nie gesehen hat.

Upstart benennt die Grenze dieser Automatik im Jahresbericht selbst und zieht sie an derselben Stelle, an der Post 3 sie für den Einkauf gezogen hat, vor dem Abfluss des Geldes. Bei Autokrediten und Immobilienkreditlinien reicht die Automatisierung nur bis zur Bewilligung, weil örtliche Vorschriften und externe Abhängigkeiten vor der Auszahlung einen menschlichen Eingriff verlangen, im Wortlaut „human action prior to funding". Der Bericht legt selbst eine Einschränkung offen. Die Kennzahl wurde im vierten Quartal 2025 um Immobilienkreditlinien erweitert, die Vorjahreswerte wurden nicht angepasst. Die Reihe von 87 Prozent im Jahr 2023 über 91 Prozent 2024 auf 91 Prozent 2025 misst damit zwei leicht unterschiedliche Größen, was sich nach Angaben des Unternehmens nicht wesentlich auf die Zahlen auswirkt. Der Fall stammt außerdem aus dem amerikanischen Verbrauchergeschäft. Die Technik lässt sich auf das Geschäft zwischen Unternehmen übertragen, für die Zulässigkeit gilt dort ein anderer Rechtsrahmen.

Ein Gericht und eine Behörde haben 2023 festgelegt, wo die Grenze für Privatkunden in Europa heute liegt, wobei in beiden Fällen keine KI beteiligt war. Der Europäische Gerichtshof hat im Dezember 2023 entschieden, dass ein Score der Wirtschaftsauskunftei SCHUFA selbst eine automatisierte Entscheidung im Sinne von Artikel 22 der Datenschutz-Grundverordnung ist, wenn der Vertragspartner ihm für seine Entscheidung eine maßgebliche Rolle beimisst. Die engere Lesart, nach der die Auskunftei nur einen Wert liefert und erst der Vertragspartner entscheidet, wies das Gericht zurück, weil dadurch eine Lücke im Rechtsschutz entstünde. Wer Scoring einkauft, kauft damit die Entscheidung mit und kann die Verantwortung dafür nicht an den Datenlieferanten abgeben.

Der zweite Fall zeigt, was eine fehlende Begründung kostet, denn die Berliner Datenschutzbehörde ließ die automatische Entscheidung gelten und bestrafte allein die ausgebliebene Erklärung gegenüber dem Kunden. Am 31. Mai 2023 verhängte die Berliner Beauftragte für Datenschutz und Informationsfreiheit ein Bußgeld von 300.000 Euro gegen eine Bank, die den Online-Antrag eines Kunden auf eine Kreditkarte automatisch abgelehnt hatte. Der Kunde hatte einen guten Score und ein regelmäßiges hohes Einkommen, bekam aber nur allgemeine Angaben zum Verfahren und keine Begründung für seinen Fall, sodass er die Entscheidung nicht anfechten konnte. Die Behörde stellte Verstöße gegen Artikel 22, Artikel 5 und Artikel 15 der Datenschutz-Grundverordnung fest. Die Bank hatte feste Kriterien und Regeln hinterlegt, KI war nicht beteiligt. Die Behörde nennt die Bank nicht, hier bleibt sie ebenfalls ungenannt. Für jeden Strom, der über Kunden entscheidet, folgt daraus zweierlei. Die Pflicht zur Begründung hängt nicht an der Technik, denn Artikel 22 spricht von automatisierten Entscheidungen und erwähnt KI mit keinem Wort. Und Vollautomatisierung ist zulässig, teuer wird sie erst, wenn niemand die einzelne Entscheidung erklären kann.

Der gesetzliche Rahmen wird enger, weil die Europäische Union in ihrer KI-Verordnung KI-Systeme zur Kreditwürdigkeitsprüfung von Privatpersonen als hochriskant einstuft, ausgenommen sind Systeme zur Aufdeckung von Finanzbetrug. Die Pflichten für diese Systeme sollten ab dem 2. August 2026 gelten, im Juli 2026 hat die Union den Beginn auf den 2. Dezember 2027 verschoben. Im deutschen Recht regelt § 31 des Bundesdatenschutzgesetzes das Scoring, auf diesen Paragrafen verweist auch das SCHUFA-Urteil. Die KI-Verordnung, die Datenschutz-Grundverordnung und § 31 des Bundesdatenschutzgesetzes gelten für Privatpersonen, für das Geschäft zwischen Unternehmen setzen andere Regeln die Grenzen. Die Frage, wie sich eine automatische Sperre einem langjährigen Kunden erklären lässt, stellt sich dort aber genauso.

Legt man die Stufen nebeneinander, ergibt sich ein Bild, das dem Einkauf ähnlich sieht und sich an zwei Stellen von ihm unterscheidet. Alles bis zur automatischen Zahlungszuordnung steht heute zur Verfügung, vom Auslesen der Bestellung über den Abgleich mit den Stammdaten bis zum Zusammensuchen der Belege für einen Abzug. Am meisten bringt die Automatisierung bei sauberen Eingaben, also bei Bestellungen in festem Format, bei Überweisungen mit Rechnungsnummer und bei Abzügen aus immer denselben Gründen. Wenig bringt sie bei Bestellungen im Fließtext, bei Sammelüberweisungen ohne Rechnungsnummer und bei Einzelfällen, über die gestritten wird. Genau diese Vorgänge haben vorher die meiste Arbeit gemacht. Sie bleiben auch jetzt beim Menschen.

Die erste Abweichung vom Einkauf liegt in den Voraussetzungen, denn ein Teil davon liegt beim Kunden statt im eigenen Haus. Saubere Stammdaten und durchdachte Toleranzen, also festgelegte Abweichungen, die das System ohne Rückfrage durchlässt, sind dieselbe Vorarbeit wie im Einkauf. Ob Zahlungen mit Rechnungsnummer eintreffen und ob Bestellungen in einem lesbaren Format kommen, entscheidet dagegen der Kunde. Die Trefferquote einer Automatisierung ist damit zur Hälfte eine Eigenschaft des Kundenstamms. Wer den Nutzen in Geld ausdrücken will, findet bei APQC, einer gemeinnützigen amerikanischen Organisation für Betriebsvergleiche, drei frei einsehbare Vergleichswerte. Für Zahlungseingänge, Forderungsmanagement und Abzüge zusammen liegen die Kosten im Median bei 0,94 US-Dollar je 1.000 US-Dollar Umsatz. Eine Vollzeitkraft verarbeitet im Median 3.333 Zahlungseingänge, über den ganzen Strom kostet sie im Median 82.874 US-Dollar. Wer für die Zahlungszuordnung eine Million einsparen will, braucht bei 82.874 US-Dollar je Kraft zwölf Stellen, die vorher nichts anderes getan haben.

Die zweite Abweichung liegt an den Enden des Stroms, denn dort beginnt mit der Automatisierung die Pflicht, dem Kunden jede Ablehnung und jede Mahnung zu erklären. Für Privatkunden ist das seit dem SCHUFA-Urteil und dem Berliner Bußgeld keine Ermessensfrage mehr. Ein Mahnwesen, das dem Menschen die Freigabe jeder Eskalation lässt und ihm zugleich hundert Fälle je Stunde vorlegt, hat die Prüfung im Ablaufplan behalten und in der Praxis entfernt. An der Zahl der Freigaben je Stunde lässt sich ablesen, ob ein Mensch noch prüft.

Order-to-Cash zeigt dasselbe Muster wie die drei Ströme davor, denn die Routinearbeit geht an das System, der Mensch kümmert sich um die Ausnahmen und an einer Stelle prüft weiterhin ein Mensch. Der Unterschied zum Einkauf liegt darin, wer diese Prüfung verlangt, dort der Wirtschaftsprüfer, hier der Kunde mit seinem Anspruch auf eine Begründung. Deshalb lässt sich die Mitte dieses Stroms gefahrlos automatisieren, an den Enden setzt das Gesetz die Grenze. Der nächste Beitrag betrachtet mit demselben Blick Record-to-Report, den Strom vom Buchungsbeleg bis zum Abschluss.

Bei den Belegen dieses Posts fällt auf, dass vier der sechs Fälle von Stellen ohne eigenes Verkaufsinteresse stammen, aus einem Jahresbericht sowie aus einem Urteil und zwei Behördenentscheidungen. Der Fall Upstart, das SCHUFA-Urteil, das Berliner Bußgeld und das Inkassoverfahren handeln alle von der Grenze der Automatisierung. Behörden und Gerichte schreiben über Schäden, nicht über Ersparnisse. Der Nutzen der Automatisierung ist deshalb auch in diesem Strom nur aus den Fallstudien der Anbieter belegt, bei Suntory genauso wie bei Danone. Der Quellenabschnitt nennt zu jeder Zahl, woher sie kommt und was sie wert ist.

Wo eine Zahl von einer Stelle mit eigenem Interesse am Ergebnis stammt oder nur teilweise einsehbar ist, steht das im jeweiligen Eintrag zusammen mit der Art der Quelle.

Suntory Beverage & Food Spain, über 1.000 Beschäftigte, Bearbeitungszeit je Auftrag von 2,5 Minuten auf eine Minute, 3.400 gesparte Stunden in einem Jahr, 55,3 Prozent der Bestellungen ohne Korrektur, knapp 600 Kunden mit Direktbuchung, rund 3.500 Bestellungen im Monat. Esker, Fallstudie, veröffentlicht als PDF. Der Softwareanbieter schreibt hier über seinen eigenen Kunden.

Abgleich mit den Stammdaten, Warnung bei ungewöhnlichen Mengen, Freischaltung der Direktbuchung je Kunde oder Kanal. Esker, Produktseite zur KI-gestützten Auftragserfassung. Eine Herstellerbeschreibung.

Danone North America, über acht Milliarden US-Dollar Umsatz, über 1,1 Millionen Abzüge im Jahr im Wert von mehr als 400 Millionen US-Dollar, 25,5 Millionen US-Dollar jährlich zurückgeholt, 25 Tage kürzere Klärungsdauer, 75 Prozent mehr bearbeitete Fälle je Analyst, 527.000 automatisch zusammengestellte Fälle, vorher 45 Tage, 35 Leute, mehr als 40 Stunden je Woche, mehr als 25 Portale, Abzüge unter 250 US-Dollar ungeprüft ausgebucht. HighRadius, Fallstudie. Der Softwareanbieter schreibt hier über seinen eigenen Kunden, der nach eigenen Angaben seit zehn Jahren mit ihm zusammenarbeitet.

Upstart, 91 Prozent von 1.497.149 Krediten mit 11 Milliarden US-Dollar Volumen 2025 vollautomatisch, rund 70 Prozent zum Börsengang 2020, Reihe 87, 91 und 91 Prozent für 2023 bis 2025, mehr als 100 Partnerbanken, harte Kriterien der Banken, Grenze bei Auto- und Immobilienkrediten, Änderung der Definition im vierten Quartal 2025. Upstart Holdings, Jahresbericht Form 10-K für 2025, eingereicht bei der US-Börsenaufsicht, Seiten 7, 10, 12, 58, 60 und 61. Eine Pflichtmitteilung, für deren Inhalt das Unternehmen haftet. Die Zitate wurden für diesen Beitrag am Original gelesen.

Ein Score ist selbst eine automatisierte Entscheidung, wenn ihm der Vertragspartner eine maßgebliche Rolle beimisst. Europäischer Gerichtshof, Urteil vom 7. Dezember 2023 in der Rechtssache C-634/21, SCHUFA Holding, Tenor und Randnummern 48, 54, 61, 63 und 71. Randnummer 71 verweist auf § 31 des Bundesdatenschutzgesetzes.

300.000 Euro Bußgeld für eine automatisierte Kreditkartenablehnung ohne Begründung, Verstöße gegen Artikel 22 Absatz 3, Artikel 5 Absatz 1 Buchstabe a und Artikel 15 Absatz 1 Buchstabe h, Entscheidung nach vorab definierten Kriterien und Regeln. Berliner Beauftragte für Datenschutz und Informationsfreiheit, Pressemitteilung vom 31. Mai 2023. Die Behörde nennt die Bank nicht.

Pressler & Pressler und New Century Financial Services, hunderttausende Klagen 2009 bis 2014, anwaltliche Prüfung meist wenige Minuten und teils unter 30 Sekunden, Strafen von einer Million und 1,5 Millionen US-Dollar. Consumer Financial Protection Bureau, Pressemitteilung vom 25. April 2016 mit den beiden Anordnungen. Die Angaben stammen aus dem Aufsichtsverfahren.

Artikel 22 der Datenschutz-Grundverordnung, ausschließlich automatisierte Entscheidungen mit rechtlicher Wirkung, Recht auf menschliches Eingreifen. EUR-Lex, Verordnung (EU) 2016/679, Artikel 22 sowie Artikel 5 und 15.

§ 31 des Bundesdatenschutzgesetzes, Schutz des Wirtschaftsverkehrs bei Scoring und Bonitätsauskünften. Bundesministerium der Justiz, geltende Fassung auf gesetze-im-internet.de.

Kreditwürdigkeitsprüfung und Bonitätsbewertung natürlicher Personen als Hochrisiko, Ausnahme für die Aufdeckung von Finanzbetrug, Pflichten für diese Systeme ab dem 2. Dezember 2027. EUR-Lex, Verordnung (EU) 2024/1689 in der konsolidierten Fassung vom 27. Juli 2026, geändert durch die Verordnung (EU) 2026/1744 vom 8. Juli 2026, Anhang III Nummer 5 Buchstabe b und Artikel 113 Buchstabe c. In der ursprünglichen Fassung galt der 2. August 2026.

Zahlungsziel 32,21 Tage, Forderungslaufzeit 40,35 Tage, Verzugsdauer überfälliger Rechnungen 8,14 Tage, erstes Halbjahr 2026. Creditreform, Zahlungsindikator Deutschland Sommer 2026, Pressemeldung vom 3. August 2026, Datenbasis rund vier Millionen überfällige Rechnungsbelege von rund 1,23 Millionen Firmen. Der Verband der Vereine Creditreform verkauft Bonitätsauskünfte und Inkasso.

Zahlungszeiten zwischen Unternehmen im Durchschnitt 60,3 Tage, 52 Prozent der Unternehmen mit Schwierigkeiten durch Zahlungsverzug, 2024. EU Payment Observatory, Annual Report 2025, erstellt von CEPS im Auftrag der Europäischen Kommission, veröffentlicht am 16. Dezember 2025, Zusammenfassung und Kapitel zu den Zahlungszeiten. Die Befragungsdaten stammen aus dem European Payment Report von Intrum, einem Inkassokonzern.

QR-Rechnung hat am 1. Oktober 2022 die Schweizer Einzahlungsscheine abgelöst, die Referenz steckt im Swiss QR Code und wird mit der Zahlung übermittelt. SIX, Swiss Payment Standards, Seite zur QR-Rechnung. SIX gehört den Schweizer Banken und betreibt das Verfahren.

Median 3.333 Zahlungseingänge je Vollzeitkraft in Zahlungsverarbeitung, Forderungsmanagement und Abzügen, Stichprobe 2.645 Unternehmen. APQC, Open Standards Benchmarking, Kennzahl 105927. Eine gemeinnützige Organisation, der Median ist frei einsehbar, die Quartile stehen nur Mitgliedern offen.

Median 0,94 US-Dollar je 1.000 US-Dollar Umsatz für dieselben drei Prozesse, Stichprobe 3.274 Unternehmen. APQC, Open Standards Benchmarking, Kennzahl 105599.

Median 82.874 US-Dollar Gesamtkosten je Vollzeitkraft über alle Order-to-Cash-Prozesse, Stichprobe 982 Unternehmen. APQC, Open Standards Benchmarking, Kennzahl 106169.

Anbieterangaben, 85 bis 99 Prozent automatische Zuordnung der Zahlungseingänge. Spannen aus Produktseiten und Fallstudien mehrerer Anbieter von Forderungssoftware, ohne unabhängige Gegenprobe und im Text als Anbieterangabe gekennzeichnet.