Algorithmus statt Sachbearbeiter: Was automatisierte Bonitätsprüfungen für Unternehmen bedeuten

Wer heute einen Lieferantenkredit beantragt, eine Bankfinanzierung anstößt oder schlicht als Neukunde aufgenommen werden möchte, bekommt es zunehmend mit einem Gegenüber zu tun, das keine Rückfragen stellt. Kein Sachbearbeiter liest die Unterlagen. Kein Kundenbetreuer wägt ab. Ein Algorithmus entscheidet, manchmal innerhalb von Sekunden, ob das Unternehmen kreditwürdig ist oder nicht. Diese Entwicklung ist keine ferne Zukunftsvision mehr, sondern gelebte Praxis. Und sie hat Konsequenzen, die viele Mittelständler noch nicht vollständig durchdrungen haben.

Dieser Artikel beleuchtet, wie automatisierte und KI-gestützte Bonitätsbewertungen funktionieren, welche Datenquellen sie heranziehen, wo ihre Grenzen liegen, und was das konkret für Unternehmen bedeutet, die aktiv an ihrer Bewertung arbeiten wollen.

1. Wie Kreditentscheidungen früher funktionierten, und warum das Modell an seine Grenzen stieß

Das klassische Modell der Kreditwürdigkeitsprüfung folgte einer einfachen Logik: Ein Kundenberater sprach mit dem Geschäftsführer, prüfte den Jahresabschluss, holte eine Auskunft bei Creditreform oder SCHUFA ein und fasste anschließend alles zu einem Kreditvotum zusammen. Dieses Votum war nicht automatisch richtig, aber es war erklärbar. Wer eine Ablehnung bekam, konnte zumindest nachfragen. Wer gute Argumente hatte, wurde manchmal doch noch gehört.

Das Volumen heutiger Kreditprüfungen lässt dieses Modell kaum noch zu. Tausende Lieferantenkredite, Ratenkäufe, Leasingverträge und Bankentscheidungen laufen täglich durch die Systeme der Anbieter. Manuelle Prüfung ist dort weder wirtschaftlich noch operativ darstellbar. Die Antwort der Branche war Automatisierung, zunächst regelbasiert, zunehmend aber durch Methoden des maschinellen Lernens und künstlicher Intelligenz ergänzt.

Der Wandel begann im Privatkundengeschäft, wo vollautomatisierte Verfahren heute Standard sind. Im Firmenkundenbereich verlief die Entwicklung langsamer, weil die regulatorischen Anforderungen höher sind. Ab einem bestimmten Kreditvolumen, das Institute selbst als risikorelevant einstufen, muss ein zweites menschliches Votum eingeholt werden. Unterhalb dieser Schwelle läuft auch das Firmenkundengeschäft zunehmend automatisiert. Wer verstehen will, wie Banken und Auskunfteien Unternehmen grundlegend unterschiedlich bewerten, erkennt darin bereits einen ersten Hinweis darauf, dass verschiedene Systeme mit denselben Zahlen zu völlig verschiedenen Ergebnissen kommen können.

2. Was moderne Algorithmen bewerten, und welche Daten sie dafür heranziehen

Der entscheidende Unterschied zwischen klassischen Scoring-Modellen und modernen KI-Systemen liegt in der Datenbasis. Traditionelle Modelle arbeiteten mit einem klar definierten Datensatz: Jahresabschluss, Zahlungsverhalten, Negativeinträge, Alter des Unternehmens, Branchenzugehörigkeit. Was nicht in diesen Feldern stand, wurde nicht bewertet.

Heutige Systeme gehen erheblich weiter. Sie verarbeiten strukturierte und unstrukturierte Daten aus unterschiedlichen Quellen: Handelsregister- und Insolvenzveröffentlichungen, Zahlungserfahrungen aus Netzwerken kooperierender Unternehmen, Open-Banking-Daten aus Kontotransaktionen, Branchenindizes, Marktlage-Signale und bei manchen Systemen sogar Metadaten aus dem Antragsprozess selbst. Grundlegend dafür ist das Zusammenspiel aller Faktoren, die in Bonitäts- und Ratingbewertungen einfließen, das KI-Systeme nun deutlich breiter auslegen als frühere Modelle.

Diese Ausweitung der Datenbasis ist nicht trivial. Sie bedeutet, dass Unternehmen mit positiver Bilanz durch externe Faktoren negativ beeinflusst werden können, etwa durch einen Branchencluster-Effekt, wenn eine KI-Methode die Branche als erhöhtes Risikofeld einstuft. Oder durch ein auffälliges Muster bei Zahlungseingängen, das nichts mit der tatsächlichen Bonität zu tun hat, aber statistisch als Warnsignal gilt. Welche Auskunfteien konkret Unternehmensdaten erfassen und welche Quellen sie jeweils nutzen, beschreibt der Artikel Welche Auskunfteien Unternehmensbonität bewerten im Detail.

Praxishinweis: Was früher durch ein klärendes Gespräch mit dem Firmenkundenbetreuer aufgelöst werden konnte, wird im automatisierten System zu einem dauerhaften Eintrag in der Datenbasis. Kontext existiert dort nicht.

3. Die BaFin und die 7. MaRisk-Novelle: Regulierung als Reaktion auf den Automatisierungstrend

Die Aufsichtsbehörden haben die Entwicklung nicht unkommentiert gelassen. Die BaFin hat explizit auf die Risiken algorithmischer Kreditentscheidungen hingewiesen, darunter die Gefahr systematischer Verzerrungen durch Trainingsdaten, die Diskriminierungsproblematik und die eingeschränkte Erklärbarkeit von Modellentscheidungen.

Die 7. MaRisk-Novelle, die seit Ende 2023 in der Umsetzung ist, adressiert genau diese Themen. Sie verlangt von Banken, die algorithmische Verfahren im Kreditprozess einsetzen, Transparenz und Erklärbarkeit der verwendeten Modelle nachzuweisen. Vollautomatisierte Entscheidungen müssen dokumentiert sein, und Grenzfälle sollen an menschliche Analysten weitergeleitet werden.

Parallel dazu regelt der EU AI Act auf europäischer Ebene, dass Bonitätsprüfungssysteme als Hochrisiko-KI eingestuft werden. Das bedeutet: Wer solche Systeme betreibt oder nutzt, muss ab 2026 strenge Dokumentations-, Transparenz- und Aufsichtspflichten erfüllen. Für Unternehmen als Kreditnehmer ändert sich dadurch wenig an der unmittelbaren Entscheidungspraxis, aber der Druck auf Anbieter steigt, ihre Modelle nachvollziehbarer zu machen.

Ob dieser Druck ausreicht, um die Blackbox wirklich zu öffnen, bleibt offen. Die Erfahrung der vergangenen Jahre zeigt, dass regulatorische Anforderungen an Erklärbarkeit und tatsächliche Entscheidungstransparenz zwei verschiedene Dinge sind.

4. Was automatisierte Systeme strukturell nicht können

KI-Systeme sind gut darin, Muster in historischen Daten zu erkennen. Sie sind deutlich schlechter darin, Kontext zu verstehen. Das ist keine Schwäche eines bestimmten Anbieters, sondern ein grundlegendes Merkmal statistischer Modelle.

Ein Beispiel aus der Praxis: Ein Unternehmen hat im Berichtsjahr außergewöhnlich hohe Abschreibungen, die das Ergebnis stark belasten. Hintergrund ist eine einmalige Sonderabschreibung auf einen Geschäftsbereich, der strategisch aufgegeben wurde. Die wirtschaftliche Substanz ist unverändert, die Ertragskraft solide. Ein erfahrener Analyst erkennt das sofort. Ein Algorithmus sieht: Verlustjahr. Eigenkapitalrückgang. Negativer Trend. Die Bewertung verschlechtert sich, ohne dass sich an der tatsächlichen Lage des Unternehmens irgendetwas geändert hätte. Wie solche Einmaleffekte Bonität und Rating verzerren können, und wie man ihnen im Aufbereitungsprozess begegnet, ist ein eigenes Thema.

Dasselbe gilt für Umstrukturierungsaufwendungen, wechselnde Bilanzierungsmethoden oder branchenspezifische Abschreibungslogiken. Alle diese Faktoren führen in automatisierten Systemen zu Bewertungsergebnissen, die ohne menschliche Einordnung schlicht falsch sind. Die Grundlage dafür, warum Unternehmenszahlen richtig aufbereitet werden müssen und nicht nur korrekt gemeldet, liegt genau hier.

Was daraus folgt: Wer seine Zahlen nicht aktiv erklärt und aufbereitet, überlässt einem Modell die Interpretation. Und Modelle kennen keinen Kontext.

5. Fehler in der Datenbasis und wer sie korrigiert

Automatisierte Systeme können nur so gut sein wie die Daten, auf denen sie basieren. In der Praxis ist die Datenlage für viele mittelständische Unternehmen alles andere als sauber. Jahresabschlüsse werden mit Verzögerung beim Bundesanzeiger veröffentlicht, teils lückenhaft, teils formal mangelhaft. Auskunfteien übernehmen diese Daten automatisiert, oft ohne inhaltliche Prüfung.

Hinzu kommen Einträge, die formal korrekt sind, inhaltlich aber ein schiefes Bild erzeugen: ein längst abgeschlossenes Insolvenzverfahren eines Vorgängerunternehmens, eine irrtümlich gemeldete Forderung, eine Zahlungsweise-Einstufung auf Basis einer einzelnen Abweichung. In einem manuell geprüften System hätte ein Sachbearbeiter möglicherweise nachgefragt. Im automatisierten System fließt der Fehler unkommentiert in die Bewertung ein. Wie ein Inkassofall die Zahlungsweise bei Creditreform beeinflusst, ist ein typisches Beispiel für solche scheinbar kleinen, aber folgenreichen Einträge.

Die Korrekturmöglichkeiten sind formell vorhanden, praktisch aber aufwändig. Das Recht auf Selbstauskunft nach Art. 15 DSGVO ermöglicht Unternehmen, die eigene Datenbasis bei Auskunfteien einzusehen. Fehlerhafte Einträge können beanstandet und korrigiert werden. Diese Selbstauskunft ist kostenlos, einmal jährlich garantiert, und der erste Schritt für jede seriöse Bonitätsanalyse. Wie Unternehmen dabei konkret vorgehen, beschreibt der Artikel Unternehmensbonität prüfen.

6. Was sich für Unternehmen konkret verändert

Die Verlagerung hin zu automatisierten Systemen verändert die Spielregeln der Bonitätsbewertung in mehreren relevanten Punkten.

Geschwindigkeit vor Kontext. Entscheidungen fallen schneller, aber auch mit weniger Rücksicht auf individuelle Umstände. Unternehmen, die besondere Situationen haben, müssen diese aktiv kommunizieren, bevor das Scoring greift, nicht danach.

Datenpflege wird zur Pflichtaufgabe. Die eigene Datenbasis bei Creditreform, SCHUFA und anderen Auskunfteien muss regelmäßig geprüft werden. Was früher nur wichtig war, wenn ein Problem auftrat, ist heute dauerhaft relevant. Fehler in der Datenbasis wirken sich unmittelbar auf Scoring-Ergebnisse aus.

Zahlenaufbereitung gewinnt an Gewicht. Wenn ein Algorithmus Jahresabschlüsse auswertet, ohne den Geschäftsführer zu kennen, entscheidet die Struktur der Zahlen. Einmaleffekte, Sonderabschreibungen, Umstrukturierungsaufwendungen, die nicht erklärt werden, verschlechtern die Bewertung. Der Creditreform Bonitätsindex 100 bis 600 reagiert auf genau diese Eingangsgrößen, und wer weiß, wie der Index aufgebaut ist, kann gezielter gegensteuern.

Widerspruchsmöglichkeiten werden wichtiger. DSGVO Art. 22 gibt Betroffenen das Recht, bei vollautomatisierten Entscheidungen eine menschliche Überprüfung zu verlangen. Für Unternehmen als juristische Personen gilt das in dieser Form nicht direkt, aber ähnliche Korrekturmechanismen existieren bei den Auskunfteien, etwa über den Weg Creditreform-Daten zu korrigieren.

7. Praxisbeispiel: Maschinenbau GmbH Mustermann, Zwickau

Die Mustermann Maschinenbau GmbH aus Zwickau, 18 Mitarbeiter, Auftragsfertigung im Sondermaschinenbau, hatte über Jahre eine solide Bewertung bei Creditreform. Im Geschäftsjahr 2022 fiel das Ergebnis nach zwei Sonderabschreibungen auf Maschinen, die auf eine neue Fertigungstechnologie umgestellt wurden, deutlich ins Minus. Der Cashflow war positiv, die Auftragslage gut, das Eigenkapital nach wie vor ausreichend.

Die Creditreform-Bewertung verschlechterte sich trotzdem, der Bonitätsindex stieg um mehr als 40 Punkte. Gleichzeitig signalisierten zwei Lieferanten, die offensichtlich auf automatisierte Bonitätsabfragen zurückgriffen, schlechtere Konditionen. Auf Nachfrage war keine inhaltliche Begründung zu erhalten, nur der Hinweis auf die aktuelle Auskunft.

Mustermann holte sich externe Unterstützung. Die Jahresabschlusszahlen wurden aufbereitet, die Sonderabschreibungen mit entsprechenden Erläuterungen versehen, und es wurde ein aktives Gespräch mit dem Creditreform-Sachbearbeiter gesucht. Wer wissen möchte, was beim Kontakt mit Creditreform zu beachten ist, findet dazu praktische Hinweise im Artikel Wenn Creditreform anruft. Innerhalb von sechs Monaten hatte sich die Bewertung stabilisiert. Das Beispiel zeigt: Automatisierte Systeme sind nicht unveränderlich. Aber sie reagieren nicht auf mündliche Argumente, sondern auf strukturierte Daten.

8. Wo Beratung weiterhin unverzichtbar bleibt

Es wäre ein Fehler, aus dem Automatisierungstrend abzuleiten, dass professionelle Beratung überflüssig wird. Das Gegenteil ist richtig. Gerade weil automatisierte Systeme keinen Kontext kennen und keine Rückfragen stellen, wird die Fähigkeit, Daten richtig aufzubereiten und in die richtigen Bahnen zu lenken, entscheidender.

Das umfasst die strukturierte Analyse der eigenen Auskunftei-Daten, die Einordnung von Jahresabschlussdaten in einen interpretierbaren Rahmen, die gezielte Kommunikation mit Creditreform bei Bewertungsveränderungen, und das Verständnis dafür, welche Hebel überhaupt noch wirken, wenn kein Mensch auf der anderen Seite sitzt. Wie Bonitätsverbesserung bei Creditreform in der Praxis aussieht, ist kein theoretisches Thema, sondern eine operative Frage.

Wer glaubt, seine Bonität sei in Ordnung, weil er gute Zahlen hat, unterschätzt das Problem. Gute Zahlen, schlecht aufbereitet oder in einem kontextlosen System falsch eingeordnet, ergeben eine schlechte Bewertung. Die Beratungsaufgabe verlagert sich. Früher war es oft die persönliche Überzeugungskraft im Bankgespräch. Heute ist es die Fähigkeit, einem Algorithmus das richtige Bild zu liefern.

Fazit

Automatisierte Bonitätsbewertungen sind effizienter als ihr manuelles Pendant. Sie sind auch fehleranfälliger in einem spezifischen Sinn: nicht durch menschliche Willkür, sondern durch strukturelle Blindheit gegenüber Kontext. Wer das versteht, handelt anders. Er prüft seine Datenbasis regelmäßig, bereitet seine Zahlen strukturiert auf und wartet nicht darauf, dass ein System von selbst zu einem richtigen Ergebnis kommt.

Die Botschaft lautet nicht, dass KI in der Bonitätsbewertung grundsätzlich problematisch ist. Sie lautet, dass Unternehmen wissen müssen, mit welchem System sie es zu tun haben, und ihre Unterlagen entsprechend vorbereiten. Das ist keine neue Aufgabe, aber eine, die an Gewicht gewinnt. Und es ist genau die Aufgabe, bei der gute Beratung den entscheidenden Unterschied macht.

Unverbindlich anfragen

oder rufen Sie uns direkt an unter
+49 (0)151 164 55 914
alternativ senden Sie uns auch gerne eine E-Mail an
anfrage@rating-beratung.de

Das Erstgespräch ist unverbindlich und kostenfrei.

Weiterführende Beiträge