1,5 Milliarden Euro. So viel Kapital steckt in Deutschland zu jedem Zeitpunkt in offenen B2B-Rechnungen, schätzt die Creditreform – Geld, das auf Zahlung wartet, weil Abgleich, Freigaben und Zahlungsziele traditionell Handarbeit sind. Genau an dieser Stelle setzt Dean M. Leavitt an. Der Gründer und CEO von Boost Payment Solutions, einem US-Spezialisten für B2B-Kartenzahlungen, hat in einem PYMNTS-Podcast eine These vertreten, die es in sich hat: Nicht die KI-Modelle selbst sind der Engpass im B2B-Payment, sondern der Zugang zu sauberen Transaktionsdaten.
Sein Argument: B2B-Zahlungen erzeugen im Gegensatz zum Konsumentengeschäft extrem datenreiche Vorgänge. Eine einzige Rechnung enthält Warenwirtschafts-Referenzen, Konditionen, Bestellnummern, Abteilungskennzeichen und Zahlungsziele. Wer diese Daten strukturiert erfasst, kann KI darauf trainieren, Zahlungen automatisch zuzuordnen, Betrug zu erkennen und Cashflow-Prognosen zu erstellen – mit einer Genauigkeit, die manuelle Prozesse nie erreichen.
Was genau hat Boost angekündigt?
Boost verarbeitet nach eigenen Angaben mehrere Milliarden US-Dollar an B2B-Kartentransaktionen pro Jahr und hat seine Plattform um KI-gestützte Abgleichfunktionen erweitert. Der Kern: Die sogenannten Remittance-Daten – also die Angaben, welche Rechnung mit welcher Zahlung beglichen wird – werden automatisch aus E-Mails, PDFs und Portalen extrahiert und den Zahlungseingängen zugeordnet. Leavitt spricht von einer automatischen Abgleichquote von über 90 Prozent, wo klassische ERP-Prozesse oft bei 60 bis 70 Prozent liegen und den Rest manuell nachziehen.
Karen Webster, CEO von PYMNTS, brachte den Kontext im Gespräch auf den Punkt: B2B-Payment galt jahrelang als langweilig, weil sich dort wenig bewegte. Diese Zeit ist vorbei. Virtuelle Karten, automatisierte Lieferantenzahlungen und jetzt KI-Anwendungen verändern den Bereich schneller als jedes andere Payment-Segment.
Warum trifft das deutsche Online-Händler besonders?
Deutschland ist ein Kauf-auf-Rechnung-Land. Knapp 27 Prozent aller Online-Käufe laufen hierzulande über Rechnung, bei B2B-Bestellungen liegt der Anteil deutlich höher. Jede dieser Transaktionen erzeugt Abgleichaufwand: Zahlungseingang erkennen, Bestellung zuordnen, Mahnwesen steuern. Unternehmen wie Billie oder Mondu haben für diesen Markt BNPL-Lösungen gebaut, die genau auf dieser Datentransparenz aufsetzen – automatische Bonitätsprüfung und Rechnungszuordnung in Echtzeit, direkt im Checkout von Shopware-, Shopify- oder JTL-Shops.
Der Hebel ist messbar. Ein Mittelständler mit 1.200 offenen B2B-Rechnungen pro Monat und einem durchschnittlichen Abgleichaufwand von vier Minuten pro Vorgang investiert 80 Arbeitsstunden allein in die Zuordnung. KI-gestützte Abgleichsysteme drücken das auf einen Bruchteil – vorausgesetzt, die Stammdaten stimmen. Und genau da liegt laut Leavitt der häufigste Fehler: Unternehmen kaufen KI-Tools, bevor sie ihre Datenhygiene in Ordnung bringen.
„This is different“ – Leavitts knapper Kommentar zur aktuellen KI-Welle im B2B-Payment. Anders als frühere Automatisierungsversprechen ändert sich diesmal die Datengrundlage selbst.
Wie bereiten Shopbetreiber ihre Daten vor?
Die Antwort ist wenig spektakulär, aber entscheidend: Kundennummern, Bestellreferenzen und Verwendungszwecke müssen konsistent geführt werden, über alle Kanäle hinweg. Wer im Shop eine Bestellnummer vergibt, die im ERP eine andere ist, baut die Fehlerquelle schon vor der ersten KI-Anfrage ein. Praktisch heißt das: Referenzfelder in Shopware oder Shopify sauber durchreichen, Zahlungsprovider wählen, die strukturierte Remittance-Daten liefern, und die Buchhaltung an einen einheitlichen Nummernkreis koppeln.
Für Händler mit eigenem B2B-Anteil lohnt jetzt ein Blick auf die Zahlungsdaten-Exportschnittstellen des Payment-Anbieters. Anbieter wie Adyen und Stripe stellen erweiterte Metadatenfelder bereit, die viele Shops schlicht nicht nutzen. Diese Felder sind die Rohstoffe, aus denen morgen automatisiertes Cashflow-Management entsteht. Wer heute mitliest, was er abrechnet, muss morgen nichts mehr abgleichen.