Fortführungsprognose 2.0 : Wie KI Überlebensfähigkeit berechnet

Fortführungsprognose 2.0: Wie KI Überlebensfähigkeit berechnet

Ein mittelständisches Maschinenbauunternehmen mit 200 Mitarbeitern verliert innerhalb von drei Monaten zwei Großkunden. Die Geschäftsführung muss unter Zeitdruck eine Fortführungsprognose erstellen -- doch die klassische Methodik mit Excel-Tabellen und linearen Trendfortschreibungen erfasst die Dynamik der Krise nicht annähernd. Genau hier setzt ein neuer Ansatz an: Künstliche Intelligenz als Werkzeug zur Berechnung der Überlebensfähigkeit von Unternehmen.

Der rechtliche Rahmen: Wann ist eine Fortführungsprognose erforderlich?

§ 252 HGB -- Das Going-Concern-Prinzip

Das Handelsgesetzbuch verankert in § 252 Abs. 1 Nr. 2 HGB den Grundsatz der Unternehmensfortführung: Bei der Bewertung ist von der Fortführung der Unternehmenstätigkeit auszugehen, sofern dem nicht tatsächliche oder rechtliche Gegebenheiten entgegenstehen. Dieser Grundsatz bildet das Fundament jeder handelsrechtlichen Bilanzierung und bestimmt maßgeblich die Bewertung von Vermögensgegenständen und Schulden. Entfällt die Going-Concern-Prämisse, müssen Vermögensgegenstände zu Liquidationswerten angesetzt werden -- mit oft dramatischen Auswirkungen auf die Bilanz.

§ 19 InsO -- Überschuldung und Fortbestehensprognose

Nach § 19 InsO liegt eine Überschuldung vor, wenn das Vermögen des Schuldners die bestehenden Verbindlichkeiten nicht mehr deckt, es sei denn, die Fortführung des Unternehmens in den nächsten zwölf Monaten nach den Umständen überwiegend wahrscheinlich ist. Die positive Fortbestehensprognose ist damit der entscheidende Rettungsanker: Gelingt sie, wird die rechnerische Überschuldung irrelevant. Scheitert sie, besteht Insolvenzantragspflicht innerhalb von sechs Wochen gemäß § 15a InsO.

IDW S11 -- Der Prüfungsstandard

Der IDW S11 (Neufassung 2024) des Instituts der Wirtschaftsprüfer definiert die Anforderungen an die Beurteilung von Insolvenzeröffnungsgründen. Der Standard fordert eine integrierte Finanzplanung mit Ertrags-, Bilanz- und Liquiditätsplanung für einen Zeitraum von mindestens zwölf Monaten. Die Prognose muss auf nachvollziehbaren Annahmen beruhen und die Zahlungsfähigkeit des Unternehmens im gesamten Prognosezeitraum belegen.

Die Grenzen der traditionellen Fortführungsprognose

Die herkömmliche Erstellung einer Fortführungsprognose weist erhebliche Schwächen auf, die in der Praxis regelmäßig zu suboptimalen Ergebnissen führen:

Kognitive Verzerrungen

Menschen neigen zu Optimismus-Bias: Geschäftsführer und Berater bewerten die eigene Situation systematisch besser, als sie tatsächlich ist. Studien zeigen, dass Managementprognosen in Krisensituationen die tatsächliche Entwicklung um durchschnittlich 20 bis 30 Prozent zu positiv einschätzen. Hinzu kommen Verankerungseffekte -- bestehende Pläne werden fortgeschrieben, statt grundlegend hinterfragt.

Lineare Extrapolation in nichtlinearen Märkten

Klassische Modelle schreiben historische Trends fort und unterstellen dabei implizit lineare Zusammenhänge. In einer Welt, in der Lieferketten innerhalb von Wochen zusammenbrechen, Energiepreise sich verdreifachen oder ganze Geschäftsmodelle durch Technologieschübe obsolet werden, ist diese Methodik unzureichend. Branchenspezifische Disruptions-Risiken werden systematisch unterschätzt.

Begrenzte Datenverarbeitung

Eine manuelle Finanzplanung kann realistischerweise fünf bis zehn Szenarien durchrechnen. Die tatsächliche Bandbreite möglicher Entwicklungen ist jedoch um Größenordnungen komplexer: Jede Kombination aus Umsatzentwicklung, Kostenstrukturen, Zahlungsverhalten der Kunden, Zinsentwicklung und Lieferkettenrisiken erzeugt ein eigenes Szenario.

Wie KI die Fortführungsprognose revolutioniert

Maschinelles Lernen für Cashflow-Projektionen

Moderne ML-Modelle -- insbesondere Gradient-Boosting-Verfahren (XGBoost, LightGBM) und rekurrente neuronale Netze (LSTM) -- können aus historischen Finanzdaten Muster erkennen, die menschlichen Analysten verborgen bleiben. Laut einer Studie der TU Graz erreichen KI-Modelle bei der Insolvenzprognose eine Trefferquote von über 85 Prozent -- deutlich mehr als klassische statistische Verfahren. Die Modelle verarbeiten dabei nicht nur Finanzkennzahlen, sondern auch qualitative Faktoren wie Branchenzugehörigkeit, Unternehmensalter und Managementwechsel.

Szenarioanalyse in Echtzeit

Statt fünf manueller Szenarien berechnet KI Tausende von Monte-Carlo-Simulationen in Minuten. Jede Simulation kombiniert unterschiedliche Annahmen zu Umsatz, Kosten, Zahlungsausfällen und Marktentwicklungen und erzeugt eine Wahrscheinlichkeitsverteilung für die künftige Liquiditätsentwicklung. Das Ergebnis ist keine einzelne Zahl, sondern ein Konfidenzintervall: Die Fortführung ist mit einer bestimmten Wahrscheinlichkeit gesichert -- oder eben nicht.

Integration externer Datenquellen

Ein entscheidender Vorteil KI-gestützter Prognosen ist die Fähigkeit, externe Signale in die Analyse einzubeziehen. Dazu gehören:

• Marktdaten: Branchenindizes, Rohstoffpreise, Wechselkurse und Zinsentwicklungen
• Lieferkettendaten: Lieferantenbonität, Transportkosten, Lagerbestände in der Wertschöpfungskette
• ESG-Faktoren: Regulatorische Risiken, CO₂-Bepreisung, Reputationsrisiken
• Medien- und Sentimentanalysen: Nachrichtenflow zu Kunden, Wettbewerbern und Branchen
• Makroökonomische Indikatoren: BIP-Prognosen, Arbeitsmarktdaten, Kreditausfallraten

Wie Rödl & Partner unter dem Stichwort Predictive Insolvency beschreibt, ermöglichen datengetriebene Modelle eine Krisenfrüherkennung mit einer Vorlaufzeit von sechs bis zwölf Monaten vor dem tatsächlichen Eintritt der Zahlungsunfähigkeit.

Der internationale Standard: ISA 570 (Revised 2024)

Der internationale Prüfungsstandard ISA 570 (Revised 2024) des IAASB stellt erhöhte Anforderungen an die Abschlussprüfung in Bezug auf die Fortführungsannahme. Die wesentlichen Neuerungen umfassen:

• Robustere Risikobeurteilung: Prüfer müssen frühzeitiger und gründlicher beurteilen, ob Ereignisse oder Umstände vorliegen, die erhebliche Zweifel an der Fortführungsfähigkeit begründen
• Erweiterter Beurteilungszeitraum: Der Beurteilungszeitraum erstreckt sich nunmehr auf mindestens zwölf Monate ab dem Datum der Feststellung des Jahresabschlusses
• Erhöhte Transparenz: Verschärfte Berichtspflichten gegenüber dem Aufsichtsgremium und in der Öffentlichkeit

Diese Verschärfung unterstreicht, dass die Qualität von Fortführungsprognosen international an Bedeutung gewinnt -- und dass technologische Unterstützung nicht nur wünschenswert, sondern zunehmend notwendig wird.

Praktische Pilotanwendungen: Wo KI heute bereits eingesetzt wird

Krisenfrüherkennung bei Kreditinstituten

Banken nutzen KI-gestützte Frühwarnsysteme, um das Ausfallrisiko ihrer Kreditnehmer zu bewerten. Die Modelle analysieren laufend Kontobewegungen, Zahlungsverhalten und externe Marktdaten und generieren Risiko-Scores, die eine proaktive Kreditbetreuung ermöglichen. Wie Finbridge dokumentiert, übertreffen ML-Modelle die klassischen Scoring-Verfahren dabei signifikant.

Due-Diligence-Unterstützung

In Restrukturierungssituationen beschleunigt KI die Analyse von Finanzdaten. Automatisierte Systeme können Jahresabschlüsse, BWA-Daten und Cashflow-Statements in Minuten auswerten, Inkonsistenzen identifizieren und auf Risikoindikatoren hinweisen, die bei manueller Prüfung übersehen würden.

Laufende Überwachung in der Eigenverwaltung

Im Rahmen von Eigenverwaltungsverfahren nach §§ 270 ff. InsO können KI-Systeme die laufende Liquiditätsüberwachung übernehmen. Sie vergleichen Ist-Werte in Echtzeit mit der genehmigten Finanzplanung und alarmieren Geschäftsführung und Sachwalter automatisch bei Abweichungen.

Grenzen und Risiken des KI-Einsatzes

Datenqualität als Achillesferse

KI-Modelle sind nur so gut wie ihre Trainingsdaten. In der Praxis sind Finanzdaten insolvenzgefährdeter Unternehmen häufig unvollständig, inkonsistent oder veraltet. Eine Fortführungsprognose auf Basis fehlerhafter Daten führt zwangsläufig zu fehlerhaften Ergebnissen -- die Garbage-in-garbage-out-Problematik gilt uneingeschränkt.

Erklärbarkeit und Nachvollziehbarkeit

Der IDW S11 fordert nachvollziehbare Annahmen. Black-Box-Modelle, deren Entscheidungslogik nicht transparent ist, genügen diesem Anspruch nicht. Für den Einsatz in der insolvenzrechtlichen Praxis sind daher Explainable-AI-Ansätze (XAI) erforderlich, die ihre Prognosen begründen können -- etwa durch SHAP-Werte oder LIME-Erklärungen.

Menschliche Verantwortung bleibt

Wie die Forschungsübersicht von Nordantech betont: KI kann Hinweise geben, Szenarien berechnen und Risiken quantifizieren -- doch die Entscheidung über Sanierung, Restrukturierung oder Insolvenzantrag liegt weiterhin beim Menschen. Die Fortführungsprognose ist keine rein mathematische Übung, sondern erfordert unternehmerisches Urteilsvermögen und rechtliche Bewertung.

Empfehlungen für die Praxis

1. Dateninfrastruktur aufbauen: Stellen Sie sicher, dass Ihre Finanzdaten aktuell, vollständig und strukturiert vorliegen. Investieren Sie in ERP-Systeme und automatisierte Schnittstellen.

2. KI als Ergänzung, nicht als Ersatz verstehen: Nutzen Sie ML-Modelle zur Unterstützung Ihrer Finanzplanung, aber verlassen Sie sich nicht blind auf algorithmische Prognosen. Die menschliche Plausibilitätsprüfung bleibt unverzichtbar.

3. Szenarien systematisch erweitern: Ergänzen Sie Ihre klassische Best-/Worst-Case-Planung um Monte-Carlo-Simulationen und Stresstests. Identifizieren Sie die Annahmen, die den größten Einfluss auf die Fortführungsfähigkeit haben.

4. Externe Daten einbeziehen: Integrieren Sie Markt-, Branchen- und Lieferkettendaten in Ihre Prognosemodelle. Isolierte Betrachtungen der eigenen Finanzdaten reichen in volatilen Märkten nicht aus.

5. Erklärbarkeit sicherstellen: Achten Sie darauf, dass KI-gestützte Prognosen gegenüber Gläubigern, Gerichten und Aufsichtsbehörden nachvollziehbar dargestellt werden können.

6. Regulatorische Entwicklungen beobachten: Verfolgen Sie die Umsetzung des ISA 570 (Revised 2024) und die weitere Entwicklung des IDW S11. Die Anforderungen an Fortführungsprognosen werden weiter steigen.

Fazit: Die Fortführungsprognose der Zukunft ist hybrid

Die Fortführungsprognose steht vor einem Paradigmenwechsel. Künstliche Intelligenz ersetzt nicht den erfahrenen Restrukturierungsberater oder Wirtschaftsprüfer -- aber sie erweitert dessen Werkzeugkasten erheblich. Die Kombination aus rechtlicher Expertise, unternehmerischem Urteilsvermögen und datengetriebener Analyse definiert die Fortführungsprognose 2.0.

Unternehmen in der Krise, die frühzeitig auf KI-gestützte Prognosemodelle setzen, gewinnen wertvolle Zeit -- die in der Restrukturierung über Erfolg und Scheitern entscheiden kann. Gleichzeitig steigen die regulatorischen Anforderungen an die Qualität und Nachvollziehbarkeit von Prognosen. Wer diesen Anforderungen mit veralteten Methoden begegnet, riskiert nicht nur unzureichende Ergebnisse, sondern auch persönliche Haftung.

Bei compleneo unterstützen wir Sie bei der Erstellung von Fortführungsprognosen nach IDW S11 und bei der Integration moderner Analysemethoden in Ihre Krisenfrüherkennung. Sprechen Sie uns an.