5 Hebel für KI in der Insolvenzverwaltung
Wo KI in der Insolvenzverwaltung heute wirklich funktioniert — und wo nicht. 5 Hebel von Datenextraktion bis Berichtswesen, ehrlich bewertet.
Warum Insolvenzkanzleien KI brauchen
In kaum einer Branche wird so viel mit Papier gearbeitet wie in der Insolvenzverwaltung. Kontoauszüge, DATEV-Exporte, Forderungsanmeldungen, Verträge — pro Verfahren landen tausende Seiten auf dem Schreibtisch. Gleichzeitig finden Kanzleien kaum noch qualifizierte Sachbearbeiter. Die Folge: Erfahrene Mitarbeiter verbringen ihre Zeit mit Tabellenerfassung statt mit juristischer Arbeit. KI ist in diesem Kontext kein Komfortgewinn — sondern eine Notwendigkeit. Dieser Artikel ist kein Hype-Stück. Er zeigt fünf konkrete Hebel, an denen KI heute in der Insolvenzverwaltung ansetzt — und benennt ehrlich, wo die Technik an ihre Grenzen stößt.
Die fünf Hebel im Überblick:
- Datenextraktion — Papier wird zu strukturierten Daten
- Kontenanalyse — Muster in Zahlungsströmen erkennen
- Zahlungsunfähigkeitsprüfung — den Kipppunkt finden
- Anfechtungs- und Haftungsprüfung — Ansprüche systematisch identifizieren
- Berichtswesen — Gutachten und Berichte vorstrukturieren
Der Insolvenzverwalter haftet persönlich für Pflichtverletzungen nach § 60 InsO. Eine kodifizierte Business Judgment Rule wie im Gesellschaftsrecht existiert nicht — auch wenn Gerichte bei unternehmerischen Ermessensentscheidungen einen gewissen Handlungsspielraum anerkennen. KI bleibt Werkzeug — die Verantwortung für jede Entscheidung liegt beim Verwalter.
1. Datenextraktion — Papier wird zu Daten
Der unmittelbarste Hebel liegt in der Datenaufbereitung. OCR-Systeme erkennen Kontoauszüge verschiedener Banken, extrahieren Buchungszeilen und ordnen sie strukturiert zu. DATEV-Exporte, Forderungsanmeldungen und Gläubigerkorrespondenz werden automatisiert erfasst und kategorisiert.
Auch in normalen Regelinsolvenzverfahren summieren sich schnell Hunderte Seiten Kontoauszüge, Dutzende Forderungsanmeldungen und diverse Buchhaltungsexporte. Bei Massenverfahren wie P&R (54.000 Anleger) oder Air Berlin (über eine Million Gläubiger) wird das Volumen ohne Automatisierung schlicht nicht mehr bewältigt — aber der Hebel setzt nicht erst bei Extremfällen an.
Die Erkennungsqualität hängt stark von der eingesetzten Technologie ab. Klassische OCR-basierte Systeme liefern bei standardisierten Kontoauszügen großer Banken gute Ergebnisse — stoßen aber bei handschriftlichen Belegen, Fotos oder unbekannten Formaten an ihre Grenzen. Neuere, multimodale Ansätze verschieben diese Grenze deutlich.
Ohne saubere Daten keine Analyse. Die Qualität der Datenextraktion bestimmt die Qualität aller nachfolgenden Schritte. Hier ist KI am weitesten ausgereift.
Die größte Herausforderung: Schuldner ohne ordentliche Buchführung liefern unstrukturierte, lückenhafte Unterlagen — und die Auskunfts- und Mitwirkungspflicht nach § 97 InsO hilft nur begrenzt, wenn Unterlagen schlicht nicht mehr existieren. Klassische OCR-Systeme — die Zeichen für Zeichen erkennen und auf feste Layouts trainiert sind — stoßen hier schnell an ihre Grenzen. Weicht das Format ab, steigt die Fehlerquote.
Multimodale KI-Modelle gehen einen Schritt weiter: Sie verarbeiten ein Dokument nicht zeichenweise, sondern erfassen die Seite als Ganzes — Text, Layout, Kontext gleichzeitig. Dadurch können sie auch handschriftliche Notizen, widersprüchliche Kontoauszüge und uneinheitliche Formate verarbeiten, bei denen klassische OCR scheitert.
Unabhängig vom technischen Fortschritt gilt: Jede KI-Extraktion braucht eine finale menschliche Sichtprüfung, bevor die Daten in die rechtliche Verwertung wandern — das Vier-Augen-Prinzip ist keine gesetzliche Pflicht, aber gelebte Best Practice und im Haftungsfall ein starkes Argument. Umgekehrt gilt das auch: Wer eine KI systematisch zur Zweitprüfung einsetzt, kann im Haftungsfall dokumentieren, dass er über die manuelle Prüfung hinaus modernste Mittel angewandt hat — ein proaktiver Schutz im Sinne des § 60 InsO. Die harte Grenze liegt woanders: Unterlagen, die der Schuldner nicht übergibt oder die schlicht nicht existieren, kann kein Algorithmus rekonstruieren. Aber KI kann auf Lücken hinweisen — fehlende Monate in Kontoauszügen, ausbleibende DATEV-Perioden, erwartbare Belege, die nicht auftauchen.
2. Kontenanalyse — Muster in Zahlungsströmen erkennen
Sobald die Daten strukturiert vorliegen, beginnt die eigentliche Kontenanalyse. KI kann Muster identifizieren, die in der Masse untergehen: Gläubigerbevorzugung, auffällige Rundbeträge, Zahlungen ins Ausland, Vermögensverschiebungen an nahestehende Personen.
Besonders wertvoll sind zeitliche Muster. Wann häufen sich Lastschriftrückgaben? Ab welchem Zeitpunkt wurden fällige Verbindlichkeiten nicht mehr bedient? Wo liegt der Kipppunkt in der Liquiditätsentwicklung? Ein System kann Abertausende Buchungszeilen in Minuten durcharbeiten — statt in Tagen.
Die eigentliche Herausforderung ist dabei nicht die Mustererkennung auf einem einzelnen Konto, sondern die Zusammenführung fragmentierter Zahlungsströme: Der Schuldner hat drei Konten bei verschiedenen Banken, zahlt über ein Privatkonto, hat eine Kreditkarte, die nirgends auftaucht. KI kann kontenübergreifend Zahlungsflüsse abgleichen und Lücken aufdecken — ein Sachbearbeiter, der gleichzeitig 25 Verfahren bearbeitet, hat dafür schlicht nicht die Zeit.
Wichtig ist: Eine statistische Abweichung allein reicht nicht. Warum hat ein Bauunternehmen im Dezember besonders hohe Ausgaben? Warum sind die Umsätze eines Einzelhändlers im November dreimal so hoch wie im Februar? Moderne KI-Systeme können hier zunehmend Kontext liefern — Branchenmuster erkennen, Saisonalität berücksichtigen, Auffälligkeiten gegen vergleichbare Unternehmen einordnen. Die finale Bewertung, ob eine Abweichung anfechtungsrelevant ist, bleibt beim Verwalter.
3. Zahlungsunfähigkeitsprüfung — den Kipppunkt finden
Die Feststellung der Zahlungsunfähigkeit ist das Herzstück vieler Insolvenzverfahren. Wann konnte der Schuldner seine fälligen Verbindlichkeiten nicht mehr bedienen? KI kann den Liquiditätsverlauf automatisiert erstellen und kritische Zeiträume identifizieren.
Die Methodik ist klar definiert: Nach IDW S11 und BGH-Rechtsprechung ist Zahlungsunfähigkeit regelmäßig anzunehmen, wenn die Deckungslücke zwischen verfügbaren Mitteln und fälligen Verbindlichkeiten 10 % oder mehr beträgt (BGH, Urt. v. 24.5.2005 – IX ZR 123/04). Entscheidend ist eine stichtagsbezogene Betrachtung, ergänzt um eine Prognose: Kann die Lücke innerhalb von drei Wochen mit an Sicherheit grenzender Wahrscheinlichkeit beseitigt werden? Wenn nicht, liegt keine bloß vorübergehende Zahlungsstockung vor, sondern Zahlungsunfähigkeit. In der Praxis geht es meist darum, diesen Zeitpunkt retrospektiv zu rekonstruieren — mit Finanzdaten, die oft lückenhaft oder unstrukturiert vorliegen.
Genau hier liegt die Lücke: Eine systematische Literaturanalyse zählt über 200 akademische Studien zum Einsatz von Machine Learning in der Insolvenzprognose. Fast alle arbeiten forward-looking — sie versuchen, Insolvenzen vorherzusagen. Die insolvenzrechtlich relevante Frage ist aber eine andere: Wann war der Schuldner zahlungsunfähig? Die retrograde Betrachtung nach BGH-Methodik wird bislang nur von wenigen spezialisierten Tools unterstützt. Mehr dazu im Artikel Zahlungsunfähigkeit feststellen: Schneller mit Kontodaten.
KI liefert die Datenbasis und die Zeitachse. Die rechtliche Würdigung — insbesondere die Abgrenzung zwischen Zahlungsstockung und Zahlungsunfähigkeit — bleibt beim Verwalter. Das gilt besonders für die Fälligkeitsbestimmung: Ob eine Verbindlichkeit tatsächlich fällig war — unter Berücksichtigung von Stundungsabreden, ernstlichem Einfordern und vertraglichen Regelungen — ist eine juristische Wertungsfrage, die KI nicht ersetzen kann.
4. Anfechtungs- und Haftungsprüfung — Ansprüche systematisch identifizieren
Die Insolvenzanfechtung (§§ 129–147 InsO) ist wirtschaftlich einer der wichtigsten Bereiche. KI kann anfechtungsrelevante Buchungen automatisiert markieren: Zahlungen in kritischen Zeiträumen, Transaktionen an nahestehende Personen (§ 138 InsO), Zahlungen nach Eintritt der Insolvenzreife — also bei Zahlungsunfähigkeit oder Überschuldung — relevant für die Geschäftsführerhaftung nach § 15b InsO. Wie sich die digitale Anfechtungsprüfung von der manuellen Heuristik zum KI-Agenten entwickelt hat, zeigt der Vertiefungsartikel.
Ein weiterer Ansatz ist die Analyse von E-Mails und Korrespondenz. Wusste der Gläubiger von der Krise? Hat der Geschäftsführer trotz erkennbarer Zahlungsunfähigkeit weiter gezahlt? Spezialisierte Systeme können große Mengen an Korrespondenz entlang der Zeitachse auswerten — nicht nur nach Stichworten, sondern zunehmend kontextbasiert — und potenzielle Kenntnisbelege identifizieren. In der Praxis stößt das allerdings an Grenzen: Die E-Mails müssen überhaupt verfügbar sein (Schuldner löschen Daten, Server werden abgeschaltet), und die datenschutzrechtlichen Anforderungen der DSGVO sind bei der Massenauswertung zu beachten.
KI ist besonders stark beim Aufbau von Indizienketten: die Beweisanzeichen für eine Zahlungseinstellung (§ 17 Abs. 2 S. 2 InsO) systematisch sammeln, zeitlich ordnen und verdichten — Lastschriftrückgaben, Mahnbescheide, Vollstreckungsmaßnahmen, Ratenzahlungsvereinbarungen. Je lückenloser die Indizienkette, desto schwerer kann der angefochtene Gläubiger argumentieren. Das hat einen direkten wirtschaftlichen Effekt: Bei Abertausenden Buchungszeilen und 25 parallel laufenden Verfahren pro Sachbearbeiter gehen Ansprüche zwangsläufig unter — eine inkongruente Deckung hier, eine verdächtige Nahbereichszahlung dort. KI durchsucht systematisch und vollständig. Mehr identifizierte Ansprüche bedeuten mehr Masse. Ob am Ende eine kongruente oder inkongruente Deckung vorliegt, ob ein Bargeschäft greift oder ob der Gläubiger tatsächlich Kenntnis hatte — das bleibt die Würdigung des Verwalters.
5. Berichtswesen — Gutachten und Berichte vorstrukturieren
Insolvenzverwalter erstellen Gutachten, Berichte nach § 156 InsO und regelmäßige Sachstandsberichte. Hier kann KI bei der Vorstrukturierung helfen — aber dieser Bereich ist am wenigsten ausgereift.
Ein relevanter Ansatz ist ForStaB 2.0, das vom AG Aachen mitentwickelte standardisierte Berichtsformat, das in Winsolvenz integriert ist. Es schafft eine einheitliche Struktur, die maschinell befüllt werden kann.
Allgemeine Legal-AI-Plattformen wie Libra (Wolters Kluwer) bieten RAG-basierte Recherche über juristische Fachliteratur — einschließlich insolvenzrechtlicher Kommentare wie HambKomm, FK-InsO und ZInsO. Sie sind aber keine insolvenzspezifischen Systeme, sondern generische Recherche-Tools.
Der eigentliche Engpass beim Berichtswesen ist allerdings nicht die Formulierung — sondern das Zusammentragen der Informationen aus verschiedenen Quellen: Kanzleisoftware, eigene Excel-Tabellen, Grundbuchauszüge, Gutachterberichte, Gläubigerkorrespondenz. Wer diese Daten zusammenführen und gegen die Kontobewegungen abgleichen kann, löst das richtige Problem. Moderne KI-Agenten setzen genau hier an: Sie prüfen den Berichtsentwurf autonom gegen die hochgeladenen Verfahrensdaten und markieren Widersprüche, bevor der Verwalter das Dokument überhaupt öffnet. Die persönliche Einschätzung des Verwalters — seine Bewertung der Sanierungsfähigkeit, seine Einordnung der Vermögenslage — bleibt aber seine Aufgabe.
Grenzen von KI in der Insolvenzverwaltung
KI kann heute weit mehr als statistische Abweichungen erkennen — sie versteht zunehmend auch inhaltlichen Kontext, ordnet Sachverhalte ein und bereitet Entscheidungsgrundlagen auf. Die Rolle des Verwalters verschiebt sich: weniger manuelle Aufbereitung, mehr Prüfung und Freigabe. KI liefert den Entwurf — der Verwalter die Würdigung.
Was bleibt, ist die letzte Meile:
- Rechtliche Würdigung. KI liefert den Kontext, die Beweislage, die Zeitachse. Ob eine Zahlung anfechtbar ist, entscheidet der Verwalter.
- Strategische Einordnung. Welche Ansprüche lohnen sich wirtschaftlich? Gibt es eine Sanierungsperspektive? Wer ist kooperationsbereit?
- Verhandlung und Durchsetzung. Gläubigerversammlungen, Vergleichsverhandlungen und Abstimmungen mit Gerichten erfordern Erfahrung und Fingerspitzengefühl.
Der Verwalter haftet persönlich nach § 60 InsO — eine Delegation an Algorithmen entbindet nicht von der Sorgfaltspflicht. Eine kodifizierte Business Judgment Rule wie im Gesellschaftsrecht existiert nicht, auch wenn bei unternehmerischen Ermessensentscheidungen ein gewisser Spielraum anerkannt wird.
Fazit: Wo KI in der Insolvenzverwaltung anfangen
Fünf Hebel, unterschiedlicher Reifegrad. Datenextraktion und Kontenanalyse funktionieren heute zuverlässig und liefern messbaren Mehrwert. Zahlungsunfähigkeitsprüfung, Anfechtungsanalyse und Berichtswesen: Hier unterstützt KI, ersetzt aber nicht. Die Frage für Insolvenzkanzleien ist nicht mehr ob — sondern wie und wo sie KI sinnvoll einsetzen.
InsoHiwi kombiniert alle fünf Hebel in einer Plattform — von der automatisierten Datenextraktion über die Kontenanalyse bis zur Anfechtungsprüfung. Die Software analysiert Verfahrensdaten und liefert aufbereitete Ergebnisse, damit die juristische Bewertung auf Daten statt auf Bauchgefühl basiert.