Mieterbonität automatisch prüfen

Das echte Ausmaß des Problems

Mietausfälle sind einer der größten Vermögensschäden für private Vermieter. Ein Mieter, der drei Monate nicht zahlt und dann per Räumungsklage entfernt werden muss, kostet — Mietausfall, Anwalts- und Gerichtskosten, Renovierung nach Auszug — schnell 15.000 bis 40.000 Euro. Die Räumungsklage dauert in Deutschland im Schnitt sechs bis zwölf Monate.

Das eigentliche Problem: Viele dieser Fälle wären mit einer gründlicheren Vorabprüfung vermeidbar gewesen. Nicht alle — aber ein erheblicher Teil. Laut Daten des Hauseigentümerverbands Haus & Grund zahlt jeder fünfzigste Mieter in Deutschland irgendwann nicht oder nicht pünktlich.

Die Herausforderung bei der Bonitätsprüfung ist nicht das Fehlen von Informationen — Vermieter können SCHUFA-Auskünfte anfordern, Gehaltsnachweise verlangen, Selbstauskünfte einholen. Das Problem ist die uneinheitliche Auswertung: Was ist „ausreichend”? Wie hoch muss das Nettoeinkommen in Relation zur Miete sein? Wie bewertest du Selbstständige, Studenten mit Bürgen, Personen mit älteren SCHUFA-Einträgen? Diese Fragen werden oft bauchgefühlbasiert beantwortet — und führen zu inkonsistenten Entscheidungen, die im Streitfall schwer zu begründen sind.

Rechtliche Besonderheiten

DSGVO Art. 22 — Automatisierte Einzelentscheidungen: Dies ist der rechtlich kritischste Aspekt dieses Use Cases. Art. 22 DSGVO verbietet grundsätzlich Entscheidungen, die „ausschließlich auf einer automatisierten Verarbeitung beruhen” und rechtliche oder ähnlich erhebliche Wirkungen für Personen haben. Eine vollständig automatisierte Ablehnung eines Mietinteressenten fällt unter diesen Schutzbereich.

Was das konkret bedeutet: KI darf bei der Bonitätsprüfung als Entscheidungshilfe genutzt werden — aber die finale Entscheidung (ablehnen oder akzeptieren) muss ein Mensch treffen. Ein KI-System, das automatisch ohne menschliche Kontrolle ablehnt, verstößt gegen DSGVO Art. 22.

SCHUFA-Daten und Scoring (§ 31 BDSG): Die Verwendung von SCHUFA-Daten für Vermietungsentscheidungen ist zulässig — aber der Interessent muss darüber informiert werden (Transparenzpflicht). SCHUFA-Scoring-Ergebnisse allein dürfen nicht als einzige Entscheidungsgrundlage genutzt werden.

Diskriminierungsschutz (AGG): Ablehnungen auf Basis von Nationalität, Religion, Geschlecht oder anderen geschützten Merkmalen sind nach dem Allgemeinen Gleichbehandlungsgesetz unzulässig — auch wenn sie nur implizit durch ein Scoring-Modell entstehen. Wer ein KI-System einsetzt, muss sicherstellen, dass seine Kriterien keine diskriminierenden Proxy-Merkmale enthalten.

Mit vs. ohne KI — ein ehrlicher Vergleich

Einschätzung auf einen Blick

Zeitersparnis — niedrig (2/5) Die Zeitersparnis pro Prüfung ist real — von 20–45 auf 8–15 Minuten je Bewerbung — aber das Gesamtvolumen ist meist begrenzt. Neuvermietungen passieren nicht täglich. Im Gesamtbild des Immobilien-Bereichs ist das einer der schwächeren Zeithebel.

Kosteneinsparung — sehr hoch (5/5) Das ist der stärkste Nutzen dieses Use Cases: ein verhinderter Mietnomade spart 15.000–40.000 Euro. Selbst wenn KI nur in einem von zwanzig Fällen einen kritischen Hinweis liefert, der ohne Automatisierung übersehen worden wäre, übersteigt das den Nutzen aller anderen Use Cases. Dieser Wert ist schwer vorherzusagen — tritt er ein, ist er enorm.

Schnelle Umsetzung — niedrig (2/5) Rechtliche Anforderungen (DSGVO Art. 22, AGG, SCHUFA-Nutzung) erfordern sorgfältige Konfiguration und rechtliche Prüfung, bevor ein KI-Scoring-System eingesetzt wird. Einfache Checklisten-Unterstützung ist schnell einzurichten; ein strukturiertes Scoring-System braucht vier bis acht Wochen Vorbereitung.

ROI-Sicherheit — mittel (3/5) Der Nutzen ist enorm — aber schwer vorherzusagen, wann er eintritt. Es ist nicht sicher, ob ein Mietausfall ohne KI eingetreten wäre. Die Schutzwirkung ist real, aber nicht messbar, bis ein Schadensfall ausbleibt.

Skalierbarkeit — mittel (3/5) Der Workflow skaliert gut mit steigender Anzahl von Vermietungsvorgängen. Bei privaten Vermietern mit wenigen Objekten ist das Volumen zu gering für einen ausgeprägten Skalierungseffekt. Für professionelle Hausverwaltungen mit vielen Neuvermietungen jährlich ist der Skalierungseffekt deutlich spürbarer.

Richtwerte — stark abhängig von Neuvermietungsvolumen und Risikobereitschaft.

Was KI bei der Bonitätsprüfung konkret macht

Dokumentenauswertung: KI kann Gehaltsabrechnungen, Einkommenssteuerbescheide und Selbstauskünfte systematisch auswerten — Nettoeinkommen extrahieren, Verhältnis zur Miete berechnen, Beschäftigungsverhältnis einordnen. Was manuell zwanzig Minuten pro Dokument kostet, dauert mit KI-Unterstützung Sekunden.

Kriterien-Checkliste: Ein strukturiertes Scoring bewertet jede Bewerbung nach denselben Kriterien: Einkommens-Miete-Verhältnis (Daumenregel: Kaltmiete maximal 30–35 % des Nettoeinkommens), Beschäftigungsstabilität, SCHUFA-Einträge, Vollständigkeit der Unterlagen, Bürgschaft. Das Ergebnis ist ein strukturierter Report — nicht eine automatische Entscheidung.

Warnzeichen-Identifikation: KI erkennt Signale, die manuell übersehen werden: widersprüchliche Angaben zwischen Selbstauskunft und Gehaltsnachweis, Lücken in der Beschäftigungshistorie, ungewöhnlich hohe Mietobergrenze für das angegebene Einkommen.

Entscheidungsdokumentation: Für jede Bewerbung entsteht ein dokumentierter Report mit den Prüfkriterien und Ergebnissen. Das ist im Streitfall wertvoll — wenn ein abgelehnter Interessent die Ablehnung anficht, hast du eine nachvollziehbare Grundlage.

Konkrete Werkzeuge — was wann passt

ChatGPT oder Claude — für die Dokumentenauswertung und Checklisten-Erstellung. Du kopierst die relevanten Informationen aus Unterlagen als Text, und die KI prüft sie systematisch. Keine Integration, sofort einsetzbar. Ab 20 Euro/Monat.

Julius AI — für die strukturierte Auswertung, wenn Bewerberdaten in tabellarischer Form vorliegen (z. B. aus einem Online-Bewerbungsformular). Natürlichsprachige Abfragen auf den Daten. Ab 20 Dollar/Monat.

SCHUFA B2B-API — für professionelle Hausverwaltungen mit hohem Volumen. Direkte SCHUFA-Abfragen über eine API-Schnittstelle, automatisch in den Prüfworkflow integriert. Konditionen nach Vereinbarung mit der SCHUFA.

Datenschutz und Datenhaltung

Bonitätsdaten sind besonders sensibel. Sie umfassen Einkommensinformationen, SCHUFA-Daten und persönliche Lebensumstände. Die Anforderungen der DSGVO sind streng:

• Zweckbindung: Bonitätsdaten dürfen ausschließlich für die Bonitätsprüfung genutzt werden — nicht für Marketing, nicht für andere Zwecke.
• Datensparsamkeit: Nur die Daten erheben, die wirklich für die Entscheidung notwendig sind.
• Löschfristen: Bonitätsdaten abgelehnter Bewerber müssen nach Abschluss des Verfahrens gelöscht werden. Keine Daten für „eventuell spätere Vermietungen” aufbewahren.
• Auskunftsrecht: Jeder Interessent hat das Recht zu erfahren, welche Daten du über ihn verarbeitest und wie du zu deiner Entscheidung gekommen bist (Art. 15 DSGVO).
• AVV nach Art. 28: Wenn KI-Tools bei der Verarbeitung genutzt werden, ist ein AVV mit dem Toolanbieter Pflicht.

Empfehlung: Für die KI-Unterstützung nur pseudonymisierte Daten verwenden (Interessent-A, Interessent-B), Klarnamen erst im finalen menschlichen Entscheidungsschritt.

Was es kostet — realistisch gerechnet

Einstieg (strukturierte Checkliste + KI): 20–30 Euro/Monat. Keine Integration, kein Aufwand. Sofort einsetzbarer Prüf-Workflow.

Mit SCHUFA-Integration: Konditionen mit SCHUFA auf Anfrage. Sinnvoll erst ab mehr als zwanzig Neuvermietungen pro Jahr — darunter übersteigen die Fixkosten den Nutzen.

ROI: Kein linearer ROI — aber ein verhinderter Mietausfall zahlt Tools für viele Jahre. Die Abwägung: Wie hoch ist das Risiko in deinem Bestand und wie groß ist das Schaden-Szenario?

Typische Einstiegsfehler

1. Vollautomatische Ablehnungen ohne menschliche Entscheidung. Das ist der Fehler mit den größten rechtlichen Konsequenzen: DSGVO Art. 22 verbietet automatisierte Entscheidungen. KI darf helfen, einordnen und dokumentieren — die finale Entscheidung trifft immer ein Mensch.

2. Zu enge Einkommenskriterien. Ein Einkommens-Miete-Verhältnis von 1:3 als hartes Kriterium klingt sauber — aber wer damit Selbstständige, Rentner oder Personen mit Vermögen pauschal ausschließt, riskiert AGG-Probleme und verliert gute Kandidaten. Kriterien müssen flexibel genug sein, um Kontext zu berücksichtigen.

3. Alte SCHUFA-Einträge übergewichten. Ein SCHUFA-Eintrag aus 2018 (getilgte Schulden) ist ein anderes Signal als ein aktueller Eintrag von 2024. Wer nicht differenziert, lehnt Menschen ab, deren Situation sich längst stabilisiert hat.

4. Die Prüfkriterien nach der Einführung nie hinterfragen. Wer eine Einkommensgrenze von 3× Kaltmiete als hartes Limit einmal konfiguriert und zwei Jahre nicht anfasst, lehnt 2026 zunehmend Selbstständige und Teilzeitkräfte ab, die heute einen deutlich größeren Anteil der Bewerber stellen als 2023. Mindestens einmal jährlich prüfen: Stimmt der Schwellenwert noch mit dem lokalen Mietmarkt? Haben sich Beschäftigungsformen im Bestand verändert? Eine unüberprüfte Konfiguration bringt Ablehnungen, die du vor Gericht nicht begründen kannst.

Was mit der Einführung wirklich passiert

Das größte Akzeptanzproblem ist das Gerechtigkeitsgefühl: „Ich kann einen Menschen nicht auf eine Zahl reduzieren.” Das stimmt — und deshalb ist KI hier ein Hilfsmittel, kein Entscheider. Ein strukturierter Report, den ein Verwalter liest und mit dem er entscheidet, ist besser als Bauchgefühl. Er ist nicht perfekt — aber er ist dokumentierbar und konsistent.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände — und was dahintersteckt

„Ich kenne gute Mieter, wenn ich sie sehe.” Vielleicht. Aber niemand erkennt alle schlechten. Intuition ergänzen durch Struktur — nicht ersetzen.

„DSGVO macht das alles zu kompliziert.” Die DSGVO-Anforderungen sind real, aber handhabbar: menschliche Endentscheidung, AVV mit Toolanbieter, Datenschutzhinweis für Bewerber. Wer diese drei Dinge umsetzt, ist gut aufgestellt.

„Wir hatten noch keine Probleme.” Mietausfälle kommen selten, aber teuer. Die Abwesenheit von Problemen ist kein Beweis dafür, dass das bisherige System gut funktioniert.

Woran du merkst, dass das zu dir passt

• Du vermietest mehr als fünf Einheiten jährlich neu und hast keine strukturierte Prüfroutine
• Du hast Bewerbungen bekommen, bei denen du im Nachhinein froh warst, sie nicht genommen zu haben — ohne genau zu wissen, was dich gewarnt hat
• Deine Ablehnungsentscheidungen wären schwer zu begründen, wenn ein Bewerber sie anficht
• Du willst bei der nächsten Neuvermietung sicher sein, dass du nichts Wichtiges übersehen hast

Wann es sich (noch) nicht lohnt:

• Ein bis zwei Wohnungen mit persönlichem Kontext: Wer die Bewerber kennt oder in einem sehr engen lokalen Umfeld vermietet, hat mehr nützliche Information als jede KI-Auswertung.
• Sehr seltene Neuvermietungen (weniger als drei pro Jahr): Der Aufwand für ein strukturiertes Scoring-System übersteigt den Nutzen. Eine einfache Checkliste reicht.
• Kein rechtlicher Review eingeplant: DSGVO Art. 22, AGG und SCHUFA-Nutzungsregeln erfordern juristisches Grundverständnis. Wer die rechtlichen Anforderungen nicht einmalig von einem Anwalt prüfen lässt, geht ein Risiko ein, das den Nutzen überwiegt.

Das kannst du heute noch tun

Erstelle heute mit dem Prompt unten eine strukturierte Bonitätscheckliste für deine Neuvermietungen. Keine KI-Integration nötig — nur ein Dokument, das du bei jeder Bewerbung ausfüllst. Der Effekt: Konsistenz. Und wenn ein Bewerber die Ablehnung anficht, hast du eine dokumentierte Grundlage.

Quellen & Methodik

• DSGVO Art. 22: Verbot automatisierter Einzelentscheidungen mit erheblicher Wirkung — Europäische Datenschutz-Grundverordnung in der gültigen Fassung.
• § 31 BDSG: Besondere Bedingungen für die Nutzung von Scoringwerten, insbesondere SCHUFA-Daten.
• AGG: Allgemeines Gleichbehandlungsgesetz — Diskriminierungsschutz bei Vermietungsentscheidungen.
• Haus & Grund: Statistiken zu Mietausfällen und Räumungsverfahren in Deutschland (2023).
• Räumungsklage-Dauer: Eigene Zusammenstellung aus veröffentlichten Gerichtsentscheidungen und IVD-Daten, Stand 2024.

Du willst eine rechtssichere Bonitätsprüfungs-Routine für dein Portfolio entwickeln? In einem kurzen Gespräch schauen wir, was für deine Situation sinnvoll ist.