Zum Inhalt springen

KI-Grundlagen

Reasoning-Modell

Ein Reasoning-Modell ist ein Sprachmodell, das darauf trainiert wurde, vor seiner eigentlichen Antwort eine Kette von Zwischenschritten zu erzeugen: Es zerlegt die Aufgabe, probiert Lösungswege aus, prüft sie und verwirft, was nicht trägt.

Auch: Reasoning Model, Denkmodell, Thinking-Modell, Extended Thinking, Large Reasoning Model

Ein gewöhnliches Sprachmodell beginnt sofort mit der Antwort. Was es sich „überlegt“, steckt in der Berechnung jedes einzelnen Worts, und eine Gelegenheit zum Zurückrudern gibt es nicht. Ein Reasoning-Modell schiebt einen Schritt davor. Anthropic beschreibt das für seine Modelle so: Das Modell arbeitet das Problem zunächst in eigenen Worten durch, formuliert die Frage neu, probiert Ansätze aus, prüft Zwischenergebnisse und gibt Wege auf, die sich nicht halten lassen. Erst danach schreibt es die Antwort, die der Nutzer sieht.

Die Hersteller nennen das unterschiedlich. Bei OpenAI heißt es Reasoning, bei Anthropic und Google Thinking. Gemeint ist dasselbe Prinzip, und es hat sich in kurzer Zeit bei allen großen Anbietern durchgesetzt. Viele aktuelle Modelle denken inzwischen standardmäßig, und man regelt nur noch, wie viel.

Woher die Denkschritte kommen

Die Idee ist älter als die Modelle. Wei und andere zeigten 2022, dass große Sprachmodelle schwierige Aufgaben besser lösen, wenn man sie im Prompt bittet, Zwischenschritte auszuschreiben. Das war ein Trick in der Anweisung. Bei einem Reasoning-Modell ist dieses Verhalten antrainiert. Das Forschungsteam von DeepSeek hat 2025 beschrieben, wie sich das über verstärkendes Lernen erreichen lässt: Das Modell bekommt Aufgaben mit überprüfbarem Ergebnis, etwa aus Mathematik und Programmierung, und wird für richtige Lösungen belohnt. Nach Darstellung der Autoren entwickelten sich dabei von selbst Verhaltensweisen wie Selbstüberprüfung und das Wechseln der Strategie, ohne dass Menschen solche Denkwege vorgegeben hatten.

Technisch ist ein Reasoning-Modell also kein neuer Modelltyp. Es ist ein Sprachmodell, das anders trainiert wurde und bei der Ausführung zusätzlichen Raum bekommt, bevor es antwortet. Dieser Raum besteht aus gewöhnlichen Token, und daraus ergibt sich fast alles, was man für den Betrieb wissen muss.

Was das Nachdenken kostet

Geld. Die Denkschritte werden bei OpenAI, Anthropic und Google als Ausgabetoken abgerechnet, auch wenn man sie gar nicht zu sehen bekommt. Ein Rechenbeispiel mit angenommenen Werten: Eine Antwort umfasst 300 Token, das Modell denkt vorher 3.000 Token lang. Bezahlt werden dann 3.300 Ausgabetoken, also elfmal so viel wie die sichtbare Antwort. Wie viel ein Modell tatsächlich denkt, schwankt von Anfrage zu Anfrage. Die Schnittstellen weisen die Zahl in der Antwort aus, und genau dort sollte man in einer Pilotphase hinsehen.

Platz. Die Denkschritte belegen das Kontextfenster und zählen gegen die Höchstlänge der Ausgabe. OpenAI empfiehlt, für erste Versuche mindestens 25.000 Token für Denken und Antwort zu reservieren, und warnt: Ist die Grenze erreicht, bevor das Modell fertig ist, kann die Antwort unvollständig sein oder ganz fehlen.

Zeit. Wer länger nachdenkt, antwortet später. Für eine nächtliche Prüfung von Verträgen ist das gleichgültig, am Telefon oder im Kundenchat nicht.

Alle drei Anbieter bieten deshalb einen Regler. Bei OpenAI heißt er Reasoning Effort und reicht von „none“ bis „max“, bei Google gibt es Stufen von „minimal“ bis „high“, je nach Modell. Anthropic lässt das Modell bei seinen neueren Versionen selbst entscheiden, ob und wie lange es nachdenkt, gesteuert über einen Effort-Wert. Bei niedriger Einstellung kann es leichte Anfragen dann ganz ohne Nachdenken beantworten (alles Stand Oktober 2026).

Wofür sich das Nachdenken lohnt

Google gibt eine brauchbare Faustregel: wenig oder kein Nachdenken für das Abrufen von Fakten und für Klassifikation, mittlere Stufen für Vergleiche, höchste Stufen für anspruchsvolles Programmieren, Mathematik und mehrstufige Planung. Übertragen auf typische Büroabläufe ergibt sich etwa folgendes Bild.

Aufgabe Nachdenken
E-Mail einer Kategorie zuordnen kaum nötig
Felder aus einer Rechnung auslesen kaum nötig
Angebot gegen ein Regelwerk mit vielen Bedingungen prüfen lohnt sich oft
Abweichungen zwischen Bestellung, Lieferschein und Rechnung erklären lohnt sich oft
Einen Vorgang über mehrere Systeme hinweg planen und ausführen meist nötig, etwa bei einem KI-Agenten

Die Tabelle ist eine Orientierung, kein Ergebnis. Ob das Nachdenken bei der eigenen Aufgabe messbar weniger Fehler bringt, zeigt nur ein Vergleich auf echten Fällen, mit und ohne Denkschritte und in mehreren Stufen. Wie man so etwas aufsetzt, beschreibt der Eintrag zur Evaluation von KI-Systemen. Häufig zeigt sich dabei, dass die Routine mit wenig Nachdenken auskommt und nur ein kleiner Teil der Fälle mehr braucht.

Warum die Denkschritte keine Begründung sind

Es liegt nahe, die Denkschritte als Protokoll zu lesen, das erklärt, warum das Modell zu seinem Ergebnis kam. Davor ist zu warnen, aus zwei Gründen.

Erstens sieht man meist gar nicht die eigentlichen Denkschritte. OpenAI gibt sie über die Schnittstelle nicht heraus und bietet auf Wunsch eine Zusammenfassung an. Anthropic schreibt ausdrücklich, dass der angezeigte Text nie die rohe Gedankenkette ist, sondern eine Zusammenfassung, und bei neueren Modellen standardmäßig gar nicht mitgeliefert wird.

Zweitens geben auch vollständige Denkschritte nicht zuverlässig wieder, was die Antwort tatsächlich bestimmt hat. Chen und andere haben 2025 Reasoning-Modellen versteckte Hinweise auf die Lösung untergeschoben. Die Modelle nutzten diese Hinweise, erwähnten sie in ihren Denkschritten aber oft in weniger als einem Fünftel der Fälle. Die Autoren folgern, dass die Beobachtung der Denkschritte manches unerwünschte Verhalten aufdeckt, aber nicht alles.

Für die Praxis heißt das: Eine Entscheidung, die nachvollziehbar sein muss, braucht eine Begründung, die sich prüfen lässt, etwa die Fundstelle im Vertrag oder die konkrete Abweichung zwischen zwei Belegen. Die Denkschritte selbst sind dafür kein Ersatz. Und ein Modell, das lange nachgedacht hat, kann trotzdem falsch liegen oder Angaben erfinden, die nirgends stehen. Gegen Halluzinationen helfen weiterhin die bekannten Mittel: dem Modell die nötigen Fakten mitgeben und das Ergebnis prüfen.

Worauf man bei der Einführung achtet

  • Anweisungen eher knapp halten. OpenAI rät, Prompts für solche Modelle einfach und direkt zu formulieren und auf Aufforderungen zum schrittweisen Nachdenken zu verzichten, weil die Modelle das ohnehin intern tun. Klare Ziele und Rahmenbedingungen helfen mehr als ein vorgeschriebener Lösungsweg.
  • Die Stufe bewusst wählen. Die höchste Stufe für jede Anfrage ist selten wirtschaftlich. Sinnvoller ist eine niedrige Grundeinstellung und mehr Nachdenken nur für die Fälle, die es nachweislich brauchen.
  • Großzügige Längengrenzen setzen und überwachen. Eine abgeschnittene Antwort darf im Prozess nicht als gültiges Ergebnis durchrutschen.
  • Kosten je Vorgang messen, nicht schätzen. Die Denktoken stehen in jeder Antwort der Schnittstelle und gehören ins Monitoring.

Ein Reasoning-Modell ist damit vor allem ein Werkzeug für die schwierigen Fälle eines Prozesses. Für die vielen einfachen ist es oft die teurere und langsamere Wahl, ohne dass das Ergebnis besser wird.

Quellen

  1. Reasoning models, OpenAI, API-Dokumentation
  2. Reasoning best practices, OpenAI, API-Dokumentation
  3. Thinking, Anthropic, Claude Developer Platform
  4. Gemini thinking, Google, Gemini API-Dokumentation
  5. DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning, DeepSeek-AI, arXiv (veröffentlicht in Nature 645), 2025
  6. Reasoning Models Don't Always Say What They Think, Chen et al., Anthropic, arXiv, 2025
  7. Chain-of-Thought Prompting Elicits Reasoning in Large Language Models, Wei et al., Google Research, arXiv, 2022

Inhaltlich geprüft im Oktober 2026. Der Eintrag erklärt einen Begriff und ersetzt keine Rechts- oder Steuerberatung.

Welcher Prozess kostet Ihr Team jeden Tag unnötig Zeit?

Bringen Sie einen konkreten Ablauf mit. In 45 Minuten klären wir, ob sich seine Automatisierung rechnet und was der nächste Schritt wäre.

Direkt mit einem Gründer · unverbindlich · ohne Verkaufsshow

Erst ein Prozess.
Dann der nächste.