Reasoning-Modelle sind die wichtigste Modellklasse seit dem ursprünglichen ChatGPT. o1, o3, GPT-5 Thinking, Claude Opus / Sonnet mit Extended Thinking, DeepSeek R1, Gemini 2.5 Thinking, Grok-4 Heavy — bis 2026 hat jedes große KI-Labor ein Reasoning-Modell veröffentlicht. Damit haben sich die Möglichkeiten bei anspruchsvollen analytischen Aufgaben grundlegend verändert.
Sie verlangen außerdem einen anderen Prompting-Stil als schnelle Modelle. Viele Techniken, die bei Modellen der GPT-4-Klasse hervorragend funktionieren — starke Vorgaben, „Denken Sie Schritt für Schritt“, ausführliche Rollenprompts — sind bei Reasoning-Modellen bestenfalls wirkungslos und schlimmstenfalls schädlich. Der richtige Ansatz ähnelt eher „Beschreiben Sie das Problem klar und vertrauen Sie dem Modell“ als den üblichen Empfehlungen aus Prompt-Engineering-Leitfäden.
Dieser Artikel erklärt, was Reasoning-Modelle sind, wann Sie sie einsetzen sollten, wie Sie gute Prompts dafür schreiben und welche Fallstricke selbst erfahrene KI-Nutzer betreffen.
Was Reasoning-Modelle tatsächlich sind
Ein Reasoning-Modell erzeugt intern eine längere Gedankenkette, bevor es seine endgültige Antwort ausgibt. Es denkt mehrere zehn Sekunden, häufig sogar Minuten, bevor es antwortet. Diese „Denk“-Tokens bleiben oft verborgen — Sie sehen lediglich eine Anzeige wie „Denkt …“ — oder werden zusammengefasst.
Das ist ein echter Fähigkeitssprung. Bei schwierigen, mehrstufigen Benchmarks übertreffen Reasoning-Modelle schnelle Modelle oft deutlich. Der genaue Abstand hängt stark von der Aufgabe und den verglichenen Anbietern ab, ist aber groß genug, dass die Wahl zwischen „schnell“ und „denkend“ inzwischen eine echte Architekturentscheidung darstellt. Reasoning-Modelle kosten außerdem mehr, brauchen länger und erfordern einen anderen Prompting-Stil.
Die wichtigsten Reasoning-Modelle im Jahr 2026:
- OpenAI o3 und seine Varianten (o3-mini, o3-pro). Verfügbar über die API und ChatGPT (Plus und Pro). GPT-5 im „Thinking“-Modus ist die Version für Endnutzer.
- Claude 4.5 Opus / Sonnet mit Extended Thinking. Verfügbar auf claude.ai (Pro und höher) sowie über die API. Aktivieren Sie den Reasoning-Modus mit dem Parameter
thinking. - DeepSeek R1 (und Nachfolger). Open-Source-Gewichte; verfügbar über die DeepSeek-App, OpenRouter und andere Anbieter.
- Gemini 2.5 Thinking. In Gemini Advanced und der API enthalten.
- Grok 4 Heavy. Für X Premium+-Nutzer verfügbar.
Alle arbeiten nach demselben Grundprinzip. Sie unterscheiden sich bei Kosten, Latenz, Sichtbarkeit der Gedankengänge und den Aufgabentypen, bei denen das jeweilige Modell besonders stark ist.
Wann ein Reasoning-Modell verwendet werden sollte
Ein Reasoning-Modell ist das richtige Werkzeug, wenn:
- Das Problem aus mehreren aufeinander aufbauenden Schritten besteht. Mathematik, Logik, mehrstufige Planung oder Code, bei dem Zustandsänderungen nachverfolgt werden müssen.
- Fehler reale Folgen haben. Finanzanalysen, juristische Auslegungen, medizinische Abwägungen oder das Debugging von Produktionsproblemen.
- Herkömmliche Modelle wiederholt scheitern. Wenn Sie ein schnelles Modell ausprobiert haben und dessen Antworten immer wieder danebenliegen, löst ein Reasoning-Modell die Aufgabe häufig.
- Die Aufgabe einen sorgfältigen Vergleich oder eine Abwägung erfordert. Entscheidungen nach mehreren Kriterien, Architekturentscheidungen oder Anbieterbewertungen.
- Sie das Modell tatsächlich dazu bringen müssen, Randfälle zu analysieren, nicht nur plausibel klingenden Text zu produzieren.
Wann nicht ein Reasoning-Modell verwendet werden sollte:
- Gesprächsorientierte Chats. Die Latenz macht den schnellen Austausch mühsam.
- Generieren und Entwerfen. Nach Erfahrung vieler Nutzer schreiben Reasoning-Modelle kreativ schlechter als schnelle Modelle.
- Einfaches Faktenwissen. Eine Frage wie „Was ist die Hauptstadt Estlands?“ verschwendet Rechenleistung und Ihre Zeit.
- Iterative Verfeinerungszyklen. Wenn Sie 10 schnelle Nachrichten senden möchten, ist das schnelle Modell das richtige Werkzeug.
- Aufgaben, bei denen Sie Zwischenschritte kontrollieren müssen. Reasoning-Modelle verbergen ihre Gedankengänge. Wenn Sie jeden Schritt prüfen möchten, verwenden Sie ein schnelles Modell mit expliziter Chain of Thought (CoT).
Eine nützliche Faustregel: Würden Sie keinen Analysten dafür bezahlen, 20 Minuten in die Aufgabe zu investieren, sollten Sie auch kein Reasoning-Modell verwenden. Andernfalls schon.
Der Prompt-Wechsel
Der größte Fehler, den Menschen mit Reasoning-Modellen machen, besteht darin, Prompt-Engineering-Techniken für schnelle Modelle auf sie anzuwenden. Die fünf Dinge, die Sie aufgeben sollten:
1. Verzichten Sie auf „Denken Sie Schritt für Schritt“
Reasoning-Modelle tun dies bereits. Der Zusatz ist bestenfalls überflüssig. Bei manchen Reasoning-Modellen kann er sogar den internen Denkprozess stören: Das Modell verwendet Rechenleistung auf eine sichtbare Schritt-für-Schritt-Erklärung, statt seine leistungsfähigere interne Verarbeitung zu nutzen.
Schlecht: Denken Sie Schritt für Schritt. Lösen Sie die Aufgabe sorgfältig. Zeigen Sie Ihren Lösungsweg. [Problem]
Gut: [Problem]
Stellen Sie das Problem einfach klar. Vertrauen Sie dem Modell.
2. Geben Sie nicht zu viel Struktur vor
Bei schnellen Modellen funktioniert eine starke Strukturierung oft gut: „Zuerst A, dann B, dann C; hier ist das Format …“ Ein Reasoning-Modell findet dagegen häufig selbst eine passende Antwortstruktur. Starre Vorgaben können dann schlechtere Ergebnisse liefern, als wenn das Modell selbst entscheidet.
Schnellmodell-Stil: Zuerst die wichtigsten Einschränkungen auflisten. Dann die Optionen auflisten. Dann jede Option gegen jede Einschränkung bewerten. Dann auswählen. Dann rechtfertigen. Ausgabeformat: …
Reasoning-Modell-Stil: Helfen Sie mir, zwischen Option A und B zu entscheiden. Kontext: […]
Das Reasoning-Modell führt intern meist eine anspruchsvollere Analyse durch, als Ihre vorgegebene Struktur ermöglicht hätte.
3. Kombinieren Sie nicht mehrere Reasoning-Techniken
CoT + Selbstkritik + Tree of Thoughts funktioniert bei schnellen Modellen. Reasoning-Modelle führen Entsprechungen aller drei Techniken bereits intern aus. Zusätzliche externe Varianten sind überflüssig und verschlechtern die Qualität.
Enthält Ihr Prompt für ein Reasoning-Modell „Denken Sie Schritt für Schritt, kritisieren Sie anschließend Ihre Antwort und überarbeiten Sie sie“, reduzieren Sie ihn auf die eigentliche Frage. Das Modell beherrscht den Rest.
4. Überspezifizieren Sie die Rolle nicht
Bei schnellen Modellen funktioniert eine ausführliche Rollenbeschreibung oft gut: „Sie sind ein erfahrener Senior Engineer mit 20 Jahren Erfahrung in verteilten Systemen, haben große Anwendungen entwickelt und kennen die Zielkonflikte …“ Reasoning-Modelle profitieren deutlich weniger von diesem Gerüst. Aus dem Problem leiten sie bereits die passende fachliche Perspektive ab.
Eine kurze, direkte Rollenangabe kann weiterhin nützlich sein, um Ton und Sprachregister festzulegen. Eine lange, detaillierte Persona ist jedoch überflüssig.
Schlecht: Sie sind ein erstklassiger Senior Backend Engineer mit mehr als 20 Jahren Erfahrung …
Gut: Helfen Sie mir, dieses Problem mit verteilten Systemen zu durchdenken. [Problem]
5. Fordern Sie nicht die „Gedankengänge“ an
Bei o3 und einigen anderen Modellen bleiben die Gedankengänge absichtlich verborgen. Die Aufforderung „Zeigen Sie Ihre Gedankengänge“ kann zu einer anderen, häufig oberflächlicheren Ausgabe führen, als wenn das Modell intern denkt und Ihnen nur das Ergebnis liefert.
Wenn Sie die Gedankengänge sehen möchten, ist das ein nachvollziehbarer Wunsch — und bei Claude mit Extended Thinking sind sie häufig sichtbar. Bei einem Modell, das sie normalerweise verbirgt, kann die ausdrückliche Aufforderung jedoch die Qualität mindern.
Was Reasoning-Modelle tatsächlich wollen
Einige Dinge, die sie belohnen:
Konkrete Angaben. Zahlen, Datumsangaben, genaue Einschränkungen sowie konkrete Dateien und Personen. Reasoning-Modelle können mit echten Zahlen rechnen — geben Sie ihnen diese Zahlen.
Offene Fragestellung. „Das ist die Situation. Das möchte ich herausfinden. Wie schätzen Sie es ein?“ liefert bessere Ergebnisse als starre Vorlagen.
Ehrliche Unsicherheit. Sagen Sie dem Modell, was Sie nicht wissen. „Ich bin mir nicht sicher, ob X oder Y zutrifft. Helfen Sie mir, das herauszufinden.“ Reasoning-Modelle gehen gut mit Mehrdeutigkeit um und nutzen sie produktiv.
Erlaubnis zum Widerspruch. „Widersprechen Sie mir, wenn meine Fragestellung falsch ist“ oder „Sagen Sie mir, was ich übersehe“ liefert deutlich bessere Ergebnisse als die Bitte, Ihre bestehende Position zu bestätigen.
Konkrete Daten. Tabellen, Code, Dokumente — fügen Sie sie ein. Reasoning-Modelle leisten ihre beste Arbeit mit realen Artefakten, die sie analysieren können, statt mit abstrakten Fragen.
Beispiele
Beispiel 1: Eine Debugging-Aufgabe
Angenommen, Sie haben einen schwierigen Bug.
Schnelles Modell + CoT:
Sie sind ein Senior-Software-Entwickler mit Spezialisierung auf TypeScript. Denken Sie Schritt für Schritt über diesen Bug nach.
Erstens, identifizieren Sie die relevanten Codeabschnitte. Zweitens, verfolgen Sie den Datenfluss. Drittens, identifizieren Sie wahrscheinliche Ursachen. Viertens, empfehlen Sie eine Lösung.
Hier ist der Bug: [Beschreibung] Hier ist der Code: [Code]
Reasoning-Modell:
Helfen Sie mir, diesen Bug zu finden.
Symptome: [Beschreibung] Relevanter Code: [Code] Was ich bereits versucht habe: [Liste]
Das Reasoning-Modell untersucht den Fehler auch ohne dieses Gerüst systematisch. Häufig findet es die Ursache schneller als die Kombination aus schnellem Modell und CoT, weil seine interne Analyse tatsächlich tiefer geht.
Beispiel 2: Eine strategische Entscheidung
Schnelles Modell:
Sie sind ein Senior-Strategieberater. Ich versuche zu entscheiden, ob Produkt X gestartet werden soll. Wenden Sie das [Framework-Name]-Framework an. Erstens, … [langer strukturierter Prompt]
Reasoning-Modell:
Ich versuche zu entscheiden, ob Produkt X gestartet werden soll. Kontext:
- Wir sind ein Unternehmen mit 50 Mitarbeitern und 5 Mio. USD ARR.
- Die Entwicklung des Produkts würde zwei Quartale dauern.
- Es grenzt an unser Hauptprodukt an, steht aber nicht in direkter Konkurrenz dazu.
- Zwei unserer Top-10-Kunden haben danach gefragt.
- Unsere Teamkapazität ist bereits strapaziert.
Helfen Sie mir, das zu durchdenken. Widersprechen Sie mir, wenn meine Fragestellung falsch ist. Sagen Sie mir, was ich übersehe.
Das Reasoning-Modell erzeugt aus dem minimalistischen Prompt eine tiefere und differenziertere Analyse als aus dem übermäßig strukturierten Prompt. Wahrscheinlich bringt es Aspekte zur Sprache, an die Sie nicht gedacht haben, und erkennt Widersprüche in Ihren Angaben.
Beispiel 3: Komplexe Codeanalyse
Schnelles Modell:
Analysieren Sie diesen Code auf Leistungsprobleme. Denken Sie Schritt für Schritt. Identifizieren Sie zuerst die Datenstrukturen, ermitteln Sie dann die algorithmische Komplexität und benennen Sie anschließend konkrete Engpässe. [Code]
Reasoning-Modell:
Was ist an diesem Code langsam? Es benötigt derzeit etwa 3 Sekunden bei einer typischen Eingabe; ich möchte es unter 500 ms haben.
[Code]
Das Reasoning-Modell analysiert die Komplexität, identifiziert Engpässe, schlägt Lösungen vor und empfiehlt häufig Messverfahren — ganz ohne explizites Gerüst.
Fallen, die spezifisch für Reasoning-Modelle sind
Eine kurze Liste von Dingen, die sogar erfahrene Nutzer erwischen:
Die Latenz. Reasoning-Modelle können 30 Sekunden bis mehrere Minuten für eine Antwort benötigen. Wenn Sie nicht damit rechnen, stört das den Arbeitsfluss erheblich. Planen Sie die Wartezeit ein und verwenden Sie diese Modelle nicht für gesprächsorientierte Aufgaben.
Die Kosten. Reasoning-Modelle kosten pro Anfrage typischerweise ein Mehrfaches schneller Modelle — je nach Tarif, Anbieter und Anzahl verbrauchter Denk-Tokens mitunter sogar eine Größenordnung mehr. Bei API-Abrechnung kann bereits eine einzelne komplexe Anfrage einen nennenswerten Betrag kosten. Setzen Sie diese Modelle gezielt ein.
Das Problem abgeschnittener Denkprozesse. Reasoning-Modelle verfügen über ein Token-Budget für ihre interne Verarbeitung. Bei extrem schwierigen Problemen kann dieses Budget aufgebraucht sein, bevor das Modell zu einem belastbaren Ergebnis gelangt. Die Ausgabe ist dann unsicher. Formulieren Sie deshalb einen klaren, gut abgegrenzten Prompt und erhöhen Sie bei Werkzeugen, die dies erlauben, das Denk-Budget.
Denkschleifen. Gelegentlich gerät ein Reasoning-Modell in eine Schleife: Es dreht sich intern im Kreis oder verfolgt einen falschen Ansatz, von dem es sich nicht mehr erholt. Typische Anzeichen sind eine sehr lange Denkzeit und anschließend eine ausweichende oder merkwürdige Antwort. Starten Sie dann mit einer leicht veränderten Fragestellung neu.
Übermäßige Sicherheit bei falschen Aussagen. Reasoning-Modelle können bei Fragen zu selbstsicher auftreten, obwohl ihre interne Analyse die Antwort nicht tatsächlich verifiziert hat. Fragen Sie bei kritischen Ergebnissen immer: „Wie sicher sind Sie sich, und welche Informationen würden Ihre Antwort ändern?“
Kostenasymmetrie zwischen Teilproblemen. Ein Reasoning-Modell verwendet ungefähr proportional zur Schwierigkeit eines Problems Rechenleistung. Einfache Teilfragen sind günstig, schwierige teuer. Wenn Sie das Modell in einem Prompt mit fünf anspruchsvollen Aufgaben beauftragen, kann es unbemerkt deutlich mehr Rechenleistung verbrauchen als erwartet.
Das Hybridmuster, das häufig am besten funktioniert
Für viele reale Workflows ist die richtige Reihenfolge schnelles Modell + Reasoning-Modell:
- Schnelles Modell zum Eingrenzen, Erkunden und Sammeln von Ideen. Tauschen Sie sich zügig aus und präzisieren Sie die Fragestellung.
- Reasoning-Modell zum Bearbeiten der schwierigsten ein bis drei Teilfragen, die sich aus der Erkundung ergeben haben.
- Schnelles Modell zum Überführen der Ausgabe des Reasoning-Modells in die gewünschte Form (Präsentation, E-Mail, Dokument).
Dieses Muster hält die Latenz überschaubar und die Kosten vorhersehbar. Zugleich nutzen Sie jedes Werkzeug entsprechend seinen Stärken.
Ein Anwendungsbeispiel ist eine Marktanalyse.
- Schnelles Modell (Claude / GPT): „Ich möchte den Markt für X verstehen. Helfen Sie mir, die Analyse einzugrenzen: Was sollte ich untersuchen, welche Daten benötige ich und welche Fragen sind wichtig?“
- Reasoning-Modell (o3 / Claude Thinking): „Welche Schlüsse lassen sich aus den gesammelten Daten für [konkrete strategische Frage] ziehen? Prüfen Sie die Argumentation kritisch.“
- Schnelles Modell: „Helfen Sie mir jetzt, daraus eine einseitige Kurzdarstellung für unser Führungsteam zu erstellen.“
Drei Werkzeuge, jeweils für ihre größte Stärke eingesetzt. Kosten und Gesamtzeit sind geringer, als wenn das Reasoning-Modell alle drei Schritte übernimmt; die Qualität ist höher, als wenn das schnelle Modell alles allein erledigt.
Einige praktische Gewohnheiten
Entscheiden Sie immer bewusst, ob eine Aufgabe ein Reasoning-Modell rechtfertigt. Verwenden Sie standardmäßig ein schnelles Modell und wechseln Sie nur, wenn die Aufgabe den Mehraufwand verdient.
Öffnen Sie zwei Tabs. Nutzen Sie ChatGPT oder Claude mit dem schnellen Modell in einem Tab und dasselbe Produkt mit dem Reasoning-Modell im anderen. So wechseln Sie unkompliziert, ohne die Modi zu verwechseln.
Behalten Sie die Kosten im Blick. Ob über die Nutzungsanzeige Ihres Abonnements oder die API-Abrechnung: Verschaffen Sie sich ein Gefühl für Ihre monatlichen Reasoning-Kosten und passen Sie die Nutzung entsprechend an.
Achten Sie auf Aufgaben, für die Sie früher keines eingesetzt hätten. Mit wachsender Erfahrung werden Sie bemerken, dass Sie bei einem Problem zum schnellen Modell greifen, obwohl ein Reasoning-Modell es besser lösen würde. Gewöhnen Sie sich an, kurz innezuhalten.
Formulieren Sie möglichst knapp. Bei einer schwachen Antwort liegt es nahe, den Prompt ausführlicher zu machen. Versuchen Sie zuerst das Gegenteil: eine kürzere, einfachere Version desselben Prompts. Komplexe Prompts geben Reasoning-Modellen mitunter zu viele Hilfestellungen.
Zwei Arten von Modellen, zwei Arten von Prompting
Reasoning-Modelle sind keine schnellen Modelle mit zusätzlichen Schritten. Sie belohnen knappe, direkte Prompts, reagieren schlecht auf zu starke Vorgaben, brauchen Zeit, kosten mehr und liefern bei schwierigen Problemen erheblich bessere Antworten.
Setzen Sie sie bewusst ein, formulieren Sie einfache Prompts und wenden Sie keine Muster für schnelle Modelle auf sie an. Die Kombination aus schnellem Modell und Reasoning-Modell — jeweils für die eigenen Stärken eingesetzt — ist der leistungsfähigste verfügbare KI-Workflow des Jahres 2026. Der Abstand zwischen Menschen, die diesen Unterschied verstanden haben, und allen anderen wächst weiter.
