Reasoning-Modelle

Reasoning-Modelle sind eine Unterart großer Sprachmodelle (LLM), die zwischen Frage und Antwort einen zusätzlichen internen Schritt einbauen: eine Gedankenkette, auch Chain of Thought genannt. Das Modell zerlegt eine Aufgabe zunächst in Teilschritte, prüft Zwischenergebnisse und korrigiert sich selbst, bevor es die endgültige Antwort ausgibt. Vergleichbar ist das mit einem Konstrukteur, der eine Lösung erst im Kopf durchrechnet, statt sofort loszuzeichnen.

Bekannte Beispiele sind OpenAIs o1- und o3-Reihe sowie Claude von Anthropic mit zuschaltbarem „Extended Thinking“. Bei Claude lässt sich sogar ein Denk-Budget in Tokens festlegen, das bestimmt, wie lange das Modell nachdenkt, bevor es antwortet. Standardmodelle wie GPT-4o oder Claude ohne diese Funktion arbeiten eher im Sofortmodus – schnell, aber bei mehrschrittiger Logik fehleranfälliger.

Der Umweg über die Gedankenkette kostet Zeit und Rechenleistung: Anbieter weisen ausdrücklich auf längere Antwortzeiten hin, weil die internen Denkschritte zusätzliche Tokens verbrauchen, die ebenfalls abgerechnet werden. Reasoning-Modelle lohnen sich deshalb vor allem bei komplexen, mehrschrittigen Aufgaben – nicht für jede Alltagsanfrage.

Für Aufgaben mit mehreren Prüfschritten – etwa eine Vertragsklausel gegen drei andere Klauseln abgleichen oder einen Fehlercode in einer Maschinensteuerung eingrenzen – liefern Reasoning-Modelle oft nachvollziehbarere und korrektere Ergebnisse als ein Standard-Chatbot, weil sie Zwischenschritte selbst gegenprüfen. Das senkt das Risiko, dass eine falsche Zwischenannahme unbemerkt in die Endantwort rutscht – relevant bei Angeboten, Kalkulationen oder technischen Diagnosen.

Der Zeitgewinn liegt weniger in der Antwortgeschwindigkeit selbst (Reasoning-Modelle brauchen eher länger) als in der Zahl der Korrekturschleifen: Statt eine KI-Antwort mehrfach nachzuschärfen, bekommt euer Team öfter direkt ein belastbares Ergebnis. Für einfache Anfragen – eine Serienmail, ein Kurzresümee – lohnt sich der Mehraufwand dagegen nicht; hier bleibt ein Standardmodell die schnellere und günstigere Wahl.

Reasoning-Modelle sind über die API meist teurer pro Anfrage als Standardmodelle, weil die internen Denkschritte als zusätzliche Tokens mitgezählt und abgerechnet werden – dazu kommt eine spürbar längere Antwortzeit, worauf Anbieter wie Anthropic in ihrer Dokumentation ausdrücklich hinweisen. Für den laufenden Betrieb ist deshalb die Auswahl entscheidend: Nicht jede Aufgabe braucht ein Reasoning-Modell, oft reicht ein Standardmodell mit gutem Prompt.

Was ein Einsatz bei euch kostet, hängt vor allem davon ab, wie oft und wie komplex die Anfragen sind und ob ihr das Modell in ein bestehendes System einbindet, etwa Angebotserstellung oder Support. Euer erstes KI-System zum Festpreis ab 3.500 € (AI READY) ist ein realistischer Einstiegspunkt, wenn ihr eine konkrete Aufgabe fest verdrahten wollt, statt einzelne Anfragen manuell zu stellen.

Ein Anlagenbauer mit 70 Mitarbeitenden erstellt technische Angebote, bei denen Stücklisten, Normen und Kundenanforderungen gegeneinander abgeglichen werden müssen. Mit einem Standard-Chatbot rutschten immer wieder einzelne Positionen durch, weil das Modell Zwischenschritte übersprang. Nach dem Wechsel auf ein Reasoning-Modell für diese Teilaufgabe prüft die KI die Stückliste in mehreren internen Schritten gegen die Normvorgaben, bevor sie einen Entwurf ausgibt. Die Antwort dauert spürbar länger als vorher – dafür braucht das Vertriebsteam im Schnitt weniger Korrekturrunden, bevor ein Angebot rausgeht.