Schrittweises Denken und Chain of Thought

Eine Korrektur mit vier Wörtern

Stellen Sie einem Modell diese Frage: „Ein Schläger und ein Ball kosten zusammen 1,10 $. Der Schläger kostet 1,00 $ mehr als der Ball. Was kostet der Ball?“

Viele Modelle antworten sofort: „0,10 $.“ Falsch. Richtig sind 0,05 $.

Fügen Sie jetzt vier Wörter hinzu: „Denke Schritt für Schritt.“ Plötzlich schreibt das Modell die Rechnung aus, bemerkt die eigene Falle und kommt auf 0,05 $.

Dieser Trick hat einen Namen: Chain of Thought. Gemeint ist, das Modell aufzufordern, seinen Denkweg zu zeigen, bevor es die endgültige Antwort gibt. In dieser Lektion geht es darum, warum das funktioniert, wie Sie es einsetzen und warum manche neueren Modelle das inzwischen von selbst erledigen.

Warum der ausgeschriebene Rechenweg Modelle klüger macht

Ein Large Language ModelLarge Language ModelEin Large Language Model ist ein KI-System, das auf riesigen Textmengen trainiert wurde, um Sprache vorherzusagen und zu erzeugen. Damit sind Aufgaben wie Schreiben, Zusammenfassen und Beantworten von Fragen möglich.Vollständige Definition ansehen → (die KI hinter ChatGPT, Claude und Gemini) erzeugt Text Stück für Stück und sagt dabei das nächste Wort auf Basis von allem Vorherigen voraus.

Der entscheidende Insight: Das Modell kann nur „denken“, indem es schreibt. Es hat keinen Notizzettel. Wenn Sie es zu einer sofortigen Antwort zwingen, muss es sein gesamtes Denken in einen einzigen Sprung packen. Genau da passiert der Fehler.

Wenn Sie es bitten, die Schritte durchzugehen, wird jeder geschriebene Schritt zum Kontext für den nächsten. Das Modell baut sich selbst eine Leiter zur Antwort.

Stellen Sie sich Kopfrechnen im Vergleich zum Rechnen auf Papier vor. Die meisten Menschen rechnen 17 × 23 im Kopf falsch und auf Papier richtig. Dasselbe Gehirn, mehr Platz zum Arbeiten. Beim Modell ist es genauso.

Wobei das hilft

Chain of Thought (oft abgekürzt als CoTCoTEine Prompting-Technik, bei der ein Sprachmodell dazu angeleitet wird, Zwischenschritte der Argumentation zu erzeugen, bevor es eine endgültige Antwort gibt. Das erhöht die Genauigkeit bei komplexen Aufgaben.Vollständige Definition ansehen →) erhöht die Genauigkeit bei Aufgaben, die echtes Nachdenken erfordern:

• Mathematik und Textaufgaben
• Logikrätsel und mehrstufige Schlussfolgerungen
• Planung und Terminierung nach dem Muster „wenn X, dann Y“
• Code debuggen oder Schwachstellen in einer Argumentation finden
• Alles, bei dem die Antwort von Zwischenschritten abhängt

Wenig bringt es dagegen bei einfachen Abfragen („Was ist die Hauptstadt von Frankreich?“) oder rein kreativen Aufgaben. Dort erzeugt es nur Rauschen und Länge.

So setzen Sie es konkret ein

Sie brauchen dafür nichts Technisches. Sie ändern nur Ihre Formulierung.

Die Grundformulierungen

Ergänzen Sie Ihren Prompt um eine dieser Formulierungen:

• „Denke Schritt für Schritt.“
• „Arbeite das sorgfältig durch, bevor du antwortest.“
• „Zeige deinen Denkweg und gib dann die endgültige Antwort.“

Probieren Sie das in einem beliebigen Chatbot aus:

Ein Laden hat 120 Äpfel. ErErDas Verhältnis von Interaktionen (Likes, Kommentare, Shares) zur Reichweite eines Inhalts. Zeigt, wie stark die Zielgruppe reagiert, gemessen an der Zahl der Personen, die den Inhalt gesehen haben.Vollständige Definition ansehen → verkauft vormittags 40 % und nachmittags 25 % der *verbleibenden* Äpfel. Wie viele sind übrig? Denke Schritt für Schritt.

Das Modell legt dann dar: 40 % von 120 sind 48, es bleiben 72; 25 % von 72 sind 18; 72 minus 18 ergibt 54. Klar, überprüfbar und richtig.

Geben Sie ein durchgerechnetes Beispiel (Few-Shot)

Bei kniffligen oder wiederkehrenden Aufgaben zeigen Sie dem Modell ein Beispiel für den gewünschten Denkweg. Das nennt man Few-Shot Prompting: Sie liefern ein paar Beispielantworten, die das Muster vorgeben.

F: Tom hat 3 Schachteln mit je 4 Stiften. Er verschenkt 5 Stifte. Wie viele sind übrig? A: 3 Schachteln × 4 Stifte = 12 Stifte. 12 − 5 = 7. Antwort: 7. F: Sara hat 5 Beutel mit je 6 Murmeln. Sie verliert 8 Murmeln. Wie viele sind übrig? A:

Das Modell übernimmt Ihren Stil: Es zeigt die Multiplikation, dann die Subtraktion, dann die Antwort. Sie haben ihm das Format beigebracht, ohne eine Zeile Code zu schreiben.

Verlangen Sie die Antwort zum Schluss

Ein praktischer Tipp: Sagen Sie dem Modell, es soll erst den Denkweg aufschreiben und die endgültige Antwort am Ende klar gekennzeichnet nennen.

Löse das. Zeige jeden Schritt und schreibe dann „ENDGÜLTIGE ANTWORT:“ in eine eigene Zeile.

So ist das Ergebnis leicht zu finden und leicht zu überprüfen. Sie können die Schritte überfliegen, um die Logik zu prüfen, und sich dann auf die gekennzeichnete Antwort verlassen.

Eine ausführlichere, allgemein verständliche Erklärung der Forschung dahinter finden Sie in Googles Beitrag zu Chain-of-Thought Prompting.

Die „Thinking“-Modelle, die das automatisch erledigen

2026 müssen Sie „Denke Schritt für Schritt“ oft gar nicht mehr eintippen.

Eine Kategorie von Modellen, die sogenannten Reasoning-Modelle oder Thinking-Modelle, wendet Chain of Thought selbstständig im Hintergrund an, bevor sie antwortet. Sie führen zuerst ein Selbstgespräch und übergeben Ihnen dann das ausgearbeitete Ergebnis.

Sie finden diese als benannte Modi oder in der Modellauswahl:

• ChatGPT: die Thinking-Modelle der GPT-5-Familie (wählen Sie „Thinking“ im Modellmenü oder überlassen Sie die Entscheidung Auto)
• Claude: Extended Thinking in den Claude-4.x-Modellen (Opus und Sonnet)
• Gemini: der Thinking-Modus in der Gemini-App auf Basis von Gemini 3, dazu Deep Think für die schwierigsten Probleme

Wenn Sie eines dieser Modelle nutzen, zeigt die Oberfläche meist einen „Thinking...“-Hinweis oder eine aufklappbare Zusammenfassung des Denkwegs an. Das Modell hat zusätzlichen Aufwand betrieben, um das Problem durchzuarbeiten, bevor es antwortet.

Wann ein Thinking-Modell sinnvoll ist

Nutzen Sie eines, wenn die Aufgabe wirklich schwierig ist: ein logiklastiges Problem, ein mehrstufiger Plan, ein kniffliges Stück Code, ein sorgfältiger Vergleich.

Für Alltagsaufgaben wie eine E-Mail umformulieren, ein Dokument zusammenfassen oder Namen brainstormen nehmen Sie ein normales (schnelleres) Modell. Thinking-Modelle sind langsamer und manchmal überdimensioniert.

Eine einfache Regel: Wenn Sie von einem klugen Menschen erwarten würden, kurz innezuhalten und es durchzurechnen, wählen Sie das Thinking-Modell.

Auch normale Modelle lassen sich anstoßen

Wenn Sie mit einem schnelleren Standardmodell arbeiten, holen Sie mit „Denke Schritt für Schritt“ weiterhin den Großteil des Nutzens heraus. Die Formulierung hat nicht ausgedient. Sie ist jetzt nur in die Reasoning-Modi eingebaut.

Umsetzung im Code

Wenn Sie die APIAPIApplication Programming Interface: eine standardisierte Schnittstelle, über die Anwendungen kommunizieren und Daten austauschen, ohne die interne Funktionsweise der jeweils anderen zu kennen.Vollständige Definition ansehen → nutzen (eine Möglichkeit, Prompts aus einem Programm heraus an ein Modell zu senden), ist Chain of Thought einfach Teil Ihrer Anweisungen. Hier ein kurzes Python-Beispiel:

from openai import OpenAI

client = OpenAI()

prompt = """A train leaves at 2:15 PM and arrives at 4:50 PM.
The return trip takes 20 minutes longer.
How long does the return trip take?
Think step by step, then write FINAL ANSWER: on its own line."""

response = client.chat.completions.create(
    model="gpt-5",
    messages=[{"role": "user", "content": prompt}]
)

print(response.choices[0].message.content)

Das Modell liefert die Schritte (von 2:15 PM bis 4:50 PM sind es 2 Stunden 35 Minuten; plus 20 Minuten ergibt 2 Stunden 55 Minuten) und danach eine saubere Zeile „FINAL ANSWER:“, die Sie programmatisch auslesen kkDie durchschnittliche Zahl neuer Nutzer, die jeder bestehende Nutzer über Empfehlungen generiert. Über 1,0 verstärkt sich das Wachstum selbst und wird exponentiell.Vollständige Definition ansehen →önnen.

Wenn Sie auf ein Reasoning-Modell wechseln, können Sie die Anweisung „think step by step“ meist weglassen, weil das Modell das intern erledigt. Sie stellen einfach die Frage.

Worauf Sie achten sollten

Chain of Thought ist wirkungsvoll, aber keine Zauberei. Behalten Sie Folgendes im Blick.

Das Modell kann selbstsicher argumentieren und trotzdem falsch liegen. Ausgeschriebene Schritte machen Fehler sichtbar, garantieren aber keine Richtigkeit. Prüfen Sie die Logik bei allem, was wichtig ist.

Der sichtbare „Denkweg“ ist möglicherweise nicht der tatsächliche. Die Schritte, die ein Modell aufschreibt, sind eine nützliche Annäherung, keine wörtliche Mitschrift seines internen Prozesses. Betrachten Sie sie als Plausibilitätsprüfung, nicht als unumstößliche Wahrheit.

Mehr Schritte kosten mehr. Reasoning-Modelle brauchen mehr Zeit und (über die API) mehr Geld. Bei trivialen Fragen ist das verschwendeter Aufwand.

Zwingen Sie es nicht auf kreative Arbeit. Wer für „Schreib mir ein Gedicht“ schrittweises Denken verlangt, bekommt meist etwas Steifes und Mechanisches.

Ein kurzer Vorher-nachher-Vergleich

Schlechter Prompt:

Ist 2.310 durch 6 teilbar?

Das Modell rät womöglich.

Guter Prompt:

Ist 2.310 durch 6 teilbar? Eine Zahl ist durch 6 teilbar, wenn sie sowohl durch 2 als auch durch 3 teilbar ist. Prüfe beides, zeige deinen Rechenweg und antworte dann.

Jetzt prüft das Modell: Die Zahl endet auf 0, ist also durch 2 teilbar; ihre Quersumme ist 6, und 6 ist durch 3 teilbar; also ja, sie ist durch 6 teilbar. Nachvollziehbar und richtig.

Sie sind nicht klüger geworden. Sie haben dem Modell Platz zum Arbeiten gegeben.

Key Takeaways

• Ergänzen Sie bei jeder Denkaufgabe auf einem Standardmodell „Denke Schritt für Schritt“. Aus einem einzelnen riskanten Tipp wird so eine überprüfbare Kette von Schritten, und falsche Antworten werden oft zu richtigen.
• Bei wiederkehrenden oder kniffligen Formaten zeigen Sie ein durchgerechnetes Beispiel (Few-Shot), und das Modell übernimmt Ihren Denkstil.
• Wählen Sie für wirklich schwierige Probleme ein Thinking-Modell (GPT-5 Thinking, Claude mit Extended Thinking, Gemini 3 Thinking). Diese wenden Chain of Thought automatisch an, die Formulierung können Sie sich also sparen.
• Verlangen Sie die endgültige Antwort zum Schluss und klar gekennzeichnet, damit Sie den Denkweg zur Überprüfung überfliegen können.
• Prüfen Sie immer die Logik. Ein sichtbarer Denkweg macht Fehler leichter erkennbar, garantiert aber nicht, dass die Antwort stimmt.