Schritt-für-Schritt-Reasoning und Chain of Thought

# Schritt-für-Schritt-Reasoning und Chain of Thought

Eine Korrektur in vier Worten

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

Viele Modelle platzen mit „0,10 $“ heraus. Falsch. Die richtige Antwort ist 0,05 $.

Jetzt fügen Sie vier Worte hinzu: „Think step by step.“ Plötzlich schreibt das Modell die Rechnung aus, erkennt die eigene Falle und landet bei 0,05 $.

Dieser Trick hat einen Namen: Chain of Thought. Es bedeutet, das Modell zu bitten, sein Reasoning zu zeigen, bevor es die endgültige Antwort gibt. Diese Lektion behandelt, warum das funktioniert, wie Sie es einsetzen und warum manche neueren Modelle das inzwischen von selbst tun.

Warum Modelle klüger werden, wenn sie den Rechenweg zeigen

Ein Large Language ModelLarge Language ModelA Large Language Model is an AI system trained on vast text data to predict and generate language, enabling tasks like writing, summarizing, and answering questions.Vollständige Definition ansehen → (die KI hinter ChatGPT, Claude und Gemini) erzeugt Text Stück für Stück und sagt das nächste Wort auf Basis von allem Vorherigen voraus.

Der entscheidende Punkt: Das Modell kann nur „denken“, indem es schreibt. Es hat keinen Notizzettel. Wenn Sie es zwingen, sofort zu antworten, muss es sein gesamtes Reasoning in einen einzigen Sprung pressen. Genau da rutscht es aus.

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

Denken Sie an Kopfrechnen gegenüber Rechnen auf Papier. Die meisten Menschen rechnen 17 × 23 im Kopf falsch und auf Papier richtig. Gleiches Gehirn, mehr Platz zum Arbeiten. Beim Modell ist es nicht anders.

Wobei das hilft

Chain of Thought (oft abgekürzt als CoTCoTA prompting technique where a language model is guided to produce intermediate reasoning steps before giving a final answer, improving accuracy on complex tasks.Vollständige Definition ansehen →) steigert die Genauigkeit bei Aufgaben, die echtes Reasoning erfordern:

• Mathematik- und Textaufgaben
• Logikrätsel und mehrstufige Schlussfolgerungen
• „Wenn X, dann Y“-Planung und Terminierung
• Code debuggen oder Schwachstellen in einer Argumentation finden
• Alles, wo die Antwort von Zwischenschritten abhängt

Es hilft nicht groß bei einfachen Nachschlagefragen („Was ist die Hauptstadt von Frankreich?“) oder reiner Kreativität. Dort erzeugt es nur Rauschen und Länge.

Wie Sie es konkret einsetzen

Sie brauchen nichts Technisches. Sie ändern nur Ihre Formulierung.

Die Basisformulierungen

Fügen Sie eine davon Ihrem Prompt hinzu:

• „Think step by step.“
• „Arbeite das sorgfältig durch, bevor du antwortest.“
• „Zeige dein Reasoning und gib dann die endgültige Antwort.“

Probieren Sie das in einem beliebigen Chatbot:

> Ein Laden hat 120 Äpfel. ErErThe ratio of interactions (likes, comments, shares) to reach for a given piece of content, used to gauge how well audiences respond relative to how many people saw it.Vollständige Definition ansehen → verkauft 40 % am Vormittag und 25 % der *verbleibenden* Äpfel am Nachmittag. Wie viele sind übrig? Think step by step.

Das Modell legt dar: 40 % von 120 sind 48, bleiben 72; 25 % von 72 sind 18; 72 minus 18 ist 54. Klar, nachprüfbar und richtig.

Geben Sie ein durchgerechnetes Beispiel (few-shot)

Bei kniffligen oder wiederkehrenden Aufgaben zeigen Sie dem Modell ein Beispiel für das gewünschte Reasoning. Das nennt man few-shot prompting: Sie liefern ein paar Musterantworten, um das Muster vorzugeben.

> F: Tom hat 3 Schachteln mit je 4 Stiften. ErErThe ratio of interactions (likes, comments, shares) to reach for a given piece of content, used to gauge how well audiences respond relative to how many people saw it.Vollständige Definition ansehen → verschenkt 5 Stifte. Wie viele bleiben 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 bleiben übrig?

> A:

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

Fragen Sie die Antwort zuletzt ab

Ein praktischer Tipp: Sagen Sie dem Modell, es soll zuerst denken und die endgültige Antwort am Ende klar gekennzeichnet nennen.

> Löse das. Zeige jeden Schritt und schreibe dann „FINAL ANSWER:“ in eine eigene Zeile.

So ist das Ergebnis leicht zu finden und leicht zu prüfen. Sie überfliegen die Schritte, um die Logik zu kontrollieren, und vertrauen dann der gekennzeichneten Antwort.

Eine tiefergehende, allgemeinverständliche Erklärung der Forschung dahinter finden Sie im Beitrag von Google zu chain-of-thought prompting.

Die „denkenden“ Modelle, die das automatisch tun

Die Realität 2026: Oft müssen Sie „think step by step“ gar nicht mehr tippen.

Eine neue Kategorie von Modellen, genannt Reasoning-Modelle oder Thinking-Modelle, macht Chain of Thought von selbst, im Hintergrund, bevor sie antwortet. Sie sprechen im Grunde erst mit sich selbst und liefern Ihnen dann das fertige Ergebnis.

Sie finden diese als benannte Modi oder Modellauswahl:

• ChatGPT: die „Thinking“-Modelle der GPT-5-Familie (achten Sie auf einen Reasoning- oder „Thinking“-Schalter)
• Claude: „extended thinking“-Modus in der Claude-4-Reihe
• Gemini: die „Thinking“-Varianten von Gemini 2.5

Wenn Sie eines davon nutzen, zeigt die Oberfläche meist einen „Thinking...“-Hinweis oder eine aufklappbare Zusammenfassung des Reasonings. Das Modell hat zusätzlichen Aufwand investiert, um das Problem vor der Antwort durchzuarbeiten.

Wann Sie ein Thinking-Modell nutzen sollten

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

Nutzen Sie ein normales (schnelleres) Modell für Alltagsaufgaben: eine E-Mail umschreiben, ein Dokument zusammenfassen, Namen brainstormen. Thinking-Modelle sind langsamer und manchmal überdimensioniert.

Eine einfache Regel: Wenn Sie wollen würden, dass ein kluger Mensch innehält und es durchrechnet, nehmen Sie das Thinking-Modell.

Sie kkThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →önnen normale Modelle weiterhin anstupsen

Wenn Sie auf einem Standardmodell mit höherer Geschwindigkeit arbeiten, bringt „think step by step“ immer noch den größten Teil des Nutzens. Die Formulierung ist nicht tot. Sie ist jetzt nur in die Premium-Reasoning-Modi eingebaut.

Umsetzung im Code

Wenn Sie die APIAPIApplication Programming Interface: a standardised interface that lets applications communicate and exchange data without knowing each other's internal workings.Vollständige Definition ansehen → nutzen (eine Möglichkeit, Prompts aus einem Programm heraus an ein Modell zu schicken), ist Chain of Thought einfach Teil Ihrer Anweisungen. Hier ein kurzes Python-Beispiel mit einer einfachen Anfrage:

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. 
What time does the return trip take in total?
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 (2:15 bis 4:50 sind 2 Stunden 35 Minuten; plus 20 Minuten sind 2 Stunden 55 Minuten) und dann eine saubere „FINAL ANSWER:“-Zeile, die Sie programmatisch herausziehen kkThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →önnen.

Wenn Sie auf ein Reasoning-Modell wechseln, lassen Sie die Anweisung „think step by step“ oft ganz weg, weil das Modell das intern erledigt. Sie stellen einfach die Frage.

Worauf Sie achten sollten

Chain of Thought ist mächtig, aber keine Magie. Behalten Sie das im Blick.

Es kann selbstbewusst argumentieren und trotzdem falsch liegen. Das Zeigen der Schritte macht Fehler sichtbar, garantiert aber keine Korrektheit. Prüfen Sie die Logik immer, wenn etwas wichtig ist.

Das sichtbare „Reasoning“ ist möglicherweise nicht das echte Reasoning. Die Schritte, die ein Modell schreibt, sind eine nützliche Näherung, kein wörtliches Protokoll seines internen Prozesses. Behandeln Sie sie als Plausibilitätsprüfung, nicht als Evangelium.

Mehr Schritte kosten mehr. Reasoning-Modelle brauchen mehr Zeit und (über die APIAPIApplication Programming Interface: a standardised interface that lets applications communicate and exchange data without knowing each other's internal workings.Vollständige Definition ansehen →) mehr Geld. Bei trivialen Fragen ist das verschwendeter Aufwand.

Erzwingen Sie es nicht bei kreativer Arbeit. Schritt-für-Schritt-Reasoning bei „schreib mir ein Gedicht“ macht das Ergebnis meist steif und mechanisch.

Ein kurzer Vorher-Nachher-Vergleich

Schlechter Prompt:

> Ist 2.310 durch 6 teilbar?

Das Modell rät vielleicht.

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: Sie endet auf 0, also durch 2 teilbar; ihre Ziffernsumme ist 6, was durch 3 teilbar ist; also ja, durch 6 teilbar. Transparent und korrekt.

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

Key Takeaways

• Fügen Sie „think step by step“ hinzu, bei jeder Reasoning-Aufgabe auf einem Standardmodell. Das verwandelt eine einzelne riskante Schätzung in eine prüfbare Kette von Schritten und dreht falsche Antworten oft ins Richtige.
• Nutzen Sie few-shot-Beispiele für wiederkehrende oder knifflige Formate: Zeigen Sie ein durchgerechnetes Beispiel, und das Modell kopiert Ihren Reasoning-Stil.
• Wählen Sie ein Thinking-Modell (GPT-5 Thinking, Claude extended thinking, Gemini 2.5 Thinking) für wirklich schwere Probleme. Sie machen Chain of Thought automatisch, sodass Sie sich die Formulierung sparen kkThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →önnen.
• Lassen Sie die endgültige Antwort zuletzt kommen, klar gekennzeichnet, damit Sie das Reasoning zur Kontrolle überfliegen kkThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →önnen.
• Prüfen Sie immer die Logik. Sichtbares Reasoning macht Fehler leichter erkennbar, garantiert aber nicht, dass die Antwort richtig ist.