Was sind Reasoning-Modelle? Wie KI „nachdenkt“ – und wo nicht

AI Peanuts Redaktion Aktualisiert am 19. August 2026 5 Min. Lesezeit

Kurzantwort

Reasoning-Modelle sind Sprachmodelle, die vor der Antwort einen internen Denkprozess durchlaufen: Sie zerlegen Probleme in Schritte (Chain of Thought) und investieren mehr Rechenzeit pro Anfrage (Test-Time Compute). Das macht sie bei Mathematik, Code und komplexer Analyse deutlich stärker – bei Alltagsaufgaben wie E-Mails kaum. Ob dieses „Denken“ echtes Schlussfolgern ist oder erweiterte Mustererkennung, ist wissenschaftlich umstritten; praktisch sind die Fähigkeitsgewinne bei komplexen Aufgaben real.

Redaktionell aufbereitet aus unseren Originalausgaben. Alle verwendeten Newsletter und externen Quellen sind am Ende des Artikels verlinkt.

Das Wichtigste

Zwei Begriffe erklären das Prinzip: Chain of Thought (das Modell schreibt seine Zwischenschritte auf, wie Rechenwege bei einer Matheaufgabe) und Test-Time Compute (mehr Rechenaufwand beim Antworten statt nur beim Training).
Den Startpunkt setzte OpenAIs o1-preview im September 2024 – trainiert per Reinforcement Learning darauf, vor der Antwort „hart nachzudenken“. In Mathematik sprang die Leistung von 13 % (GPT-4o) auf 83 % im internen Test.
Der Nachfolger o3 zeigte im Dezember 2024, wie schnell der Ansatz skaliert: Im ARC-AGI-Benchmark für abstraktes Schlussfolgern stieg die Quote von rund 5 % (GPT-4) über gut 20 % (o1) auf 75,7 % – mit massivem Rechenaufwand sogar 87,5 %, allerdings zu extremen Kosten pro Aufgabe.
Reasoning lässt sich vergleichsweise günstig „nachrüsten“: Forscher können offene Modelle wie Llama per Chain-of-Thought-Training zu Reasoning-Modellen machen – ein Grund, warum China (DeepSeek-R1) so schnell aufschloss.
Die Gegenposition kam im Juni 2025 von Apple („The Illusion of Thinking“): Bei steigender Komplexität kollabiere die Leistung, das „Denken“ sei Mustererkennung. Die Kritik am Studiendesign war ebenso deutlich – und die Wahrheit liegt vermutlich dazwischen.

Erklärung und Kontext

Bis 2024 galt in der KI-Entwicklung vor allem ein Rezept: mehr Trainingsdaten, mehr Rechenleistung, größere Modelle. Als sich abzeichnete, dass dieser Weg an Grenzen stößt (Stichwort „Scaling Wall“), etablierte OpenAI mit der o-Serie einen zweiten Hebel: Statt nur das Training zu vergrößern, bekommt das Modell beim Antworten mehr Zeit und Rechenleistung.

o1-preview brauchte für Antworten fünf bis 30 Sekunden „Bedenkzeit“ – und lieferte dafür in komplexen Domänen Sprünge: 83 % statt 13 % bei Mathe-Aufgaben, 89. Perzentil bei Codeforces-Programmierwettbewerben, deutlich robusteres Verhalten in Jailbreaking-Tests. Bei einfachen Aufgaben – E-Mails, Zusammenfassungen, Wissensfragen – war es dagegen kaum besser als klassische Modelle, nur langsamer und teurer. Genau diese Asymmetrie ist bis heute die wichtigste Nutzungsregel.

Interessant war früh, wer die Modelle nutzte: Forscher lösten mit o1-preview Fragen zur Kernfusion, für die Teams sonst Tage gebraucht hätten; der Mathematiker Terence Tao nutzte o-Modelle für Beweise. Der typische ChatGPT-Nutzer blieb beim Standardmodell – Reasoning war zunächst ein Werkzeug für harte Probleme.

So funktioniert es

Chain of Thought: Das Modell erzeugt vor der endgültigen Antwort eine (teils sichtbare) Kette von Zwischenschritten. Komplexe Probleme werden in handhabbare Teilprobleme zerlegt – wie das Aufschreiben der Rechenschritte in der Schule.
Reinforcement Learning auf Denkprozesse: Die o-Serie wurde gezielt darauf trainiert, welche Denkwege zu richtigen Ergebnissen führen – nicht nur darauf, plausiblen Text zu erzeugen.
Test-Time Compute als Skalierungshebel: Mehr „Nachdenken“ = bessere Ergebnisse, aber auch mehr Kosten und Latenz. Die o3-Ergebnisse auf ARC-AGI zeigten beide Seiten: Der Sprung auf 87,5 % gelang nur mit Rechenaufwand, der pro Aufgabe je nach Konfiguration hunderte bis tausende Dollar kostete – „Menschen sind da momentan noch günstiger“, wie die Ausgabe vom Dezember 2024 trocken anmerkte.
Nachrüstbarkeit: Weil Reasoning-Training auf bestehenden Basismodellen aufsetzt, ist es billiger als ein neues Spitzenmodell von Grund auf. DeepSeek zeigte mit R1, dass der Ansatz schnell kopierbar ist – ein Vorbote des DeepSeek-Moments im Januar 2025.

Denkt das Modell wirklich? Die Apple-Kontroverse

Apples Studie „The Illusion of Thinking“ (Juni 2025) testete Reasoning-Modelle an Puzzles wie Tower of Hanoi, deren Komplexität sich präzise steigern lässt. Befund: Mit steigender Komplexität bricht die Leistung ein; kleine Umformulierungen oder irrelevante Zusatzinfos genügen, um die Modelle aus dem Konzept zu bringen. Apples Schluss: Die Modelle „denken“ nicht, sie erkennen Muster – solange die Aufgabe Trainingsmustern ähnelt, wirkt das beeindruckend, bei Neuem kollabiert es.

Die Kritik am Studiendesign folgte prompt: Warum sollten One-Shot-Puzzle-Versuche ohne Werkzeuge die Reasoning-Fähigkeit besser messen als Code- oder Mathe-Aufgaben? Reale Nutzung ist iterativ – gerade im mehrstufigen Arbeiten entsteht der Wert. Die AI-Peanuts-Erfahrung aus der eigenen technischen Arbeit deckt sich damit: Reasoning erzeugt im ersten Versuch durchaus triviale Fehler, ist über mehrere Schritte hinweg aber ausgesprochen nützlich.

Fairerweise gehört dazu: Apples Timing (eigene KI-Probleme, verschobenes Siri-Upgrade) legte strategische Motive nahe – was die Befunde nicht widerlegt. Die ausgewogene Lesart: Aktuelle Reasoning-Ansätze haben reale Grenzen und führen nicht auf geradem Weg zur Superintelligenz. Nützlich sind sie trotzdem.

Wann man Reasoning-Modelle nutzt – und wann nicht

Ja: mehrstufige Analysen, Mathematik, anspruchsvolles Coding und Debugging, Planungs- und Strategieaufgaben, wissenschaftliche Fragen, komplexe Datenauswertung.
Nein: Alltagsaufgaben wie E-Mails, einfache Zusammenfassungen, schnelle Wissensfragen – hier liefern Standardmodelle gleichwertige Ergebnisse, schneller und günstiger.
Faustregel: Je mehr Zwischenschritte ein Mensch für die Aufgabe bräuchte, desto eher lohnt ein Reasoning-Modell.

Grenzen und Risiken

Kosten und Latenz: Denkzeit ist Rechenzeit. Wer Reasoning pauschal für alles nutzt, zahlt für Qualität, die er nicht bekommt.
Sichtbares Denken ist nicht das echte Denken: Die angezeigten Gedankenketten sind eine Ausgabe des Modells – keine verlässliche Auskunft über den internen Prozess (siehe Interpretability-Forschung).
Brüchigkeit an den Rändern: Die Apple-Befunde markieren reale Schwächen bei neuartigen, präzise definierten Problemen. Verlassen sollte man sich auf Reasoning-Ausgaben genauso wenig ungeprüft wie auf jede andere KI-Ausgabe.
Benchmark-Vorsicht: Reasoning-Sprünge werden gern über Benchmarks kommuniziert; deren Aussagekraft ist begrenzt (siehe KI-Benchmarks verstehen).

Häufige Fragen

Was ist der Unterschied zwischen einem Reasoning-Modell und einem normalen LLM?

Ein normales LLM antwortet direkt aus dem gelernten Muster heraus. Ein Reasoning-Modell erzeugt vorher eine interne Kette von Zwischenschritten und prüft Varianten – es tauscht Zeit und Rechenleistung gegen Genauigkeit bei komplexen Aufgaben.

Was bedeutet Test-Time Compute?

Rechenaufwand, der zur Antwortzeit investiert wird statt (nur) beim Training. Er ist der zweite große Skalierungshebel der KI-Entwicklung: Dasselbe Modell wird besser, wenn man ihm mehr „Denkbudget“ pro Frage gibt – zu entsprechend höheren Kosten.

Warum heißt es o1/o3 und nicht GPT?

OpenAI wollte den Paradigmenwechsel auch im Namen markieren. o2 wurde übersprungen – wegen der Markenrechte der Telefónica-Marke O2.

Sind Reasoning-Modelle der Weg zu AGI?

Unklar. Die Fortschritte (etwa o3 auf ARC-AGI) waren größer, als Skeptiker erwarteten – die Apple-Kritik zeigt zugleich strukturelle Grenzen. Seriös lässt sich sagen: Reasoning hat das Fähigkeitsspektrum deutlich erweitert, aber es ist ein Werkzeug, kein Beweis für allgemeine Intelligenz.