TÜV Rheinland geprüfte Qualifikation in Verkaufspsychologie
Analysegespräch buchen

Start / KI-Lexikon / Reasoning-Modell

Reasoning-Modell

Definition

Ein Reasoning-Modell ist ein KI-Sprachmodell, das vor seiner Antwort intern Zwischenschritte durchdenkt und dadurch mehrstufige Aufgaben wie Rechnen, Planen oder das Prüfen von Code meist besser löst als ein Modell, das sofort antwortet.

Was ein Reasoning-Modell genau ist

Ein Reasoning-Modell ist ein großes Sprachmodell, das vor der eigentlichen Antwort einen internen Denkprozess durchläuft. OpenAI beschreibt es so: Reasoning-Modelle erzeugen interne Reasoning-Tokens, bevor sie antworten. Das hilft beim Planen, beim Prüfen von Alternativen und bei schwierigen mehrstufigen Aufgaben (OpenAI Developers, Reasoning models, abgerufen am 29.09.2026). Im Deutschen heißen solche Modelle auch Denkmodelle, in den Programmen selbst steht meist das englische Wort Thinking.

Bekannt wurde das Prinzip im September 2024 mit o1-preview von OpenAI. Das Modell lernte per bestärkendem Lernen, schwierige Schritte zu zerlegen, eigene Fehler zu erkennen und bei einer Sackgasse einen anderen Weg zu versuchen (OpenAI, Learning to reason with LLMs, September 2024). Heute steckt die Fähigkeit in den aktuellen Modellen von OpenAI, Anthropic und Google, meist als einstellbare Stufe.

Wie ein Reasoning-Modell arbeitet

Ein Sprachmodell erzeugt Text Stück für Stück in Tokens. Ein normales Modell schreibt direkt die Antwort. Ein Reasoning-Modell schreibt zuerst einen Denkteil: Es zerlegt die Frage, rechnet Zwischenergebnisse aus, prüft sie und verwirft Ansätze, die nicht passen. Erst danach formuliert es die Antwort, die du liest.

Diesen Denkteil siehst du meist nicht vollständig. Bei OpenAI sind die Reasoning-Tokens über die Schnittstelle nicht sichtbar, belegen aber trotzdem Platz im Kontextfenster und werden als Ausgabe-Tokens abgerechnet (OpenAI Developers, abgerufen am 29.09.2026). Anthropic zeigt bei Claude auf Wunsch eine Zusammenfassung des Denkens, berechnet aber das vollständige Denken (Anthropic, Steering thinking, abgerufen am 29.09.2026).

OpenAI berichtete schon bei o1, dass die Leistung mit mehr Zeit zum Nachdenken zunimmt (OpenAI, September 2024). Mehr Rechenzeit bei der Inferenz bringt also bessere Ergebnisse, kostet aber Zeit und Tokens.

Was ein Reasoning-Modell von einem normalen LLM unterscheidet

OpenAI selbst nennt Reasoning-Modelle die Planer und die klassischen GPT-Modelle die Arbeitspferde. Die Planer denken bei komplexen Aufgaben länger nach und kommen mit unklaren Informationen besser zurecht. Die Arbeitspferde erledigen klar beschriebene Aufgaben schnell und günstig. Viele Abläufe kombinieren laut OpenAI beides: das Reasoning-Modell für Planung und Entscheidung, das schnelle Modell für die Ausführung (OpenAI Developers, Reasoning best practices, abgerufen am 29.09.2026).

Mehr Denken ist nicht automatisch besser: Bei manchen reinen Schreibaufgaben bevorzugten Nutzer o1-preview nicht, OpenAI folgerte, dass es nicht für jeden Zweck passt (OpenAI, September 2024). Inzwischen verschwimmt die Grenze: Claude entscheidet je Anfrage selbst, ob es nachdenkt, eine einfache Sachfrage bekommt oft eine direkte Antwort (Anthropic, abgerufen am 29.09.2026).

Beispiele: Reasoning-Modelle in ChatGPT, Claude und Gemini

Statt einzelner Reasoning-Modelle gibt es heute meist Denkstufen in bekannten Modellen (Stand 29.09.2026):

  • ChatGPT: Instant antwortet schnell auf Alltagsfragen. In berechtigten Bezahltarifen wählst du mit dem Thinking-Regler Medium, High oder Extra High, betrieben mit GPT-5.6 Sol. Im kostenlosen Tarif und bei Go gibt es die Option Think mit GPT-5.6 Luna (OpenAI Help Center, GPT-5.6 and GPT-6 Pro in ChatGPT, September 2026).
  • OpenAI-Schnittstelle: Entwickler steuern die Denktiefe über den Parameter reasoning effort, je nach Modell von none bis max. Als Reasoning-Modelle nennt OpenAI unter anderem gpt-6-astra, gpt-5.6-terra und gpt-5.6-luna (OpenAI Developers, abgerufen am 29.09.2026).
  • Claude: Anthropic nennt das Verfahren Adaptive Thinking. Über die Stufen low, medium, high, xhigh und max legst du fest, wie bereitwillig und wie tief Claude nachdenkt. Bei Claude Opus 5.5 ist medium voreingestellt (Anthropic, abgerufen am 29.09.2026).
  • Gemini: Google bietet die Stufen minimal, low, medium und high und empfiehlt die hohe für anspruchsvolles Programmieren, Mathematik und mehrstufige Planung (Google AI for Developers, Gemini thinking, abgerufen am 29.09.2026).
  • Offene Modelle: DeepSeek-R1 ist ein Reasoning-Modell, dessen Gewichte unter der MIT-Lizenz frei verfügbar sind. Dazu gibt es verkleinerte Fassungen von 1,5 bis 70 Milliarden Parametern (DeepSeek-R1 auf GitHub, Januar 2025). Solche Modelle lassen sich als lokale KI auf eigener Hardware betreiben.

Leistung und Preise im Vergleich zeigt unser KI-Benchmark-Vergleich 2026.

Was Reasoning kostet: Tokens und Wartezeit

Die Denkschritte sind nicht kostenlos. OpenAI und Anthropic rechnen sie als Ausgabe-Tokens ab, Google berechnet den Preis einer Antwort als Summe aus Ausgabe- und Denk-Tokens (OpenAI Developers; Anthropic; Google AI for Developers, jeweils abgerufen am 29.09.2026). Ausgabe-Tokens sind dabei meist die teureren: Bei Claude Opus 5.5 kostet eine Million Eingabe-Tokens 4 US-Dollar, eine Million Ausgabe-Tokens 20 US-Dollar (Anthropic, Pricing, abgerufen am 29.09.2026).

Wie stark das Denken ins Gewicht fallen kann, zeigt eine Beispielantwort in der Anthropic-Dokumentation: Von 348 berechneten Ausgabe-Tokens entfallen dort 312 auf das Denken (Anthropic, abgerufen am 29.09.2026). Das ist ein Rechenbeispiel, kein Durchschnittswert, zeigt aber: Bei einer kurzen Antwort kann das Denken den größten Teil der Rechnung ausmachen.

Dazu kommt Wartezeit. Laut OpenAI spart eine niedrige Denkstufe Zeit und Tokens, eine hohe denkt gründlicher. Für den Einstieg empfiehlt OpenAI, mindestens 25.000 Tokens für Denken und Antwort freizuhalten (OpenAI Developers, abgerufen am 29.09.2026). Im Chat merkst du das als Pause, in einer Automation als längere Laufzeit je Vorgang. Wie du KI-Kosten insgesamt planst, steht im KI-Kosten-Leitfaden für den Mittelstand.

Wann sich ein Reasoning-Modell im Betrieb lohnt

OpenAI nennt als Stärken unter anderem unklare Aufgaben mit wenig Vorgaben, Zusammenhänge über viele dichte Dokumente wie Verträge, mehrstufige Planung, das Deuten schwieriger Bilder wie Baupläne und die Prüfung von Code (OpenAI Developers, abgerufen am 29.09.2026).

In einem kleinen oder mittleren Betrieb lohnt sich ein Reasoning-Modell dort, wo ein erfahrener Mitarbeiter sonst länger nachdenken müsste, etwa wenn ein Angebot gegen ein langes Leistungsverzeichnis geprüft wird oder ein KI-Agent einen Ablauf über mehrere Programme hinweg planen soll.

Für Routine wie das Zuordnen einer E-Mail oder das Auslesen von Rechnungsfeldern reicht meist ein schnelles Modell. Läuft so ein Schritt tausendmal im Monat, summieren sich die Denk-Tokens zu echten Kosten, ohne dass das Ergebnis besser wird. Sinnvoll ist deshalb je Arbeitsschritt das Modell und die Denkstufe, die gerade reicht.

Halte Anweisungen an ein Reasoning-Modell einfach und direkt. OpenAI rät ausdrücklich davon ab, das Modell aufzufordern, Schritt für Schritt zu denken, weil es das ohnehin intern tut (OpenAI Developers, abgerufen am 29.09.2026). Mehr dazu unter Prompt Engineering. Und auch ein Modell, das nachdenkt, kann sich irren: Das Risiko einer Halluzination bleibt, wichtige Ergebnisse prüft ein Mensch (Human-in-the-Loop).

Was das für dein Unternehmen bedeutet

Im Chat heißt das: für Alltagsfragen die schnelle Stufe, für eine Kalkulation oder eine Vertragsfrage die Denkstufe. Welche ChatGPT-Tarife es gibt und was sie beim Datenschutz zusagen, steht auf unserer Seite ChatGPT für Unternehmen.

Arbeitet KI in festen Abläufen, entscheidet die Denkstufe über Laufzeit und Kosten jedes Vorgangs. Wenn gerlinger.ai eine Automation oder eine KI-Lösung baut, gehört diese Entscheidung zur Planung: Wir prüfen am echten Ablauf, welcher Schritt ein Reasoning-Modell braucht und welcher mit einem schnellen Modell auskommt.

Beispiele aus der Praxis

  • Eine Kalkulation mit Rabatten und Zuschlägen nachrechnen lassen
  • Zwei Vertragsfassungen vergleichen und die inhaltlichen Änderungen auflisten lassen
  • Einen Auftrag gegen ein langes Leistungsverzeichnis prüfen und fehlende Positionen finden
  • Einen KI-Agenten planen lassen, wie er Daten aus mehreren Programmen zusammenholt
  • Eine technische Zeichnung deuten und Fragen dazu beantworten lassen

Vorteile und Grenzen

Das spricht dafür

  • Löst mehrstufige Aufgaben wie Rechnen, Planen und Prüfen meist besser als ein Modell ohne Denkphase
  • Kommt mit unklaren Aufgaben und wenigen Vorgaben besser zurecht
  • Die Denkstufe ist in ChatGPT, Claude und Gemini einstellbar
  • Als offenes Modell wie DeepSeek-R1 auch auf eigener Hardware nutzbar

Das solltest du einplanen

  • Denk-Tokens werden als Ausgabe-Tokens berechnet und erhöhen die Kosten je Anfrage
  • Längere Wartezeit bis zur Antwort, im Chat wie in automatischen Abläufen
  • Bei einfachen Routineaufgaben bringt das Denken meist keinen Mehrwert
  • Auch ein Reasoning-Modell kann falsche Angaben machen, wichtige Ergebnisse brauchen eine Prüfung

Quellen

Verwandte Begriffe.

Diese Einträge gehören technisch zum selben Thema und erklären die Bausteine dahinter.

Grundlagen

Large Language Model (LLM)

Große Sprachmodelle, die menschliche Sprache verstehen und generieren.

Definition lesen Technik

Token

Die kleinste Verarbeitungseinheit eines Sprachmodells.

Definition lesen Grundlagen

Inferenz

Der Vorgang, bei dem ein trainiertes KI-Modell eine Antwort erzeugt.

Definition lesen Praxis im Unternehmen

KI-Agent

Ein KI-System, das eigenständig Aufgaben plant, ausführt und dabei mehrere Tools und Datenquellen nutzt.

Definition lesen

Alle 101 Begriffe ansehen

Häufige Fragen zu Reasoning-Modell.

Deine Frage fehlt? Schreib uns, wir antworten innerhalb eines Werktags.

Was ist ein Reasoning-Modell?

Ein Reasoning-Modell ist ein KI-Sprachmodell, das vor seiner Antwort intern Zwischenschritte durchdenkt. Es zerlegt eine Aufgabe, rechnet, prüft und verwirft Ansätze, bevor es antwortet. Dadurch löst es mehrstufige Aufgaben wie Rechnen, Planen oder das Prüfen von Code meist besser als ein Modell, das sofort antwortet.

Welche Reasoning-Modelle gibt es?

Bei OpenAI laufen die Denkstufen in ChatGPT mit GPT-5.6 Sol, über die Schnittstelle nennt OpenAI unter anderem gpt-6-astra, gpt-5.6-terra und gpt-5.6-luna als Reasoning-Modelle. Claude nutzt Adaptive Thinking mit einstellbaren Stufen, Gemini bietet Denkstufen von minimal bis high. Ein offenes Beispiel ist DeepSeek-R1, dessen Gewichte frei verfügbar sind (Stand 29.09.2026).

Gibt es Reasoning-Modelle in ChatGPT?

Ja. In berechtigten Bezahltarifen stellst du mit dem Thinking-Regler ein, wie viel ChatGPT nachdenkt: Instant für schnelle Antworten, Medium, High und Extra High für mehr Denken. Im kostenlosen Tarif gibt es für schwierigere Fragen die Option Think. Welche Stufen verfügbar sind, hängt vom Tarif ab (OpenAI Help Center, September 2026).

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

Ein normales LLM schreibt die Antwort direkt. Ein Reasoning-Modell erzeugt vorher einen internen Denkteil und ist dadurch bei Logik, Mathematik, Programmierung und Planung meist stärker. Dafür braucht es länger und kostet mehr, denn die Denk-Tokens werden als Ausgabe-Tokens abgerechnet. OpenAI nennt Reasoning-Modelle die Planer und schnelle Modelle die Arbeitspferde.

Wann lohnt sich ein Reasoning-Modell im Unternehmen?

Bei Aufgaben, für die ein erfahrener Mitarbeiter länger nachdenken müsste: Kalkulationen prüfen, Verträge vergleichen, Abläufe planen oder Code prüfen. Für Routine wie das Zuordnen von E-Mails reicht meist ein schnelles Modell, das spart Kosten und Zeit.

Wie relevant ist ein Reasoning-Modell für dich?

Im Analysegespräch schauen wir gemeinsam auf deine Abläufe und finden heraus, wo KI bei dir wirklich Zeit spart. 45 Minuten, kostenlos, ohne Folien.

Analysegespräch buchen