Reasoning-Modelle erklärt: Wie „denkende" KI funktioniert und wann sie sich lohnt

Artikel-Übersicht

Bevor wir tief eintauchen, hier die wichtigsten Punkte auf einen Blick:

Was Reasoning-Modelle sind: KI-Modelle, die vor der eigentlichen Antwort eine interne „Denkphase" durchlaufen – sie schreiben sich selbst eine Gedankenkette, prüfen, verwerfen und korrigieren, bevor sie antworten.
Test-Time-Compute: Das zentrale Prinzip. Statt nur beim Training Rechenleistung zu investieren, bekommt das Modell zur Laufzeit mehr Zeit zum Nachdenken – und wird dadurch messbar besser.
Wie man Denken antrainiert: Per Reinforcement Learning mit verifizierbaren Belohnungen. Das Modell lernt belohnt durch richtige Endergebnisse, lange und nützliche Gedankenketten zu erzeugen.
Stärken: Mathe, Code, Logik, mehrstufige Probleme, wissenschaftliche Fragen.
Schwächen: Höhere Latenz, höhere Kosten, „Overthinking" bei einfachen Aufgaben.
Modelle 2026: OpenAI o-Serie & GPT-5-Thinking, DeepSeek-R1/V4, Claude mit Extended/Adaptive Thinking, Google Gemini Deep Think, Qwen3 mit Thinking-Modus.
Prompting ist anders: Reasoning-Modelle wollen das Ziel, nicht die Schritt-für-Schritt-Anleitung. „Think step by step" brauchst du hier nicht mehr.

Einleitung: Wenn KI plötzlich innehält

Stell dir zwei Kolleginnen vor. Die eine antwortet auf jede Frage sofort aus dem Bauch heraus – schnell, oft richtig, aber bei kniffligen Aufgaben manchmal daneben. Die andere sagt erst einmal: „Moment, lass mich kurz überlegen", kritzelt etwas auf einen Notizzettel, rechnet nach, verwirft einen ersten Ansatz und liefert dann eine durchdachte Antwort. Genau dieser Unterschied beschreibt den Sprung von klassischen Chat-Modellen zu Reasoning-Modellen (auf Deutsch oft „Denkmodelle" oder „Thinking-Modelle").

Seit Ende 2024 hat diese Modellklasse die KI-Welt umgekrempelt. Plötzlich lösten Modelle Mathematik-Olympiade-Aufgaben, schrieben komplexe Programme in einem Rutsch und knackten Logikrätsel, an denen frühere Generationen scheiterten. Der Trick dahinter ist überraschend menschlich: Man gibt dem Modell einfach Zeit zum Nachdenken.

In diesem Artikel schauen wir uns an, was technisch hinter dieser „denkenden" KI steckt, warum mehr Rechenzeit zur Antwortzeit so viel bringt, welche Modelle 2026 verfügbar sind – und ganz praktisch, wann du ein Reasoning-Modell einsetzen solltest und wann ein normales Modell die klügere (und günstigere) Wahl ist. Versprochen: Am Ende weißt du nicht nur, wie das funktioniert, sondern auch, wie du diese Modelle richtig anstupst.

Was ist ein Reasoning-Modell? Der Unterschied zum Chat-Modell

Technisch gesehen ist ein Reasoning-Modell zunächst dasselbe wie ein normales Sprachmodell: ein riesiges neuronales Netz, das gelernt hat, das jeweils nächste Token (grob: das nächste Wortstück) vorherzusagen. Der Unterschied liegt nicht in der Architektur, sondern im Verhalten und im Training.

Ein klassisches Chat-Modell (etwa ein „Instruct"-Modell) ist darauf optimiert, möglichst direkt eine hilfreiche Antwort zu produzieren. Es feuert sofort los. Ein Reasoning-Modell dagegen wurde gezielt darauf trainiert, vor der finalen Antwort eine ausführliche interne Gedankenkette zu erzeugen. In dieser Denkphase tut es Dinge, die wir von gutem menschlichen Problemlösen kennen:

Es zerlegt das Problem in Teilschritte.
Es probiert einen Lösungsweg aus.
Es überprüft Zwischenergebnisse („Moment, das kann nicht stimmen ...").
Es korrigiert sich selbst und sucht alternative Wege.
Erst dann formuliert es die eigentliche Antwort.

Die schöne Analogie: Ein Chat-Modell ist wie System 1 unseres Denkens (schnell, intuitiv), ein Reasoning-Modell schaltet zusätzlich System 2 dazu (langsam, analytisch, bewusst). Beide haben ihre Berechtigung – niemand rechnet im Kopf eine Steuererklärung durch, aber für „Wie spät ist es?" braucht man auch kein Notizpapier.

Wichtig: Viele moderne Modelle sind heute hybrid. Sie können je nach Aufgabe entscheiden, ob und wie lange sie nachdenken. Die strikte Trennung „Chat-Modell vs. Reasoning-Modell" weicht 2026 zunehmend einem Schieberegler für die „Denktiefe".

Test-Time-Compute: Mehr Rechenzeit = bessere Antworten

Das Herzstück hinter Reasoning-Modellen ist ein Konzept namens Test-Time-Compute (auch Inference-Time-Scaling genannt). Klingt sperrig, ist aber simpel.

Jahrelang lautete das Rezept für bessere KI: mehr Trainingsdaten, mehr Parameter, mehr Rechenleistung beim Training. Das ist teuer und stößt an Grenzen. Test-Time-Compute dreht den Spieß um: Statt nur das Training aufzublähen, investiert man mehr Rechenleistung zur Laufzeit – also in dem Moment, in dem das Modell tatsächlich eine Frage beantwortet (die „Inferenz" oder „Test Time").

Die Analogie: Ein Schachspieler mit einer bestimmten Spielstärke wird deutlich besser, wenn er pro Zug 30 Sekunden statt einer halben Sekunde nachdenken darf. Sein „Training" (die Erfahrung) bleibt gleich – aber mehr Bedenkzeit pro Zug bringt messbar bessere Züge. Genau das passiert hier: Lässt man das Modell mehr „Denk-Tokens" generieren, steigt die Trefferquote bei schweren Aufgaben spürbar.

Das Faszinierende daran: Es entsteht eine neue Skalierungskurve. Früher hieß „besser werden" fast immer „größeres Modell trainieren". Jetzt gibt es einen zweiten Hebel: Ein gleich großes Modell beantwortet eine schwere Frage besser, wenn man es einfach länger nachdenken lässt. In der Praxis bieten viele Anbieter dafür einen Effort-Parameter (z. B. low, medium, high), mit dem du genau diese Bedenkzeit steuerst – ein direkter Regler für den Kompromiss aus Qualität, Latenz und Kosten.

Es gibt verschiedene technische Ausprägungen von Test-Time-Compute: die einfache lange Gedankenkette (am verbreitetsten), das parallele Erzeugen mehrerer Lösungswege mit anschließender Mehrheitsentscheidung („Self-Consistency"), oder echte Suchverfahren wie Beam Search und Monte-Carlo-Tree-Search. Für uns als Anwender zählt vor allem die erste Variante – die anderen laufen meist intern beim Anbieter.

Chain-of-Thought: Wie Modelle „laut denken"

Der Mechanismus, mit dem ein Modell die Bedenkzeit füllt, heißt Chain-of-Thought (Gedankenkette, kurz CoT). Schon 2022 entdeckte man, dass Modelle bessere Antworten geben, wenn man sie mit dem berühmten Zauberspruch „Let's think step by step" zum schrittweisen Vorgehen anregt. Das war Prompting – ein Trick des Nutzers.

Der entscheidende Fortschritt der Reasoning-Modelle: Diese Gedankenkette ist nicht mehr ein Prompt-Trick, sondern fest ins Modell eingebrannt. Es generiert die Schritt-für-Schritt-Überlegung von ganz allein, ausführlich und oft über Tausende Tokens hinweg. Und – das ist der Clou – es nutzt die Kette nicht nur zum „Vorrechnen", sondern auch zum Selbstkorrigieren: Modelle wie DeepSeek-R1 zeigen in ihren Gedankenketten regelrechte „Aha-Momente", in denen sie innehalten, einen Fehler bemerken und einen alternativen Weg einschlagen.

Warum hilft das so sehr? Ein Sprachmodell hat pro Token nur eine begrenzte Menge an „Rechenschritten" zur Verfügung. Eine schwere Frage direkt in einem Token zu beantworten, ist, als müsstest du eine Integralrechnung im Kopf in einer Sekunde lösen. Indem das Modell seine Überlegungen aufschreibt, verteilt es die Berechnung auf viele Tokens – jeder Zwischenschritt steht dem nächsten als Kontext zur Verfügung. Das Papier wird zum Arbeitsspeicher.

Wie man Denken antrainiert: Reinforcement Learning mit verifizierbaren Belohnungen

Wie bekommt man ein Modell dazu, von allein gute, lange Gedankenketten zu erzeugen? Die Antwort lautet Reinforcement Learning (RL) – und das DeepSeek-R1-Projekt hat diesen Weg Anfang 2025 öffentlich und nachvollziehbar gemacht (die Methode wurde sogar 2025 in Nature publiziert).

Das Grundprinzip ist erstaunlich elegant und stützt sich auf verifizierbare Belohnungen (Reinforcement Learning from Verifiable Rewards, RLVR):

Man nimmt Probleme, bei denen sich die richtige Antwort automatisch prüfen lässt – etwa Matheaufgaben (ist das Endergebnis korrekt?) oder Programmieraufgaben (laufen die Tests durch?).
Das Modell darf zu jeder Aufgabe frei eine lange Gedankenkette und eine Antwort erzeugen.
Stimmt die Antwort, gibt es eine Belohnung; stimmt sie nicht, eben nicht.
Über Millionen solcher Durchläufe lernt das Modell von selbst, welche Denkstrategien zu richtigen Ergebnissen führen – und beginnt, länger nachzudenken, Zwischenschritte zu prüfen und sich zu korrigieren.

Das Verblüffende: Niemand muss dem Modell beibringen, wie es denken soll. Man belohnt nur das Ergebnis, und die nützlichen Denkstrategien tauchen von allein auf. DeepSeek nannte die reine RL-Variante ohne menschliche Beispiele „R1-Zero". In der Praxis stellt man dem RL meist eine kleine Phase „Cold-Start"-Feintuning voran (mit handverlesenen Beispiel-Gedankenketten), damit die Ausgaben gut lesbar bleiben und nicht zwischen Sprachen springen.

Genau deshalb glänzen Reasoning-Modelle besonders in Mathe und Code: Das sind die Domänen, in denen sich Korrektheit eindeutig messen lässt. In „weichen" Bereichen wie Stilfragen oder Meinungen ist der Vorsprung kleiner – dort fehlt das klare Richtig/Falsch für das Belohnungssignal.

Reasoning-Tokens und die Denkphase: Was im Hintergrund passiert

Wenn du heute mit einem Reasoning-Modell arbeitest, begegnen dir Reasoning-Tokens (bei OpenAI) bzw. Thinking-Tokens (bei Anthropic und Google). Das sind die Tokens, die das Modell in seiner Denkphase produziert, bevor es die eigentliche Antwort schreibt.

Drei Dinge solltest du dazu wissen:

1. Du bezahlst sie. Reasoning-Tokens zählen abrechnungstechnisch als Output-Tokens – und davon können bei schweren Aufgaben schnell Tausende zusammenkommen. Eine Antwort, die du am Ende vielleicht in 200 Tokens liest, kann intern 5.000 Denk-Tokens gekostet haben. Das ist der Preis fürs Nachdenken.

2. Du siehst sie meist nicht im Rohformat. OpenAI gibt die Gedankenkette aus Sicherheits- und Wettbewerbsgründen gar nicht heraus, sondern höchstens eine Zusammenfassung. Anthropic liefert bei den neuesten Modellen ebenfalls standardmäßig eine Zusammenfassung der Denkschritte statt des rohen Stroms. DeepSeek-R1 und die offenen Qwen-Modelle dagegen zeigen die komplette Kette – praktisch zum Debuggen und für Transparenz.

3. Du kannst die Tiefe steuern. Hier hat sich 2026 viel getan. Früher gab man oft ein festes Token-Budget vor (z. B. „denke maximal 10.000 Tokens"). Heute setzt sich adaptives Denken durch: Das Modell entscheidet selbst, wie lange es nachdenkt, und du steuerst nur grob über einen effort- bzw. reasoning_effort-Parameter. Bei Claude etwa ist das feste budget_tokens auf den neuen Modellen abgelöst worden durch Adaptive Thinking plus einen effort-Regler (low/medium/high).

Ein wichtiges technisches Detail für Entwickler: Bei mehrstufigen Abläufen mit Tool-Nutzung musst du die Thinking-Blöcke unverändert zurückgeben, damit das Modell seinen Gedankenfaden über mehrere Schritte hinweg behält („interleaved thinking").

Stärken: Wo Reasoning-Modelle wirklich glänzen

Spielen wir die Paradedisziplinen durch – also die Aufgaben, bei denen sich der Mehraufwand klar auszahlt:

Mathematik: Von der Bruchrechnung bis zu Olympiade-Aufgaben. Auf dem AIME-Wettbewerb (siehe unten) erreichen Spitzen-Reasoning-Modelle Werte um die 90–99 %, wo Chat-Modelle deutlich abfallen.
Programmieren: Komplexe Algorithmen, das Debuggen langer Codebasen, das Lösen von Wettbewerbsaufgaben (Codeforces) oder realer GitHub-Issues (SWE-bench). Reasoning hilft enorm, weil Code logisch konsistent sein muss und sich testen lässt.
Logik und Rätsel: Mehrstufige Schlussfolgerungen, Planungsprobleme, Constraint-Aufgaben („A sitzt links von B, aber nicht neben C ...").
Wissenschaftliche Fragen: Auf dem anspruchsvollen GPQA-Diamond-Benchmark (Fragen auf Promotionsniveau) erreichen Top-Modelle inzwischen über 80 %.
Mehrstufige Agenten-Workflows: Wenn ein KI-Agent über viele Schritte planen, Werkzeuge wählen und Zwischenergebnisse bewerten muss, ist solides Reasoning Gold wert.

Die Faustregel: Je mehr eine Aufgabe von sorgfältigem, mehrstufigem Schlussfolgern profitiert und je eindeutiger sich „richtig" definieren lässt, desto größer der Vorsprung des Reasoning-Modells.

Schwächen: Latenz, Kosten und Overthinking

So beeindruckend das ist – Reasoning hat seinen Preis, und zwar wörtlich:

Latenz. Eine Denkphase über mehrere tausend Tokens braucht Zeit. Wo ein Chat-Modell in einer Sekunde antwortet, kann ein Reasoning-Modell bei high effort zehn Sekunden bis über eine Minute grübeln. Für interaktive Chats oder Echtzeit-Anwendungen ist das oft zu langsam.

Kosten. Wie erwähnt zählen Denk-Tokens als Output. Eine an sich kurze Antwort kann durch ausufernde Gedankenketten ein Vielfaches kosten. Bei hohem Volumen summiert sich das schnell.

Overthinking. Das vielleicht unterschätzteste Problem. Reasoning-Modelle neigen dazu, auch triviale Fragen zu zerdenken. Frag ein reines Denkmodell „Was ist 2 + 2?", und es kann sich im schlimmsten Fall in eine seitenlange Betrachtung verlieren – langsamer und teurer, ohne dass die Antwort besser wird. Manchmal reden sie sich sogar von der anfangs richtigen Antwort weg. Genau deshalb ist die adaptive Steuerung 2026 so wertvoll: Das Modell soll nur dann tief nachdenken, wenn es sich lohnt.

Weniger Vorteil bei „weichen" Aufgaben. Beim kreativen Schreiben, Smalltalk, einfachen Umformulierungen oder reinem Faktenabruf bringt Reasoning kaum etwas – die zusätzliche Bedenkzeit verpufft.

Die Reasoning-Modelle 2026 im Überblick

Der Markt ist 2026 reif und vielfältig. Hier die wichtigsten Familien – verifiziert nach aktuellem Stand:

Anbieter	Modelle (Auswahl)	Besonderheit	Gedankenkette sichtbar?	Offen?
OpenAI	o-Serie (o3, o4-mini), GPT-5 / GPT-5.4 Thinking	Pionier des Test-Time-Compute; agentische Tool-Nutzung; `reasoning_effort` von `minimal` bis `high`	Nur Zusammenfassung	Nein (Ausnahme: gpt-oss)
DeepSeek	DeepSeek-R1, DeepSeek-V4	Machte RL-Reasoning öffentlich; sehr günstig; offene Gewichte	Ja, komplett	Ja (MIT)
Anthropic	Claude Sonnet 4.6, Opus 4.8, Fable 5	Extended/Adaptive Thinking; `effort`-Regler; interleaved thinking	Zusammenfassung	Nein
Google	Gemini 2.5 Flash/Pro, Deep Think	Einstellbares „Thinking Budget"; Deep Think rechnet mehrere Ketten parallel	Zusammenfassung	Nein
Alibaba (Qwen)	Qwen3, Qwen3-Thinking-2507	Hybrid: ein Modell, umschaltbar zwischen Thinking & Non-Thinking	Ja, komplett	Ja (Apache 2.0)

Im Detail:

OpenAI startete die Reasoning-Ära mit der o-Serie. Die Modelle o3 und o4-mini sind agentisch (können Web, Python, Bildanalyse selbst kombinieren); o3 erreicht auf GPQA Diamond rund 87,7 %, o4-mini auf AIME 2025 mit Tool-Zugriff nahezu 99,5 %. Mit GPT-5 (August 2025) und dem Update GPT-5.4 Thinking (März 2026) hat OpenAI Chat- und Reasoning-Fähigkeiten in einer Architektur vereint – das Modell entscheidet bzw. du steuerst per reasoning_effort (von minimal über low/medium bis high), wie viel gedacht wird.

DeepSeek-R1 (Januar 2025) war der Paukenschlag: ein quelloffenes Reasoning-Modell (671 Mrd. Parameter als Mixture-of-Experts, davon 37 Mrd. pro Token aktiv) auf Augenhöhe mit den teuren Closed-Source-Modellen – zu einem Bruchteil der Kosten. 2026 ist die Familie zu DeepSeek-V4 weitergewachsen; der klassische deepseek-reasoner-Endpunkt verweist heute auf den Thinking-Modus von V4.

Anthropic Claude bietet Extended Thinking (bei Sonnet 4.6 und Haiku 4.5) sowie das neuere Adaptive Thinking (Opus 4.8, Fable 5), bei dem das Modell selbst über die Denktiefe entscheidet und du nur den effort setzt. Das frühere feste budget_tokens ist auf den neuen Modellen abgekündigt.

Google Gemini integriert Denken über ein konfigurierbares „Thinking Budget" in die 2.5-Familie. Der Spitzenmodus Deep Think (Juni 2026) erzeugt mehrere Gedankenketten parallel und wählt die beste – stark in Mathe und Wissenschaft (u. a. ~89,8 % auf MMLU-Pro, ~82,4 % auf GPQA Diamond).

Qwen3 (Alibaba) ist besonders interessant für die Open-Source-Welt: Ein einziges Modell beherrscht sowohl Thinking- als auch Non-Thinking-Modus, umschaltbar im Prompt. Die offenen Gewichte (Apache 2.0) reichen von winzigen 0,6B bis zum großen MoE mit 235B Parametern; die -Thinking-Varianten sind die dedizierten Reasoning-Versionen.

Benchmarks verstehen: AIME, GPQA & Co.

Damit du die Zahlen oben einordnen kannst – die wichtigsten Benchmarks für Reasoning:

AIME (American Invitational Mathematics Examination): Anspruchsvoller US-Mathewettbewerb für Oberstufenschüler. Reine Rechen- und Beweis-Logik, kaum Allgemeinwissen – der Klassiker zum Messen von Reasoning. Werte werden oft als „AIME 2024/2025" angegeben, weil aktuelle Aufgaben nicht im Training stecken sollen.
GPQA Diamond (Graduate-Level Google-Proof Q&A): Naturwissenschaftliche Fragen auf Promotionsniveau, bewusst so gestaltet, dass sie sich nicht einfach googeln lassen. Misst tiefes Fachverständnis.
SWE-bench: Echte GitHub-Issues, die das Modell durch Codeänderungen lösen muss – der Realitätstest fürs Programmieren.
Codeforces: Wettbewerbsprogrammierung, oft als Elo-Wertung angegeben.
MMLU-Pro: Breiter, schwerer Wissens- und Reasoning-Test über viele Fächer.

Ein gesunder Skeptizismus lohnt sich: Benchmarkzahlen schwanken je nach Messmethode (mit/ohne Tools, pass@1 vs. Mehrheitsentscheid) erheblich, und Spitzenwerte sind oft mit maximalem Effort und Werkzeugzugriff erzielt. Nimm sie als Orientierung, nicht als Gesetz – und teste am Ende immer mit deinen eigenen Aufgaben.

Reasoning-Modell oder normales Modell? Eine Entscheidungshilfe

Die Gretchenfrage in der Praxis. Hier eine pragmatische Faustregel-Tabelle:

Aufgabe	Empfehlung
Komplexe Mathe, Beweise, Datenanalyse	? Reasoning-Modell
Schwieriges Debugging, Architektur-Entscheidungen, Refactoring	? Reasoning-Modell
Mehrstufige Logik-, Planungs- und Constraint-Aufgaben	? Reasoning-Modell
Anspruchsvolle Agenten-Workflows mit vielen Schritten	? Reasoning-Modell
Chatbot, Kundensupport in Echtzeit	? Chat-Modell (Latenz!)
Einfache Klassifikation, Extraktion, Umformulierung	? Chat-Modell (günstiger)
Kreatives Schreiben, Brainstorming	? meist Chat-Modell
Reiner Faktenabruf, Zusammenfassungen	? Chat-Modell
Hohes Volumen, enges Budget	? Chat-Modell

Drei Leitfragen helfen bei der Entscheidung:

Profitiert die Aufgabe von mehrstufigem Schlussfolgern? Wenn die Lösung „in einem Gedanken" passt, brauchst du kein Reasoning.
Lässt sich „richtig" eindeutig definieren? Je objektiver die Korrektheit, desto größer der Reasoning-Vorteil.
Sind Latenz und Kosten verkraftbar? Eine Minute Wartezeit und der zehnfache Token-Verbrauch müssen sich lohnen.

Mein praktischer Tipp: Fang mit einem schnellen, günstigen Modell an. Erst wenn die Qualität nicht reicht, schalte hoch – idealerweise mit den hybriden Modellen über den effort-Regler, statt gleich das teuerste Modell zu zünden. Und: Mische. In einer Pipeline kann ein günstiges Modell Routinearbeit erledigen und nur der harte Kern an ein Reasoning-Modell gehen.

Prompting von Reasoning-Modellen: Anders als gewohnt

Jetzt der Teil, der in der Praxis am meisten Unterschied macht – denn Reasoning-Modelle prompten sich anders als Chat-Modelle. Wer alte Gewohnheiten mitbringt, macht sie sogar schlechter.

1. Lass „Let's think step by step" weg. Das war der Klassiker für Chat-Modelle. Reasoning-Modelle denken ohnehin schon intern Schritt für Schritt – die Aufforderung ist überflüssig und kann sogar stören.

2. Gib das Ziel, nicht die Anleitung. Die schöne Analogie aus OpenAIs eigener Anleitung: Behandle ein Reasoning-Modell wie eine erfahrene Kollegin, der du das Was und Warum erklärst – und der du das Wie überlässt. Bei einem Chat-Modell schreibst du oft eine genaue Schritt-für-Schritt-Anweisung; beim Reasoning-Modell formulierst du das Ziel klar und lässt ihm den Lösungsweg.

3. Halte den Prompt knapp und klar. Lange, mit Beispielen überladene Prompts helfen hier selten. Tatsächlich kann Few-Shot-Prompting die Leistung sogar verschlechtern. Zero-Shot (nur klare Aufgabenstellung) ist bei Reasoning-Modellen oft die bessere Wahl. Wenn Beispiele, dann sparsam.

4. Steuere die Denktiefe explizit. Nutze den effort-Parameter statt umständlicher Prompt-Tricks. Für schnelle Aufgaben low, für harte Nüsse high.

5. Strukturiere die Aufgabe, nicht den Denkprozess. Gib klare Vorgaben zu Format und Randbedingungen der Antwort – aber schreib dem Modell nicht vor, wie es zu denken hat.

Ein kompaktes Beispiel mit Claude (Adaptive Thinking) in Python:

import anthropic

client = anthropic.Anthropic()

response = client.messages.create(
    model="claude-opus-4-8",
    max_tokens=16000,
    # Adaptives Denken: Claude entscheidet selbst, wie tief.
    # Tiefe grob steuern über effort statt festem Token-Budget.
    thinking={"type": "adaptive", "effort": "high"},
    messages=[{
        "role": "user",
        # Ziel klar formulieren, keine "denke Schritt für Schritt"-Floskel:
        "content": (
            "Ein Zug fährt um 14:00 mit 80 km/h von A los, "
            "ein zweiter um 14:30 mit 120 km/h von B (200 km entfernt) "
            "entgegen. Wann und wo treffen sie sich?"
        ),
    }],
)

for block in response.content:
    if block.type == "thinking":
        print("Denkphase (Zusammenfassung):", block.thinking)
    elif block.type == "text":
        print("Antwort:", block.text)

Dasselbe Prinzip bei OpenAI über den reasoning_effort-Parameter:

from openai import OpenAI

client = OpenAI()

response = client.responses.create(
    model="gpt-5.4",
    reasoning={"effort": "high"},   # minimal | low | medium | high
    input="Beweise oder widerlege: Es gibt unendlich viele "
          "Primzahlen p mit p mod 4 == 3.",
)

print(response.output_text)

Und bei den offenen Qwen3-Modellen schaltest du das Denken sogar direkt im Prompt um – mit den Steuerbefehlen /think und /no_think:

/think
Löse: Wie viele Nullen hat 100! am Ende?

So entscheidest du pro Anfrage, ob das Modell in den Denkmodus geht oder schnell und günstig direkt antwortet.

Zusammenfassung und praktische Tipps

Reasoning-Modelle sind mehr als ein Hype – sie sind eine echte neue Stufe. Der Kerngedanke ist denkbar einfach und zugleich tiefgreifend: Gib der KI Zeit zum Nachdenken (Test-Time-Compute), und sie wird bei schweren Aufgaben deutlich besser. Die Gedankenkette (Chain-of-Thought), per Reinforcement Learning mit verifizierbaren Belohnungen antrainiert, ist der Motor dahinter.

Die wichtigsten Erkenntnisse zum Mitnehmen:

? Setz Reasoning gezielt ein – für Mathe, Code, Logik, Wissenschaft und mehrstufige Probleme, bei denen sich „richtig" klar messen lässt.
? Nutz den Effort-Regler. Du musst nicht alles oder nichts denken lassen. Starte niedrig, dreh nur bei Bedarf hoch.
? Achte auf Latenz und Kosten. Denk-Tokens werden bezahlt und kosten Zeit. Für Echtzeit und Massenbetrieb ist oft ein schnelles Chat-Modell die klügere Wahl.
? Vermeide Overthinking. Triviale Aufgaben gehören nicht in ein Denkmodell – oder zumindest auf low effort.
? Prompte anders: Ziel statt Anleitung, knapp statt überladen, kein „denke Schritt für Schritt", eher Zero-Shot als Few-Shot.
? Bleib pragmatisch: Hybride Modelle (OpenAI GPT-5, Claude, Gemini, Qwen3) machen die Grenze fließend – ein Modell, ein Regler, je nach Aufgabe.

Mein Rat zum Schluss: Probier es selbst aus. Nimm eine Aufgabe, an der dein gewohntes Chat-Modell scheitert, und wirf sie einem Reasoning-Modell vor – einmal mit niedrigem, einmal mit hohem Effort. Du wirst schnell ein Gespür dafür entwickeln, wann sich das Nachdenken lohnt und wann es nur Zeit und Geld kostet. Genau dieses Gespür ist 2026 eine der wertvollsten KI-Kompetenzen überhaupt. Viel Spaß beim Experimentieren! ??