Startseite > Lexikon > KI im Marketing > Reasoning-Modell

Reasoning-Modell

Die KI, die erst nachdenkt und dann antwortet. Das bringt viel bei Analysen und Strategie — und kostet bei einem kurzen Werbetext nur Zeit und Geld.

Auch bekannt alsReasoning ModelReasoning-KIDenkmodell

6 Min

Lesezeit

07.11.2026

Letzte Aktualisierung

Was ist ein Reasoning-Modell?

Hast du in ChatGPT, Claude oder Gemini schon mal den Knopf „Nachdenken“ gedrückt? Dann hast du ein Reasoning-Modell benutzt. Englisch „reasoning“ heißt schlussfolgern. Gemeint ist ein Sprachmodell, das vor der eigentlichen Antwort eine interne Gedankenkette schreibt.

In dieser Gedankenkette zerlegt das Modell die Aufgabe, probiert Wege aus, verwirft sie und prüft sein Ergebnis. OpenAI beschreibt es so: Die Modelle nutzen interne Reasoning-Token, bevor sie antworten. Das hilft beim Planen, beim Einsatz von Werkzeugen und bei Aufgaben mit mehreren Schritten.

Fachleute nennen das Test-Time-Compute: Das Modell bekommt nicht nur im Training mehr Rechenleistung, sondern auch in dem Moment, in dem du fragst.

Woher Reasoning-Modelle kommen

Im September 2024 brachte OpenAI mit o1 das erste breit bekannte Reasoning-Modell heraus. Im Januar 2025 folgte DeepSeek-R1 aus China mit offenen Gewichten. Laut Studie von DeepSeek löste es 79,8 Prozent der Aufgaben des Mathe-Wettbewerbs AIME 2024 im ersten Versuch. OpenAIs o1 kam im selben Test auf 79,2 Prozent, das normale GPT-4o auf 9,3 Prozent.

Spannend daran: DeepSeek zeigte, dass das Denken durch reines Verstärkungslernen entstehen kann, ohne von Menschen vorgeschriebene Lösungswege. Im Februar 2025 nannte Anthropic Claude 3.7 Sonnet das erste hybride Reasoning-Modell. Es kann schnell antworten oder länger nachdenken, je nach Einstellung.

Heute ist das der Normalfall. Die großen Modelle haben einen einstellbaren Denkaufwand, meist in Stufen von niedrig bis hoch. Oft entscheidet das Modell selbst, wie lange es nachdenkt.

Was das Nachdenken kostet

Die Denkschritte siehst du meist nicht oder nur als Zusammenfassung. Bezahlt werden sie trotzdem. OpenAI, Anthropic und Google rechnen sie als Ausgabe-Token ab, also zum teureren Preis. Laut OpenAI entstehen je nach Aufgabe einige hundert bis mehrere zehntausend Reasoning-Token.

Antwort

Kosten (Sonnet 5.5)

1.000 Token, ohne Denken

rund 0,01 $

1.000 Token + 10.000 Denk-Token

rund 0,11 $

Das ist eine Modellrechnung mit dem Listenpreis von 10 US-Dollar je eine Million Ausgabe-Token (Stand November 2026). Gleiche sichtbare Antwort, elffacher Preis. Dazu kommt Wartezeit: Ein Denkmodell antwortet oft erst nach Sekunden bis Minuten.

Was Reasoning-Modelle nicht können

Nachdenken schützt nicht vor Halluzinationen. Im Test PersonQA, mit Fragen zu Personen, erfand OpenAIs o3 in 33 Prozent der Fälle etwas, das ältere o1 in 16 Prozent. OpenAI erklärt das damit, dass o3 insgesamt mehr Behauptungen aufstellt.

Auch die angezeigte Gedankenkette ist kein ehrliches Protokoll. Anthropic gab Modellen in einer Studie 2025 heimlich Hinweise auf die Lösung. Claude 3.7 Sonnet erwähnte den genutzten Hinweis in seiner Gedankenkette nur in 25 Prozent der Fälle, DeepSeek-R1 in 39 Prozent.

Zwei Beispiele aus der Praxis

Beispiel A · Mathe-Test

Der Sprung durchs Nachdenken

9,3 %

AIME 2024 mit GPT-4o

79,8 %

AIME 2024 mit DeepSeek-R1

Bei Logik-Aufgaben ein Riesenunterschied

Werte aus der DeepSeek-R1-Studie (Januar 2025), je ein Versuch pro Aufgabe. Marketing ist kein Mathe-Wettbewerb, aber Budget- und Datenfragen funktionieren ähnlich.

Beispiel B · Agentur

Denkmodus nur, wo er sich lohnt

11×

Preis bei 10.000 Denk-Token

1.000

sichtbare Token je Antwort

Analyse mit Denken, Textvarianten ohne

Modellrechnung mit Listenpreisen. Die Agentur lässt Kampagnen-Auswertungen mit hohem Denkaufwand laufen und 50 Anzeigenvarianten ohne — dort bringt Nachdenken kaum etwas.

Häufige Fehler

Fehler 1 · Für alles den Denkmodus nehmen

Für einen Betreff, eine Übersetzung oder einen Social Post brauchst du keinen Denker. OpenAI nennt seine Reasoning-Modelle selbst die Planer und die normalen Modelle die Arbeitspferde.

Fehler 2 · „Denk Schritt für Schritt“ in den Prompt schreiben

Bei normalen Modellen hilft der Satz oft, bei Reasoning-Modellen ist er überflüssig. OpenAI rät ausdrücklich davon ab, weil es die Leistung sogar verschlechtern kann. Beschreib lieber Ziel, Daten und gewünschtes Ergebnis klar.

Fehler 3 · Der Gedankenkette blind glauben

Die angezeigten Gedanken klingen überzeugend, zeigen aber nicht verlässlich, wie die Antwort zustande kam. Prüf Zahlen und Fakten im Ergebnis, nicht die Begründung.

Wann sich ein Reasoning-Modell lohnt

Lohnt sich: Kampagnendaten auswerten, Budget aufteilen, Strategie gegen Wettbewerber prüfen, Tracking-Fehler suchen, Code und Formeln.
Lohnt sich kaum: kurze Texte, Varianten, Übersetzungen, Zusammenfassungen.
In Automatisierungen: Ein Denkmodell plant, ein schnelles Modell führt aus.
Kosten im Blick: In der API den Denkaufwand bewusst auf niedrig, mittel oder hoch stellen.

Häufige Fragen

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

Ein normales Modell antwortet sofort. Ein Reasoning-Modell erzeugt vorher eine interne Gedankenkette, plant und prüft sich selbst. Viele heutige Modelle können beides, je nach eingestelltem Denkaufwand.

Warum kostet der Denkmodus mehr?

Die Denkschritte werden als Ausgabe-Token abgerechnet, auch wenn du sie nicht siehst. Je nach Aufgabe sind das laut OpenAI einige hundert bis mehrere zehntausend Token zusätzlich.

Halluzinieren Reasoning-Modelle weniger?

Nicht automatisch. In einem Test von OpenAI erfand o3 bei Fragen zu Personen in 33 Prozent der Fälle etwas, das ältere o1 nur in 16 Prozent. Fakten musst du weiter prüfen.

Kann ich der angezeigten Gedankenkette vertrauen?

Nur eingeschränkt. Eine Studie von Anthropic zeigte 2025, dass Modelle genutzte Hinweise in ihrer Gedankenkette oft verschweigen. Prüf das Ergebnis, nicht die Begründung.

Muss ich Reasoning-Modelle anders prompten?

Ja, etwas. Anweisungen wie „denk Schritt für Schritt“ sind überflüssig. Wichtiger sind ein klares Ziel, alle nötigen Daten und eine Beschreibung, wie das Ergebnis aussehen soll.

Quellen