Reasoning-Modell
Auch: Reasoning Model, Denkmodell, Thinking Model
Ein Reasoning-Modell ist ein Sprachmodell, das vor der eigentlichen Antwort intern Zwischenschritte erzeugt: Es zerlegt die Aufgabe, prüft Lösungswege und nutzt bei Bedarf Werkzeuge wie die Websuche. Das kostet Zeit und Geld, verbessert aber mehrstufige Ergebnisse.
Fester Bestandteil der Praxis mit stabiler Bedeutung.
Durchgesetzt hat sich der Begriff mit OpenAIs Modell o1, das laut OpenAI am 12. September 2024 „thinks before it answers“. Die Grundidee stammt aus dem Chain-of-Thought-Paper von Google-Forschern um Jason Wei (Januar 2022).
Ø der letzten 12 Monate, alle Schreibweisen. Veränderung: letzte 3 Monate zum Vorjahr. Stand 11/2026.
Technisch steckt ein klar beschreibbares Verfahren dahinter: trainierte Zwischenschritte, die als eigene Token abgerechnet werden. Das Wort „denken“ verkauft aber mehr Menschenähnlichkeit, als drin ist, und inzwischen nennt fast jeder Anbieter sein Modell so.
Reasoning-Modelle lösen mehrstufige Aufgaben wie Angebotsvergleiche oder Datenauswertungen besser, kosten aber pro Anfrage spürbar mehr Zeit und Geld; in der KI-Suche sorgen sie dafür, dass mehr Quellen gelesen und gegeneinander geprüft werden, bevor eine Antwort entsteht.
- Wählen Sie zwei wiederkehrende Aufgaben aus Ihrem Team, die mehrere Schritte haben, etwa einen Angebotsvergleich oder eine Kampagnenauswertung. Lassen Sie sie einmal mit und einmal ohne Denkmodus bearbeiten und vergleichen Sie Ergebnis, Wartezeit und Kosten.
- Wer KI per API nutzt: Rechnen Sie die unsichtbaren Denk-Token in die Kalkulation ein, sie werden als Ausgabe-Token berechnet. Eine Größenordnung liefert der Token-Rechner.
- Stellen Sie eine komplexe Kundenfrage aus Ihrer Branche in einem Modell mit Denkmodus und Websuche und notieren Sie, welche Quellen es prüft. Der KI-Quellen-Check hilft, die Ergebnisse festzuhalten.
Klassische Sprachmodelle beginnen sofort mit der Antwort, Wort für Wort. Ein Reasoning-Modell schaltet einen Schritt davor: Es erzeugt zunächst intern eine Kette von Zwischenüberlegungen, plant, verwirft, rechnet nach und greift bei Bedarf auf Werkzeuge zurück. Erst dann schreibt es die Antwort, die Sie sehen.
In ChatGPT, Claude oder Gemini zeigt sich das als „Denkt nach …“ oder als ausklappbare Zusammenfassung der Überlegungen. Für Unternehmen ist der Begriff aus zwei Gründen wichtig: Er bestimmt, welche Aufgaben sich sinnvoll an KI geben lassen und was sie kosten. Und er erklärt, warum KI-Suchen bei schwierigen Fragen gründlicher recherchieren als noch 2024.
Vom Gedankenketten-Trick zur eigenen Modellklasse
Die Idee ist älter als der Begriff. 2022 zeigten Google-Forscher, dass Sprachmodelle schwierige Aufgaben besser lösen, wenn man sie per Prompt zu Zwischenschritten auffordert. Aus diesem Trick wurde eine Trainingsmethode: Modelle lernen per Reinforcement Learning, also durch Belohnung guter Ergebnisse, ihre Gedankenkette selbst zu verbessern.
| Datum | Station |
|---|---|
| Januar 2022 | Google-Paper „Chain-of-Thought Prompting Elicits Reasoning in Large Language Models“ |
| 12. September 2024 | OpenAI stellt o1 vor: Das Modell „thinks before it answers“ und wird mit mehr Denkzeit messbar besser. |
| Januar 2025 | DeepSeek veröffentlicht das Reasoning-Modell R1 mit offenen Gewichten. In Deutschland erreicht die Suchnachfrage nach Reasoning-Modellen im Februar 2025 ihren Höchststand. |
| 16. April 2025 | OpenAIs o3 und o4-mini können laut OpenAI erstmals alle Werkzeuge in ChatGPT selbstständig kombinieren, darunter die Websuche. |
| 7. August 2025 | GPT-5 erscheint als „unified system“: Ein Router entscheidet je Frage, ob ein schnelles Modell oder das tiefere Reasoning-Modell antwortet. |
Die Entwicklung läuft darauf hinaus, dass „Reasoning“ keine eigene Produktkategorie bleibt. Aktuelle Modelle entscheiden selbst, wie lange sie nachdenken; Anthropic führt Denken bei einigen seiner neuesten Modelle in der Modellübersicht als „Adaptive (always on)“. Der Begriff bleibt nützlich, um die Arbeitsweise zu verstehen, verliert aber als Unterscheidungsmerkmal an Schärfe.
Was beim Nachdenken technisch passiert
„Denken“ ist hier ein Bild. Technisch erzeugt das Modell zusätzliche Token, also Textbausteine, die nur der Planung dienen. OpenAI beschreibt das in der Entwicklerdokumentation so: Reasoning-Modelle nutzen interne Reasoning-Token, bevor sie antworten. Diese sind über die API nicht sichtbar, belegen aber Platz im Kontextfenster und „are billed as output tokens“.
- Menge: Je nach Aufgabe entstehen laut OpenAI einige hundert bis zehntausende Reasoning-Token pro Anfrage.
- Kosten: Sie bezahlen für Überlegungen, die Sie nicht sehen. Eine kurze Antwort kann deshalb teuer sein.
- Wartezeit: Sekunden bis Minuten statt sofortiger Antwort.
- Sichtbarkeit: Oberflächen zeigen meist eine Zusammenfassung der Überlegungen, nicht zwingend die vollständige Kette.
Kein Wahrheitsgarant: Auch ein Reasoning-Modell sagt Token für Token voraus, nur eben zuerst die Zwischenschritte. Es macht weniger Rechen- und Logikfehler, kann sich aber ebenso irren oder Quellen falsch wiedergeben. Mehr dazu unter KI-Halluzination.
Warum das die KI-Suche verändert
Für die Sichtbarkeit von Unternehmen ist die Kombination aus Nachdenken und Werkzeugen entscheidend. OpenAI schreibt zu o3, die Modelle seien darauf trainiert, „to reason about when and how to use tools“. Ein Reasoning-Modell sucht also nicht einmal und antwortet, sondern arbeitet in Schleifen: suchen, lesen, Lücke erkennen, erneut suchen, Widersprüche prüfen.
Beispiel: eine Frage, mehrere Recherche-Runden
Eine erfundene Situation: Ein Logistikleiter fragt, ob sich eine Photovoltaikanlage mit Speicher auf der eigenen Lagerhalle in Franken lohnt. Ein schnelles Modell antwortet aus dem Stand mit allgemeinen Vor- und Nachteilen. Ein Reasoning-Modell mit Websuche zerlegt die Frage, sucht nach Einspeisevergütung, Speicherkosten und Dachstatik, merkt, dass zwei Quellen unterschiedliche Vergütungssätze nennen, sucht nach der aktuellen Regel und nennt am Ende die Bedingungen, unter denen sich die Anlage rechnet.
Daraus folgen zwei Dinge für Ihre Inhalte. Erstens werden mehr Seiten gelesen als bei einer einzelnen Suche, auch Fachseiten weiter hinten in den Ergebnissen. Zweitens fallen widersprüchliche oder veraltete Angaben eher auf, weil das Modell Quellen gegeneinander prüft. Präzise, datierte und belegte Inhalte haben dabei bessere Karten als allgemeine Werbetexte. Das ist eine Einschätzung aus der Funktionsweise, keine dokumentierte Ranking-Regel. Den Unterschied zum parallelen Zerlegen einer Frage beschreibt der Eintrag Query Fan-out, die ausführlichste Form der mehrstufigen Recherche der Eintrag Deep Research.
Wann sich ein Reasoning-Modell im Unternehmen lohnt
Nicht jede Aufgabe braucht Denkzeit. Eine grobe Orientierung:
| Aufgabe | Empfehlung |
|---|---|
| Text kürzen, umformulieren, übersetzen | schnelles Standardmodell |
| E-Mail-Antworten, Social-Media-Entwürfe | schnelles Standardmodell |
| Angebote vergleichen, Verträge auf Widersprüche prüfen | Reasoning-Modell |
| Kampagnendaten auswerten, Ursachen für Einbrüche suchen | Reasoning-Modell |
| Recherche mit mehreren Quellen und Abwägung | Reasoning-Modell mit Websuche |
Was die Modelle in den Abos und über die API kosten, vergleicht der Beitrag ChatGPT Kosten 2026.
- OpenAI: Learning to reason with LLMs (12. September 2024)
- OpenAI API-Dokumentation: Reasoning models
- Wei et al. (Google): Chain-of-Thought Prompting Elicits Reasoning in Large Language Models (arXiv, Januar 2022)
- OpenAI: Introducing OpenAI o3 and o4-mini (16. April 2025)
- OpenAI: Introducing GPT-5 (7. August 2025)
- DeepSeek-AI: DeepSeek-R1 (arXiv, Januar 2025)
Was ChatGPT, Perplexity und der Google KI-Modus zu „Reasoning-Modell“ sagen
Wir haben allen drei KI-Suchen dieselbe Frage gestellt: „Was ist Reasoning-Modell im Zusammenhang mit KI-Suche und Online-Marketing? Bitte kurz in 3 bis 5 Sätzen erklären.“ (Abfrage am 08.11.2026, Standort Deutschland) und die Antworten gegen die belegten Fakten in diesem Eintrag geprüft.
Die Antwort beschreibt allgemeine KI-Fähigkeiten, nicht das Besondere: interne Zwischenschritte vor der Antwort, per Reinforcement Learning trainiert und als eigene Token abgerechnet. Das Verknüpfen von Websites ist Websuche, kein Reasoning.
Auszug aus der Antwort
Im Bereich KI-Suche (AI Search) bedeutet das beispielsweise, dass die KI Informationen aus verschiedenen Websites miteinander verknüpft, bewertet und daraus eine zusammenhängende Antwort erstellt.
Das Zerlegen in Schritte und das Prüfen der Antwort treffen den Kern. Dass die Schritte vor der Antwort intern erzeugt werden, Zeit und Geld kosten und Werkzeuge einbeziehen können, fehlt; Belege stammen aus Agentur-Glossaren.
Auszug aus der Antwort
Ein Reasoning-Modell ist ein KI-Modell, das komplexe Fragen in mehrere Schritte zerlegt, Informationen vergleicht und seine Antwort prüft, statt nur passende Textmuster zu erkennen.
Die Gedankenkette vor der Ausgabe ist richtig beschrieben. Falsch ist der Gegensatz zum „statistischen Vorhersagen des nächsten Worts“: Auch Reasoning-Modelle erzeugen Token für Token, nur zuerst die Zwischenschritte. Die Ausblicke zu Ads und Kaufentscheidungen sind Spekulation.
Auszug aus der Antwort
Ein Reasoning-Modell ist eine KI, die komplexe Anfragen vor der eigentlichen Ausgabe in logischen Schritten durchdenkt und einen internen Rechenweg (eine sogenannte Gedankenkette) generiert, statt nur statistisch das nächste Wort vorherzusagen
Unser Fazit: Alle drei bleiben vage oder vermenschlichen das Verfahren. Keine Antwort nennt OpenAIs o1 als Ausgangspunkt, die unsichtbaren und bezahlten Denk-Token oder den Umstand, dass das Modell selbst entscheidet, wann es sucht; zitiert werden Marketing-Glossare statt Anbieterdokumentation.
Die Antworten von KI-Suchen ändern sich laufend. Wir wiederholen den Faktencheck regelmäßig. Sie möchten wissen, welche Quellen die KI zu Ihren Themen zitiert? Testen Sie den kostenlosen KI-Quellen-Check.
Häufige Fragen zu Reasoning-Modell
Lohnt sich ein Reasoning-Modell für Marketingtexte?
Woran erkenne ich, ob gerade ein Reasoning-Modell antwortet?
Sind Reasoning-Modelle zuverlässiger?
Muss ich meine Website für Reasoning-Modelle anpassen?
Verwandte Begriffe im Radar
Zurück zum KI-Such-RadarZuletzt aktualisiert: 08.11.2026 · Autor: Stephan Zabel
