Ein Sprachmodell, das eine mehrstufige Rechen- oder Logikaufgabe direkt mit einer Zahl beantwortet, liegt überraschend oft daneben. Dasselbe Modell, das man bittet, zuerst laut zu denken und Schritt für Schritt vorzugehen, kommt deutlich häufiger zum richtigen Ergebnis. Dieses Phänomen heißt Chain-of-Thought, kurz CoT, und gehört zu den meistuntersuchten Techniken im Prompt-Engineering. Es ist verblüffend einfach und gleichzeitig erstaunlich wirkungsvoll.
Warum schrittweises Denken überhaupt hilft
Sprachmodelle erzeugen Text Wort für Wort und haben keinen versteckten Notizblock, auf dem sie nebenher rechnen. Was sie nicht ausschreiben, können sie auch nicht zuverlässig im Kopf behalten. Wenn man ein Modell zwingt, eine Aufgabe sofort zu beantworten, muss die gesamte Schlussfolgerung in einem einzigen Schritt passieren – das überfordert es bei komplexen Aufgaben. Lässt man es dagegen die Zwischenschritte ausformulieren, werden diese Schritte selbst Teil des Kontexts, auf dem die nächste Überlegung aufbaut.
Man kann sich das wie Kopfrechnen gegenüber dem schriftlichen Rechnen auf Papier vorstellen. Eine zwölfstellige Multiplikation im Kopf scheitert fast immer, schriftlich gelingt sie zuverlässig. Der ausgeschriebene Gedankengang ist das Papier des Modells.
Die einfachste Variante: "Denke Schritt für Schritt"
Der berühmteste CoT-Auslöser ist der schlichte Zusatz "Lass uns das Schritt für Schritt durchdenken." Allein dieser Satz verändert das Verhalten vieler Modelle messbar. Bei Textaufgaben, Logikrätseln und mehrstufigen Berechnungen steigt die Trefferquote oft deutlich. Die Variante kostet dich keinen Aufwand: ein Satz, angehängt an deine Frage.
Eine strukturiertere Form gibt die Schritte vor: "Identifiziere zuerst die gegebenen Werte, formuliere dann die passende Formel, setze ein und berechne zuletzt das Ergebnis." Diese geführte Variante eignet sich besonders, wenn du den Lösungsweg kontrollieren willst, etwa bei Finanz- oder Energieberechnungen, bei denen ein nachvollziehbarer Rechenweg wichtig ist.
Few-Shot trifft Chain-of-Thought
Die wirksamste klassische Variante kombiniert CoT mit Beispielen. Statt nur die Lösung zu zeigen, demonstrierst du in zwei, drei Beispielen den vollständigen Denkweg inklusive Zwischenschritten. Das Modell ahmt nicht nur das Ergebnisformat nach, sondern den gesamten Lösungsprozess. Diese Methode war jahrelang der Goldstandard für anspruchsvolle Aufgaben und ist es bei vielen Standardmodellen bis heute.
Reasoning-Modelle verändern die Lage
Seit 2024 und verstärkt 2025 und 2026 gibt es eine eigene Klasse sogenannter Reasoning-Modelle, die intern bereits einen ausführlichen Gedankengang erzeugen, bevor sie antworten. Bei diesen Modellen musst du Chain-of-Thought oft gar nicht mehr explizit anstoßen – sie tun es von selbst. Das hat zwei Konsequenzen: Erstens werden die alten CoT-Tricks bei dieser Modellklasse teils überflüssig. Zweitens kostet das interne Nachdenken zusätzliche Tokens und Zeit, was sich auf Preis und Antwortgeschwindigkeit auswirkt.
Für die Praxis bedeutet das: Prüfe, mit welchem Modelltyp du arbeitest. Bei klassischen, schnellen Modellen lohnt sich expliziter CoT. Bei Reasoning-Modellen solltest du eher steuern, wie viel Denkaufwand angemessen ist, statt zusätzliches Nachdenken zu erzwingen. Wer die Kosten dieses Mehraufwands überschlagen will, kann sie mit dem LLM-API-Kosten-Rechner grob kalkulieren, weil längere Antworten mehr Output-Tokens bedeuten.
Wann sich Chain-of-Thought lohnt
- Mehrstufige Berechnungen: Alles, was mehrere Rechenschritte oder Umformungen braucht.
- Logik und Schlussfolgerungen: Wenn aus mehreren Bedingungen ein Ergebnis abgeleitet werden muss.
- Entscheidungen mit Begründung: Wenn du nicht nur eine Empfehlung, sondern auch den Weg dahin sehen willst.
- Fehlersuche: Beim Debuggen von Code oder Argumentationsketten macht der ausgeschriebene Gedankengang Lücken sichtbar.
Bei einfachen Faktenfragen, kurzen Umformulierungen oder Klassifizierungen bringt CoT dagegen wenig und bläht die Antwort nur auf. Hier ist eine direkte Antwort effizienter.
Den Denkweg verbergen oder zeigen
Manchmal willst du den Vorteil des schrittweisen Denkens nutzen, aber nur das Endergebnis sehen. Eine bewährte Lösung: Bitte das Modell, intern Schritt für Schritt vorzugehen, am Ende aber nur die finale Antwort in einem klar markierten Block auszugeben. So profitierst du von der höheren Genauigkeit, ohne deine Anwendung mit Zwischenschritten zu fluten. In API-Anwendungen lässt sich der Denkteil dann programmatisch abschneiden.
Grenzen und ehrliche Einordnung
Chain-of-Thought verbessert die Trefferquote, garantiert aber keine Korrektheit. Ein Modell kann einen plausibel klingenden, aber falschen Gedankengang erzeugen und am Ende selbstbewusst eine falsche Zahl liefern. Der ausgeschriebene Weg macht solche Fehler immerhin überprüfbar – du siehst, wo es schiefgelaufen ist. Verlasse dich bei wichtigen Berechnungen nie blind auf das Ergebnis, sondern kontrolliere die Schritte. Weitere Prompt-Techniken stellen wir laufend im News-Bereich vor, passende Rechenhelfer findest du in den Webtools.
Selbstkonsistenz: mehrfach rechnen lassen
Eine Erweiterung von Chain-of-Thought ist die sogenannte Selbstkonsistenz. Statt einen einzigen Gedankengang zu erzeugen, lässt du das Modell dieselbe Aufgabe mehrfach unabhängig durchdenken – etwa drei- oder fünfmal mit etwas Variation. Anschließend nimmst du das Ergebnis, das am häufigsten auftaucht. Die Idee dahinter: Ein korrekter Lösungsweg führt meist zur selben Antwort, während falsche Wege in verschiedene Richtungen abdriften. Die Mehrheitsentscheidung filtert so viele Einzelfehler heraus.
Der Preis ist offensichtlich: Mehrere Durchläufe kosten ein Vielfaches an Tokens und Zeit. Für Routinefragen lohnt sich das nicht. Bei seltenen, aber wichtigen Berechnungen, bei denen ein Fehler teuer wäre, kann die zusätzliche Sicherheit den Aufwand jedoch rechtfertigen. Wäge ab, wie kritisch die Richtigkeit im konkreten Fall ist, bevor du die Methode einsetzt.
Häufige Fragen
Macht Chain-of-Thought die Antwort immer besser?
Nein. Bei komplexen, mehrstufigen Aufgaben ja, bei einfachen Fakten- oder Formatierungsaufgaben nicht. Dort verlängert es nur die Antwort, ohne die Qualität zu erhöhen.
Brauche ich CoT bei modernen Reasoning-Modellen noch?
Meist nicht explizit, weil diese Modelle intern bereits ausführlich nachdenken. Bei klassischen, schnellen Modellen ist expliziter CoT dagegen weiterhin sehr nützlich.
Erhöht schrittweises Denken die Kosten?
Ja, weil mehr Tokens erzeugt werden. Der ausgeschriebene Gedankengang zählt als Output und kann die Antwort deutlich verlängern. Bei Massenanwendungen ist das ein relevanter Kostenfaktor.
Kann ich den Denkweg verstecken?
Ja. Lass das Modell intern Schritt für Schritt arbeiten, aber nur die Endantwort ausgeben. So nutzt du den Genauigkeitsgewinn, ohne deine Oberfläche mit Zwischenschritten zu überladen.