Reasoning-Modelle: Wie viel Denkaufwand lohnt sich?

Reasoning-Modelle lohnen sich, wenn eine falsche Schlussfolgerung teurer ist als das Warten auf eine bessere Antwort. Als Ausgangspunkt dient die dokumentierte Standardeinstellung. Für Routineaufgaben lässt sich der Denkaufwand senken, für schwierige Entscheidungen erhöhen: Bei GPT-6.1 Sol, Claude Opus 5.5 und Gemini 4 Argon ist jeweils medium voreingestellt.

Die folgenden Einstellungen wurden am 31. Oktober 2026 anhand der aktuellen Herstellerdokumentation geprüft. Entscheidend ist die Trennung zwischen der Wahl des Modells, dem angeforderten Denkaufwand und der erlaubten Ausgabemenge. Das sind eigenständige Entscheidungen.

Was sind Reasoning-Modelle?

Reasoning-Modelle, im Englischen „Reasoning Models“, erzeugen zusätzliche Tokens, um ein Problem zu durchdenken, bevor sie eine Antwort ausgeben. Es handelt sich weiterhin um große Sprachmodelle, kurz LLMs. Sie verarbeiten und erzeugen Tokens: kleine Einheiten von Text und anderen Modelldaten. Die zusätzlichen Denkschritte können helfen, Alternativen abzuwägen, Abläufe zu planen und Probleme zu lösen, deren einzelne Schritte voneinander abhängen. OpenAIs Reasoning-Leitfaden bezeichnet diese interne Arbeit als Reasoning-Tokens.

Als Bild hilft ein Kartograf, der eine Route plant. Bei einer einfachen Strecke genügt eine kurze Wegbeschreibung. Eine schwierige Strecke erfordert Vorarbeit: Übergänge prüfen, gesperrte Wege ausschließen und die Route überdenken. Am Ende erhält der Kunde womöglich trotzdem nur eine knappe Anweisung. Der Aufwand dahinter ist ein anderer.

Für Gründer liegt hier der Unterschied zwischen dem Umformulieren einer Kunden-E-Mail und der Planung einer Datenbankmigration, bei der Bestandskunden den Dienst weiter nutzen können. Beide Aufgaben liefern Text. Doch nur die zweite verlangt anhaltendes Schlussfolgern über Bedingungen, die sich gegenseitig beeinflussen.

Große Reasoning-Modelle: Leistungsfähigkeit und Denkaufwand trennen

Ein größeres oder leistungsfähigeres Modell zu wählen ist etwas anderes, als den Denkaufwand zu erhöhen. Mit dem Modell wechselt das System, das die Aufgabe bearbeitet. Eine höhere Aufwandsstufe fordert dagegen vom gewählten Modell mehr Arbeit an derselben Anfrage. Fehlende Informationen über das Unternehmen ersetzt beides nicht.

Beim Testen der Aufwandsstufen sollte das Modell gleich bleiben. Sonst lässt sich nicht erkennen, ob eine Verbesserung vom Modell, von der Einstellung oder von beidem stammt. Die Grundlagen erklärt der Beitrag Was sind Tokens in der KI?.

Wie funktioniert KI-Reasoning?

Beim Denken erzeugt das Modell Tokens, die in der fertigen Antwort möglicherweise nie erscheinen. Das kann vor der Antwort geschehen, aber auch zwischen Tool-Aufrufen: Das Modell wertet dann ein Tool-Ergebnis aus, um den nächsten Schritt festzulegen. Anthropic beschreibt diese Abläufe in seinem Thinking-Leitfaden als vorgelagertes und eingeschobenes Denken.

OpenAI, Anthropic und Google bei Gemini 4 Argon rechnen Thinking-Tokens als Ausgabe ab. Das gilt auch für Denkschritte, die nicht sichtbar sind.

Aus der Länge einer Antwort lässt sich deshalb kaum auf den geleisteten Aufwand schließen. Hinter einer knappen Empfehlung kann umfangreiches Reasoning stecken. Eine höhere Aufwandsstufe kostet in der Regel zusätzliche Zeit und erzeugte Tokens, mit der Aussicht auf ein besseres Ergebnis. Eine feste Wartezeit oder Tokenanzahl ist damit nicht zugesichert.

Eine feste Ausgabeobergrenze steuert etwas anderes. max_output_tokens bei OpenAI, max_tokens bei Claude und max_output_tokens bei Gemini umfassen sowohl die Denkschritte als auch die Antwort. OpenAI und Google weisen ausdrücklich darauf hin: Wird das Kontingent bereits beim Reasoning aufgebraucht, kann die Anfrage unvollständig enden, ohne eine sichtbare Antwort zu liefern. OpenAI-Ausgabelimits, Claude-Thinking, Gemini-Tokenlimits.

Welche Einstellungen bieten aktuelle Reasoning-Modelle?

Die aktuellen APIs verwenden unterschiedliche Skalen. Auch die Möglichkeiten, das Denken abzuschalten, unterscheiden sich. Maßgeblich sind die Feldnamen des tatsächlich verwendeten Endpunkts.

Die Tabelle vergleicht die Kompatibilität der Einstellungen, nicht die Qualität der Modelle. Derselbe Begriff in verschiedenen Zeilen steht nicht für dieselbe Menge an Rechenarbeit.

OpenAI: Bei GPT-6.1 Sol ist Low die niedrigste Stufe

OpenAI GPT-6.1 Sol verwendet die Modell-ID gpt-6.1-sol. In einer Responses-Anfrage macht reasoning mit dem Wert {"effort":"medium"} die Standardeinstellung explizit. low ist die niedrigste unterstützte Stufe; none und minimal sind ungültig. Für Tool-Aufrufe ist die Responses API erforderlich. Dokumentation zu GPT-6.1 Sol.

Im aktuellen Modellkatalog führt OpenAI außerdem GPT-6 Astra, GPT-6.1 Terra und GPT-6 Luna mit Reasoning-Einstellungen. Terra und Luna bieten neben low, medium, high, xhigh und max auch none; bei Astra beginnt die Skala mit low. Soll das Reasoning vollständig entfallen, kann das daher die Modellwahl verändern. OpenAI-Modellkatalog.

Für die Entwicklung empfiehlt sich ein Test mit low an einer klar abgegrenzten Codeänderung. Mehr Aufwand ist sinnvoll, wenn Wechselwirkungen im gesamten System nachvollzogen werden müssen. Die Vorgaben sollten benennen, welche Bedingungen erhalten bleiben müssen und wie das Ergebnis zu prüfen ist. OpenAI empfiehlt klare Anweisungen und Einschränkungen, statt eine ausgeschriebene Gedankenkette zu verlangen. Empfehlungen für Reasoning-Prompts.

Der Einrichtungsleitfaden zu GPT-6.1 Sol behandelt den zugehörigen Agenten-Workflow. Für die Bedienung in der Anwendung gibt es den separaten Leitfaden zum Reasoning-Regler in ChatGPT.

Anthropic: Bei Claude Opus 5.5 lässt sich das Denken nicht abschalten

Anthropic Claude Opus 5.5 verwendet die Modell-ID claude-opus-5-5. Ob thinking fehlt oder thinking: {"type":"adaptive"} gesendet wird: In beiden Fällen arbeitet das Modell mit seinem stets aktiven adaptiven Denkmodus. output_config: {"effort":"medium"} setzt den Standardaufwand. thinking: {"type":"disabled"} oder eine manuelle Konfiguration mit budget_tokens führt zu einem 400-Fehler. API-Änderungen bei Opus 5.5.

Der Effort-Parameter von Claude beeinflusst die gesamte Antwort, einschließlich Erklärungen und Tool-Aufrufen. Er ist also mehr als ein Budget für verborgene Tokens. Eine niedrigere Stufe kann sowohl die Denkzeit als auch die Gründlichkeit verändern, mit der ein Agent seine Tools nutzt. Anthropics Dokumentation zum Effort-Parameter.

Zu den aktuell hervorgehobenen Modellen gehören außerdem Claude Fable 5.1, Claude Sonnet 5.5 und Claude Haiku 5.5, die alle Denken unterstützen. Die Abschaltmöglichkeiten unterscheiden sich: Sonnet akzeptiert thinking: {"type":"between_tools"} bei low, medium oder high, um vorgelagertes Denken auszulassen. Haiku akzeptiert auf diesen Stufen disabled. Eine Opus-Konfiguration sollte deshalb nicht ungeprüft auf andere Modelle der Familie übertragen werden. Aktuelle Claude-Modelle, Konfigurationen für den Denkmodus.

Bei einem unbeaufsichtigt laufenden Agenten muss geprüft werden, ob er mit weniger Aufwand weiterhin alle erforderlichen Kontrollen durchführt. Der Leitfaden zu Opus 5.5 für Agenten und Coding vertieft diese Entscheidung für den Einsatz.

Google: Gemini 4 Argon arbeitet mit Stufen statt manuellem Denkbudget

Google Gemini 4 Argon verwendet die Modell-ID gemini-4-argon. Die aktuelle Interactions API von Google erwartet generation_config: {"thinking_level":"medium"}. Unterstützt werden low, medium und high; medium ist der Standard. Leitfaden zu Gemini 4 Argon.

Bei Anwendungen, die noch generateContent verwenden, heißt das REST-Feld generationConfig.thinkingConfig.thinkingLevel; das Python-SDK verwendet thinking_config mit thinking_level. Das alte Feld thinkingBudget ist bei Argon veraltet. Wird es allein übergeben, ordnet die API den Wert einer Stufe zu und gibt eine Warnung aus. Zusammen mit thinkingLevel führt es dagegen zu einem 400-Fehler. minimal wird nicht unterstützt. Googles Thinking-Referenz für generateContent.

Google führt derzeit auch Gemini 3.8 Flash, Gemini 3.6 Flash und Gemini 3.5 Flash-Lite mit Unterstützung für Denken. Ihre Standardwerte und zulässigen Stufen unterscheiden sich. „Flash“ bedeutet daher nicht „ohne Reasoning“. Gemini-Modellkatalog, Übersicht der Denkstufen.

Wer als Gründer Argon bewertet, sollte mit einer repräsentativen Aufgabe beginnen und die Antwort prüfen, bevor die Stufe erhöht wird. Der Erklärartikel zu Gemini 4 Argon behandelt die weitergehende Frage, wann sich der Einsatz lohnt.

DeepSeek: Alias und Zuordnung der Aufwandsstufen prüfen

DeepSeek stellt derzeit DeepSeek-V4.1-Flash-1017 unter deepseek-flash und DeepSeek-V4-Pro-0813 unter deepseek-v4-pro bereit. Beide unterstützen Modi mit und ohne Denken. Das sind die aktuellen Modellversionen auf der Modellseite des Herstellers.

In Chat Completions akzeptiert reasoning_effort die Werte none, low, high oder max. Fehlen beide Steuerungsparameter, ist das Denken mit high aktiviert. Ein explizites thinking: {"type":"enabled"} oder thinking: {"type":"disabled"} hat beim Ein- und Ausschalten Vorrang vor dem Effort-Feld. Kompatibilitätswerte werden umgewandelt: Aus minimal wird low, aus medium und xhigh jeweils high. DeepSeek-Referenz für Chat Completions.

Diese Zuordnung ist wichtig, wenn ein Gateway für alle Anbieter dasselbe Auswahlmenü zeigt. Die Auswahl von medium erzeugt bei DeepSeek keine eigene mittlere Stufe. Bei der Tool-Nutzung muss außerdem das zurückgegebene reasoning_content wie dokumentiert beibehalten werden. Fehlt es in nachfolgenden Anfragen mit Tool-Unterstützung, kann ein 400-Fehler entstehen. DeepSeeks Thinking-Leitfaden.

Der Leitfaden zur DeepSeek-V4-Familie behandelt die Modellwahl. Bei der Integration steht hier zunächst eine andere Prüfung an: Führt die gesendete Einstellung tatsächlich zum gewünschten Modus?

Modelle mit oder ohne Reasoning: Die Aufgabe entscheidet

Mehr Denkaufwand ist angebracht, wenn Bedingungen ineinandergreifen, alternative Lösungswege abzuwägen sind oder Denkfehler teuer werden. Weniger genügt, wenn die gewünschte Umformung klar und das Ergebnis leicht überprüfbar ist. Fehlen wesentliche Belege, sollten diese vor einer Erhöhung des Aufwands bereitgestellt werden.

Für Gründer mit gesicherter Finanzierung: Für das Extrahieren vereinbarter Aufgaben aus einem vorliegenden Besprechungsprotokoll kommt eine niedrigere Aufwandsstufe infrage. Ein Konflikt in der Produktplanung zwischen vertraglichen Pflichten, Personal und verfügbaren Finanzmitteln rechtfertigt mehr Aufwand. Dafür müssen die tatsächlichen Rahmenbedingungen vorliegen; die angeforderte Empfehlung sollte Annahmen und offene Fragen benennen. Das Ziel ist eine bessere Entscheidung, nicht ein längeres Memo.

Für CTOs im Mittelstand und erfahrene operative Führungskräfte: Die routinemäßige Zuordnung von Supportanfragen sollte von der Bearbeitung von Ausnahmefällen getrennt werden. Ein Ticket mit eindeutiger Kategorie braucht nicht automatisch denselben Denkaufwand wie ein unklarer Fall mit mehreren widersprüchlichen Richtlinien. Der Umgang mit Ausnahmen muss sorgfältig geprüft werden; Berechtigungsprüfungen gehören weiterhin in die Anwendung. Eine hohe Aufwandsstufe berechtigt nicht dazu, eine Erstattung auszulösen oder ein Konto zu ändern.

Für allein arbeitende Entwickler: Sinnvoll ist die niedrigste Stufe, die eine lokale, klar beschriebene Änderung zuverlässig erledigt. Bei einem sporadischen Fehler über mehrere Dienste hinweg kann mehr Aufwand nötig sein, damit das Modell konkurrierende Erklärungen auseinanderhält. Wenn möglich, sollten Logs und ein fehlschlagender Test mitgeliefert werden. Kann das Modell den Fehler nicht erkennen, macht zusätzliches Denken womöglich nur eine Vermutung ausführlicher.

Wer noch abwarten sollte: Teams ohne klare Definition eines korrekten Ergebnisses sollten diese zuerst festlegen, bevor sie höheren Denkaufwand zum Produktionsstandard machen. Erfüllt ein bestehender Workflow mit kurzer Antwortzeit bereits seine Prüfkriterien, kann er bestehen bleiben. Ausnahmefälle lassen sich separat bewerten.

Was wird beim KI-Denken überschätzt?

Mehr Denken garantiert keine richtige Antwort und ersetzt keine Quelle, die dem Modell nicht vorliegt. Auch aus einer falschen Annahme kann das Modell eine ausführliche Begründung entwickeln. Belege, Berechnungen oder das entstandene Arbeitsergebnis müssen unabhängig geprüft werden.

Auch eine sichtbare Zusammenfassung der Denkschritte ist kein vollständiges Prüfprotokoll. Anthropic beschreibt die angezeigten Gedanken ausdrücklich als Zusammenfassung, nicht als rohe Reasoning-Ausgabe. Google stellt über seine API Zusammenfassungen der Denkschritte und Signaturen bereit. Entscheidend sind die fertige Antwort und überprüfbare Handlungen, nicht der Eindruck besonders ausgefeilter Gedankengänge. Thinking-Ausgabe bei Claude, Thinking-Ausgabe bei Gemini.

Schließlich ist high keine anbieterübergreifend vergleichbare Leistungsstufe. Die Tabelle zeigt unterschiedliche Skalen, Standardwerte und Einschränkungen; DeepSeek ordnet mehrere Bezeichnungen ausdrücklich anderen Werten zu. Gleiche Stufennamen belegen bei einem Anbietervergleich nicht, dass die Modelle gleich viel Zeit oder Rechenleistung eingesetzt haben.

Eine knappe Antwort anzufordern bleibt sinnvoll: Die Vorgabe begrenzt das gewünschte Ergebnis. Sie schaltet jedoch nicht die Arbeit ab, die diesem Ergebnis vorausgeht.

Die besten Reasoning-Modelle: Die niedrigste ausreichende Stufe finden

Die beste Einstellung ist die günstigste, die innerhalb der vertretbaren Wartezeit zuverlässig ein akzeptables Ergebnis liefert. Modelle sollten mit derselben Aufgabe und denselben Belegen verglichen werden. Anschließend lässt sich der Denkaufwand je Modell abstimmen. Der übergreifende Vergleich aktueller KI-Modelle hilft bei der Modellwahl; die konkrete Aufgabe entscheidet über die Einstellung.

1. 1

   Festlegen, wann die Aufgabe bestanden ist

   Eine wiederkehrende Aufgabe mit überprüfbarem Ergebnis wählen: Eine Codeänderung besteht ihre Regressionstests, eine Extraktion stimmt mit den bereitgestellten Unterlagen überein oder eine Empfehlung hält sämtliche genannten Bedingungen ein. Schwierige Beispiele gehören dazu, nicht nur der einfachste Erfolgsfall.

2. 2

   Aufwandsstufen bei gleichen Bedingungen vergleichen

   Prompt, Belege, Tools und Ausgabekontingent unverändert lassen. Den dokumentierten Standard mit der nächstniedrigeren und nächsthöheren unterstützten Stufe vergleichen. Bei folgenreichen Aufgaben sollten Fälle wiederholt werden, damit kein Zufallstreffer über die Konfiguration entscheidet.

3. 3

   Die vollständig erledigte Aufgabe messen

   Erfolg, gesamte Bearbeitungszeit, erzeugte Tokens sowie Wiederholungsversuche und manuelle Korrekturen erfassen. OpenAI liefert usage.output_tokens_details.reasoning_tokens; Gemini Interactions liefert usage.total_thought_tokens. Die Verbrauchsfelder sind nach den Regeln der jeweiligen API auszuwerten, statt für alle Anbieter dieselbe Zählweise vorauszusetzen. Verbrauchsangaben bei OpenAI, Verbrauchsangaben bei Gemini.

4. 4

   Gezielt auf höhere Stufen wechseln

   Die niedrigste Stufe beibehalten, die die Prüfung besteht. Bekannte schwierige Fälle mit höherem Aufwand bearbeiten und Fehlschläge vor einem neuen Versuch prüfen: Bei fehlenden Belegen braucht es Belege; bei schwierigen Schlussfolgerungen kann mehr Denkaufwand helfen. Dass ein komplexes Beispiel besser ausfiel, rechtfertigt keine höhere Stufe für jede Anfrage.

Der nächste Schritt für Montag: Einen wiederkehrenden Workflow auswählen, der bisher mit einer einzigen Aufwandsstufe läuft. Dafür ein Abnahmekriterium festlegen und die Einstellungen an gespeicherten Beispielen vergleichen. Der Standard sollte sich erst ändern, wenn die vollständigen Ergebnisse das rechtfertigen. Verbessert sich nichts, bleibt es bei der einfacheren Konfiguration.

Häufige Fragen

Welche 7 Arten des Schlussfolgerns gibt es?

Diese Frage betrifft Einteilungen des Schlussfolgerns, etwa Deduktion und Induktion. Mit der Modellkonfiguration hat das nichts zu tun: Die großen APIs teilen keine allgemeingültige Skala mit sieben Reasoning-Stufen. Entscheidend sind die unterstützten Einstellungen des jeweiligen Modells und Endpunkts.

Wie funktioniert Schlussfolgern bei KI?

Ein Reasoning-Modell erzeugt vor der Antwort interne Denkschritte, um ein Problem zu bearbeiten. Zwischen Tool-Aufrufen kann es weiterdenken. Diese zusätzliche Arbeit kann bei schwierigen Aufgaben das Ergebnis verbessern, erzeugt aber mehr Tokens und verlängert die Wartezeit.

Welche sind die 5 wichtigsten KI-Modelle?

Eine verbindliche Auswahl von fünf Modellen gibt es nicht. Fünf aktuelle Beispiele aus diesem Artikel sind GPT-6.1 Sol, Claude Opus 5.5, Gemini 4 Argon, DeepSeek-V4.1-Flash-1017 und DeepSeek-V4-Pro-0813. Die Hersteller dokumentieren unterschiedliche Einstellungen. Die Auswahl sollte sich deshalb nach der Aufgabe richten, nicht nach einer bestimmten Anzahl.

Welches GPT eignet sich am besten für Reasoning?

OpenAI positioniert GPT-6 Astra als sein leistungsfähigstes Modell und GPT-6.1 Sol als Kompromiss zwischen Leistungsfähigkeit und Kosten. Das ist die Einordnung des Herstellers, keine Zusicherung für die konkrete Aufgabe. Ergebnisse und Aufwandsstufen sollten anhand der eigenen Abnahmekriterien verglichen werden. OpenAI-Modellkatalog.

Welches KI-Modell ist am besten für Reasoning?

Dieser Leitfaden ermittelt keinen Sieger, der unabhängig vom Einsatzzweck gilt. Aktuelle Kandidaten sollten mit denselben Belegen, Prüfkriterien und Anforderungen an die vollständige Erledigung verglichen werden. Zeit, Wiederholungsversuche und erzeugte Tokens gehören in die Entscheidung.

Welche KI kann gut logisch schlussfolgern?

Die aktuellen Reasoning-Modelle von OpenAI, Claude, Gemini und DeepSeek kommen dafür infrage. Bei Aufgaben mit hohen logischen Anforderungen sollten die Bedingungen ausdrücklich genannt und die Schlussfolgerung möglichst durch eine unabhängige Berechnung, einen Test oder eine Quelle überprüft werden.

Ist ChatGPT ein Reasoning-Modell?

ChatGPT ist die Anwendung. Reasoning ist eine Fähigkeit des darin verwendeten Modells und seiner Konfiguration. Die Denkeinstellungen der App und die Effort-Felder einer API sind unterschiedliche Bedienoberflächen. Für den Ablauf in der App hilft der oben verlinkte Leitfaden zum Reasoning-Regler.

Der Newsletter liefert praktische Orientierung zur Auswahl und zum Einsatz von KI-Tools.