Prompts für Reasoning-Modelle: Weniger vorschreiben, klarer zielen

Prompts für Reasoning-Modelle unterscheiden sich von klassischen Prompts. Diese Modelle denken vor der Antwort intern ausführlich nach, zerlegen Aufgaben selbst und prüfen Zwischenergebnisse. Viele bewährte Tricks wie „Denke Schritt für Schritt“ werden dadurch überflüssig. Wichtiger werden ein klares Ziel, vollständiger Kontext und eindeutige Erfolgskriterien.

Was Reasoning-Modelle anders machen

Ein klassisches Sprachmodell beginnt sofort mit der Antwort. Reasoning-Modelle erzeugen zuerst eine Denkphase, die je nach Anbieter ganz, teilweise oder gar nicht sichtbar ist. In dieser Phase planen sie, probieren Wege aus und verwerfen Fehler. Viele aktuelle Modelle bieten diesen Modus an, oft zuschaltbar oder mit einstellbarer Denktiefe. Welche Modelle das können, zeigt die Modellübersicht; Grundlagen erklärt der Ratgeber Reasoning-Modelle.

Was Sie weglassen können

• Denkanweisungen: „Denke Schritt für Schritt“ oder ausführliche Lösungswege. Das Modell plant selbst, und vorgegebene Wege können es sogar einschränken.
• Viele Beispiele: Few-Shot-Beispiele sind seltener nötig. Wenn, dann eher für das Ausgabeformat als für den Denkweg.
• Wiederholungen und Betonungen: Großbuchstaben und mehrfach wiederholte Regeln bringen wenig.

Was wichtiger wird

1. Das Ziel: Was soll am Ende herauskommen und wofür wird es gebraucht?
2. Der Kontext: alle relevanten Fakten, Dokumente und Randbedingungen. Das Modell kann gut denken, aber nicht wissen, was Sie ihm nicht sagen.
3. Erfolgskriterien: Woran erkennt man eine gute Lösung? Etwa „Kosten unter 10.000 Euro, umsetzbar ohne neue Software“.
4. Das Ausgabeformat: Nach langem Nachdenken neigen manche Modelle zu sehr ausführlichen Antworten. Vorgaben zu Länge und Struktur helfen.

Eine Vorlage

Ziel: Wir wollen die Lieferzeiten im Versand verkürzen.
Kontext: <daten>...Auswertung der letzten drei Monate...</daten>
Rahmen: kein zusätzliches Personal, Budget bis 5.000 Euro.
Eine gute Lösung ist innerhalb von zwei Monaten umsetzbar
und lässt sich mit den vorhandenen Daten messen.
Ausgabe: drei Maßnahmen, je mit Begründung (max. 3 Sätze),
erwarteter Wirkung und dem größten Risiko.

Wann sich ein Reasoning-Modell lohnt

Für Mathematik, Programmierung, komplexe Analysen, Planungen mit vielen Bedingungen und das Prüfen langer Dokumente sind Reasoning-Modelle meist deutlich stärker. Für einfache Texte, Übersetzungen oder kurze Fragen sind sie oft langsamer und teurer, ohne besser zu sein. Bei Bedarf hilft der Modell-Finder bei der Auswahl.

Kosten und Denktiefe steuern

Die Denkphase erzeugt Tokens, die über die API in der Regel wie Ausgabe-Tokens abgerechnet werden, auch wenn Sie sie nicht vollständig sehen. Bei schwierigen Aufgaben können das ein Vielfaches der eigentlichen Antwort sein. Viele APIs erlauben, die Denktiefe oder ein Budget für Denk-Tokens festzulegen. Was das kostet, berechnet der Reasoning-Kostenrechner. Zum Vergleich ein Ausschnitt aktueller Preise:

Listenpreise Stand 07.10.2026, umgerechnet zum EZB-Kurs vom 07.10.2026.

Testen Sie bei wiederkehrenden Aufgaben, ob eine geringere Denktiefe genügt. Oft ist das Ergebnis kaum schlechter, die Antwort aber schneller und günstiger. Ein Überblick über Techniken wie Self-Consistency, die bei Reasoning-Modellen weniger nötig sind, steht im Ratgeber Self-Consistency-Prompting.