Reasoning Modelle 

Begriff / Use Case – worum geht es eigentlich?

Reasoning-Modelle sind spezialisierte KI-Modelle, die darauf trainiert wurden, eine Anfrage in mehreren Schritten zu bearbeiten, Informationen zu verknüpfen und logisch konsistente Antworten zu geben. Im Unterschied zu reinen Textgeneratoren wie GPT-5 ohne spezielle Feinjustierung geht es hier nicht nur um sprachliche Kohärenz, sondern um inhaltliche Folgerichtigkeit.

Typischer Use Case:
 Studierende bereiten ein Referat vor, in dem ein komplexer Zusammenhang aus ihrem Fachgebiet erklärt wird, z. B. eine ethische Dilemma-Situation, eine juristische Fallanalyse oder ein mehrschrittiges Argument aus den Wirtschaftswissenschaften. Reasoning-Modelle helfen dabei, die Argumentation nachvollziehbar aufzuschlüsseln – und dies auch mit Alternativen, Einwänden oder logischer Kritik.

Funktionsweise und Hintergrundinfos – was sollte man wissen?

Während viele Large Language Models (LLMs) auf möglichst wahrscheinliche Antworten optimiert sind, zielen Reasoning-Modelle auf plausible, logisch schlüssige Antworten. Sie wurden entweder speziell trainiert (z. B. durch sogenanntes chain-of-thought prompting, bei dem man das Sprachmodell auffordert, bei der Lösung einer Aufgabe Schritt für Schritt vorzugehen) oder mit Zusatzarchitekturen versehen, die logische Zwischenschritte berücksichtigen. Reasoning-Modelle sind langsamer als ‚klassische‘ LLMs, erzeugen dafür klarere Argumentationslinien.

Beispiel/Anwendung/Lösung: Wie geht es denn?

Beispiel mit o4-mini (OpenAI)

Während der Erzeugung einer Antwort werden die ‚Denkschritte‘ für uns Nutzende angezeigt, etwa bei folgendem Beispiel:

Der Text unter „Mechanismus der CO2-Erwärmung ist noch nicht die finale Antwort, sondern ein Zwischenschritt auf dem Weg dorthin.

Beispiel mit Gemini 2.5 Pro (Google)

Fallstricke – was sollte ich als Lehrperson beachten bzw. meinen Studierenden mitgeben?

Immer wieder liest man, dass Reasoning Modelle erst ‚denken‘ würden, ehe sie eine Antwort geben. OpenAI selbst etwa trägt zu dieser ‚Sprechweise‘ bei, da zu Beginn einer Antwort eines Reasoning-Modells immer die Angabe steht: „Nachgedacht für x Minuten“. Diese Anthropomorphisierung ist jedoch durchaus kritisch zu sehen, da nur wir Menschen, nicht aber Maschinen denken können.

• Klingt klug, ist aber falsch?
   Auch Reasoning-Modelle halluzinieren. Gute Argumentationsstruktur heißt nicht automatisch, dass die Antwort richtig oder (korrekt) begründet ist.

• Teilweise andere Prompts als bei ‚klassischen‘ LLMs:
   Sieht man sich Prompting-Regeln für klassische LLMs an, wird dort teilweise angegeben, man sollte dem Sprachmodell Beispiele geben oder es auffordern, bei der Beantwortung einer Frage Schritt für Schritt vorzugehen. Beides ist bei Reasoning-Modellen nicht nötig oder sogar kontraproduktiv.

• Keine Denkautomatisierung:
   Die Tools sollen keine Ersatz-Denker sein, sondern Anregungen bieten. Gerade bei Dilemmas oder offenen Fragen brauchen Studierende Raum zur eigenen Positionierung – was durch die scheinbar ‚wohlgefeilten‘ Argumente der Reasoning Modelle immer schwieriger wird.

Was könnte danach der nächste kleine Schritt sein?

• Welche Inhalte aus meiner Lehre eignen sich, um KI-gestützte Argumentationsprozesse exemplarisch durchzuspielen, z. B. anhand eines ethischen Dilemmas oder eines konkreten Falls?

• Welche Unterschiede erkenne ich zwischen der Argumentation eines Reasoning Modells und dem, was ich von meinen Studierenden erwarte – und wie mache ich diese Unterschiede für meine Studierenden transparent?