Reasoning-Modelle verstehen und einsetzen

Reasoning-Modelle denken nach, bevor sie antworten: Sie zerlegen komplexe Aufgaben intern in Zwischenschritte und liefern dadurch deutlich zuverlässigere Ergebnisse bei Logik, Planung und Analyse. In diesem Artikel lernen Sie, wann sich ein Reasoning-Modell lohnt, wie Sie in hermine.ai den Denkmodus und die Denkdauer einstellen und wie Sie für diese Modelle richtig prompten.

Was unterscheidet Reasoning- und Standard-Modelle?

Merksatz: Thinking-Modelle denken, Instant-Modelle liefern. Oft plant das Reasoning-Modell den Lösungsweg und ein Instant-Modell führt Teilaufgaben aus.

Reasoning-Modelle in hermine.ai

Diese Modelle unterstützen aktuell den Denkmodus:

• GPT 5.5 Thinking, GPT 5.4 Thinking, GPT 5.2 Thinking, GPT 5.1 Thinking
• o3 und o4-mini (OpenAI Reasoning-Modelle)
• Claude Opus 4.8, Claude Opus 4.7, Claude Opus 4.6 und Claude Sonnet 4.6
• Qwen 3.5 (Open-Source)

Sie erkennen Reasoning-fähige Modelle in der Modellauswahl am Badge Denkmodus. Einen Überblick über alle Modelle finden Sie unter Das richtige Modell wählen.

Denkmodus einstellen (Schritt für Schritt)

1. Wählen Sie über die Modell-Schaltfläche über dem Eingabefeld ein Modell mit dem Badge Denkmodus (z. B. GPT 5.4 Thinking).
2. Klicken Sie auf die Stoppuhr-Schaltfläche Denkmodus neben dem Eingabefeld. Sie ist nur sichtbar, wenn ein Reasoning-Modell aktiv ist.
3. Wählen Sie unter Denkdauer eine der drei Stufen:

1. Die Stoppuhr-Schaltfläche Denkmodus: nur bei Reasoning-Modellen sichtbar.
2. Unter der Überschrift Denkdauer wählen Sie die Denkstufe aus.
3. Die Option Umfassend lässt das Modell für komplexe Fragen länger nachdenken.

Entscheidungshilfe

• Geschwindigkeit & Budget stehen im Vordergrund? → Instant-Modell.
• Aufgabe ist klar umrissen? → Instant-Modell.
• Hohe Genauigkeit nötig? → Thinking-Modell oder o3.
• Mehrstufiges Problem, viele Unbekannte? → Thinking-Modell mit Denkdauer Umfassend.

Die meisten Workflows mischen beides: Planer (Thinking) + Ausführer (Instant).

Typische Einsatzmuster für Reasoning-Modelle

Ambigue Fragen klären

Reasoning-Modelle stellen zuerst Rückfragen, statt zu raten. Bitten Sie etwa um „eine Urlaubsvertretungsregelung für unser Team", fragt ein gutes Reasoning-Modell nach Teamgröße, Kernzeiten und kritischen Aufgaben, bevor es einen Vorschlag macht.

„Nadel im Heuhaufen" finden

Geben Sie hunderte Seiten unstrukturierten Text, Reasoning-Modelle filtern die relevanten Absätze heraus. Beispiel aus der Verwaltung: „Finden Sie alle Kündigungsfristen und Sonderkündigungsrechte in diesem 300-seitigen Rahmenvertrag."

Versteckte Beziehungen erkennen

Bei Finanzberichten mit Querverweisen über viele Dokumente hinweg ziehen Reasoning-Modelle Schlussfolgerungen, die nicht wörtlich in einem einzelnen Dokument stehen.

Agentic Planning

Ein Reasoning-Modell zerlegt eine Kundenanfrage in zehn Teilschritte, wählt je Schritt das passende Instant-Modell, sammelt Resultate und liefert den finalen Report.

Visuelle Logik

Modelle mit Bildinput wie o4-mini erkennen Tabellenstrukturen in unscharfen PDF-Scans oder leiten Materiallisten aus Bauplänen ab.

Code-Reviews

Große Pull Requests lassen sich von Reasoning-Modellen gründlich analysieren, Diff-Zeilen über mehrere Dateien hinweg werden konsistent bewertet.

LLM als Richter

In Evaluations-Pipelines beurteilt ein Reasoning-Modell die Qualität anderer Modellantworten deutlich konsistenter als Schnellmodelle.

Effektive Prompts für Reasoning-Modelle

1. Kurz & klar formulieren
   Reasoning-Modelle kommen ohne „step-by-step"-Aufforderung aus, sie denken intern.
2. Zero-Shot zuerst
   Häufig genügt ein einziger, sauberer Prompt.
3. Delimiter verwenden
   Trenner wie ---, XML-Tags oder Überschriften helfen, Kontextabschnitte zu isolieren.
4. Konkrete Zielkriterien angeben
   „Lösung muss Budget < 500 € berücksichtigen."
5. Wenig Beispiele, wenn überhaupt
   Nur bei sehr spezifischen Ausgabeformaten sollten Sie wenige prägnante Beispiele anfügen.

Hinweis: Der früher empfohlene Zusatz „Formatting re-enabled" für Markdown-Ausgaben ist in hermine.ai nicht nötig. Die Plattform ergänzt ihn bei den betreffenden Modellen automatisch im System-Prompt.

Beispiel-Workflow: Retourenentscheidung

1. GPT 5.4-mini extrahiert Kunden- und Bestelldaten aus einer E-Mail.
2. GPT 5.4 Instant erkennt potenzielle Rücksendegründe und die zutreffende Richtlinie.
3. GPT 5.4 Thinking oder o3 beurteilt anhand der Richtlinie, ob die Retoure zulässig ist, und gibt eine strukturierte Entscheidung (genehmigt | abgelehnt | Rückfrage).
4. GPT 5.4 Instant formuliert die Antwort-E-Mail an den Kunden.

Diese Aufteilung spart Tokens und Laufzeit, behält aber höchste Genauigkeit beim kritischen Entscheidungsschritt.

Verwandt: Deep Research

Für mehrstufige Web-Recherchen bietet hermine.ai zusätzlich Deep Research: Aktivieren Sie den Schalter Deep Research im Chat (ohne ausgewählten Agenten), führt die KI eine umfangreiche Recherche mit Web-Suche und Analyse durch. Das kann mehrere Minuten dauern. Details finden Sie unter Deep Research.

Fazit

Reasoning-Modelle sind Ihre Spezialisten für tiefes Denken, Instant-Modelle Ihre Allround-Automaten. Kombiniert eingesetzt lösen sie komplexe Workflows präzise und effizient. Probieren Sie zuerst einen klaren Zero-Shot-Prompt mit einem Thinking-Modell und erweitern Sie nur, wenn nötig. So halten Sie Kosten niedrig und Qualität hoch.

Tipp: Starten Sie mit der Denkdauer Standard. Wechseln Sie erst auf Umfassend, wenn die Antwort erkennbar zu oberflächlich ausfällt, denn längeres Denken kostet Zeit und Tokens.