Blog · Grundlagen
Chain-of-Thought Prompting: Wenn KI das Denken sichtbar macht
Sprachmodelle sind sehr gut darin, Antworten zu erfinden, die sich richtig anfühlen – auch wenn sie objektiv falsch sind.
Chain-of-Thought (CoT) versucht, das Problem anzugehen, indem Zwischenschritte explizit gemacht werden.
1von 6
Was ist Chain-of-Thought?
CoT ist eine Prompting-Technik, bei der das Modell aufgefordert wird, Schritt für Schritt zu argumentieren. Statt:
«Gib mir nur das Ergebnis.»
lautet der Prompt eher:
«Erkläre deine Schritte und leite das Ergebnis her.»
Das kann z.B. bei Matheaufgaben, Logikrätseln, Szenario-Analysen oder Entscheidungsbäumen helfen.
2von 6
Wann ist CoT sinnvoll?
Besonders hilfreich ist Chain-of-Thought, wenn:
- du prüfen willst, wie das Modell zur Antwort kommt.
- der Weg wichtiger ist als nur das Ergebnis (z.B. in der Bildung).
- du Fehlerquellen nachvollziehen möchtest.
3von 6
Eingebautes Reasoning vs. explizites CoT-Prompting
Seit 2025/2026 bringen viele Modelle einen eingebauten erweiterten Denkmodus mit, oft «Extended Thinking» oder «Reasoning-Modus» genannt. Das Modell denkt dabei intern in Zwischenschritten, ganz ohne dass jemand «Denk Schritt für Schritt» in den Prompt schreiben muss. Für einen grossen Teil der Standardaufgaben – Matheaufgaben, einfache Logik, Alltagsentscheidungen – macht das den klassischen CoT-Prompt überflüssig: Das Reasoning passiert ohnehin, unabhängig vom genauen Wortlaut der Anfrage.
Explizites CoT-Prompting bleibt trotzdem relevant – aber gezielter als 2025. Der eingebaute Reasoning-Modus zeigt in der Oberfläche häufig nur eine gekürzte Zusammenfassung des internen Denkprozesses, nicht den vollständigen Gedankengang. Ein expliziter CoT-Prompt schreibt die Zwischenschritte dagegen direkt und vollständig in die sichtbare Antwort. Wo diese Sichtbarkeit selbst das Ziel ist – bei Dokumentationspflichten, in der Ausbildung oder wenn Dritte die Herleitung nachvollziehen sollen – bleibt explizites CoT die richtige Wahl, auch wenn das Modell «von sich aus» schon vernünftig denkt.
4von 6
Beispiel-Prompts mit und ohne CoT
Ohne Chain-of-Thought
Du erhältst folgende Aufgabe: "Eine Firma hat 120 Mitarbeitende. 40 % arbeiten im Verkauf. Wie viele Personen arbeiten im Verkauf?" Beantworte nur mit der Zahl.
Mit Chain-of-Thought
Du erhältst folgende Aufgabe: "Eine Firma hat 120 Mitarbeitende. 40 % arbeiten im Verkauf. Wie viele Personen arbeiten im Verkauf?" Erkläre zuerst in kurzen Schritten deine Rechnung und nenne am Schluss das Ergebnis separat.
Der Unterschied: Im zweiten Fall siehst du, ob das Modell 40 % von 120 richtig berechnet oder sich unterwegs verrechnet – und kannst gezielt eingreifen.
5von 6
Risiken & Stolpersteine
- Mehr Text ≠ mehr Wahrheit: Ein längerer Denkprozess kann falsche Antworten sehr überzeugend aussehen lassen.
- Aufwand: CoT kostet mehr Tokens, also mehr Rechenaufwand/Kosten.
- Vertrauensfalle: Menschen neigen dazu, Argumentationen zu vertrauen, nur weil sie plausibel klingen.
6von 6
CoT in Teams standardisieren
Wenn du mit Teams arbeitest, lohnt sich ein bewusster Umgang mit Chain-of-Thought:
- Definieren, in welchen Use Cases CoT verwendet wird.
- Prompts so bauen, dass am Ende trotzdem eine klare, kurze Antwort entsteht.
- CoT-Abschnitte ggf. nur als interne Dokumentation nutzen, nicht direkt an Kund:innen weitergeben.
CoT ist ein Werkzeug – kein Modus, den man einfach global «einschaltet». In Kombination mit sauberen Prompt-Pattern entsteht daraus ein sehr kontrollierbarer Workflow.
Denkwerkzeuge wie dieses übst du in der Masterclass oder im Team-Workshop bei think: Schulungen.
Dazu passend: Prompt Engineering für Anfänger · Rollenspiel-Prompts · Prompt Pattern Catalog · Prompt-Qualität messen
Nächster Artikel · ArchitekturZwei KI-Agenten, ein Prüfstand: Was ein Vergleich im Alltag wirklich zeigtEine Mail · Antwort in der Regel innerhalb von 24h