> info@cuonztech.ch
CuonzTech

Mail

Blog · Grundlagen

Chain-of-Thought Prompting: Wenn KI das Denken sichtbar macht

Carlo Cuonz · Februar 2025 · aktualisiert August 2026 · ~ 7 Min Lesezeit

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.

6 Kapitel