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.

Kurz gesagt: Chain-of-Thought bedeutet, dass das Modell seine Gedankengänge „aufschreibt", statt nur das Endergebnis auszugeben.

1. 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.

2. 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.

3. 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.

4. 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.

5. 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.
Empfehlung: CoT vor allem dort einsetzen, wo der Mensch im Loop bleibt und die Schritte tatsächlich liest & prüft.

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.