KI-Technik
Reasoning-Modell
Kurz gesagt: Ein Reasoning-Modell ist ein Sprachmodell, das vor der Antwort eine interne Denkkette erzeugt und dadurch mehrstufige Aufgaben wie Rechnen, Planen oder Quellenabwägung zuverlässiger löst.
Was bedeutet Reasoning-Modell?
Reasoning-Modelle sind darauf trainiert, vor der eigentlichen Antwort Zwischenschritte zu erzeugen, eine sogenannte Chain of Thought. OpenAI stellte am 12. September 2024 mit o1 eines der ersten breit verfügbaren Modelle dieser Art vor, trainiert mit Reinforcement Learning. Im Januar 2025 veröffentlichte DeepSeek mit R1 ein Modell mit offenen Gewichten, dessen Denkfähigkeit ebenfalls durch Reinforcement Learning entstand. Abzugrenzen sind Reasoning-Modelle von klassischen Chat-Modellen, die direkt antworten, sowie vom Prompt-Trick „Denke Schritt für Schritt“, der nur die Eingabe verändert, nicht das Training.
Die Einordnung
OpenAI beschrieb bei o1 eine Eigenschaft, die den Unterschied erklärt: Die Leistung steigt nicht nur mit mehr Training, sondern auch mit mehr Rechenzeit beim Antworten. Ein Reasoning-Modell darf also länger „nachdenken“, probiert Lösungswege aus, erkennt Fehler und korrigiert sich. Das kostet Zeit und Rechenleistung, liefert aber bei Mathematik, Programmierung und mehrstufigen Fragen deutlich bessere Ergebnisse. Viele Anbieter lassen Nutzer inzwischen zwischen schnellem Modus und Denkmodus wählen oder entscheiden automatisch.
In der KI-Suche übernehmen Reasoning-Modelle eine zentrale Rolle. Deep Research von OpenAI lief beim Start auf einer angepassten Version von o3, einem Reasoning-Modell. Solche Systeme suchen nicht einmal, sondern planen, prüfen Zwischenergebnisse und suchen gezielt nach. Sie wägen Quellen gegeneinander ab und bemerken Widersprüche. Damit verändert sich, welche Inhalte bestehen.
Für die Sichtbarkeit heißt das: Widersprüche kosten. Nennt deine Website einen anderen Preis als ein Vergleichsportal oder ein anderes Gründungsjahr als dein Branchenbucheintrag, kann ein abwägendes Modell die Angabe als unsicher behandeln oder die widersprechende Quelle bevorzugen. Konsistente Fakten über alle Kanäle, mit Datum und Herkunft, sind hier wertvoller als bei einem Modell, das die erste passende Passage übernimmt. Ebenso profitieren Inhalte mit nachvollziehbarer Herleitung: Rechenwege, Bedingungen, Ausnahmen.
Zwei Missverständnisse sind verbreitet. Erstens: Reasoning macht Modelle fehlerfrei. Das stimmt nicht; auch Denkmodelle erzeugen Halluzinationen, teils mit überzeugend klingender Begründung. Zweitens: Die angezeigte Denkkette sei ein vollständiges Protokoll. Anbieter zeigen oft nur eine Zusammenfassung, und die dargestellte Begründung muss nicht exakt dem entsprechen, was intern zur Antwort geführt hat.
Praktisch prüfst du deine wichtigsten Fakten auf Übereinstimmung: Website, strukturierte Daten, Profile und Einträge bei Dritten. Und du testest Kernfragen in Denkmodi der Assistenten, weil diese andere Quellen heranziehen können als der schnelle Standardmodus.
So sieht das konkret aus
Eine Nutzerin fragt im Denkmodus eines Assistenten, welches Tagungshotel am Bodensee für 80 Personen mit Seeblick am günstigsten ist. Das Modell findet für ein Hotel auf der eigenen Website 120 Plätze, auf einem Tagungsportal 60. Es markiert die Angabe als widersprüchlich und empfiehlt zwei andere Häuser, deren Kapazitäten überall übereinstimmen.
In der Praxis setzen wir das so um: Technik für KI-Sichtbarkeit: Crawler, Schema, llms.txt →
Häufige Fragen zu Reasoning-Modell
Welche Reasoning-Modelle gibt es?
Bekannte Reihen sind die o-Modelle von OpenAI, die mit o1 im September 2024 starteten, DeepSeek-R1 mit offenen Gewichten sowie Denkmodi in Claude von Anthropic und Gemini von Google. Viele aktuelle Modelle kombinieren schnelle Antworten und längeres Nachdenken in einem System.
Sind Reasoning-Modelle besser für die Websuche?
Bei komplexen Fragen oft ja, weil sie mehrere Suchschritte planen und Quellen gegeneinander prüfen. Bei einfachen Fakten bringen sie wenig Vorteil und sind langsamer. Für Unternehmen bedeutet das: Widersprüchliche Angaben fallen stärker auf und werden eher aussortiert.
Was ist Chain of Thought?
Chain of Thought bezeichnet die Kette von Zwischenschritten, die ein Modell vor der Antwort erzeugt. Reasoning-Modelle lernen im Training, diese Kette sinnvoll zu nutzen. Bei normalen Modellen lässt sie sich teilweise per Prompt anstoßen, etwa mit der Bitte, schrittweise vorzugehen.
Verwandte Begriffe
Quellen: OpenAI: Learning to reason with LLMs (September 2024) (Stand September 2026) · DeepSeek-AI: DeepSeek-R1, Incentivizing Reasoning Capability in LLMs via Reinforcement Learning (2025) (Stand September 2026)
Begriffe der KI-Suche verschieben sich schnell. Wir prüfen diesen Eintrag gegen die Dokumentation der Anbieter und aktualisieren ihn, wenn sich etwas ändert. Zurück zum Glossar
Wirst du in KI-Antworten genannt?30 Minuten, kostenlos, mit ehrlicher Einschätzung.
Reden wir 30 Minuten darüber
Kostenlos, unverbindlich und mit einer ehrlichen Einschätzung, ob sich GEO bei dir gerade lohnt.