Przejdź do treści
promptowy.com / KI-Glossar / Chain-of-Thought (Gedankenkette)
Prompts

Chain-of-Thought (Gedankenkette)

Chain-of-Thought ist eine Prompting-Methode, bei der Sprachmodelle komplexe Aufgaben schrittweise lösen, bevor sie das finale Ergebnis ausgeben.

Chain-of-Thought (oft mit CoT abgekürzt, auf Deutsch: Gedankenkette) ist eine Technik im Prompt Engineering, bei der ein KI-Modell dazu angeleitet wird, komplexe Probleme in einzelne Zwischenschritte zu zerlegen. Anstatt direkt eine finale Antwort zu schätzen, formuliert das System eine logische Abfolge von Teilüberlegungen. Dieser gedankliche Zwischenschritt führt nachweislich zu deutlich besseren Resultaten bei mathematischen Aufgaben, logischen Rätseln und vielschichtigen Planungsfragen.

Große Sprachmodelle arbeiten Wort für Wort. Wenn ein Modell sofort die Endlösung liefern muss, versucht es das Endergebnis auf Basis statistischer Wahrscheinlichkeiten direkt vorherzusagen, was bei mehrstufigen Aufgaben häufig scheitert. Schreibt das Modell jedoch zuerst seine Überlegungen nieder, dient jedes generierte Zwischenergebnis als Kontext für den nächsten Schritt. So hangelt sich die KI von Erkenntnis zu Erkenntnis, bis die Gesamtlösung steht.

Wie die Methode in der Praxis funktioniert

Ursprünglich wurde Chain-of-Thought durch einfache Zusätze in der Eingabe ausgelöst, meist durch Sätze wie Denke Schritt für Schritt oder Erkläre deine Zwischenschritte, bevor du antwortest. Inzwischen verfügen moderne Systeme über integrierte Denkmodi, die diesen Vorgang im Hintergrund vollautomatisch durchführen. Das Grundprinzip bleibt jedoch identisch: Das Modell verschafft sich Rechenzeit und Textraum, um das Problem strukturiert zu durchdringen.

Für Nutzer im Alltag bedeutet das: Wer strukturierte Antworten braucht, sollte das Modell explizit auffordern, seine Logik offenzulegen. Das hilft nicht nur der Maschine beim Nachdenken, sondern erleichtert es auch dem Menschen, den Lösungsweg nachzuvollziehen und eventuelle Denkfehler sofort zu lokalisieren.

Praxisbeispiel: Dienstplan in einem Handwerksbetrieb

Ein typisches Szenario aus dem deutschsprachigen Mittelstand zeigt den Nutzen der Gedankenkette besonders deutlich. Ein Dachdeckerbetrieb aus Kassel möchte einen Arbeitsplan für eine Baustelle erstellen. Drei Gesellen und ein Auszubildender müssen über vier Tage eingeteilt werden. Dabei gelten Vorgaben: Der Auszubildende darf nicht allein arbeiten, Überstunden aus der Vorwoche müssen abgebaut werden und zwei Mitarbeiter teilen sich einen Firmenwagen.

Fragt man die KI ohne Chain-of-Thought einfach mit: Erstelle den perfekten Dienstplan für die vier Tage, liefert das System oft auf den ersten Blick eine saubere Tabelle. Bei genauerer Prüfung stellt sich jedoch heraus, dass der Auszubildende an einem Vormittag allein eingeteilt wurde oder das Auto doppelt belegt ist.

Nutzt man hingegen Chain-of-Thought, sieht der Ablauf anders aus:

  1. Analyse der Rahmenbedingungen: Das Modell listet zuerst alle Restriktionen einzeln auf (Fahrzeug, Aufsichtspflicht, Arbeitszeitkonten).
  2. Prüfung der Konflikte: Die KI stellt fest, an welchen Tagen Engpässe drohen.
  3. Schrittweise Zuteilung: Erst werden die Fahrzeuge vergeben, dann Teams gebildet und zuletzt die Ruhezeiten abgeglichen.
  4. Endergebnis: Erst ganz am Ende entsteht der eigentliche Dienstplan, der nun alle Kriterien fehlerfrei erfüllt.

Typische Formulierungen für den Alltag

In der täglichen Arbeit mit Sprachmodellen lässt sich die Gedankenkette mit einfachen Textbausteinen aktivieren. Hilfreiche Varianten sind unter anderem:

  • Löse diese Aufgabe Schritt für Schritt und begründe jeden Teilschritt.
  • Ermittle zuerst die Zwischenergebnisse, bevor du das Gesamtergebnis nennst.
  • Identifiziere mögliche Widersprüche in den Vorgaben, bevor du eine Empfehlung abgibst.
  • Stelle dir vor, du bist Gutachter: Prüfe die Ausgangslage Etappe für Etappe.

Grenzen und häufige Fehler

Ein weit verbreiteter Irrtum ist der Glaube, dass eine schrittweise Erklärung automatisch fehlerfrei ist. Auch eine ausführliche Gedankenkette ist letztlich generierter Text. Ein Sprachmodell kann eine völlig falsche Behauptung mit bestechender, scheinbar lückenloser Logik untermauern. Wenn bereits die erste Prämisse in der Kette fehlerhaft ist, baut das Modell alle weiteren Schritte auf diesem Irrtum auf.

Zudem verlängert Chain-of-Thought die Ausgabe erheblich. Das kostet Zeit und bei kostenpflichtigen Schnittstellen zusätzliches Budget, da deutlich mehr Text generiert wird. Für einfache Routineaufgaben, wie das Übersetzen eines E-Mail-Betreffs oder das Umformulieren einer Mitteilung, ist die Methode überdimensioniert und schlicht unnötig.

Häufig gestellte Fragen

Was bewirkt der Satz 'Denke Schritt für Schritt' im Prompt?

Dieser Zusatz aktiviert das Chain-of-Thought-Verfahren. Er zwingt das Modell dazu, Teilargumente nacheinander zu formulieren, wodurch logische Fehlschlüsse bei komplexen Aufgaben deutlich reduziert werden.

Wann sollte man Chain-of-Thought einsetzen?

Die Methode eignet sich besonders für Rechenaufgaben, Logikrätsel, mehrstufige Planungen, juristische Textvergleiche oder Programmiercode, bei dem Abhängigkeiten beachtet werden müssen.

Macht Chain-of-Thought KI-Antworten immer fehlerfrei?

Nein. Die Kette erhöht die Trefferquote beträchtlich, aber das Modell kann Zwischenschritte halluzinieren. Eine scheinbar logische Argumentation schützt nicht vor sachlich falschen Annahmen.

← Alle Begriffe im KI-Glossar

🛒 Sklep Kinetyka CapCut Pro 460 zł/rok Lovable Pro 450 zł/rok Replit Core 119 zł/rok Zobacz wszystko →
× ‹ powiększenie ›