Chain-of-Thought

Agenten & Fortgeschrittenes

Chain-of-Thought — Technik, bei der die KI laut denkt — bessere Antworten bei Logik-Aufgaben.

Beispiel

Statt Antworte direkt fragst du Denke Schritt für Schritt, dann antworte. Bei Mathe und Logik macht das enormen Unterschied.

Verwandt: Prompt Engineering · LLM (Large Language Model)

Chain-of-Thought ist eine Methode, mit der große Sprachmodelle schrittweise logische Schlussfolgerungen ziehen, anstatt sofort eine Antwort zu geben.

In einfachen Worten

Stellen Sie sich vor, Sie bitten einen Mitarbeiter, eine komplexe Rechnung zu prüfen. Ein unerfahrener Mitarbeiter würde vielleicht sofort eine Zahl nennen – und läge oft falsch. Ein erfahrener Mitarbeiter hingegen sagt: „Zuerst addiere ich die Umsätze, dann ziehe ich die Kosten ab, dann prüfe ich die Steuer.“ Diesen schrittweisen Denkprozess nennt man Chain-of-Thought. Bei KI-Modellen bedeutet das: Das Modell schreibt seine Gedankenschritte auf, bevor es die endgültige Antwort gibt. Das macht die Antwort nicht nur genauer, sondern auch nachvollziehbar.

Was bedeutet das technisch

Chain-of-Thought (CoT) ist eine Prompting-Technik für große Sprachmodelle (LLMs). Statt einer direkten Frage gibt man dem Modell eine Aufforderung, seine Überlegungen Schritt für Schritt zu formulieren. Technisch gesehen erzeugt das Modell eine Sequenz von Zwischenaussagen, die logisch aufeinander aufbauen. Diese Zwischenschritte sind selbst generierter Text, der als „Arbeitsspeicher“ für die Argumentation dient.

Es gibt zwei Varianten: Zero-Shot CoT, bei dem man einfach „Denke Schritt für Schritt“ an die Frage anhängt. Und Few-Shot CoT, bei dem man dem Modell vorher ein oder mehrere Beispiele für schrittweises Denken zeigt. Die Methode funktioniert besonders gut bei Aufgaben, die mehrere logische Schritte erfordern – etwa Matheaufgaben, Textanalyse oder Planungsprobleme. Ohne CoT liefern Modelle hier oft plausible, aber falsche Antworten. Mit CoT steigt die Korrektheit deutlich, da das Modell gezwungen ist, jeden Zwischenschritt zu prüfen.

Warum es für KMU relevant ist

Für kleine und mittlere Unternehmen ist Chain-of-Thought vor allem aus zwei Gründen wichtig: Genauigkeit und Nachvollziehbarkeit. Wenn Sie eine KI für die Rechnungsprüfung, Vertragsanalyse oder Kundenanfragen einsetzen, wollen Sie nicht nur eine Antwort, sondern auch verstehen, wie die KI zu dieser Antwort kommt. CoT macht die Entscheidungsfindung transparent. Sie können prüfen, ob die Logik stimmt, und gegebenenfalls eingreifen.

Ein konkretes Beispiel: Ein KMU nutzt eine KI zur Analyse von Kundenbeschwerden. Ohne CoT sagt die KI vielleicht: „Der Kunde ist unzufrieden mit dem Produkt.“ Mit CoT schreibt sie: „Der Kunde erwähnt eine verspätete Lieferung (Schritt 1), dann ein defektes Teil (Schritt 2), daraus folgt: Unzufriedenheit mit dem Gesamterlebnis (Schritt 3).“ So erkennen Sie sofort, ob die Analyse korrekt ist. Auch bei der Erstellung von Angeboten oder der Berechnung von Rabatten hilft CoT, Fehler zu vermeiden. Der Nachteil: CoT benötigt mehr Rechenzeit und kostet daher mehr Token. Für einfache Aufgaben wie „Ja/Nein“-Fragen ist es unnötig. Setzen Sie es gezielt bei komplexen Entscheidungen ein.

Verwandte Begriffe

Prompting – Die Kunst, die richtige Anweisung an die KI zu geben

KI-Modell – Das zugrundeliegende Sprachmodell, das CoT ausführt

Token – Die Bausteine, aus denen die KI ihre Antworten zusammensetzt

Few-Shot-Prompting – Eine Technik, bei der man Beispiele vorgibt

Logikfehler – Typische Denkfehler, die CoT vermeiden hilft