Chain of Thought

Was ist Chain of Thought?

Chain of Thought (Gedankenkette) ist eine Prompting-Technik, bei der ein Sprachmodell eine Aufgabe in nachvollziehbare Zwischenschritte zerlegt, bevor es die endgültige Antwort gibt. Dadurch werden Ergebnisse bei komplexen Aufgaben genauer und überprüfbarer.

Der Grundgedanke ist einfach. Wer eine Rechenaufgabe im Kopf löst, macht Fehler, sobald sie mehrere Schritte umfasst. Wer die Zwischenschritte aufschreibt, rechnet zuverlässiger. Bei einem Large Language Model ist das ähnlich: Das Modell erzeugt Text Wort für Wort, und jeder erzeugte Schritt steht ihm für die nächsten Schritte zur Verfügung. Wird die Antwort sofort verlangt, muss das Modell die gesamte Überlegung in einem Zug leisten. Darf es zuerst den Weg beschreiben, baut es die Lösung auf einer sichtbaren Grundlage auf.

Der Begriff stammt aus der Forschung zu Sprachmodellen und hat sich als fester Bestandteil des Prompt Engineering etabliert. In der einfachsten Form reicht ein Satz wie “Denke Schritt für Schritt, bevor du antwortest”. Ausführlichere Varianten geben die Schritte vor: erst die Fakten sammeln, dann die Regeln anwenden, dann das Ergebnis formulieren.

So funktioniert Chain of Thought in der Praxis

Es gibt drei gängige Varianten. Bei der ersten fordern Sie das Modell nur auf, seinen Lösungsweg darzulegen. Das funktioniert ohne Beispiele und wird deshalb auch als Zero-Shot-Variante bezeichnet, in Anlehnung an das Zero-Shot-Prompting.

Bei der zweiten Variante geben Sie ein oder zwei gelöste Beispiele vor, in denen der Lösungsweg ausgeschrieben ist. Das Modell übernimmt die Struktur und wendet sie auf den neuen Fall an. Diese Form verbindet die Gedankenkette mit dem Few-Shot-Prompting und eignet sich für wiederkehrende Prüfaufgaben mit festem Ablauf.

Bei der dritten Variante legen Sie das Prüfschema selbst fest. Ein Beispiel aus dem Vertragswesen: “Prüfe den folgenden Vertragsentwurf in dieser Reihenfolge: 1. Welche Parteien und Leistungen sind genannt? 2. Welche Fristen und Kündigungsregeln gibt es? 3. Welche Klauseln weichen von unserer Standardvorlage ab? Gib erst danach eine Gesamteinschätzung.” Das Modell arbeitet die Liste ab, und Sie sehen bei jedem Punkt, worauf sich die Einschätzung stützt.

Bei Claude kommt eine Besonderheit hinzu. Die aktuellen Modellgenerationen verfügen über einen erweiterten Denkmodus, in dem das Modell vor der Antwort intern Zwischenschritte durchläuft. Das ist im Kern eine eingebaute Gedankenkette. Ein ausdrücklicher Hinweis im Prompt bleibt trotzdem sinnvoll, wenn Sie den Weg nachvollziehen oder eine bestimmte Reihenfolge erzwingen wollen.

Wann die Technik hilft und wann nicht

Chain of Thought lohnt sich bei Aufgaben mit mehreren Bedingungen, mit Rechenschritten oder mit Regeln, die aufeinander aufbauen. Typische Fälle sind die Prüfung von Anfragen gegen eine Richtlinie, die Bewertung von Angeboten nach mehreren Kriterien, die Fehlersuche in Abläufen oder die Einordnung eines Sachverhalts in Kategorien mit Ausnahmen.

Bei einfachen Aufgaben bringt die Technik nichts. Eine Übersetzung, eine Umformulierung oder eine Zusammenfassung wird durch eine Gedankenkette nicht besser, nur länger. Und sie ersetzt kein Wissen: Wenn dem Modell die Informationen fehlen, produziert auch ein sauberer Denkweg ein falsches Ergebnis, dann nur ausführlicher begründet. Gegen Halluzinationen hilft die Gedankenkette deshalb nur indirekt, indem sie Fehler leichter sichtbar macht.

Praxisbeispiel aus dem Unternehmensalltag

Ein Versicherungsmakler mit zwölf Mitarbeitenden bearbeitet täglich Anfragen zu Gewerbeversicherungen. Ob ein Betrieb in einen bestimmten Tarif passt, hängt von Branche, Mitarbeiterzahl, Umsatz und einigen Ausschlusskriterien ab. Die Mitarbeitenden nutzen Claude, um Anfragen vorzuprüfen.

Der erste Versuch mit “Passt dieser Betrieb in Tarif B?” lieferte Antworten, die mal richtig und mal falsch waren, ohne dass man den Fehler erkennen konnte. Nach der Umstellung auf ein festes Prüfschema mit vier Schritten (Branche zuordnen, Größenkriterien prüfen, Ausschlüsse abgleichen, Ergebnis mit Begründung) wurden die Antworten nachvollziehbar. Wenn Claude eine Branche falsch zuordnet, sieht die Sachbearbeiterin das im ersten Schritt und korrigiert, statt eine falsche Gesamtaussage zu übernehmen. Das Prüfschema liegt heute als Vorlage in der Prompt-Bibliothek des Unternehmens.

Bedeutung für kleine und mittelständische Unternehmen

Für KMU ist Chain of Thought vor allem ein Werkzeug für Kontrolle. Wer KI-Ergebnisse in Entscheidungen einfließen lässt, muss prüfen können, wie sie zustande kamen. Eine sichtbare Gedankenkette macht das möglich, ohne dass technisches Wissen nötig ist. Mitarbeitende lernen die Technik erfahrungsgemäß in kurzer Zeit, weil sie dem entspricht, was sie von einem sorgfältigen Kollegen erwarten würden: erst prüfen, dann urteilen.

In unserer Claude Schulung gehört die Gedankenkette zu den Grundtechniken, die Teams anhand eigener Aufgaben üben. Wer die Technik in automatisierte Prozesse einbauen will, sollte im Rahmen einer Claude Beratung klären, an welchen Stellen der zusätzliche Aufwand gerechtfertigt ist. Einen Einstieg in die Grundlagen bietet der Praxisleitfaden Claude richtig prompten.

Vorteile und Grenzen

Die Vorteile liegen in höherer Genauigkeit bei komplexen Aufgaben, in der Nachvollziehbarkeit und darin, dass sich Prüfabläufe standardisieren lassen. Die Technik kostet nichts außer ein paar Sätzen im Prompt.

Die Grenzen: Die Antworten werden länger und verbrauchen mehr Token, was in automatisierten Prozessen ins Gewicht fällt. Die ausgegebenen Schritte sind selbst generierter Text, keine Garantie dafür, dass das Modell tatsächlich so vorgegangen ist. Und ein überzeugend formulierter Denkweg kann dazu verleiten, das Ergebnis weniger kritisch zu prüfen. Die Verantwortung für die Entscheidung bleibt beim Menschen.