Chain-of-Thought-Prompting

🔄 Recall: Few-Shot zeigt Muster

In Lektion 4 hast du gelernt, KI durch Beispiele Muster beizubringen. Few-Shot funktioniert super für Format, Stil und Klassifikation. Aber was, wenn die Aufgabe Denken erfordert — Analyse, Logik, Abwägen?

Dafür gibt’s Chain-of-Thought.

Nach dieser Lektion kannst du:

• Chain-of-Thought-Prompting für besseres Reasoning einsetzen
• Vier verschiedene CoT-Muster anwenden
• Einschätzen, wann CoT hilft und wann es Overkill ist

Das Reasoning-Problem

Probier diese Aufgabe ohne Chain-of-Thought:

„Ein Unternehmen hat 120 Mitarbeiter. 40% arbeiten im Vertrieb, 25% in der Entwicklung, 20% im Marketing und der Rest in der Verwaltung. Wenn 3 Vertriebsmitarbeiter in die Entwicklung wechseln und 2 Marketing-Mitarbeiter kündigen — wie viele Mitarbeiter hat jede Abteilung?"

Ohne explizites „Schritt für Schritt" springt die KI oft direkt zur Antwort — und verrechnet sich dabei.

Warum Laut-Denken funktioniert

KI generiert Text Token für Token. Wenn sie direkt zur Antwort springt, muss sie in einem Schritt von der Frage zur Lösung kommen — ein riesiger Sprung.

Chain-of-Thought zerlegt diesen Sprung in kleinere Schritte. Stell dir vor, du überquerst einen Fluss: Stein für Stein ist sicherer als ein einziger Sprung ans andere Ufer.

Jeder Zwischenschritt gibt der KI Kontext für den nächsten — das reduziert Fehler massiv.

Der magische Satz

Forschung hat einen simplen Satz identifiziert, der die Reasoning-Genauigkeit drastisch steigert:

„Denke Schritt für Schritt."

In einem bekannten Experiment stieg die Genauigkeit bei Reasoning-Aufgaben von ~18% auf ~79% — nur durch diesen einen Satz.

Weitere Varianten, die funktionieren:

• „Zeige deinen Lösungsweg."
• „Erkläre deine Überlegung für jeden Schritt."
• „Denke laut nach, bevor du antwortest."
• „Arbeite das Problem Schritt für Schritt durch."

✅ Quick Check: Warum verbessert „Denke Schritt für Schritt" die Ergebnisse? Was passiert technisch?

(Antwort: Die KI erzeugt Zwischenschritte als Text — und jeder Schritt liefert Kontext für den nächsten, statt alles in einem einzigen Sprung zu lösen.)

Vier Chain-of-Thought-Muster

1. Suffix-Muster (einfachste Variante)

Einfach am Ende des Prompts anfügen:

[Deine Frage oder Aufgabe]

Denke Schritt für Schritt, bevor du deine Antwort gibst.

Am besten für: Schnelle Verbesserung bei einfachen bis mittleren Reasoning-Aufgaben.

2. Strukturiertes Reasoning

Die Schritte vorgeben:

Analysiere diese Geschäftsentscheidung:

[Beschreibung der Entscheidung]

Gehe dabei so vor:
1. Identifiziere die 3-5 wichtigsten Faktoren
2. Bewerte jeden Faktor (positiv/negativ/neutral)
3. Berücksichtige mögliche Risiken
4. Gib deine Empfehlung mit Begründung

Am besten für: Komplexe Entscheidungen, bei denen du die Analyse-Dimensionen kontrollieren willst.

3. Reasoning-Template

Ein festes Format für die Argumentation vorgeben:

[Aufgabe]

Antworte in folgendem Format:

**Beobachtung:** Was fällt auf?
**Analyse:** Was bedeutet das?
**Schlussfolgerung:** Was folgt daraus?
**Empfehlung:** Was sollte man tun?
**Konfidenz:** Hoch / Mittel / Niedrig

Am besten für: Wiederkehrende Analyse-Aufgaben, bei denen du konsistente Struktur brauchst.

4. Few-Shot + Chain-of-Thought (die Kombination)

Zeige der KI wie sie denken soll — mit einem durchgearbeiteten Beispiel:

Bewerte, ob diese Geschäftsidee tragfähig ist.

Beispiel:

Idee: „Abo-Box für Hundesnacks mit KI-personalisierten Mischungen"
Denken: Der Haustiermarkt wächst (ca. 5% jährlich). Abo-Modelle
funktionieren bei Verbrauchsgütern. KI-Personalisierung ist
ein Differenzierungsmerkmal, aber die Marge bei Lebensmitteln
ist gering. Logistik für frische Snacks ist komplex.
Marktgröße: groß. Wettbewerb: mittel. Umsetzbarkeit: mittel.
Bewertung: Machbar, aber Margen-Risiko hoch.

---

Jetzt bewerte diese Idee:
Idee: "[Deine Geschäftsidee]"
Denken:

Am besten für: Komplexe Bewertungsaufgaben, bei denen du sowohl das Ergebnis als auch den Denkprozess kontrollieren willst.

Wann CoT nutzen — und wann nicht

Self-Consistency: Mehrere Denkwege

Für besonders kritische Entscheidungen: Bitte die KI, das Problem auf mehreren Wegen zu durchdenken.

Analysiere dieses Problem auf drei verschiedene Weisen:

1. Aus finanzieller Perspektive
2. Aus Kundenperspektive
3. Aus Wettbewerbsperspektive

Stimmen die Schlussfolgerungen überein? Wenn nicht — wo
liegen die Widersprüche und was sagt das über die Komplexität
der Entscheidung?

Wenn alle drei Wege zum gleichen Ergebnis kommen, kannst du dem Ergebnis mehr vertrauen.

Wichtigste Erkenntnisse

• „Denke Schritt für Schritt" ist der einfachste und wirkungsvollste CoT-Trigger
• Vier Muster: Suffix, Strukturiert, Template, Few-Shot+CoT — wähle je nach Aufgabe
• CoT ist am stärksten bei Mathe, Logik, Analyse und Entscheidungsfindung
• Bei einfachen Aufgaben ist CoT Overkill — fang immer einfach an
• Self-Consistency (mehrere Denkwege) erhöht die Zuverlässigkeit bei kritischen Entscheidungen

Nächste Lektion

Lektion 6 stellt dir acht bewährte Prompt-Muster vor — fertige Strukturen für die häufigsten Aufgabentypen. Du baust dir damit ein Werkzeug-Arsenal, das du immer wieder einsetzen kannst.