Reasoning-Engine

Eine Reasoning-Engine ist ein Computerprogramm, das aus vorhandenen Angaben neue Aussagen ableitet. Es beantwortet eine Frage also nicht dadurch, dass es die fertige Antwort irgendwo findet. Stattdessen kombiniert es einzelne Schritte, bis am Ende ein Ergebnis steht. Ein einfaches Beispiel: Aus « Alle Zahlen mit Endziffer 0 sind durch 5 teilbar » und « Die Zahl endet auf 0 » folgt, dass sie durch 5 teilbar ist. Diesen Weg vom Bekannten zum Neuen nennt man Schlussfolgern, auf Englisch reasoning. Der Begriff wird heute für zwei recht verschiedene Techniken verwendet, die weiter unten beide vorkommen.

Warum Schlussfolgern mehr ist als Auswendigwissen

Sprachmodelle wie ChatGPT sagen im Kern immer das nächste wahrscheinliche Wort voraus. Für Smalltalk und Zusammenfassungen reicht das erstaunlich weit. Bei Mathematik, Logikrätseln oder Programmierfehlern bricht es aber schnell zusammen. Ein einziger falscher Zwischenschritt reißt die ganze Antwort mit.

Genau hier setzen Reasoning-Engines an. Sie zwingen das System, den Lösungsweg wirklich abzuarbeiten, statt das Ergebnis zu raten. Bei Mathematikaufgaben auf Wettbewerbsniveau hat das die Trefferquoten in wenigen Jahren von einem Bruchteil auf einen Großteil der Aufgaben gehoben. Das ist der Grund, warum Anbieter seit 2024 eigene Reasoning-Varianten ihrer Modelle verkaufen.

Wirtschaftlich ist das ein deutlicher Bruch. Solche Modelle rechnen pro Anfrage viel länger und kosten damit ein Vielfaches. Man tauscht Geld und Wartezeit gegen Zuverlässigkeit. Für eine Chat-Frage lohnt sich das selten, für eine Steuerberechnung oder einen medizinischen Befund sehr wohl.

Regelwerk oder Gedankenkette: zwei Bauweisen

Die ältere Bauweise stammt aus den 1980er Jahren und arbeitet mit fest eingetragenen Regeln. Fachleute schreiben Sätze der Form « wenn A und B, dann C » in eine Wissensdatenbank. Die Engine prüft dann systematisch, welche Regeln zu den vorliegenden Daten passen, und wendet sie an. Solche Systeme sind vollständig nachvollziehbar, weil man jede benutzte Regel anzeigen kann. Ihr Nachteil: Jede Regel muss jemand von Hand eintragen.

Die heutige Bauweise beruht auf Sprachmodellen. Das Modell schreibt vor der eigentlichen Antwort eine Art inneren Notizblock voll, die sogenannte Gedankenkette. Dort zerlegt es die Aufgabe, probiert Ansätze aus und verwirft falsche Zweige. Diese Notizen bekommt der Nutzer meist gar nicht oder nur zusammengefasst zu sehen.

Trainiert wird das über Belohnung: Das Modell erzeugt viele Lösungswege, und Wege mit richtigem Ergebnis werden verstärkt. Es lernt so, wann sich langes Nachdenken lohnt. Ein verbreiteter Irrtum ist, diese Notizen seien ein echtes Protokoll der Gedanken. Sie sind selbst wieder generierter Text und können die tatsächliche Rechnung beschönigen.

Von der Steuersoftware bis zum KI-Agenten

Regelbasierte Reasoning-Engines stecken unsichtbar in vielen Alltagsprogrammen. Steuersoftware, Versicherungsprüfung und Kreditvergabe arbeiten oft damit. Der Grund ist juristisch: Wer einen Antrag ablehnt, muss die Begründung nennen können. Ein Regelwerk liefert diese Begründung automatisch mit.

In Produktnamen erkennt man die modernen Varianten an Hinweisen wie « Thinking », « Reasoning » oder an einer eigenen Modellreihe. Bekannte Beispiele sind die o-Reihe von OpenAI, DeepSeek R1 und die Denkmodi von Gemini und Claude. In vielen Chat-Oberflächen kann man den Denkmodus per Schalter zuschalten.

Besonders wichtig sind Reasoning-Engines für KI-Agenten, also Programme, die mehrere Arbeitsschritte selbstständig erledigen. Wer eine Reise buchen oder Code über mehrere Dateien hinweg reparieren soll, muss planen können. In Börsen- und Techmeldungen taucht der Begriff deshalb oft zusammen mit Rechenzentren auf: Längeres Nachdenken bedeutet mehr Chipbedarf und höhere Stromrechnungen.