Reasoning ist kein Qualitätsmodus – wann Denkmodelle Geld sparen und wann sie nur langsam sind

„Wir nehmen einfach das beste Modell.“ Mit diesem Satz wird in vielen Unternehmen die Modellfrage beendet, bevor sie überhaupt gestellt wurde. Verständlich – niemand will dem Geschäftsführer erklären, warum der neue KI-Workflow auf dem zweitbesten Modell läuft. Nur führt diese Logik in eine teure Sackgasse, denn „das beste Modell“ meint inzwischen fast immer ein Reasoning-Modell, das vor jeder Antwort erst einmal nachdenkt. Und Nachdenken kostet.

Ich erlebe das in Unternehmen regelmäßig – im Webchat von ChatGPT oder Claude wird pauschal das größte Modell ausgewählt, weil die Erwartung dahintersteht, dass die Antworten so „besser werden“. Dass Reasoning- und Non-Reasoning-Modelle unterschiedlich gepromptet werden wollen, ist oft nicht bekannt; das vorhandene Wissen ist teils veraltet – der Rollenbaustein im Prompt hält sich hartnäckig –, gängige Bausteine wie Few Shots sind vielen fremd. Der Schulungsbedarf auf Anwenderseite ist real und wird vernachlässigt. Bei LLM-Workflows sieht es meist besser aus, weil dort Menschen mitarbeiten, die sich aus eigenem Interesse mit den Grundlagen beschäftigt haben – im Webchat-Alltag dagegen regiert der Griff zum „fettesten“ Modell.

Die Modellwahl ist keine Prestigefrage, sondern eine Prozessentscheidung – dieselbe Sorte Entscheidung wie die, ob ein Azubi oder die Steuerberaterin einen Beleg abheftet. Beide können es. Eine von beiden ist dafür zu teuer.

Was Denk-Tokens tun – und was sie kosten

Reasoning-Modelle erzeugen vor der sichtbaren Antwort interne Denk-Tokens, in denen sie das Problem zerlegen, Ansätze durchspielen und Zwischenergebnisse prüfen. Diese Tokens bekommst du je nach Anbieter höchstens als Zusammenfassung zu sehen – bezahlt werden sie trotzdem, und zwar zum Output-Preis, also in der teuersten Token-Kategorie. Eine Antwort mit 500 sichtbaren Tokens und 2.000 Denk-Tokens kostet das Fünffache derselben Antwort ohne Denkphase.

Das klingt nach einem Detail für API-Buchhalter, skaliert aber brutal. Amazon beziffert den Overhead bei einfachen Anfragen auf das Sieben- bis Zehnfache an Tokens für vergleichbare Genauigkeit. Ein Forschungsteam hat es noch plastischer vorgerechnet – DeepSeek V3 löste die Gleichung „3x + 7 = 22“ mit 58 Tokens, das Reasoning-Schwestermodell DeepSeek-R1 verbrauchte für dieselbe Aufgabe über 1.000. Gleiches Ergebnis, siebzehnfache Token-Menge. Beide Modelle sind inzwischen abgelöst – DeepSeek ist bei der V4-Generation angekommen, R1 fliegt zum 24. Juli endgültig aus der API –, der Mechanismus dahinter bleibt. Dazu kommt die Latenz, denn Denk-Tokens entstehen sequenziell, bevor das erste sichtbare Zeichen erscheint. Bei einem Chatbot merkt das der Kunde, bei einem Batch-Job über 50.000 Dokumente merkt es die Rechnung.

Brisant wird das, weil Reasoning gerade zum Default wird. Sonnet 5 denkt seit Ende Juni standardmäßig adaptiv – wer nichts konfiguriert, bekommt Denk-Tokens, ob bestellt oder nicht. Anthropic selbst empfiehlt in den eigenen Prompting-Docs, Thinking nur dort einzusetzen, wo es die Antwortqualität messbar verbessert. Per Default liefert das Interface des Claude Webchats aber aktiviertes Thinking.

Routine, Urteil, Exploration – drei Aufgabentypen

Bevor du ein Modell auswählst, lohnt der Blick auf die Aufgabe selbst. Drei Dimensionen reichen für die Einordnung. Was kostet ein Fehler? Braucht die Aufgabe einen Schritt oder eine mehrstufige Abwägung? Und wie oft läuft sie – zehnmal am Tag oder zehntausendmal?

Daraus ergeben sich drei Aufgabentypen. Routine heißt hohes Volumen bei klaren Kriterien – die Aufgabe ist eindeutig definiert, das richtige Ergebnis überprüfbar, ein einzelner Verarbeitungsschritt genügt. Urteil verlangt eine Abwägung über mehrere Faktoren, bei der der Lösungsweg zwar bekannt ist, aber Kontext und Priorisierung den Unterschied machen. Exploration beginnt dort, wo der Lösungsweg selbst unklar ist – Diagnose, offene Probleme, Ursachensuche. Die Mehrheit dessen, was in einem KMU täglich durch die KI-Pipeline läuft, ist Routine. Genau dort richtet der Reasoning-Default den größten Schaden an.

Wo Non-Reasoning-Modelle völlig ausreichen

Support-Tickets nach Abteilung sortieren, Produktdaten aus Lieferantenkatalogen ziehen, Meeting-Notizen zusammenfassen, Marketing-Texte in drei Längenvarianten formatieren – nichts davon braucht ein Modell, das vorher in sich geht. Ein schnelles Non-Reasoning-Modell liefert hier dasselbe Ergebnis in einem Bruchteil der Zeit, für einen Bruchteil des Preises, oder im Idealfall kostenlos, falls ich es lokal betreiben kann. Und es hat einen unterschätzten dritten Vorteil, denn klar umrissene Aufgaben mit eindeutig richtigem Ergebnis lassen sich sauber testen. Hundert Test-Tickets durch den Klassifikator jagen und die Trefferquote messen – das funktioniert bei einem Modell, das direkt antwortet, deutlich verlässlicher als bei einem, das jedes Mal anders lange grübelt.

Wo Reasoning tatsächlich trägt

Drei Fälle bleiben übrig, in denen die Denkphase ihr Geld wert ist. Erstens die strategische Abwägung – etwa wenn ein Angebot vorbereitet wird und das Modell Anforderungen, Budgetrahmen und frühere Projekte gegeneinander gewichten muss. Zweitens die Fehleranalyse, bei der Diagnosefähigkeit wichtiger ist als Tempo; ein Modell, das Hypothesen bildet und verwirft, findet die Ursache eines Datenproblems eher als eines, das die erstbeste Erklärung ausspuckt. Drittens vertragsnahe Einschätzungen wie Dokumentenprüfung – dort allerdings ausschließlich mit einem Menschen im Loop, dazu gleich mehr.

Auffällig ist, dass alle drei Fälle vom selben Mechanismus profitieren. Das Modell plant, prüft sich selbst und korrigiert den eigenen Kurs, statt linear durchzuschreiben. Warum diese Selbstüberwachung funktioniert und wie du sie gezielt anstößt, habe ich im Beitrag über Metacognitive Scaffolding bei Reasoning-Modellen beschrieben. Kurzfassung für hier – Reasoning lohnt sich dort, wo der Weg zur Antwort selbst Arbeit ist. Wo der Weg trivial ist, bezahlst du Selbstzweifel im Leerlauf.

Warum Denk-Tokens keine Qualitätssicherung ersetzen

Ein verbreiteter Irrtum lautet, mehr Nachdenken bedeute automatisch weniger Fehler – das Reasoning-Modell als eingebautes QA-Gate. Die Forschung zeichnet ein unbequemeres Bild. Eine Untersuchung zur sogenannten „Thinking Trap“ zeigt, dass Reflexions-Tokens wie „wait“ bei einfachen Aufgaben unnötige Backtracking-Schleifen auslösen, die das Ergebnis nicht verbessern und gelegentlich verschlechtern. Eine weitere Arbeit vom April beobachtet, dass Modelle jenseits von rund 7.000 Denk-Tokens eher eine korrekte Antwort wieder verwerfen, als eine neue zu finden – ein einzelnes Paper, noch ohne breite Replikation, aber die Richtung passt zum Rest der Befunde.

Reasoning reduziert bestimmte Fehlerklassen, etwa Rechen- und Planungsfehler in mehrstufigen Aufgaben. Es ersetzt weder automatisierte Tests noch die menschliche Prüfung, wo Fehler teuer werden – bei Verträgen, Angeboten, allem mit Rechtsfolgen. Wer die Denkphase als Qualitätssicherung verbucht, hat beides missverstanden.

Routing statt Dauervollgas

Die bessere Antwort auf die Modellfrage lautet, sie gar nicht einmalig zu beantworten. Ein Router – im einfachsten Fall eine Handvoll Regeln, im ausgebauten Fall ein kleines Klassifikationsmodell – entscheidet pro Anfrage oder pro Workflow-Schritt, welches Modell übernimmt. In agentischen Workflows ist das ohnehin der natürliche Zustand, denn dort sortiert ein günstiges Modell die Eingaben, ein Reasoning-Modell plant die kniffligen Schritte und ein schnelles führt sie aus.

Die Ersparnis-Zahlen aus der Routing-Szene verdienen ein Sternchen, weil sie überwiegend von Anbietern und aus Benchmark-Setups stammen. Frameworks wie RouteLLM berichten eine Halbierung der Kosten bei 95 Prozent der Referenzqualität, Anbieter-Blogs nennen 40 bis 70 Prozent in Produktionsumgebungen – als Bandbreite plausibel, als Garantie Marketing. Solide belegt ist die andere Seite der Rechnung. Der Router selbst kostet je nach Bauart unter einer bis etwa 100 Millisekunden, gegen typische Antwortzeiten von 500 bis 2.000 Millisekunden fällt das nicht ins Gewicht.

Für den Einstieg reicht ein Entscheidungsbaum aus drei Fragen, die du pro Aufgabe einmal beantwortest:

1. Was kostet ein Fehler? Wenig (interne Zusammenfassung) → schnelles Modell. Viel (Vertrag, Kundenzusage) → Reasoning plus Mensch.
2. Ein Schritt oder Abwägung? Ein klar definierter Schritt → schnelles Modell. Mehrere Faktoren gegeneinander gewichten → Reasoning.
3. Wie oft läuft die Aufgabe? Bei hohem Volumen multipliziert sich jeder unnötige Denk-Token – im Zweifel erst das günstige Modell testen und nur bei nachgewiesenen Qualitätslücken hochstufen.

Bleibt der Einwand, die Anbieter hätten das Problem doch längst erkannt – adaptives Thinking ist ja genau die eingebaute Drossel, die den Denkaufwand an die Aufgabe anpassen soll. Stimmt, und es ist ein Fortschritt gegenüber festen Token-Budgets. Ein Freifahrtschein ist es nicht, denn der Anbieter optimiert auf Antwortqualität über alle Kunden hinweg, nicht auf deine Kostenstruktur. Ob ein Support-Ticket 200 Denk-Tokens wert ist, entscheidet besser dein Prozess als der Default eines Herstellers, der pro Token verdient.

Erst Aufgabe, dann Modell

Die Faustregel für den Alltag passt in zwei Sätze. Routine läuft auf dem schnellsten Modell, das den Job nachweislich erledigt – nachweislich heißt getestet, nicht vermutet. Reasoning bekommen die Aufgaben, bei denen der Weg zur Antwort echte Abwägung verlangt, und überall dort, wo Fehler teuer werden, sitzt zusätzlich ein Mensch davor.

Der Hot Take am Schluss: Die Frage „welches Modell nehmen wir“ ist 2026 ungefähr so sinnvoll wie die Frage „welches Fahrzeug nimmt unsere Firma“. Der Außendienst fährt Kombi, die Lagerlogistik Stapler, und niemand käme auf die Idee, beides durch einen Sportwagen zu ersetzen, weil der in Tests am schnellsten war. Wer seine KI-Kosten senken will, braucht kein besseres Modell. Er braucht eine Zuordnung.