Wird Prompting bald überflüssig?
Prompting, Prompt-Engineering, Frameworks – rund um das Thema KI-Chatbots ist in den letzten Jahren eine regelrechte Wissenschaft entstanden, um die Chatbots zu richtigen und differenzierten Antworten zu bewegen. Mit der neuesten Generation von Large Language Models (LLMs) ist es nun möglich, kurze Anfragen zu stellen und ohne mühsames Nachbessern korrekte Antworten zu bekommen. Die Sprachmodelle simulieren logisches Denken und Schlussfolgern – das wird Reasoning genannt.
Wir stellen Ihnen in diesem Artikel die wichtigsten KI-Neuerungen vor und zeigen Ihnen, welche Vorteile sich für Ihre tägliche Arbeit daraus ergeben. Lehrkräfte beruflicher Schulen dürfen sich freuen: Die neuen Sprachmodelle können die didaktische Planung erleichtern.
Geschwindigkeit vs. Wahrheitsgehalt
Bisherige LLMs setzen vor allem auf schnelle Antworten, schließlich soll das oberste Ziel, den oder die Nutzende zufriedenzustellen, erreicht werden. Das geht aber zu Lasten der Genauigkeit und Zuverlässigkeit der Antworten. Komplexe Anfragen werden oft nur unzulänglich beantwortet und lassen einen mit einem unbefriedigten Gefühl zurück. Zudem kann man nie sicher sein, ob die künstliche Intelligenz nicht gerade „halluziniert“ und Sachen dazu erfindet, weil sie sonst um eine Antwort verlegen wäre und den oder die Nutzende nicht zufriedenstellen könnte.
Ohne eine eingehende Auseinandersetzung mit dem Thema Prompt-Engineering, also der genauen Ausformulierung von Arbeitsanweisungen, ist es kaum möglich, die Chatbots von OpenAI, Google oder anderen Anbietern für kompliziertere Aufgaben im Rahmen des Schulunterrichts heranzuziehen.
Wie funktioniert das Reasoning?
Das Erscheinen des chinesischen Anbieters DeepSeek in der KI-Welt hat eine Welle von neuen Veröffentlichungen ausgelöst: Fast alle großen KI-Anbieter haben mittlerweile ihre Sprachmodelle überarbeitet und eigene Reasoning-Modelle veröffentlicht.
Kurz gesagt: Die neuesten Sprachmodelle brechen komplexe Themen in einzelne Schritte auf, die sie durch logisches Schlussfolgern lösen. Einige Modelle zeigen sogar ihren Arbeitsprozess, was ein bisschen aussieht wie ein Selbstgespräch des Chatbots. Somit wird das Thema genauer analysiert und der Kontext tiefer durchforstet, was zu längeren und detaillierteren Antworten führt, die (hoffentlich) auch einen höheren Wahrheitsgehalt haben. Im Gegensatz zu den klassischen Modellen reicht es, die Anfrage knapp und präzise zu formulieren. Die Modelle entwickeln selbst die notwendigen Schritte und verstehen das übergeordnete Ziel.
So sieht der Arbeitsprozess im Einzelnen aus:
- Aufgliederung: Aufbrechen des Problems in mehrere Schritte
- Ideenentwicklung: Ausprobieren verschiedener Lösungsansätze
- Auswertung: Auswählen des passendsten Lösungsansatzes und Hinterfragen der anderen
- Lösung: Auswählen der besten Antwort.
Reasoning-Modelle und klassische Modelle im Vergleich
Wir haben für Sie die wesentlichen Unterschiede zusammengefasst:
| Merkmal | Reasoning-Modelle | Allgemeine LLMs |
| Hauptzweck und Stärken | Explizite Schritt-für-Schritt-Problemlösung und logisches „Denken“ | Generieren und verstehen allgemeiner Texte |
| Problemlösungs-Ansatz | Zerlegen Probleme in kleinere Teilschritte und zeigen die Zwischenschritte an („Denkphase“) | Zeigen die Antwort direkt an, ohne Zwischenschritte aufzuzeigen. Meist wahrscheinlichkeitsbasierte Vorhersage des nächsten Tokens. |
| Struktur der Antwort | Hochstrukturiert, mit klarer Abgrenzung zwischen den Argumentationsschritten | Flexibler und mehr auf Konversation ausgelegt |
| Training | Speziell geschult in Schritt-für-Schritt-Denkaufgaben und mathematisch-formaler Logik | Trainiert mit vielfältigen Textdaten mit vielen verschiedenen Schreibstilen und -zwecken |
| Fehlererkennung | Das Erkennen von Fehlern ist durch die Verwendung von Argumentationsschritten einfacher | Die undurchsichtige Natur der Modelle erschwert die Nachvollziehbarkeit der Argumentationen |
| Rechenleistung und Zeitbedarf | Aufgrund der Verarbeitung in Einzelschritten sind mehr Rechenressourcen erforderlich. Antworten dauern etwas länger. | Geringere Rechenanforderungen. Ausgelegt auf schnelle Antworten. Anfragen, die eine Schritt-für-Schritt-Analyse und -Interpretation erfordern, können zu Verzögerung führen. |
| Beispiele | OpenAI o, o1-mini, o3-mini DeepSeek-R1 Perplexity Deep Research Gemini Flash Thinking | GPT-4o, GTP-4.5 Perplexity AI Google Gemini Claude 3.5 Sonnet Llama3.3 |
| Anwendungsfälle | Wissenschaftliches Denken, Analyse großer Datenmengen, komplexe Problemlösung, KI-Agenten mit mehrstufiger Entscheidungsfindung | Chatbots, Textzusammenfassung, Content-Generierung |
| Auswahl von möglichen Anwendungen im Schulkontext | Planung:
| Planung:
Unterricht:
|
Die Auflistung basiert auf How Reasoning Models are transforming Logical AI thinking | Microsoft Community Hub, abgerufen am 10.03.2025.
Fazit: Beide Modelle haben ihre Berechtigung
Die Reasoning-Modelle klingen verlockend, sind aber nicht für jede Aufgabe die richtige Wahl. Für Unterrichtsinhalte und Detailplanungen sind die klassischen LLMs oft noch die bessere Lösung, da sie schnell und effizient antworten können. Geht es allerdings um komplexere Anfragen, die wissenschaftliches, rechtsbasiertes und logisches Denken erfordern, sollten Sie zum Reasoning-Modell greifen. In Bezug auf den Schulunterricht betrifft dies zum Beispiel strategische und didaktische Planungen.
Bei den meisten Anbietern kann man zwischen klassischem und Reasoning-Modell hin- und herschalten. In der Kombination beider Modelle könnten Sie mit einem Reasoning-Modell beispielsweise didaktische Pläne für den Unterricht entwickeln und mit dem allgemeinen Modell Teilaufgaben davon umsetzen.
Denken Sie bei der Nutzung von KI aber bitte auch an den Energieverbrauch, den jede Anfrage an einen Chatbot benötigt.
Wir freuen uns über Ihre Erfahrungen aus dem Schulalltag, an welcher Stelle Sie als Experten vor Ort mit KI arbeiten!
Nutzen Sie dafür gerne unser Kontaktformular oder schreiben Sie uns eine E-Mail an redaktion@hubbs.schule.
Interesse geweckt? Lesen Sie mehr zum Thema KI in der Berufsbildung:
Als Anwendung installieren
Installieren Sie HubbS als App für ein besseres Nutzungserlebnis. Mehr erfahren.