Konzeptkarte

Reasoning-Modelle — Claude Extended Thinking, GPT-o4, Gemini Thinking

Stand 2026-07-23

Redaktion: Cédric-Olivier Mâry, alleiniger Redakteur und verantwortlich für die Veröffentlichung — 27 Jahre im SAP-Ökosystem. Wie diese Seiten entstehen und wo Automatisierung eingesetzt wird.

Was ist Reasoning-Modelle — Claude Extended Thinking, GPT-o4, Gemini Thinking?

Reasoning-Modelle wenden pro schwieriger Anfrage über eine interne Gedankenkette (Chain-of-Thought) das 10- bis 100-Fache an Inferenz-Rechenleistung auf, und die richtige Architektur leitet nur die 5-15 % der tatsächlich schwierigen Agenten-Aufrufe an sie weiter, nicht jeden Aufruf.

Worum es geht

Reasoning-Modelle sind der architektonische Wendepunkt von 2026, den der Stanford HAI AI Index 2026 als technisches Fundament der Agentic-AI-Kategorie dokumentiert. Sie unterscheiden sich von Baseline-LLMs in einer entscheidenden Achse: Zur Inferenzzeit wenden sie zusätzliche Rechenleistung auf eine interne Gedankenkette (Chain-of-Thought) an, bevor sie die endgültige Antwort erzeugen — das „Denken“ des Modells ist selbst ein Rechenschritt, kein bloßer Prompt-Engineering-Trick. Die drei produktionsreifen Varianten im Jahr 2026 sind Anthropics Claude Extended Thinking, OpenAIs GPT-o4 und Googles Gemini Thinking.

Warum es zählt

Die Benchmark-Signatur ist unverkennbar: GPQA Diamond springt von 40-50 % Baseline auf 70-85 % mit aktiviertem Reasoning, und Reasoning-Modelle überschreiten Wettbewerbsmathematik-Schwellenwerte, die Baseline-Modelle nie erreichen.
Die Kosten sind real — 30-120 Sekunden pro schwieriger Antwort gegenüber 2-5 Sekunden bei einem Baseline-LLM, und 5- bis 20-fach höhere Token-Kosten pro Anfrage.
Jeder Anbieter liefert eine eigene Variante in ein eigenes Produkt: Claude Extended Thinking (sichtbare Spuren, SAPs autonome Supply-Chain-Agenten), GPT-o4 (standardmäßig verborgen, Microsoft Copilot Studio), Gemini Thinking (sichtbar, Databricks Mosaic AI).

Kernpunkte

Reasoning-Modelle wenden variable Rechenleistung zur Inferenzzeit auf eine interne Gedankenkette an, bevor sie antworten — der architektonische Wendepunkt von 2026 laut Stanford HAI AI Index 2026.
Benchmark-Signatur bei GPQA Diamond — 70-85 % mit Reasoning gegenüber 40-50 % Baseline; die Lücke ist die kanonische Kennzahl für den „Wert des Reasoning-Modus“.
Drei produktionsreife Varianten — Claude Extended Thinking (Anthropic, sichtbare Spuren, von SAP für Supply-Chain-Agenten genutzt) · GPT-o4 (OpenAI, standardmäßig verborgen, Copilot Studio) · Gemini Thinking (Google, Vertex AI, Databricks Mosaic AI).
Abwägung — 30-120 s Latenz gegenüber 2-5 s Baseline · 5- bis 20-fache Kosten pro Anfrage · nur gerechtfertigt für die 5-15 % der Agenten-Aufrufe, bei denen die Frage wirklich schwierig ist.
Hybrides Routing-Muster — Joule Studio 2.0 (Juni 2026) routet automatisch zwischen Reasoning und Baseline; die Architekturentscheidung, die ein Berater gegenüber dem CFO des Kunden verteidigt.
Reasoning-Modelle — Claude Extended Thinking, GPT-o4, Gemini Thinking ist erst beherrscht, wenn es eine benannte Kaufentscheidung verändert.
Beginnen Sie mit dem semantischen Vertrag und dem Kontrollmodell, bevor Sie das Tool demonstrieren.
Nutzen Sie aktuelle SAP-, Analysten-, Studien-, Knowledge-Graph- und News-Signale als Beleg, nicht als Dekoration.
Trennen Sie verifizierte Fakten von richtungsweisenden Trends und modellierten Annahmen.
Definieren Sie Verantwortlichen, Kennzahl, Schwellenwert, Support-Pfad und Rollback, bevor Sie skalieren.

Begriffe auf dieser Seite

Extended Thinking: Anthropics Bezeichnung für den Modus variabler Rechenleistung zur Inferenzzeit bei Claude, bei dem das Modell vor der endgültigen Antwort eine sichtbare Chain-of-Thought-Spur erzeugt; der Thinking-Budget-Parameter ist vom aufrufenden Agenten steuerbar.
GPT-o4: OpenAIs 2026er Reasoning-Modell-Variante; standardmäßig verborgene Gedankenkette, optionale zusammengefasste Spuren; die Variante, die Microsoft Copilot Studio für hochkomplexe Agenten-Workflows bereitstellt.
Gemini Thinking: Googles 2026er Reasoning-Modell-Variante; sichtbares Denken, native Vertex-AI-Integration; die Variante, die am stärksten in Databricks-Mosaic-AI-Agenten eingebettet ist.
Hybrides Routing: Das architektonische Muster, bei dem eine Agentenplattform jeden Aufruf zwischen einem Reasoning-Modell (5-15 % schwieriger Fragen) und einem Baseline-LLM (85 % Routine) routet, um Genauigkeit, Latenz und Kosten auszubalancieren; Joule Studio 2.0 (Juni 2026) implementiert dies nativ.
Entscheidungsverantwortlicher: Die verantwortliche Person, die den Trade-off akzeptiert und die nächste Maßnahme finanziert.
Semantischer Vertrag: Die gemeinsame Definition von Geschäftsbegriffen, Kennzahlen, Entitäten und Zugriffsregeln, die von Tools und Teams verwendet wird.
Kontrollebene: Die Schicht, die Policy, Zugriff, Lineage, Monitoring und Eskalation über das Betriebsmodell hinweg durchsetzt.
Evidenzgrad: Eine Kennzeichnung, die verifizierte Fakten, richtungsweisende Signale, modellierte Annahmen und Feldbeobachtungen unterscheidet.

Quellen

Vollständige Karte für Mitglieder. Was die vollständige Karte ergänzt: den vollständigen Entscheidungsrahmen · den Vergleich SAP · Snowflake · Databricks · Fabric · die häufigen Fallstricke und ihre Behebung · die Kurzreferenz · die Architekturschemata · die Codeblöcke.

In der App öffnen →