„Denk Schritt für Schritt.“ Kaum ein Satz hat in KI-Ratgebern eine steilere Karriere gemacht. Er stammt aus einer echten Forschungsarbeit, er hat tatsächlich funktioniert — und bei aktuellen Modellen bringt er häufig nichts mehr.
Dieser Artikel geht die bekannten Prompting-Techniken durch und schaut, was davon belegt ist, was überholt ist und was nie mehr war als eine gute Geschichte. Nicht aus Rechthaberei: Wer seinem Team Techniken beibringt, die vor drei Jahren wirkten, verschwendet Schulungszeit.
Chain of Thought: der Klassiker und sein Verfallsdatum
Die Technik stammt aus der Arbeit „Chain-of-Thought Prompting Elicits Reasoning in Large Language Models“ von Jason Wei und Kollegen bei Google Research, eingereicht im Januar 2022. Die Idee: Statt nur die Aufgabe zu stellen, gibt man Beispiele mit ausformulierten Zwischenschritten mit.
Der Effekt war beeindruckend. Auf einem Mathe-Testsatz stieg die Trefferquote des damaligen Modells PaLM von 17,9 auf 56,9 Prozent. Erstmals schlug reines Prompting ein eigens dafür trainiertes Modell.
Schon die Originalarbeit nannte allerdings eine Einschränkung: Der Effekt trat erst bei sehr großen Modellen auf. Kleinere produzierten flüssige, aber unlogische Gedankenketten — und wurden durch die Technik teilweise schlechter.
Was seither passiert ist
Zwei Arbeiten haben das Bild deutlich verschoben.
Erstens: Eine Auswertung von über hundert Studien zum Thema, zusätzlich abgesichert durch eigene Tests mit 20 Datensätzen und 14 Modellen, kam 2024 zu einem klaren Befund. Der Nutzen von Chain of Thought konzentriert sich fast vollständig auf Mathematik und formale Logik: plus 14,2 Punkte bei symbolischen Aufgaben, plus 12,3 bei Mathematik, plus 6,9 beim logischen Schließen. In allen anderen Bereichen — Alltagswissen, Sprachverständnis, Leseverständnis — lag der Gewinn bei 0,7 Punkten. Das ist Rauschen.
Zweitens: Eine kontrollierte Untersuchung der Wharton School von Juni 2025 hat die Technik gezielt an Modellen mit eingebautem Nachdenken geprüft — 198 Fragen auf Promotionsniveau, jede Frage 25-mal je Bedingung. Ergebnis bei Reasoning-Modellen: plus 2,9 beziehungsweise plus 3,1 Prozentpunkte — statistisch messbar, praktisch belanglos. Ein getestetes Modell wurde durch die Aufforderung sogar um 3,3 Punkte schlechter. Bezahlt wird das mit 20 bis 80 Prozent längerer Antwortzeit.
OpenAI rät in den eigenen Hinweisen zu Reasoning-Modellen ausdrücklich von solchen Anweisungen ab. Die Modelle führen die Zwischenschritte längst intern aus; die Aufforderung ist bestenfalls überflüssig.
Die Techniken im Überblick
Beispiele geben (Few-Shot)
Zwei bis fünf Muster für das gewünschte Ergebnis mitzuliefern, wirkt weiterhin — besonders bei allem, was eine Form hat: Tonalität, Struktur, Klassifizierung. Das ist die Technik mit dem besten Verhältnis von Aufwand zu Wirkung und die einzige, die ich uneingeschränkt empfehlen würde.
Struktur vorgeben
Aufgabe, Material, Beispiele und Randbedingungen sichtbar trennen. Kein Zaubertrick, sondern schlicht Lesbarkeit — für Menschen wie für Modelle. Wirkt vor allem bei langen Prompts mit viel Ausgangsmaterial.
Rollen zuweisen
„Du bist ein erfahrener Steuerberater“ hat bei älteren Modellen die Tonalität beeinflusst. Bei aktuellen Modellen ist der Effekt schwach und die Nebenwirkung real: Eine erfundene Rolle kann zu selbstbewussten Falschaussagen führen. Nützlicher ist, den Adressaten zu benennen — für wen ist der Text, was weiß die Person schon?
Aufgaben verketten
Große Aufgaben in Schritte zerlegen und zwischendurch korrigieren. Unspektakulär, aber der wirksamste Hebel überhaupt bei komplexen Ergebnissen. Kein Modellthema, sondern ein Arbeitsorganisationsthema.
Mehrfach rechnen lassen
Dieselbe Frage mehrfach stellen und die häufigste Antwort nehmen — bekannt als Selbstkonsistenz. Funktioniert, kostet aber das Vielfache an Rechenzeit. Für den betrieblichen Alltag selten lohnend, für kritische Einzelentscheidungen manchmal schon.
Warum eine Technik veraltet, ohne falsch gewesen zu sein
Ein Punkt, der in der Debatte oft untergeht: Chain of Thought war nie falsch. Die Messung von 2022 stimmt. Was sich geändert hat, ist das Objekt der Messung.
Damals waren Sprachmodelle reine Textvervollständiger. Man musste sie zum Nachdenken überreden, weil sie sonst die erstbeste Antwort ausgaben. Heutige Reasoning-Modelle haben genau dieses Verhalten antrainiert bekommen — sie denken ohnehin, bevor sie antworten. Die Aufforderung dazu ist deshalb so sinnvoll wie der Hinweis an einen Buchhalter, doch bitte nachzurechnen.
Daraus folgt eine allgemeinere Lehre für den Umgang mit KI-Ratgebern: Jede Prompting-Technik ist eine Aussage über eine bestimmte Modellgeneration. Wer sie ohne diesen Zusatz weitergibt, verbreitet früher oder später Unsinn. Deshalb steht in seriösen Quellen immer dabei, woran gemessen wurde — und deshalb ist ein undatierter Ratgeber wertlos, egal wie überzeugend er klingt.
Nebenbei ist auch der Testmaßstab von damals überholt: Der Mathe-Testsatz, an dem der Sprung von 17,9 auf 56,9 Prozent gemessen wurde, ist heute praktisch ausgereizt — Spitzenmodelle liegen bei über 95 Prozent, und die Aufgaben stehen seit Jahren im Netz. Ein Vergleich mit heutigen Werten wäre schlicht unseriös.
Was nachweislich nichts bringt
Zwei Dinge, die sich hartnäckig halten und keiner Prüfung standhalten:
- Höflichkeit als Qualitätshebel. Es gibt keinen belastbaren Beleg, dass „bitte“ und „danke“ bessere Antworten erzeugen. Man darf höflich sein, weil man höflich ist — nur nicht, weil man sich davon bessere Ergebnisse verspricht.
- Trinkgeld und Drohungen. „Ich gebe dir 200 Euro Trinkgeld“ oder „Meine Karriere hängt davon ab“ kursieren seit Jahren. Wo das untersucht wurde, waren die Effekte uneinheitlich und klein. Als Technik taugt das nichts.
Beides ist typisch für ein Feld, in dem sich Anekdoten schneller verbreiten als Messungen. Wenn eine Technik nur über Screenshots und Erfahrungsberichte belegt ist, ist Skepsis angebracht.
Was das für dein Unternehmen heißt
Drei praktische Schlussfolgerungen:
- Schult Klarheit, nicht Tricks. Die Fähigkeit, eine Aufgabe präzise zu beschreiben, wirkt bei jedem Modell und veraltet nicht. Trickwissen veraltet mit dem nächsten Modell.
- Prüft Techniken an eurer eigenen Aufgabe. Zehn Durchläufe mit und ohne die Technik, dann vergleicht ihr. Das ist mehr Evidenz als jeder Ratgeber euch liefern kann — und es dauert eine halbe Stunde.
- Setzt beim Kontext an, nicht beim Prompt. Der größere Hebel liegt fast immer in den Informationen, die das Modell bekommt — nicht in der Formulierung der Frage. Genau darum geht es beim Context Engineering.
Häufige Fragen zu Prompting-Techniken
Ist Prompt Engineering damit tot?
Nein, aber es hat sich verschoben. Was verschwindet, sind die Zaubersprüche. Was bleibt, ist die Fähigkeit, Aufgaben klar zu stellen und dem Modell die richtigen Informationen mitzugeben. Der zweite Teil wird eher wichtiger.
Soll ich „Denk Schritt für Schritt“ jetzt weglassen?
Bei Modellen mit eingebautem Nachdenken: ja, es bringt kaum etwas und kostet Zeit. Bei einfacheren, schnellen Modellen kann es weiterhin helfen — dort ist der gemessene Effekt deutlich größer. Wenn du nicht sicher bist, welche Sorte du nutzt: einmal mit und einmal ohne testen.
Warum widersprechen sich die Studien scheinbar?
Weil sie unterschiedliche Dinge messen. Die Ursprungsarbeit prüfte ein Basismodell von 2022 ohne jedes Training auf Anweisungsbefolgung. Die Wharton-Untersuchung prüfte Modelle mit eingebautem Nachdenken gegen eine Bedingung, in der das Modell ausdrücklich nicht nachdenken durfte. Dass dabei unterschiedliche Zahlen herauskommen, ist kein Widerspruch, sondern erwartbar. Wer Studien vergleicht, muss zuerst die Vergleichsbedingung anschauen — nicht die Überschrift.
Woran erkenne ich seriöse Prompting-Ratgeber?
An drei Dingen: Sie nennen Quellen, sie nennen ein Datum, und sie sagen dazu, für welche Modelle etwas gilt. Ein Ratgeber ohne diese drei Angaben ist bestenfalls eine Momentaufnahme von irgendwann.
Lohnt sich eine Schulung, wenn sich alles so schnell ändert?
Gerade deshalb — aber mit dem richtigen Inhalt. Eine Schulung, die 20 Prompt-Vorlagen verteilt, ist in einem halben Jahr wertlos. Eine, die vermittelt, wie man Aufgaben zerlegt, Kontext bereitstellt und Ergebnisse prüft, hält deutlich länger. Seit Februar 2025 gibt es dafür ohnehin eine rechtliche Grundlage.
Fazit: Die Halbwertszeit von Tricks ist kurz
Chain of Thought war 2022 eine echte Entdeckung. 2026 ist es bei den meisten Modellen und den meisten Aufgaben überflüssig. Das ist kein Makel der Forschung — es zeigt nur, wie schnell sich der Boden bewegt.
Was daraus folgt, ist beruhigend unspektakulär: Die Techniken, die überdauern, sind die langweiligen. Beispiele zeigen. Struktur geben. Zerlegen. Klar sagen, was gebraucht wird. Wer das kann, kommt mit jedem Modell zurecht — auch mit dem, das nächstes Jahr erscheint.
Wenn ihr im Team einen gemeinsamen, belastbaren Stand dazu wollt, machen wir das in einem KI-Workshop — mit euren Aufgaben statt mit Beispielen aus dem Lehrbuch.