Bei einer Reasoning-KI handelt es sich um neue KI-Systeme, die weit über das bloße Erkennen von Mustern hinausgehen. Während herkömmliche Modelle insbesondere Wahrscheinlichkeiten berechnen und vorhersagen, welches Wort oder welche Zahl eher als Nächstes folgt, setzt Reasoning-KI auf die Fähigkeit zu logischen Schlussfolgerungen, strukturierter Planung und problemlösender Kreativität. Auf diese Weise imitiert die Technologie Denkprozesse, die man bislang ausschließlich dem Menschen zuschrieb. Statt nur ein statistisches Muster zu erkennen, entwickelt die Reasoning-KI eine Art gedankliche Kette, ähnlich wie ein Mensch, der eine komplexe Aufgabe Schritt für Schritt angeht und durchdenkt. Insbesondere KI-Agenten profitieren in ihrer Wirksamkeit von fortgeschrittenen Reasoning-Fähigkeiten. Dadurch sind sie in der Lage, komplexe Problemstellungen zu analysieren, Handlungsstrategien abzuleiten und ihr Verhalten auf Basis neuer Daten situationsabhängig zu optimieren.

In der IT wird in diesem Zusammenhang häufig von sogenannten „System 2“-Fähigkeiten gesprochen. Dies geht darauf zurück, dass das menschliche Denken in zwei Systeme unterteilt wird: System 1 steht für schnelle, intuitive Reaktionen, System 2 dagegen für reflektierte, bewusste Überlegungen. Genau diesen zweiten Modus versuchen Reasoning-KI-Modelle abzubilden. Das heißt, das System soll nicht impulsartig auf Eingaben reagieren, sondern Argumente entwickeln, Alternativen abwägen und Entscheidungen nachvollziehbar herleiten.

„Das Modell formuliert zunächst eigene Gedankengänge, die es wie eine innere Argumentationskette aufbaut. Erst am Ende dieser Kette steht die finale Lösung, die so für den Anwender deutlich transparenter und besser nachvollziehbar wird.“

Otto Geißler, Fachjounalist für IT und digitale Strategien

Funktionsweise der Technologie

Grundlage von Reasoning-KI sind große Sprachmodelle, die durch gezielte Mechanismen erweitert wurden. Eine zentrale Rolle spielen hierbei interne Zwischenschritte. Das heißt, das Modell formuliert zunächst eigene Gedankengänge, die es wie eine innere Argumentationskette aufbaut. Erst am Ende dieser Kette steht die finale Lösung, die so für den Anwender deutlich transparenter und besser nachvollziehbar wird.

Dafür erlaubt es Reasoning-KI den Modellen, ihre eigenen Zwischenschritte kritisch zu überprüfen, mögliche Fehler zu erkennen und gegebenenfalls Korrekturen vorzunehmen. Zusätzlich kann das System externe Hilfsmittel wie Suchmaschinen, Taschenrechner oder Datenbanken einbinden, um Antworten mit Fakten zu unterlegen oder Berechnungen abzusichern. Dadurch wird es robuster und weniger anfällig für Fehler, die rein aus statistischen Mustern entstehen können.

Des Weiteren spielt das Training auch eine entscheidende Rolle. Reasoning-Modelle werden nicht nur mit großen Textmengen gefüttert, sondern gezielt auf komplexe Aufgaben vorbereitet. Verfahren wie Reinforcement Learning, Curriculum Learning oder eigens entwickelte Reasoning-Datensätze helfen dabei, die Fähigkeit zu „menschlichem Denken“ und strukturiertem Problemlösen zu schärfen.

Wobei es sich beim Reinforcement Learning um eine Methode des maschinellen Lernens handelt, bei der ein Agent durch Interaktion mit einer Umgebung lernt, Belohnungen zu maximieren. Das Curriculum Learning zählt ebenfalls zu den Methoden des maschinellen Lernens, jedoch wird in diesem Fall das Modell schrittweise von einfachen zu schwierigen Aufgaben trainiert.

Verfahren für Reasoning-KI

Folgende Verfahren verwandeln statistische Sprachmodelle in nachvollziehbare Problemlöser, deren Resultate weitaus verlässlicher sind.

• Denken sichtbar machen
  Das Verfahren des Chain-of-Thought-Prompting zwingt das KI-Modell dazu, nicht nur eine Lösung zu liefern, sondern die Zwischenschritte offenzulegen. Diese Vorgehensweise macht Schlussfolgerungen nachvollziehbar, erhöht die Auffindbarkeit von Fehlern und optimiert die Lösungskompetenz vor allem bei mehrstufigen Problemen.
  
• Mehrere Denkwege prüfen
  Self-Consistency erweitert die erste gefundene Idee, indem das KI-Modell mehrere alternative Gedankengänge generiert und die Antworten vergleicht. Daraus wird die konsistenteste oder am häufigsten auftauchende Schlussfolgerung ausgewählt.
  
• Pfade statt Linien
  Tree-of-Thoughts durchbricht die lineare Denkstruktur und errichtet einen Entscheidungsbaum. Statt einen einzigen Pfad zu verfolgen, erkundet das KI-Modell parallel mehrere Lösungszweige, bewertet Zwischenstände und verwirft unbrauchbare Äste. Dieses Verfahren erinnert stark an menschliches Abwägen komplexer Szenarien.
  
• Schrittweise Komplexität
  Least-to-Most zerlegt große Aufgaben in eine Abfolge kleinerer, aufeinander aufbauender Teilprobleme. Das KI-Modell löst einfache Unteraufgaben, nutzt deren Ergebnisse für schwerere Schritte und steigert so systematisch die Komplexität. Auf diese Weise entsteht ein systematischer Lern- und Lösungsprozess, der sich hervorragend für komplizierte Problemstellungen eignet.

Reasoning-KI ist überall dort relevant, wo einfache Mustererkennung nicht reicht, sondern echtes Problemlösen und Planen gefragt ist. In der Folge ein paar Anwendungsfälle:

• Prozessplanung
  In der Unternehmensplanung eröffnet Reasoning-KI neue Möglichkeiten. Während klassische Systeme vor allem historische Daten auswerten und Trends extrapolieren, können Reasoning-fähige Modelle Szenarien simulieren und logische Abhängigkeiten berücksichtigen. Ein Unternehmen, das eine neue Produktionslinie aufbauen will, erhält dadurch nicht nur Absatzprognosen, sondern auch detaillierte Analysen zu Lieferkettenrisiken, regulatorischen Anforderungen oder Nachhaltigkeitszielen. Die Technologie ermöglicht es, verschiedene Handlungsoptionen parallel durchzuspielen. Sie berechnet nicht nur, ob eine Investition profitabel sein könnte, sondern auch, wie externe Schocks – etwa Rohstoffengpässe oder geopolitische Krisen – die Planung beeinflussen würden. Damit entsteht eine Art Entscheidungsraum, der weit mehr Faktoren einbezieht, als es rein statistische Modelle könnten.
  

• KI-Agenten
  Digitale Assistenten verändern sich durch Reasoning-KI grundlegend. Statt einfache Routinen abzuarbeiten, entwickeln sie Strategien, setzen Prioritäten und reflektieren ihre Ergebnisse. Ein virtueller Projektmanager kann mehrere Teams gleichzeitig koordinieren, Ressourcen-Knappheiten rechtzeitig erkennen und schnell Umplanungen vorschlagen. Anders als herkömmliche Task-Manager agiert er nicht passiv, sondern denkt aktiv mit. Das bringt digitale Agenten näher an die Rolle echter Projektpartner. Sie begleiten Projekte nicht nur, sondern gestalten sie mit. Führungskräfte werden entlastet, weil Entscheidungen vorbereitet, Alternativen bewertet und Risiken frühzeitig sichtbar gemacht werden. Damit rückt die Vision eines digitalen Co-Managers, der auf Augenhöhe agiert, ein gutes Stück näher.
  

• Automatisierung
  In der industriellen Praxis entfaltet Reasoning-KI den vielleicht sichtbarsten Vorteil. Während klassische Automatisierungssysteme oftmals schnell Probleme aufwerfen, sobald Prozesse von der Norm abweichen, reagiert Reasoning-KI äußerst flexibel. Beispielsweise führt ein defektes Bauteil in der Fertigungslinie nicht automatisch zum Stillstand. Stattdessen prüft die KI, ob Nachbearbeitung möglich ist, ob ein Austausch schneller wäre oder ob sich Teile des Prozesses vorübergehend umleiten lassen. Ähnliche Vorteile zeigen sich in der Logistik. Fällt ein Transportweg aus, kalkuliert die KI alternative Routen, vergleicht Kosten, Geschwindigkeit und ökologische Faktoren und schlägt die beste Option vor. Die Fähigkeit, verschiedene Szenarien gleichzeitig durchzurechnen und logisch gegeneinander abzuwägen, macht sie zu einem Game-Changer in einer Welt, die von Unsicherheit und Störungen geprägt ist.

Mehr zum Thema

Maschinencheck mit KI

Kann künstliche Intelligenz drohende Maschinenausfälle noch früher erkennen? Wie lässt sich im industriellen Maßstab eine KI-unterstützte Echtzeit-Zustandsanalyse von Bauteilen nutzen? Ein Schaeffler-Experte gibt Antworten. Weiterlesen

Qualität beginnt digital

Digital Engineering ermöglicht eine schnellere, präzisere und effizientere Produktentwicklung. Doch ein Wandel von realen zu virtuellen Prozessen verlangt nicht nur neue Systeme, sondern auch ein Umdenken in Organisationen. Weiterlesen

Reasoning-KI im Einsatz

Für den Bereich der intelligenten Produktionsplanung implementierte ein europäischer Hersteller von Fertigteilbeton ein KI-gestütztes Planungssystem (Artificial Intelligence Planner), das „Reasoning-fähige Elemente“ beinhaltet. Herkömmliche Produktionsplanungssoftware scheitert häufig an kurzfristigen Änderungen, wenn beispielsweise Kunden ihre Bestellungen spontan ändern oder Lieferungen von Rohstoffen verspätet eintreffen.

Um für diese unvorhergesehenen Planänderungen rechtzeitig gewappnet zu sein, kombiniert die Reasoning-KI historische Daten, Echtzeit-Sensorinformationen mit externen Parametern (Lieferkettenrisiken, Wetterbedingungen, Transportkapazitäten etc.) und ist dadurch in der Lage, Alternativszenarien sehr schnell durchzurechnen.

Auf diese Weise lassen sich nicht nur Engpässe rechtzeitig vorhersagen, sondern auch eigenständig praktikable Lösungen vorschlagen, etwa die kurzfristige Umplanung von Arbeitsabläufen oder die Umverteilung von Maschinenressourcen. Dank der IT-Lösung durch Reasoning-KI ist das Unternehmen nun in der Lage, eine deutlich höhere Termintreue zu erzielen und die Anzahl der Produktionsausfälle erheblich zu reduzieren.

Vom Reagieren zur Proaktivität

Das verbindende Element all dieser Anwendungsfelder ist der Übergang von reaktiven zu proaktiven Systemen. Reasoning-KI folgt nicht mehr starren Wenn-dann-Regeln, sondern prüft, reflektiert, plant und entwickelt eigenständig Handlungsoptionen. Unternehmen erhalten damit Werkzeuge, die nicht nur ausführen, sondern mitdenken. Dieser Paradigmenwechsel verändert die Art, wie Unternehmen planen und Entscheidungen treffen, wie Mitarbeiter mit digitalen Assistenten interagieren und wie Produktions- und Lieferketten auf unvorhersehbare Ereignisse reagieren können.

3 Fragen an ...

© Privat

... Andreas Zeug, Projektleiter für Humanoide Robotik im Bereich Advanced Automation bei der Motion Technology Company Schaeffler

Was bedeutet Reasoning-KI für die Fähigkeiten von humanoiden Robotern?
Im Gegensatz zu klassischen KI-Systemen, die darauf ausgelegt sind, statistische Muster zu erkennen und auf bekannte Situationen zu reagieren, geht Reasoning-KI einen entscheidenden Schritt weiter: Reasoning-KI macht aus Humanoiden aktive Problemlöser. Ein humanoider Roboter, der Reasoning-fähig ist, versteht das Ziel einer Aufgabenstellung, plant selbst die Arbeitsschritte und kann bei unvorhergesehenen Schwierigkeiten eigenständig Alternativen suchen und das Problem lösen.

Wie zeigt sich das konkret bei Schaeffler? Welche neuen Einsatzmöglichkeiten gewinnen humanoide Systeme bei Schaeffler durch Reasoning-KI?
Ein anschauliches Beispiel ist ein Projekt, das wir gegenwärtig in unserem Labor in Erlangen durchführen. Hier trainiert der Prototyp eines Humanoiden, Lagerringe aus einer unsortiert befüllten Kiste zu greifen und sie danach kontrolliert auf ein Förderband zu legen, um so eine Maschine zu beladen. Bisher hätte man zeitaufwändig für jede Ringgröße ein eigenes Programm schreiben und alle Unwägbarkeiten berücksichtigen müssen, heute läuft das anders: Der Humanoid trainiert die Aufgabe selbst, indem der Vorgang einige Male per Teleoperation, also per Fernsteuerung, vom Menschen vorgemacht wird und er sich dann selbst weiter optimiert. Es gibt keinen fest programmierten Ablauf mehr. Er greift, bewertet das Ergebnis und passt seine Strategie an – hunderte Male. Er kann seine Umgebung mit Kameras und Sensoren wahrnehmen. Also: Dieser eine Ring ist jetzt umgefallen, das heißt, ich kann ihn nicht mehr greifen. Er greift einen anderen Ring oder denselben Ring, indem er ihn anders greift. Mit jeder Wiederholung verfeinert er sein Bewegungsmuster, bis er sicher und präzise jeden Ring aufnehmen kann. Diese Lernschleifen werden durch Reasoning-KI gesteuert, die Zusammenhänge erkennt und logische Entscheidungen trifft, warum ein Griff funktioniert oder nicht. Das Ergebnis ist ein System, das robust auf reale Störungen reagieren kann.

Was bedeutet das für die Zusammenarbeit von Mensch und Maschine?
Mit Reasoning-KI verändert sich die Art, wie wir dem Roboter Aufgaben geben und ihn bedienen. Wir programmieren nicht mehr – wir trainieren. Der Mensch gibt dem Roboter Ziele und Grenzen vor, etwa: Entnehme alle Ringe aus der Kiste und richte sie zum Ablegen horizontal aus. Der Roboter entwickelt dann selbst eine Strategie, überprüft diese, indem er entscheidet, ob sie erfolgreich war oder nicht, und optimiert sie so. Das macht die Interaktion natürlicher, flexibler und effizienter. Für Schaeffler ist das der Beginn einer neuen Generation von Automationssystemen: humanoide Roboter, die zu denkenden Partnern in der Produktion werden – immer bereit, sich auf neue Anforderungen einzustellen.