Analysen
Schreibt KI auf Deutsch besser mit oder ohne Reasoning?
Gepaarte Duelle derselben Modellvariante mit und ohne Reasoning: 35 KI-Urteile auf Deutsch, ein knappes Ergebnis, ein breites Intervall und zwei Modellfamilien, die in entgegengesetzte Richtungen zeigen.
Auf Deutsch erreicht der Reasoning-Modus in der aktuellen direkten Stichprobe des KI-Schreibrankings 54,3 Prozent der Punkte. Das liegt nahe am Gleichstand. Das explorative 95-Prozent-Intervall reicht von 32,4 bis 73,2 Prozent und schließt damit einen klaren Vorsprung für Reasoning ebenso ein wie das Gegenteil.
Hinter diesem Mittelwert liegen Ergebnisse, die sich deutlich nach Modell unterscheiden: Zwei Gemma-Varianten schneiden ohne Reasoning besser ab, zwei Qwen-Varianten mit. Alle Urteile stammen bisher von KI-Juroren. Veröffentlichte menschliche Stimmen, die dieselbe Modellvariante direkt mit und ohne Reasoning vergleichen, gibt es noch nicht.
Warum das Gerücht zu einfach ist
Das Gerücht lässt sich in einem Satz sagen: Modelle schrieben besser, wenn man ihnen das Nachdenken abgewöhne. In den gepaarten Vergleichen des Benchmarks findet sich dafür keine Stütze. Über alle vier Sprachen hinweg holt der Reasoning-Modus 63,4 Prozent der Punkte, bei einem explorativen 95-Prozent-Intervall von 53,9 bis 72,3 Prozent.
Die Umkehrung trägt allerdings genauso wenig. Die deutsche Teilstichprobe liegt fast auf Gleichstand, und die Richtung des Unterschieds kippt je nach Modellfamilie. Wer eine allgemeine Regel sucht, findet in diesen Daten vor allem eine Bedingung: Es kommt darauf an, welches Modell schreibt.
Wichtig für die Einordnung: Aktiviertes Reasoning heißt hier nur, dass das Modell vor der endgültigen Antwort eine interne Denkphase ausführen durfte. Leser und Juroren sehen ausschließlich die endgültige Antwort. Der Schalter ist eine Betriebsart, kein Maß für die Intelligenz eines Modells.
Was hier tatsächlich verglichen wird
Der Benchmark enthielt am 29. Juli 2026 um 07:12 UTC 28.041 veröffentlichte, klassifizierbare KI-Urteile. Für diese Frage zählt davon nur ein kleiner, sauber geschnittener Ausschnitt. Verglichen werden ausschließlich echte Paare: dieselbe Modellvariante, dieselbe Aufgabe, eine Antwort mit aktiviertem Reasoning und eine ohne. Alles andere bleibt gleich.
Übrig bleiben 138 KI-Urteile über 75 Konfrontationen und 26 Sprach- und Aufgabenpaare: 85 Siege mit Reasoning, 5 Unentschieden, 48 Siege ohne. Ein Sieg zählt 1 Punkt, ein Unentschieden 0,5, eine Niederlage 0.
Vier KI-Juroren bewerten diese Duelle: Claude Fable 5, Claude Opus 4.8, Claude Opus 5 und GPT 5.6 Sol. Mehrere von ihnen können dieselbe Konfrontation beurteilen. Deshalb sind die 35 deutschen Urteile keine 35 unabhängigen Texte, sondern mehrere Blicke auf 21 Textpaare. Das angegebene Intervall ist ein explorativer Cluster-Bootstrap, der die Konfrontationen neu zieht und diese Bündelung berücksichtigt, statt jedes Urteil als eigenständige Beobachtung zu behandeln.
Das deutsche Ergebnis und ein Muster, das größer ausfällt als der Effekt
Auf Deutsch stehen 35 Urteile aus 21 Konfrontationen und 7 verschiedenen Aufgaben: 19 Siege mit Reasoning, kein Unentschieden, 16 Siege ohne. Die Aufgaben verteilen sich auf drei Kategorien: Artikel, Blogs und Editorial; Erklärung und Wissensvermittlung; persönliche Kommunikation.
Die Texte mit Reasoning fallen dabei kürzer aus: 254 Wörter im Schnitt gegenüber 299, im Median 131 gegenüber 164. Wer erwartet, dass eine interne Planungsphase automatisch zu ausführlicheren Antworten führt, findet hier das Gegenteil.
Auffälliger ist ein anderes Muster. Reasoning stand in 22 Urteilen auf Seite A und in 13 auf Seite B. Auf Seite A holte es 68,2 Prozent der Punkte, auf Seite B nur 30,8 Prozent. Diese Spanne ist größer als der gemessene Unterschied zwischen den beiden Betriebsarten, und die Seiten sind ungleich besetzt. Solange die Positionen in der kleinen deutschen Stichprobe nicht ausgeglichen sind, bleibt das die wesentliche Grenze dieser Zahl: Ein Teil des knappen Vorsprungs könnte schlicht daran hängen, auf welcher Seite die Antwort stand.
Gemma und Qwen ziehen in verschiedene Richtungen
Der deutsche Durchschnitt verdeckt zwei gegenläufige Bilder. Nach Variante aufgeschlüsselt sieht die deutsche Bilanz so aus:
- Gemma 4 12B Q8: 2 Siege mit Reasoning, 8 ohne
- Gemma 4 31B QAT Q4: 1 Sieg mit Reasoning, 3 ohne
- Qwen 3.6 27B Q8: 8 Siege mit Reasoning, 3 ohne
- Qwen 3.6 35B A3B Q8: 8 Siege mit Reasoning, 2 ohne
Über alle vier Sprachen hinweg bleibt die Trennlinie bestehen, bei etwas größeren Zahlen: Gemma 4 12B Q8 kommt auf 47,5 Prozent der Punkte mit Reasoning (40 Urteile), Gemma 4 31B QAT Q4 auf 43,8 Prozent (16 Urteile), Qwen 3.6 27B Q8 auf 79,8 Prozent (42 Urteile) und Qwen 3.6 35B A3B Q8 auf 70,0 Prozent (40 Urteile).
Warum die beiden Familien so unterschiedlich reagieren, lässt sich aus diesen Daten nicht beantworten. Trainingsdaten, die Art der Denkphase und die Quantisierung kommen als Erklärungen infrage, geprüft ist keine davon. Für die Praxis genügt die Beobachtung: Wer den Schalter pauschal setzt, setzt ihn für die Hälfte dieser vier Varianten in die falsche Richtung.
Vier Sprachen, vier breite Intervalle
Nach Sprache getrennt erreicht der Reasoning-Modus 54,3 Prozent auf Deutsch (35 Urteile), 66,2 Prozent auf Englisch (34), 61,4 Prozent auf Spanisch (35) und 72,1 Prozent auf Französisch (34). In dieser Reihenfolge sieht Deutsch nach der Sprache aus, in der Reasoning am wenigsten hilft.
Die Intervalle raten zur Zurückhaltung. Deutsch und Spanisch schließen 50 Prozent klar ein, Englisch reicht ungefähr von 48,6 bis 80,6 Prozent. Nur das explorative französische Intervall liegt hier oberhalb von 50 Prozent, und es beruht auf 17 Konfrontationen.
Aus rund 35 Urteilen pro Sprache lässt sich keine Rangfolge der Sprachen ableiten. Die Abstände sind gut mit zufälliger Streuung vereinbar, und die Sprachen teilen sich dieselben vier Modellvarianten, deren Verhalten sich ohnehin stark unterscheidet. Ein sprachspezifischer Mechanismus wäre hier eine Erfindung, keine Beobachtung.
Was andere Untersuchungen zeigen
WritingBench (Yuning Wu und weitere, NeurIPS 2025) prüft 1.000 Aufgaben in 6 Bereichen und 100 Unterbereichen. Im Bereich Literature & Art schneiden Reasoning-Architekturen dort besser ab als vergleichbare Varianten ohne Reasoning. Eine Ablation mit Qwen 2.5 32B ergibt 7,58 gegenüber 7,54 auf WritingBench D4 und 82,48 gegenüber 79,43 auf EQBench, jeweils CoT gegen die Variante ohne CoT. Der erste Abstand ist winzig, der zweite deutlicher. Innerhalb dieses Protokolls spricht das für Reasoning, ein allgemeines Gesetz ist es nicht.
Die Gegenrichtung liefert AI Writers and Critics (Shraddha Vijay Pawar und weitere, CREAI 2024). Die Arbeit vergleicht 11 LLM und mehrere Prompting-Strategien bei Gedichten, Blogs, Werbetexten, Drehbüchern und Nachrichten. Beim Blogschreiben fällt CoT in ihrem Aufbau zurück, und die Erklärung ist mechanisch: Die Planung verbraucht Tokens, das Ausgabelimit bleibt gleich, für den eigentlichen Text bleibt weniger Platz. Übrig bleiben kürzere und weniger vollständige Beiträge. Mit großzügigerem Limit kann dasselbe Modell anders abschneiden. In unserer deutschen Stichprobe sind die Reasoning-Texte ebenfalls kürzer, ohne dass daraus dieselbe Ursache folgt.
LitBench (Daniel Fein und weitere, Stanford, 2025) verschiebt den Blick auf die Bewertung: Untersucht wird vor allem, wie gut Modelle kreative Texte beurteilen, nicht wie gut sie schreiben. Destillierte CoT-Spuren können ein solches Bewertungsmodell verschlechtern. Reasoning beim Autor und Reasoning beim Juror sind also zwei verschiedene Fragen, und subjektive Qualität zuverlässig zu bewerten bleibt schwer.
Dazu passt Judging LLM-as-a-Judge with MT-Bench and Chatbot Arena (Lianmin Zheng und weitere, NeurIPS 2023): Starke LLM-Juroren können gut mit menschlichen Präferenzen übereinstimmen, zeigen aber Positions-, Längen- und Selbstbevorzugungsbias. Genau deshalb protokollieren wir Seitenverteilung und Textlänge mit, und genau deshalb ist die deutsche Positionsspanne von 68,2 zu 30,8 Prozent ein ernst zu nehmender Vorbehalt.
Die Herstellerdokumentation ordnet den Schalter ein, ersetzt aber keine Evidenz. OpenAI beschreibt Reasoning als besonders geeignet für komplexe Probleme, Planung und mehrstufige Aufgaben und empfiehlt, den nützlichen Aufwand für den jeweiligen Anwendungsfall zu evaluieren. Anthropic erklärt die Budgetsteuerung und den Zielkonflikt zwischen Denken, Latenz und Kosten. Beides ist Dokumentation, keine Vergleichsstudie zur Schreibqualität. Eine deutschsprachige Primärstudie, die denselben direkten Vergleich mit vergleichbarer Genauigkeit anstellt, hat unsere Suche nicht gefunden.
Grenzen dieser Auswertung
Die Zahlen sind vorläufig, und die Einschränkungen sind keine Formalie:
- 35 deutsche Urteile aus 21 Konfrontationen sind eine schmale Basis. Mehrere Juroren bewerten dieselben Textpaare, die Urteile sind also gebündelt.
- Alle Urteile stammen von vier KI-Juroren aus zwei Häusern. Veröffentlichte menschliche Stimmen zum direkten Vergleich derselben Variante mit und ohne Reasoning fehlen bislang vollständig.
- Die vier Varianten sind lokal ausgeführte, quantisierte Modelle. Sie stehen nicht für alle LLM und nicht für die großen gehosteten Systeme.
- Die deutschen Aufgaben decken drei Kategorien ab. Fiktion und Lyrik fehlen, ebenso stark fachliche Textsorten.
- Reasoning stand ungleich oft auf Seite A, und die Punkteanteile pro Seite gehen weit auseinander.
- Die Intervalle sind explorativ. Es gibt keine konfirmatorischen Tests und keine Korrektur für Mehrfachvergleiche.
Das KI-Schreibranking steht am Anfang. Mehrere weitere Wochen mit neuen Urteilen, breiterer Aufgaben- und Modellabdeckung und menschlichen Stimmen sollten eine belastbarere Antwort erlauben. Einen Termin nennen wir dafür nicht.