Zwei Arten von Reasoning, die Ihr KI-Agent zum Erfolg braucht

Zusammenfassung

Reasoning ist die Kernfähigkeit jedes Agenten. Es kann von formaler Logik, von LLMs oder von anderen Algorithmen angetrieben werden – jede Variante bringt unterschiedliche Stärken mit.

LLM-Reasoning ist probabilistisch – ideal, um Ideen zu erkunden, Hypothesen zu bilden und offene Fragen zu behandeln. Reasoning mit OWL und SPARQL ist deterministisch und beweisbar – ideal für Aufgaben, die strenges Schließen und Korrektheit erfordern.

Das sind keine konkurrierenden Ansätze. Es sind komplementäre Engines, die – kombiniert über Architekturen wie Schema-RAG – Agenten hervorbringen, die flexibel denken und korrekt handeln können. Organisationen, die für beides entwerfen, bauen KI, die in der Produktion funktioniert, nicht nur in der Demo.

Reasoning steht im Zentrum jedes Agenten

Jeder Agent folgt konstruktionsbedingt derselben Grundschleife: wahrnehmen, schließen, handeln. Er nimmt etwas über die Welt wahr, ermittelt, was es bedeutet, und entscheidet, was als Nächstes zu tun ist. Reasoning ist der Kern dieser Schleife – es ist das „Warum" hinter jeder Handlung, die ein Agent ausführt.

Was sich in jüngster Zeit geändert hat: Large Language Models haben sich als leistungsstarke Reasoning-Engine für Agenten herausgebildet – fähig zu flüssigem, kreativem Schließen, wenn auch nie ganz auf dieselbe Weise zweimal. Sie sind jedoch nicht die einzige Option. Formale Logik, ausgedrückt über Standards wie OWL und SPARQL, liefert seit Langem ein Reasoning, das präzise, vorhersehbar und vollständig nachvollziehbar ist. Die richtige Mischung entscheidet darüber, ob Ihr Agent bloß clever oder wirklich vertrauenswürdig ist.

Das LLM: die probabilistische Reasoning-Engine

Eine neue Klasse von „Thinking-Modellen" hat das LLM-Reasoning kürzlich weiter vorangebracht. Anders als Standard-LLMs, die unmittelbar antworten, erzeugen diese Modelle interne Reasoning-Tokens, bevor sie ihre finale Antwort ausgeben: Sie zerlegen Probleme, erwägen mehrere Ansätze und arbeiten Zwischenschritte durch, bevor sie sich auf eine Antwort festlegen. Das Ergebnis ist eine messbar stärkere Leistung bei komplexeren Aufgaben.

Doch der zugrunde liegende Mechanismus bleibt derselbe. Jedes LLM – ob „thinking" oder nicht – ist eine Maschine zur Vorhersage des nächsten Tokens. Gegeben alle bisher gesehenen Tokens (Wörter oder Subwörter), berechnet das Modell über seine Transformer-Architektur eine Wahrscheinlichkeitsverteilung darüber, was als Nächstes kommen sollte. Es zieht dann eine Stichprobe aus dieser Verteilung, hängt das gewählte Token an und wiederholt den Vorgang. Jeder Satz, jede Gedankenkette, jeder Reasoning-Schritt wird durch diesen Prozess Token für Token aufgebaut.

Das bedeutet: Das Modell führt keine logische Prozedur aus – es sagt statistisch voraus, welcher Text am wahrscheinlichsten folgt. Ändern Sie die Temperatur, formulieren Sie den Prompt um oder führen Sie schlicht dieselbe Abfrage zweimal aus, und der gezogene Pfad kann sich unterscheiden. Die Reasoning-Schritte entstehen aus Wahrscheinlichkeit, nicht aus Regeln.

Forschung von Google DeepMind zu „Deep-Thinking-Tokens" wirft weiteres Licht darauf. Jene Tokens, bei denen ein Modell am unsichersten ist – die mit der höchsten Varianz über verschiedene Läufe hinweg –, entsprechen direkt den Reasoning-Schritten, in denen das Modell Ideen verbindet und Schlussfolgerungen bildet. Stabile Tokens mit hoher Konfidenz spiegeln tendenziell auswendig gelernte Fakten wider.

Deshalb glänzen LLMs beim Brainstorming, bei der Hypothesenbildung, beim Bilden von Analogien und beim Erzeugen von Erklärungen, die aufschlussreich wirken. Doch es bedeutet auch, dass dieselbe, zweimal gestellte Frage unterschiedliche Gedankenketten hervorbringen und zu unterschiedlichen Schlüssen gelangen kann. Für Aufgaben, bei denen Korrektheit, Nachvollziehbarkeit und Wiederholbarkeit zählen, ist das eine ernsthafte Einschränkung.

OWL und SPARQL: der verfassungsgebende Rahmen

Formales Reasoning über OWL und SPARQL lebt in einer anderen Welt als LLM-basiertes Reasoning. OWL gründet auf Beschreibungslogiken (Description Logics): einem Zweig der formalen Logik, der Konzepte, Beziehungen und Constraints mit mathematischer Präzision definiert. Eine Ontologie fungiert wie ein verfassungsgebender Rahmen für Ihre Daten: Sie legt dar, was wahr sein muss, was nicht wahr sein kann und wie verschiedene Teile zueinander in Beziehung stehen. Es gibt keinen Raum für Interpretation oder Mehrdeutigkeit. Wo ein LLM Antworten liefert, die plausibel sind, produziert ein OWL-Reasoner Schlussfolgerungen, die durch die Regeln garantiert sind.

Da die Ontologie die konzeptionelle Struktur der Domäne definiert, kann ein Reasoner diese Regeln anwenden, um implizites Wissen explizit zu machen – etwa Unterklassenhierarchien, Eigenschaftshierarchien oder einfache OWL-Eigenschaftsmerkmale. In der Praxis geht es dabei nicht darum, in großem Maßstab neue Fakten zu entdecken, sondern den Graph um die Beziehungen anzureichern, die logisch aus dem Schema folgen. Diese abgeleiteten Triples sind keine Vermutungen oder Heuristiken; sie sind Konsequenzen, die gelten müssen, wenn sowohl die Ontologie als auch die Daten korrekt sind.

SPARQL ergänzt dies, indem es präzise, musterbasierte Abfragen über den Graph bereitstellt. Es ruft genau die Informationen ab, die zur definierten Struktur passen, und untermauert damit den Gedanken, dass das System auf expliziten, überprüfbaren Daten operiert statt auf Interpretation.

Der entscheidende Unterschied ist Determinismus. Bei gleicher Ontologie und gleichen Eingabedaten erzeugt jeder standardkonforme OWL- oder SPARQL-Reasoner stets exakt dieselben Ergebnisse. Keine Zufälligkeit, keine Variation, keine alternativen Interpretationen. Und weil jede Inferenz aus einer definierten Regel oder einem Axiom stammt, ist der Reasoning-Prozess vollständig transparent und auditierbar – eine kritische Anforderung für Systeme, die Zuverlässigkeit, Compliance und Vertrauen brauchen.

Beide kombinieren: flexibles Denken, garantierte Ergebnisse

Die eigentliche architektonische Erkenntnis ist, dass diese beiden Reasoning-Engines grundlegend unterschiedlichen Zwecken dienen – und dass ein produktionstauglicher Agent Zugang zu beiden braucht. LLM-Reasoning erzeugt Möglichkeiten: Es erkundet, generiert Optionen und bewältigt unübersichtliche, mehrdeutige Probleme. OWL-Reasoning erzeugt Gewissheiten: Es validiert, klassifiziert und setzt Constraints durch.

Diese Kombination nimmt bereits in Architekturen wie Schema-RAG Gestalt an. Der Knowledge Graph liefert das faktische Rückgrat, während das LLM das Verstehen natürlicher Sprache und die Antworterzeugung übernimmt. Der Graph verankert das LLM – er reduziert Halluzinationen, verankert Antworten in verifizierten Entitäten und Beziehungen und setzt die Regeln der Ontologie durch.

Fazit

Wenn Sie Strategien für KI-Agenten bewerten, lautet die Frage nicht, ob Sie ein LLM oder einen Knowledge Graph nutzen sollen – sondern wie Sie beide kombinieren, damit Ihre Agenten kreativ denken und korrekt handeln können.

Reasoning ist keine Funktion, die man am Ende anschraubt. Es ist die Kernfähigkeit, die einen nützlichen Agenten von einem vordefinierten Workflow unterscheidet. Die Wahl der Reasoning-Engine – probabilistisch, deterministisch oder beides – ist eine der folgenreichsten architektonischen Entscheidungen, die Sie treffen werden. Beginnen Sie damit, zu identifizieren, wo Ihre Organisation Exploration braucht und wo sie Durchsetzung braucht, und entwerfen Sie Ihre Architektur dann um beides herum.