Analyse und Entscheidungsfindung

Lektion aktualisiert am 2. November 2026. Die ursprünglichen Beispiele verwendeten Magistral, das am 31. Juli 2026 eingestellt wurde. Es werden nun Mistral Small 4 (mistral-small-2603) oder Mistral Large 4 (mistral-large-4-0) mit reasoning_effort="high" verwendet, und die Antwort wird mit der Funktion separer aus Lektion 3 analysiert. Quelle: Reasoning (Mistral Dokumentation).

Reasoning zur Unterstützung der Entscheidungsfindung

Seien wir ehrlich, bevor wir in die Techniken einsteigen: Das Modell trifft die Entscheidung nicht für Sie, und das ist auch nicht der Punkt. Was Reasoning für die Entscheidungsfindung bringt, ist das, was ein guter Berater liefert: Explizitheit. Kriterien, die implizit geblieben sind, Szenarien, die Sie noch nicht durchgespielt haben, Risiken, die niemand erwähnt hat: All dies auf schwarzem Grund in weißer Schrift dargestellt, überlässt Ihnen den finalen Beschluss, aber Sie sind dabei weitaus besser informiert.

Komplexe Entscheidungen erfordern eine Mehrkriterien-Analyse, die Berücksichtigung verschiedener Perspektiven und die Fähigkeit, Kompromisse zu bewerten. Dies sind Aufgaben, bei denen strukturiertes Reasoning im Vergleich zu einer intuitiven Antwort erheblichen Mehrwert bietet.

Strukturierte vergleichende Analyse

Reasoning ermöglicht methodische Vergleiche:

from mistralai.client import Mistral

client = Mistral(api_key="YOUR_API_KEY")

comparison = """Mein Team muss sich für eine neue Anwendung zwischen PostgreSQL und MongoDB entscheiden.

Kontext:
- B2B SaaS-Projektmanagement-Anwendung
- 500 initiale Benutzer, Ziel von 10.000 in 2 Jahren
- Strukturierte Daten (Benutzer, Projekte, Aufgaben) + Freitext-Kommentare
- Team von 4 Entwicklern, alle erfahren in SQL
- Begrenztes Serverbudget (Startup)

Analysieren Sie beide Optionen und empfehlen Sie die beste."""

response = client.chat.complete(
    model="mistral-small-2603",
    reasoning_effort="high",
    messages=[
        {"role": "system", "content": """Senior technischer Berater.

ANALYSE-METHODE:
1. Relevante Entscheidungskriterien identifizieren
2. Jede Option gegen jedes Kriterium bewerten
3. Kriterien basierend auf dem Kontext gewichten
4. Risiken für jede Option identifizieren
5. Eine begründete Empfehlung formulieren

REFLEXION:
Kompromisse erkunden. Kurz- und langfristige Implikationen berücksichtigen.

ANTWORT:
Klare Empfehlung mit Begründung und Plan zur Risikominderung."""},
        {"role": "user", "content": comparison}
    ],
)

Szenarioanalyse

Reasoning ist besonders effektiv, um die Konsequenzen verschiedener Entscheidungen zu erkunden:

scenario = """Unser Startup (15 Mitarbeiter, 2 Mio. USD ARR) erhielt zwei Angebote:
1. Series A-Finanzierungsrunde von 5 Mio. USD von einem VC mit 25 % Verwässerung
2. Übernahmeangebot von 12 Mio. USD durch eine große Gruppe (3-Jahres-Abfindung)

Analysieren Sie beide Szenarien und ihre Implikationen."""

response = client.chat.complete(
    model="mistral-small-2603",
    reasoning_effort="high",
    messages=[
        {"role": "system", "content": """Strategischer Analyst.
Bewerten Sie für jedes Szenario:
- Finanzielle Auswirkungen nach 1, 3 und 5 Jahren
- Auswirkungen auf die Entscheidungsfreiheit
- Risiken und Wahrscheinlichkeit der Realisierung
- Auswirkungen auf das Team und die Kultur"""},
        {"role": "user", "content": scenario}
    ],
)

Muster: Automatisierte Entscheidungsmatrix

Sie können den Aufbau von Entscheidungsmatrizen automatisieren:

def decision_matrix(client, options, criteria, context):
    """Generiert eine strukturierte Entscheidungsmatrix."""

    options_text = "\n".join(f"- {opt}" for opt in options)
    criteria_text = "\n".join(f"- {crit}" for crit in criteria)

    prompt = f"""Kontext: {context}

Zu bewertende Optionen:
{options_text}

Bewertungskriterien:
{criteria_text}

Bewerten Sie für jede Option jedes Kriterium auf einer Skala von 1 bis 5.
Begründen Sie jede Bewertung.
Berechnen Sie den Gesamtgewichteten Score.
Empfehlen Sie die optimale Option."""

    response = client.chat.complete(
        model="mistral-small-2603",
        reasoning_effort="high",
        messages=[
            {"role": "system", "content": "Experte für Entscheidungsanalyse. Seien Sie in Ihren Bewertungen objektiv und rigoros."},
            {"role": "user", "content": prompt}
        ],
    )

    return separer(response.choices[0].message.content)[1]  # die Antwort, ohne das Reasoning

# Beispiel: Framework-Auswahl
result = decision_matrix(
    client,
    options=["React + Next.js", "Vue + Nuxt", "Svelte + SvelteKit"],
    criteria=[
        "Lernkurve",
        "Ökosystem und Community",
        "Performance",
        "Rekrutierung von Entwicklern",
        "Langfristige Wartbarkeit"
    ],
    context="Redesign einer B2C-Online-Shop-Seite, Team aus 3 Junior-Entwicklern"
)

Risikoanalyse

Strukturiertes Reasoning ist ideal zur Identifizierung und Bewertung von Risiken:

risk_analysis = """Wir planen die Migration unserer Produktionsdatenbank
(50 GB, 200 Tabellen, 15 verbundene Anwendungen) von MySQL 5.7 zu PostgreSQL 16.

Identifizieren Sie alle Risiken, die mit dieser Migration verbunden sind, und schlagen Sie einen Minderungsplan vor."""

response = client.chat.complete(
    model="mistral-small-2603",
    reasoning_effort="high",
    messages=[
        {"role": "system", "content": """Senior DBA und Systemarchitekt.

RISIKOANALYSE:
Für jedes identifizierte Risiko angeben:
- Wahrscheinlichkeit (niedrig/mittel/hoch)
- Auswirkung (niedrig/mittel/kritisch)
- Minderungsplan
- Rollback-Plan"""},
        {"role": "user", "content": risk_analysis}
    ],
)

Bewertung von Kompromissen

Technische Entscheidungen beinhalten oft Kompromisse. Reasoning hilft, diese explizit zu machen:

tradeoff = """Microservices vs. monolithische Architektur für unsere Anwendung:

Unsere Situation:
- Team von 6 Entwicklern
- HR-Management-Anwendung
- 3 Module: Recruiting, Gehaltsabrechnung, Urlaubsmanagement
- Deployment auf Kubernetes
- Bedarf an unabhängigen Module-Updates

Analysieren Sie die Kompromisse jedes Ansatzes."""

response = client.chat.complete(
    model="mistral-small-2603",
    reasoning_effort="high",
    messages=[{"role": "user", "content": tradeoff}]
)

Muster: Teufelsanwalt

Dies ist das wertvollste Muster in dieser Lektion, da es eine Vorurteil korrigiert, das jeder teilt: Sobald eine Entscheidung getroffen wurde, suchen wir nur nach Bestätigung. Wenn Sie das Modell explizit auffordern, die Entscheidung anzugreifen – Schwächen zu finden, Scheiterszenarien zu identifizieren, fragile Annahmen zu hinterfragen – zwingen Sie sich dazu, das zu hören, was kein Kollege wagen würde zu sagen und das Sie sich selbst nicht mehr sagen:

def challenge_decision(client, decision, context):
    """Spielt den Teufelsanwalt bei einer Entscheidung."""

    prompt = f"""Ein Team hat folgende Entscheidung getroffen:
ENTSCHEIDUNG: {decision}

KONTEXT: {context}

Spielen Sie den Teufelsanwalt:
1. Identifizieren Sie die 5 Hauptargumente GEGEN diese Entscheidung
2. Bewerten Sie für jedes Argument seine Schwere (1-5)
3. Schlagen Sie Bedingungen vor, unter denen diese Entscheidung katastrophal wäre
4. Notwendige Schutzmaßnahmen vorschlagen
5. Fazit: Ist die Entscheidung trotz der Gegenargumente solide?"""

    return client.chat.complete(
        model="mistral-small-2603",
        reasoning_effort="high",
        messages=[
            {"role": "system", "content": "Kritischer Analyst. Seien Sie scharfsinnig, aber konstruktiv."},
            {"role": "user", "content": prompt}
        ],
    )

Small 4 oder Large 4 für Analysen?

Die richtige Reflexion besteht darin, das Modell an die Kritikalität und die Reversibilität der Entscheidung anzupassen. Für einen einfachen Vergleich zwischen zwei Optionen mit klaren Kriterien, eine schnelle Bewertung oder eine Entscheidung, die Sie nächste Woche korrigieren können: Mistral Small 4 im high-Modus funktioniert sehr gut und verursacht geringere Kosten. Sobald die Analyse jedoch mehrkriteriell wird mit diskutierbaren Gewichtungen, die Entscheidung strategisch ist und schwer rückgängig zu machen ist – eine Architekturentscheidung, eine Produktionsmigration, eine finanzielle Schlichtung – oder das Szenario echte Unsicherheit beinhaltet, testen Sie Mistral Large 4 im high-Modus. Ein leistungsfähigeres Modell hat eine bessere Chance, bei der Erkundung von Kompromissen und ungünstigen Fällen einen Unterschied zu machen, aber nur ein Vergleich in Ihren eigenen Fällen wird Ihnen sagen, ob die zusätzlichen Kosten gerechtfertigt sind.

Kernaussagen

• Reasoning verwandelt die Entscheidungsanalyse in einen strukturierten und reproduzierbaren Prozess
• Verwenden Sie einen System-Prompt, der eine Analysemethode durchsetzt (Kriterien, Gewichtung, Risiken)
• Entscheidungsmatrizen und Szenarioanalysen profitieren enorm von Reasoning
• Das Teufelsanwalt-Muster nutzt Reasoning, um Ihre Entscheidungen herauszufordern
• Passen Sie das Modell an die Kritikalität der Entscheidung an: Small 4 für tägliche Aufgaben, Large 4 für strategische Entscheidungen testen