Minto-Pyramide und Autoregressivität

Wie ein Mensch einen Fachtext schreibt

Beobachte eine Patentanwältin beim Entwerfen einer Bescheidserwiderung an den Mandanten. Sie schreibt den ersten Absatz, merkt im vierten, dass die Rahmung aus Absatz zwei nicht trägt, springt zurück, streicht, schreibt anders weiter. Beim fünften Absatz fällt ihr auf, dass die Empfehlung, die sie ans Ende setzen wollte, eigentlich der Ankerpunkt des ganzen Briefs sein müsste. Also stellt sie um.

Dieser Rücksprung ist kein Fehler. Er ist das Handwerk. Kein geübter Fachautor schreibt einen komplexen Text in einem sequenziellen Durchgang und lässt ihn so stehen. Die reale Schreibpraxis sind zwei bis fünf Schleifen durch das Material. Jede Schleife macht den Text klarer, weil die Autorin jetzt weiß, was der Text am Ende sagt.

Für die Patentpraxis ist diese Revision keine Nebensache. Eine Erwiderung auf einen Prüfungsbescheid muss eine klare Antwort tragen: welche Ansprüche werden verteidigt, welche geändert, welche gestrichen. Diese Antwort steht am Ende des Denkprozesses, nicht am Anfang. Wer sie trotzdem oben im Brief platzieren will, muss den Brief ein zweites Mal durchlaufen.

Die Minto-Pyramide als Top-Down-Struktur

Barbara Minto hat in den 1960er-Jahren bei McKinsey beobachtet, dass Beratungs-Memos immer dann schlecht gelesen werden, wenn die Empfehlung am Ende steht. Ihre Antwort, in „The Pyramid Principle" ausgearbeitet, ist strukturell: die Kernaussage steht oben, darunter drei bis fünf Stützpfeiler, darunter die Details. Lesende, die nach dem ersten Absatz aufhören, bekommen trotzdem das Wichtigste mit.

Das ist mehr als ein Formatierungstrick. Die Pyramide verlangt, dass die Autorin vor dem Schreiben die Kernaussage präzise formulieren kann. In vielen Fällen kann sie das erst nachträglich, beim Lesen des eigenen Entwurfs. Die Pyramide entsteht deshalb zwangsläufig im zweiten Durchgang. Wer in einem Rutsch Minto-konform schreiben will, muss entweder das Ergebnis vorher kennen oder einen Text in Kauf nehmen, der sich unterwegs selbst korrigiert und deswegen stolpert.

Für eine Bescheidserwiderung an den Mandanten heißt das: auf der ersten Seite stehen die Answer und die drei Key Points. Der Mandant, der nur diese Seite liest, weiß, wie das Mandat weitergeht. Wer tiefer einsteigt, bekommt die Belege. Das ist das Gegenteil des klassischen Gutachten-Stils mit 15 Seiten Vorlauf und Fazit im letzten Absatz.

Was Autoregressivität bei Sprachmodellen bedeutet

Ein Sprachmodell generiert strikt von links nach rechts. Formal: jeder Token ist eine Wahrscheinlichkeitsverteilung, bedingt auf alle bisher geschriebenen Tokens. P(Token_n | Token_0 … Token_(n−1)). Ist ein Token geschrieben, bleibt er stehen. Innerhalb eines Generationslaufs existiert kein Mechanismus, zu einem früheren Token zurückzukehren und ihn zu überschreiben.

Daraus folgen drei harte Konsequenzen für längere Texte.

1. Kein Umstellen innerhalb einer Antwort. Merkt das Modell bei Token 400, dass die Rahmung in Token 20 schief war, muss es den Rest der Antwort um den Fehler herum bauen oder den Fehler nachträglich zu erklären versuchen. Was ein Mensch mit drei Klicks im Editor erledigt (Absatz schneiden, oben einfügen), ist im selben Lauf des Modells ausgeschlossen.
2. Die Kernaussage landet hinten. Das Modell entdeckt sie oft erst beim Schreiben, weil Schreiben und Denken bei einem LLM dieselbe Operation sind. Deshalb tendieren längere LLM-Antworten zu Bottom-up-Struktur: lange Herleitung, Fazit am Ende. Minto-konforme Top-Down-Texte sind in einem Rutsch nicht erreichbar, ausser der Kernaussage war schon im Prompt explizit vorgegeben.
3. Rahmungen werden zum Gefängnis. Beginnt die Antwort mit „Das Problem lässt sich in drei Punkten zusammenfassen", muss der Rest des Texts diesem Raster folgen, selbst wenn das Modell unterwegs merkt, dass vier Punkte oder eine andere Gliederung präziser wären. Ein Mensch würde den ersten Satz streichen und neu ansetzen. Das Modell kann das nicht.

Was Thinking-Modelle lösen und was nicht

Neuere Modelle wie GPT-5 mit Reasoning, Claude Sonnet 4.6 mit Extended Thinking oder Gemini mit Thinking-Modus führen vor der sichtbaren Antwort einen internen Scratchpad-Durchgang aus. Dort planen sie, verwerfen Ansätze, rahmen neu. Der Nutzer sieht das nicht oder nur aufklappbar. Das verbessert den Erstentwurf messbar, vor allem bei Aufgaben, die Planung verlangen (Mathematik, Code, mehrstufige Argumentation).

Was Thinking-Modelle nicht lösen: sobald die sichtbare Antwort beginnt, ist sie wieder autoregressiv. Token für Token, keine Rückkehr. Der Thinking-Teil entschärft das Planungsproblem vor dem Schreiben, aber nicht das Revisionsproblem nach dem Schreiben. Der Unterschied ist strukturell.

Iteration als strukturelle Kompensation

Wenn das Modell nicht umstellen kann, muss jemand anderes es tun. Der Mensch liest den fixen Output, erkennt, dass die Empfehlung im Lead stehen müsste, und schickt einen zweiten Prompt. „Schreib neu, Empfehlung zuerst, dann die Stützung, keine Einleitung." Das Modell schreibt ein zweites Mal. Diesmal kann es Top-Down arbeiten, weil die Antwort jetzt bekannt ist.

Das ist nicht „Feedback-Schleife, weil der Nutzer seine Meinung ändert". Das ist die strukturelle Kompensation für eine Fähigkeit, die dem Modell fehlt. Ohne diesen zweiten Durchgang fehlt dem Output genau die Qualitätsstufe, die beim Menschen „Zweitfassung" heißt.

Iteration läuft auf zwei Ebenen. Die Makro-Iteration passiert zwischen Mensch und Modell: Output lesen, neuer Prompt, neuer Output. Die Mikro-Iteration baut denselben Zyklus programmatisch ein, etwa in Drafter/Reviewer-Setups oder Agenten-Architekturen, die vor der finalen Antwort mehrere interne Durchgänge erzeugen. Beide Ebenen lösen dasselbe Problem: sie schaffen einen zweiten Lauf über dem ersten.

Die Rollenverschiebung: Editor statt Autor

Beim klassischen Schreiben ist der Mensch Autor und Editor in einer Person. Beim Arbeiten mit einem Sprachmodell verschiebt sich das. Der Autor sitzt im Modell, die menschliche Rolle ist Editor und Regisseur. Das ist nicht weniger Arbeit als das klassische Schreiben, sondern andere Arbeit. Der Hebel liegt beim Lektorieren: Kernaussage erkennen, Struktur umstellen, streichen.

Diese Rollenverschiebung erklärt, warum Praktikerinnen, die gut im Editor-Denken sind, mit LLMs spürbar bessere Ergebnisse erzielen als Leute, die einen perfekten Einmal-Prompt formulieren wollen. Der Qualitätssprung sitzt in der zweiten, dritten, vierten Runde. Wer diesen Teil überspringt, verschenkt den Hauptteil des Werkzeugs.

Was das konkret für Patentarbeit heißt

Drei Muster, die sich aus dieser Diagnose ableiten und in der Kanzleipraxis direkt anwendbar sind:

Querverweise: Drafter/Reviewer in getrennten Chats ist Pattern 6 aus Context Engineering. Die Belegpflicht im Output beider Seiten gehört zu Belegpflicht. Die Prompt-Patterns für die einzelnen Rollen stehen in Prompt Engineering Patterns.

Einsatzfertig: das Prompt-Tool Minto-Überarbeitung setzt diese Prinzipien als drei Templates um (Direktumarbeitung, Skelett zuerst, Strukturextraktion für lange Texte) — Originaltext einfügen, Kontext setzen, Prompt kopieren.

Quellen

1. Minto, Barbara: The Pyramid Principle: Logic in Writing and Thinking, 3. Auflage, Pearson Education, 2009 (Erstausgabe 1978). Kapitel 1 bis 3 für SCQA und Pyramidenaufbau.
2. Vaswani, A. et al.: „Attention Is All You Need", NeurIPS 2017. Grundlagenpaper zum Transformer als autoregressive Architektur aktueller Sprachmodelle. arxiv.org/abs/1706.03762
3. Bommasani, R. et al.: „On the Opportunities and Risks of Foundation Models", Stanford CRFM 2021. Abschnitte zu den strukturellen Grenzen autoregressiver Generation. arxiv.org/abs/2108.07258
4. OpenAI: „Learning to Reason with LLMs", 2024. Technischer Hintergrund zu Reasoning-Modellen und internem Scratchpad. openai.com
5. Yao, S. et al.: „ReAct: Synergizing Reasoning and Acting in Language Models", ICLR 2023. Prototyp für iterative Mikro-Schleifen in Agenten-Architekturen. arxiv.org/abs/2210.03629