Ground Truth und die harte Arbeit der KI-Kompetenz
Der Raum vor dem Prompt
Die erste Frage in einem KI-Kurs für Erwachsene ist selten technischer Natur. Sie kommt meist als Geschichte daher. Jemand hat ein Team, das einen Chatbot für Zusammenfassungen nutzt. Jemand anderes hat einen Anbieter, der automatische Entscheidungen verspricht. Eine Führungskraft hat gehört, dass Agenten die langweilige Arbeit übernehmen können. Ein Datenschutzbeauftragter ist besorgt, weil niemand sagen kann, welche Quelle maßgeblich ist. Der Raum ist voller kompetenter Menschen, aber ihr Vokabular stammt aus Schlagzeilen, Demos, Beschaffungspräsentationen und einigen späten Abenden mit dem Werkzeug, das in jenem Monat gerade modern war.
Für diesen Raum wurde Ground Truth geschrieben. Nicht für Kinder. Nicht für passive Anfänger. Für Erwachsene, die bereits Verantwortung, Budget, berufliche Erinnerungen und Konsequenzen tragen. Sie brauchen keine Vorführung über die Zukunft. Sie brauchen eine Möglichkeit, präzisere Fragen zu stellen, ohne von der Maschinerie beschämt zu werden. Sie müssen verstehen, warum KI sich wie Magie anfühlt, warum dieses Gefühl irreführend ist, warum ein System nützlich sein kann, ohne menschenähnlich zu sein, und warum Daten, Wahrscheinlichkeit, Validierung, Prompts, Verzerrung und Governance keine getrennten Gespräche sind.
Peter Vieveen hat solche Räume jahrelang unterrichtet. Seine Biografie im Buch ist kein dekorativer Text: neuronale Netze seit den 1990er-Jahren, Datenmanagement und Governance, Datenschutz, Bildung, DAMA Netherlands, Hogeschool Utrecht, CIBIT Academy. Diese Geschichte ist wichtig, denn KI-Kompetenz ist keine Liste modischer Begriffe. Sie ist die Gewohnheit, gerade genug innezuhalten, um zu erkennen, mit welcher Art von System man es zu tun hat, bevor man kauft, baut, reguliert, vertraut oder fürchtet.
Warum einleitend das falsche Versprechen ist
Die Quellseite nennt Ground Truth eine Einsteigerkarte zu den Ideen, Werkzeugen und Abwägungen hinter moderner KI. Das ist zutreffend, aber das Wort Einsteiger kann leicht falsch verstanden werden. Einsteiger kann klein klingen, als wäre das Buch eine vereinfachte Tour, bevor die echten Profis die Bühne betreten. In der Praxis ist Grundlagenmaterial oft das schwerste Material, das man gut vermitteln kann, weil es die Form des Gesprächs korrigieren muss und nicht nur Fakten hinzufügt.
Ein Mensch kann jeden Tag einen Chatbot nutzen und trotzdem Automatisierung mit Lernen verwechseln. Er kann Prompts schreiben und trotzdem den Unterschied zwischen einem System, das Regeln befolgt, und einem System, das Muster aus Beispielen extrahiert, übersehen. Er kann ein Dashboard lesen und trotzdem nicht fragen, ob der Testsatz zurückgehalten wurde, ob das Modell auswendig gelernt hat, ob die Daten die Bevölkerung repräsentieren oder ob die Ausgabe eine Vorhersage, ein Ranking, eine generierte Fortsetzung oder eine Entscheidung ist, die jemand anderes zu treffen gewählt hat.
Deshalb ist Ground Truth kein Förderkurs. Es ist Kompetenz. Kompetenz ist nicht die Fähigkeit, das Alphabet aufzusagen. Es ist die Fähigkeit, einen Vertrag zu lesen, zu bemerken, was fehlt, und einen Satz abzulehnen, der die Last in den Fußnoten versteckt. KI-Kompetenz funktioniert genauso. Sie gibt Menschen genug strukturelles Verständnis, um Theater zu widerstehen. Sobald das geschieht, verändert sich der Raum. Die beeindruckende Demo ist immer noch beeindruckend, aber sie beherrscht das Gespräch nicht mehr.
Peters ruhige Methode
The method in Ground Truth is deliberately bottom-up. The index lays out the sequence with almost stubborn patience: foundations, mathematics, how machines learn, classical machine learning, neural networks, deep learning, generative AI, transformers and large language models, training and aligning models, using AI in practice, and ethics, safety, and the future. The book then offers routes through that material: fast, deep, and practical. That is not a marketing funnel. It is an admission that adult learners arrive with different urgencies.
The executive may need the fast route first because a board meeting is already scheduled. The engineer may want the deep route because mechanisms matter. The educator, policymaker, founder, or curious user may want the practical route because they need enough judgement to use tools responsibly. All three routes lead to the same claim in the source: enough understanding to think clearly about AI. That phrase is modest. It is also the highest bar in the room.
Peter's teaching stance is visible in thechapter descriptions. The mathematics chapter does not treat linear algebra, calculus, probability, and optimisation as gatekeeping rituals. It treats them as the four tools AI runs on. The learning chapter defines machine learning as systematic improvement on a measurable task, not as consciousness. The transformer chapter follows attention, tokenisation, and embeddings because every modern chatbot depends on those mechanics. The ethics chapter separates bias, fairness, regulation, safety, environment, agents, and speculation because confusion between those terms is where bad governance starts.
This is adult education without theatre. No one is asked to worship the model. No one is told that every detail must be mastered before action is allowed. The point is to build enough internal structure that a person can keep learning after the session ends. A good foundation does not answer every question. It improves the next question.
The staircase hidden in plain sight
The strongest design choice in Ground Truth is the staircase. It starts with the plain claim that AI is software that learns patterns from examples instead of following rigid pre-written instructions. That sentence seems simple until you use it as a diagnostic. A spell-checker with a fixed dictionary is not the same kind of system as a spam filter trained from labelled examples. A chess engine with hard-coded openings is not the same kind of system as a model that adjusts from feedback. A navigation app predicting traffic is not human, but it may still be learning from patterns in movement data.
The staircase then makes a second move: it refuses to leave the reader at the level of metaphor. The book explains that a model can look magical because the output is fluent while the mechanism is hidden. A large language model is not sitting somewhere contemplating beauty. It is a probability distribution over sequences of tokens, implemented as a network of numbers. That line matters because the difference between tool and oracle is not philosophical decoration. It determines whether a professional checks the answer, asks for evidence, and designs a review path.
Von dort aus erreicht die Treppe das Lernproblem. Kapitel 3 nutzt die Unterscheidung zwischen Lernen und Auswendiglernen als zentralen Test. Ein Modell, das bei Trainingsdaten gut abschneidet, aber bei neuen Beispielen versagt, hat die Struktur nicht gelernt; es hat das Übungsbuch auswendig gelernt. Erwachsene verstehen das sofort, weil sie es bei Menschen gesehen haben. Der Schüler, der Antworten auswendig kann, aber kein neues Problem lösen kann, ist vertraut. Dasselbe Muster bei Maschinen nennt man Überanpassung, und plötzlich wird ein technischer Begriff zu einem brauchbaren Urteilsvermögen.
Wenn der Leser die Transformatoren erreicht, hat das Buch sich das Recht verdient, Aufmerksamkeit einzuführen. Aufmerksamkeit wird nicht als heilige Vokabel präsentiert. Sie ist der Mechanismus, der es einem Token ermöglicht, Informationen von anderen Tokens im Kontext zu sammeln. Query, Key und Value sind keine Zauberwörter; sie sind gelernte Projektionen, die Informationen leiten. Die Kosten wachsen mit der Sequenzlänge, weil die Aufmerksamkeitswerte Positionen mit Positionen vergleichen. Diese Beobachtung erklärt schließlich, warum langer Kontext, Agenten, die große Codebasen lesen, und Abruf-Workflows zu technischen Fragen werden und nicht zu Marketingbehauptungen.
Ein Tag mit KI, ohne Nebelmaschine
Eine der nützlichsten Passagen im Grundlagenkapitel handelt gar nicht von Spitzenmodellen. Sie führt durch einen gewöhnlichen Tag: Handy-Entsperrung, E-Mail-Filterung, Sprachassistent, Spurhalteassistent, Navigation, Suche, Übersetzung, Fotobearbeitung, Empfehlungen, Betrugsprüfungen im Bankwesen, Schlaf-Tracking. Es geht nicht darum, den Leser mit Allgegenwart zu beeindrucken. Es geht darum, die Technologie gewöhnlich genug zu machen, um sie zu untersuchen.
Sobald KI gewöhnlich wird, wird das Gespräch besser. Eine Fachkraft kann sagen: Dieses System klassifiziert, dieses bewertet, dieses sagt voraus, dieses erzeugt, dieses ruft ab, dieses leitet weiter. Sie kann fragen, mit welchen Daten es trainiert wurde, welche Daten es jetzt sieht, worauf es optimiert wird, wie Fehler gemessen werden und wer die Kosten trägt, wenn es versagt. Das System ist nicht weniger leistungsfähig geworden. Es ist weniger theatralisch geworden.
Das ist wichtig, weil Theater teuer ist. Ein Käufer, der KI als Geist behandelt, wird fragen, ob sie intelligent ist. Ein Käufer, der sie als mustererkennende Software behandelt, wird fragen, aus welchen Beispielen sie gelernt hat, wo die Muster brechen, ob die Aufgabe messbar ist und ob die Ausgabe verifiziert werden kann. Der zweite Käufer macht bei einer Produktvorstellung weniger Spaß und ist viel nützlicher, wenn die Rechnung kommt.
Das Erwachsenenproblem ist nicht der Zugang
Das Erwachsenenproblem im Jahr 2026 ist nicht der Zugang zu KI. Zugang gibt es überall. Das Problem ist die Interpretation. Menschen können Texte, Bilder, Zusammenfassungen, Codevorschläge, Suchberichte und Besprechungsnotizen schneller erstellen, als sie sie beurteilen können. Der Engpass hat sich von der Erzeugung zur Unterscheidung verlagert. Ground Truth ist wertvoll, weil es die Unterscheidungsfähigkeit trainiert.
Dieses Training beginnt mit spezialisierter KI. Der Quelltext ist unverblümt: Alles, was Sie je benutzt haben, ist spezialisierte KI. Der Timer-Assistent kann nicht Schach spielen. Die Schach-Engine kann Ihr Gesicht nicht erkennen. Ein Chatbot mag eine überzeugende Antwort schreiben, aber er wird dadurch nicht zu einem allgemeinen Geist, nur weil die Antwort überzeugend ist. Diese Unterscheidung schützt beide Seiten des Gesprächs. Sie verhindert Unterschätzung, denn spezialisierte KI kann dennoch wirtschaftlich und gesellschaftlich mächtig sein. Sie verhindert Überschätzung, denn Macht in einer Aufgabe bedeutet nicht allgemeine Kompetenz.
Sie verändert auch, wie Menschen über Agenten denken. Wenn ein System vom Werkzeug zum Akteur wird, ist das Risiko nicht, dass es plötzlich eine Person wird. Das Risiko ist, dass es planen, Werkzeuge aufrufen, Dateien schreiben, Nachrichten senden oder Arbeitsabläufe auslösen kann, während es immer noch ein musterbasiertes System mit Fehlerarten ist. Literalität macht diesen Satz möglich. Ohne Literalität schwankt der Raum zwischen Panik und Verkaufsenthusiasmus. Mit Literalität kann der Raum über Autorität, Berechtigungen, Protokolle, Eskalation und Grenzen sprechen.
The book's practical chapters make the same point in a different register. Inference is one token at a time. Temperature changes the probability distribution. Top-K and top-P sampling shape which tokens are reachable. A system prompt changes behaviour, but it is not a law of physics. Retrieval can ground an answer, but it introduces questions about chunking, source quality, ranking, and stale documents. These are not beginner details. They are the details that decide whether a professional workflow survives contact with reality.
Mathematik als zivile Infrastruktur
Viele Menschen kommen mit einem defensiven Verhältnis zur Mathematik in die KI-Bildung. Sie erinnern sich an Schule, Hürden, Demütigungen, Prüfungen oder das Gefühl, dass die interessante Welt hinter einer Notation verborgen war. Ground Truth wählt einen besseren Weg. Es tut nicht so, als wäre Mathematik unnötig, und es nutzt Mathematik nicht als Abzeichen. Es behandelt Mathematik als zivile Infrastruktur für KI-Kompetenz.
Vektoren erklären, warum Text, Bilder und Nutzer als Punkte und Richtungen dargestellt werden können. Analysis erklärt, wie ein Modell sich anpassen kann, indem es Fehler misst und bergab geht. Wahrscheinlichkeit erklärt, warum ein Modell unsicher sein und trotzdem nützlich sein kann. Optimierung erklärt, warum Training eine Suche durch eine Landschaft ist, nicht die Entdeckung einer Seele. Sobald diese Ideen angekommen sind, hat der Leser einen Zugang zum Verhalten der Maschine. Vielleicht ist er nicht bereit, jeden Algorithmus zu implementieren, aber er kann aufhören, die Ausgabe als eine Stimme aus dem Nichts zu behandeln.
Das ist in Organisationen wichtig, weil politische Sprache ohne mathematische Intuition spröde wird. Menschen sagen Genauigkeit, Konfidenz, Verzerrung, Risiko und Drift, als wären die Wörter selbsterklärend. Das sind sie nicht. Genauigkeit hängt davon ab, was gemessen wird. Konfidenz kann falsch kalibriert sein. Verzerrung kann durch Geschichte, Repräsentation, Messung, Aggregation, Bewertung, Bereitstellung und Feedback-Schleifen eindringen. Drift bedeutet, dass sich die Welt unter dem Modell verändert hat. Das sind Managementkonzepte ebenso wie technische.
Peters Hintergrund im Datenmanagement zeigt sich hier. Daten sind kein Haufen Treibstoff, der auf ein Modell wartet. Sie haben Herkunft, Eigentum, Definitionen, Qualitätsprobleme, Berechtigungen, Aufbewahrungsbeschränkungen und soziale Bedeutung. Ein Modell, das mit historischen Daten trainiert wurde, kann historische Macht lernen. Ein Modell, das an einem bequemen Benchmark bewertet wird, kann die Menschen übersehen, denen es tatsächlich dienen wird. Ground Truth führt den Leser immer wieder auf diesen Boden zurück, weil es keine verantwortungsvolle KI-Kompetenz ohne Datenkompetenz gibt.
Die Black Box ist auch ein Lehrproblem
Das Material von Kapitel 11 zu Interpretierbarkeit und Black Box gehört in ein Grundlagenbuch, weil Undurchsichtigkeit nicht nur eine Forschungsherausforderung ist. Sie ist eine Lehrherausforderung. Menschen müssen den Unterschied zwischen einer lokalen Erklärung, einer globalen Erklärung, einem Kontrafaktischen, einer Aufmerksamkeitskarte, einem Feature-Wichtigkeits-Score und einer kausalen Behauptung kennen. Wenn diese vermischt werden, wird Erklärung wieder zum Theater.
The ethics chapter is especially useful because it refuses the fantasy that bias is introduced only by malicious programmers. Historical bias, representation bias, measurement bias, aggregation bias, evaluation bias, deployment bias, and feedback loops are each different. A hiring model can learn who historically held power. A healthcare model can use spending as a proxy and under-serve people who historically received less care. A fraud model can turn nationality into risk through a proxy. The Dutch childcare benefits scandal appears in the source as a warning about automated systems deployed without meaningful oversight. That is not an abstract American story. It is a local governance memory.
For adults, this is where the literacy becomes moral without becoming vague. The question is not whether one cares about ethics. The question is which part of the system carries the ethical load. Is it the data collection? The label? The objective? The threshold? The human review? The appeal path? The procurement contract? The monitoring? The model card? The law? The affected person? Ground Truth does not reduce those questions to a poster. It gives the reader enough categories to keep them separate.
Why this belongs before strategy
Organisations often want AI strategy before AI literacy. They want a roadmap, a portfolio, a target architecture, a vendor shortlist, and a statement about risk appetite. Those things can be useful. They are alsodangerous when the people around the table cannot distinguish a model from a product, a demo from a workflow, a prompt from a control, or an answer from evidence.
Ground Truth belongs before strategy because it makes strategy less theatrical. A team that has read it can ask whether the problem is classification, regression, generation, retrieval, optimisation, or decision support. It can ask whether the data has labels, whether the outcome is measurable, whether the failure is reversible, whether the user can challenge the result, and whether the organisation knows what to do when the system is uncertain. That is not academic purity. It is how projects avoid becoming expensive anecdotes.
The book's own series map reinforces this. Ground Truth is volume zero of A citizen's guide to AI. The Builder goes into classical machine learning. The Operator, The Seeker, The Steward, The Archivist, The Essential, and the later volumes each take a role deeper. Volume zero is not lower status. It is the shared floor. Without it, every later specialism has to spend half its time repairing language.
The practical route is not the shallow route
The practical route through Ground Truth includes foundations, learning, generative AI, transformers, using AI, and ethics. Notice what it does not do. It does not skip judgement. It does not say professionals only need prompting tips. It does not pretend that the social consequences arrive after the tool has already been adopted. The practical route is practical precisely becauseit includes the ideas that prevent misuse.
A prompt without model literacy is a request. A prompt with model literacy is a controlled experiment. The user knows that the answer is generated from probabilities, that each token becomes context for the next, that high temperature can make unlikely continuations more reachable, that a confident tone is not evidence, and that retrieval can improve grounding only if the source material is good and the routing is visible. That person writes differently. They verifydifferently. They delegate differently.
Deshalb sind die Übungen in diesem Buch wichtig. Sie fordern die Leser auf, Systeme zu klassifizieren, enge von allgemeiner KI zu unterscheiden, zu analysieren, ob ein Chatbot einen Witz versteht oder wahrscheinliche Wortmuster zusammensetzt, ihren eigenen Lernweg durch die Kapitel zu verfolgen und Tests für maschinelles Verständnis vorzuschlagen. Das sind keine Schulaufgaben. Es sind Proben für die Arbeit. Jede dieser Übungen entspricht einem Meeting, das jemand später haben wird.
Was sich nach dem letzten Kapitel ändert
Nach Ground Truth sollte der erwachsene Lernende nicht wie ein Forscher klingen. Das ist nicht das Ziel. Sie sollten schwerer zu täuschen sein. Sie sollten nach dem Nenner hinter einer Statistik fragen. Sie sollten bemerken, wenn ein Anbieter Intelligenz sagt, aber Autovervollständigung meint. Sie sollten wissen, dass Alignment, Sicherheit, Regulierung, Datenschutz, Interpretierbarkeit und Umwelt sich überschneiden, aber nicht dasselbe Problem sind. Sie sollten verstehen, dass ein Modell beeindruckend, nützlich, voreingenommen, fragil, teuer und gleichzeitig in einem begrenzten Workflow einsetzbar sein kann.
Sie sollten auch ruhiger sein. Literalität nimmt etwas von der Panik, weil die Maschine Mechanismen hat. Sie nimmt etwas von der Hype, weil die Mechanismen Grenzen haben. Sie schafft eine erwachsenere Haltung: neugierig, konkret, skeptisch und bereit, Werkzeuge zu nutzen, ohne das Urteilsvermögen an sie abzugeben.
Der endgültige Wert von Ground Truth liegt nicht darin, dass es allen dieselbe Meinung über KI gibt. Es gibt ihnen genug gemeinsame Sprache, um produktiv zu widersprechen. Eine Person könnte sich um Voreingenommenheit sorgen. Eine andere um Kosten. Eine andere um Dateneigentum. Eine andere sieht eine Automatisierungschance. Wenn sie die Grundlage teilen, kann die Meinungsverschiedenheit zu Design statt zu Lärm werden.
Der stille Test
Der stille Test eines KI-Literalitätsbuchs ist, was im nächsten gewöhnlichen Meeting passiert. Kein Scheinwerfer. Keine Keynote. Kein dramatischer Prompt auf einem großen Bildschirm. Nur ein Team, das entscheidet, ob es einen Workflow automatisiert, ein Werkzeug kauft, einen Pilotversuch genehmigt, Mitarbeiter schult oder ein Modell Kunden aussetzt.
Vor Ground Truth kreist dieses Meeting oft um Eindrücke. Nach Ground Truth fragt jemand, wovon das System lernt. Jemand fragt, was es nur auswendig gelernt hat. Jemand fragt, was sich ändert, wenn sich die Daten verschieben. Jemand fragt, ob die Ausgabe Beweis oder Prosa ist. Jemand fragt, wer Einspruch erheben kann. Jemand fragt, warum das System überhaupt handeln darf, wenn es den relevanten Teil seiner Arbeit nicht erklären kann. Keine dieser Fragen erfordert Theater. Sie erfordern Literalität.
Deshalb ist Ground Truth praktische Infrastruktur. Es ist die unglamouröse Basis unter dem erwachsenen KI-Urteilsvermögen. Es lehrt Menschen, hinter die Nebelmaschine zu schauen, den Mechanismus zu benennen und die Verantwortung in menschlichen Händen zu behalten. Im Jahr 2026 ist das nicht nachholend. Das ist die Arbeit.