InquiryIQ est un prototype expérimental de Clearview AI conçu pour prolonger une recherche de reconnaissance faciale par des recherches sur le Web et dans les images. L’outil pourrait ensuite organiser des identités et des relations possibles dans un « Candidate Graph », avec des adresses, des employeurs ou des comptes sociaux à la clé. Amos Kyler, directeur général de Clearview AI, affirme qu’aucun utilisateur des forces de l’ordre ne l’a utilisé.
Cette nuance change tout : il ne s’agit pas d’un logiciel policier déployé, mais d’une conception qui montre jusqu’où une entreprise de reconnaissance faciale envisage d’étendre une simple piste numérique.
InquiryIQ : un prototype, pas un outil déployé
Clearview AI présente InquiryIQ comme un projet interne et expérimental. L’entreprise affirme qu’il n’a pas été livré à des clients et qu’elle ne prévoit pas de le commercialiser sous sa forme actuelle. Amos Kyler résume sa position ainsi : aucun utilisateur des forces de l’ordre ne l’aurait utilisé.
Le prototype a néanmoins une ambition précise. Il ne se limiterait pas à proposer une correspondance faciale : il chercherait à exploiter cette piste pour parcourir davantage de contenus en ligne et construire un ensemble de relations possibles autour d’une personne.
Il faut donc séparer deux niveaux : les fonctions décrites par l’interface et un usage réel par la police. Les premières sont documentées ; le second n’est pas établi pour InquiryIQ.
Comment le système prolongerait une recherche faciale
Le parcours imaginé commence par une recherche de reconnaissance faciale effectuée avec la technologie de Clearview AI. Un enquêteur fournirait ensuite des éléments jugés pertinents : âge possible, genre, couleur des cheveux ou des yeux, race et autres détails.
InquiryIQ serait alors conçu pour :
- lancer des recherches sur le Web et dans des images ;
- parcourir des pages Internet ;
- analyser les photographies rencontrées ;
- appliquer la reconnaissance faciale à certaines de ces images ;
- relier des éléments dans un « Candidate Graph », ou graphe de candidats.
L’objectif décrit par Clearview AI consiste à examiner une hypothèse, puis à tenter de l’invalider. Autrement dit, le système chercherait à répondre à une question du type : cette information est-elle liée à cette personne, ou non ?
| Dimension du processus | Conception du prototype InquiryIQ | Processus antérieur de Clearview AI |
| Point de départ | Une piste issue d’une recherche de reconnaissance faciale, enrichie par des détails fournis par l’enquêteur | Des correspondances et des pistes issues de la recherche faciale |
| Recherche complémentaire | Recherches Web et d’images, navigation dans des pages et analyse de photographies | Les enquêteurs suivaient eux-mêmes les liens et poursuivaient leurs recherches |
| Organisation du résultat | Un « Candidate Graph » reliant des identités et des associés possibles | Des résultats et des liens à examiner manuellement |
| Rôle de l’humain | Vérifier les informations avant de les accepter dans un profil | Suivre les pistes et rechercher des informations supplémentaires |
La différence importante n’est donc pas seulement la quantité de données. C’est la réduction du travail nécessaire pour passer d’une image à une cartographie possible de la vie numérique d’une personne.
Les données possibles et la vérification humaine
Le « Candidate Graph » pourrait réunir des identités et des associés possibles, mais aussi des employeurs, des pseudonymes, des adresses, des numéros de téléphone, des comptes sur les réseaux sociaux, des historiques d’arrestation et des caractéristiques physiques.
L’interface indique également que l’âge, le genre et la race peuvent aider le système à prendre des décisions « plus judicieuses ». Cela décrit un élément de conception, pas une amélioration démontrée de la précision. L’effet concret de ces paramètres sur les résultats n’est pas précisé.
Autre garde-fou affiché : les informations générées sur les caractéristiques démographiques, les réseaux sociaux et les arrestations « peuvent être exactes ou non ». Les enquêteurs devraient donc vérifier séparément les éléments avant de les intégrer à un profil.
Cette étape humaine ne règle pas automatiquement le problème. Woodrow Hartzog, spécialiste de la vie privée à Boston University, estime qu’un contrôleur humain pourrait finir par jouer le rôle d’un simple « tampon » si les résultats générés deviennent trop faciles à accepter. Michael Price, directeur du contentieux du Fourth Amendment Center de la National Association of Criminal Defense Lawyers, met lui aussi en garde contre l’emploi d’un chatbot sujet aux hallucinations comme base d’une décision liée à une cause probable.
Quand l’automatisation réduit le coût de la surveillance
Le risque principal tient à la friction. Aujourd’hui, relier des pages, des images, des identités et des relations demande du temps. Un système capable d’enchaîner ces tâches pourrait rendre beaucoup moins coûteuses les recherches très larges, parfois lancées à partir d’une piste fragile.
Andrew Guthrie Ferguson, professeur de droit à la George Washington University, décrit le résultat possible comme un profil construit à partir de « tous les indices numériques dispersés » laissés sur Internet. Pour les personnes concernées, des fragments publiés dans des contextes différents pourraient ainsi se retrouver réunis dans une même enquête.
Woodrow Hartzog souligne que de nombreuses protections de la vie privée reposent encore sur une hypothèse simple : il faut du temps et des moyens pour suivre quelqu’un partout. Réduire ce coût pratique pourrait donc modifier l’équilibre entre ce que les autorités peuvent théoriquement consulter et ce qu’elles peuvent réellement exploiter à grande échelle.
La question ne se limite pas à la reconnaissance faciale. Elle concerne aussi l’agrégation : une image, un pseudonyme, un employeur, une adresse et un compte social peuvent prendre un autre poids lorsqu’un système les présente comme les pièces d’un même profil.
Un possible avantage : rendre l’enquête plus traçable
L’automatisation n’a pas uniquement un versant négatif. Andrew Guthrie Ferguson identifie un bénéfice possible : si le système conserve les requêtes, les recherches, les modèles choisis et le chemin suivi pendant l’enquête, il pourrait produire une trace plus facile à auditer qu’une recherche humaine laissée sans documentation détaillée.
Ce mécanisme ne garantirait ni la justesse des résultats ni la légalité de leur utilisation. Il offrirait toutefois un point de départ pour examiner les décisions prises : quelle hypothèse a été formulée, quelles recherches ont été lancées et à quel moment un enquêteur a retenu ou rejeté une information ?
Le contraste est essentiel. Un journal d’activité peut améliorer la traçabilité d’une enquête, mais il ne transforme pas une donnée incertaine en preuve fiable.
Ce que cette conception change pour le public
Pour l’instant, InquiryIQ concerne une conception expérimentale de Clearview AI, pas un service accessible au public. Son intérêt tient à la direction prise : prolonger une recherche faciale vers une enquête automatisée sur les traces numériques qui entourent une personne.
Clearview AI affirme par ailleurs que sa base de reconnaissance faciale contient bien plus de 70 milliards d’images et que sa technologie est utilisée par plus de 2 000 organismes chargés de l’application de la loi à l’échelle nationale. Ce sont des chiffres communiqués par l’entreprise et ils concernent sa plateforme de reconnaissance faciale au sens large, pas InquiryIQ lui-même.
Le point à retenir est plus concret qu’un débat abstrait sur « l’IA policière » : une interface peut transformer une piste en parcours d’enquête, puis présenter des rapprochements incertains sous la forme d’un profil cohérent. La vérification humaine et la conservation des étapes peuvent limiter les dégâts, mais elles ne suppriment ni les erreurs possibles ni la tentation de suivre automatiquement la machine.
InquiryIQ reste donc un prototype. Mais son architecture imaginée montre déjà le véritable enjeu : lorsque la reconnaissance faciale devient le premier maillon d’une recherche Web automatisée, la question n’est plus seulement de savoir qui ressemble à qui. Elle devient celle de l’étendue du profil qu’un enquêteur peut assembler à partir d’une seule image.
