Clearview AI ontwierp InquiryIQ als een experimentele assistent die een resultaat uit gezichtsherkenning kon uitbreiden naar web- en beeldzoekopdrachten. Het prototype zou pagina’s kunnen doorzoeken, afbeeldingen analyseren en mogelijke relaties verzamelen in een zogeheten Candidate Graph. Politiegebruik is niet vastgesteld; Clearview AI zei dat geen opsporingsklant het systeem had gebruikt en dat het niet in de beschreven vorm zou worden uitgebracht.
InquiryIQ is een prototype, geen bevestigd politieproduct
InquiryIQ was geen publiek beschikbare dienst, maar een intern concept rond de workflow van onderzoekers. De beschreven interface en code lieten zien hoe Clearview AI een gezichtsherkenningsresultaat wilde laten doorwerken in breder online onderzoek.
Dat onderscheid is belangrijk. Een uitgewerkt scherm of een technische proef maakt nog geen operationeel politieproduct. Ook een lijst met mogelijke functies zegt niets over de nauwkeurigheid van de uitkomsten in echte zaken. Clearview AI presenteerde de zichtbare modelkeuze bovendien als een hulpmiddel voor interne technische vergelijkingen, niet als een optie waarmee politiegebruikers zelf een model zouden kiezen. Daarbij kwamen onder meer xAI en Amazon Bedrock in beeld.
Van gezichtsherkenning naar een Candidate Graph
De voorgestelde route begon met gegevens die uit een eerdere gezichtsherkenningszoekopdracht kwamen. Een onderzoeker kon daar aanvullende kenmerken aan toevoegen, zoals een mogelijke leeftijd, gender, ras, haarkleur of oogkleur. De interface omschreef demografische kenmerken als informatie die het systeem kon helpen bij “slimmere beslissingen”; hoe zulke invoer de uitkomsten precies zou beïnvloeden, bleef onduidelijk.
Vervolgens zou InquiryIQ verschillende soorten online werk uitvoeren:
- zoeken op het web en in afbeeldingen;
- webpagina’s bekijken;
- gevonden afbeeldingen analyseren;
- gezichtsherkenning toepassen op foto’s die het tegenkomt;
- mogelijke personen en relaties met elkaar verbinden.
De uitkomst zou een Candidate Graph zijn: een netwerk van mogelijke identiteiten en bekenden. Rond die personen konden mogelijke werkgevers, aliassen, adressen, telefoonnummers, sociale media, arrestatiegeschiedenissen en fysieke kenmerken verschijnen.
| Onderdeel van de workflow | Ontwerp van het InquiryIQ-prototype | Eerdere Clearview-workflow |
| Startpunt | Informatie uit een eerdere gezichtsherkenningszoekopdracht | Mogelijke gezichtsherkenningsmatches en nieuwe aanknopingspunten |
| Vervolgonderzoek | Zoeken op het web en in afbeeldingen, pagina’s bekijken en afbeeldingen analyseren | Onderzoekers volgden gevonden links en zochten zelf verder |
| Structuur van de uitkomst | Een Candidate Graph met mogelijke personen en relaties | Losse zoekresultaten en links die handmatig konden worden opgevolgd |
| Rol van de mens | Mogelijke gegevens controleren en accepteren of afwijzen | Verdere zoekopdrachten en beoordeling door de onderzoeker |
De tabel beschrijft dus een voorgestelde uitbreiding van de workflow, geen aangetoonde werking in een politieonderzoek.
Welke gegevens konden in een profiel belanden?
De mogelijke reikwijdte was opvallend breed. Naast een identiteit kon het systeem verbanden leggen met werkgevers, bekenden en online accounts. Ook adressen, telefoonnummers, aliassen, arrestatiegeschiedenissen en fysieke kenmerken stonden als mogelijke profielvelden beschreven.
Dat maakt InquiryIQ meer dan een hulpmiddel om één gezicht te matchen. Het ontwerp schoof op richting het samenstellen van een breder digitaal profiel uit losse online aanwijzingen. Juist daar ontstaat een risico: een afzonderlijk detail kan onschuldig of onjuist zijn, terwijl de combinatie ervan toch een overtuigend ogend verhaal oplevert.
De interface bevatte daarom een expliciete waarschuwing: automatisch gegenereerde demografische, sociale en arrestatiegegevens konden wel of niet accuraat zijn. Gevonden informatie moest onafhankelijk worden gecontroleerd voordat die in een profiel werd opgenomen. Een gegenereerde suggestie was daarmee een aanleiding voor verder onderzoek, geen vaststaand feit.
Waarom minder onderzoeksfrictie belangrijk is
Het belangrijkste effect van zo’n ontwerp zit niet alleen in de afzonderlijke zoekfuncties, maar in de hoeveelheid werk die ertussen verdwijnt. Wanneer een systeem na één gezichtsherkenningsresultaat automatisch pagina’s, afbeeldingen en mogelijke relaties afloopt, wordt een brede zoektocht goedkoper en eenvoudiger.
Andrew Guthrie Ferguson, hoogleraar rechten aan George Washington University, waarschuwde dat zo’n systeem een profiel kan samenstellen uit de vele digitale sporen die mensen online achterlaten. Woodrow Hartzog, privacywetenschapper aan Boston University, koppelde dat aan een ouder uitgangspunt van privacybescherming: overheden konden niet onbeperkt iedereen volgen omdat het praktisch veel tijd en moeite kostte.
Die praktische drempel — de onderzoeksfrictie — functioneerde als een rem. Als software die rem verlaagt, kunnen ook brede zoektochten aantrekkelijker worden waarbij onderzoekers zonder scherp afgebakende aanleiding veel mogelijke verbanden verzamelen. Dat maakt de vraag naar doel, proportionaliteit en controle belangrijker, niet minder.
Menselijke controle is een safeguard — en een twistpunt
Clearview AI beschreef de onderzoeker als de uiteindelijke beoordelaar. Die zou gegevens kunnen accepteren of afwijzen en de uitkomsten moeten controleren. Dat is een relevante grens: InquiryIQ zou volgens het beschreven ontwerp mogelijke aanwijzingen leveren, geen automatisch bewezen feiten.
Maar menselijke controle is geen garantie op een juiste of eerlijke uitkomst. Woodrow Hartzog noemde een “mens in de lus” een beperkte geruststelling, omdat beoordelaars zich uiteindelijk te veel op de machine kunnen verlaten. In dat scenario verandert controle in een formaliteit: iemand kijkt nog wel, maar behandelt de uitvoer feitelijk als startpunt én bevestiging.
Michael Price van het Fourth Amendment Center van de National Association of Criminal Defense Lawyers trok dezelfde lijn door naar beslissingen over een mogelijke verdenking. Een chatbot die vatbaar is voor verzinsels zou onder normale omstandigheden niet als informant worden vertrouwd, stelde hij. Die waarschuwing raakt precies aan het verschil tussen een lead en bewijs.
Een mogelijk voordeel: een beter controleerbaar spoor
Er is ook een minder voor de hand liggend voordeel. Andrew Guthrie Ferguson stelde dat een systeem dat prompts, zoekopdrachten, modelkeuzes en onderzoeksstappen bewaart, een duidelijker auditspoor kan opleveren dan handmatig onderzoek dat nergens volledig wordt vastgelegd.
Dat voordeel zit dus niet in een gegarandeerd betere conclusie, maar in de mogelijkheid om achteraf te reconstrueren hoe een onderzoek zich ontwikkelde: welke informatie werd ingevoerd, welke zoekrichting ontstond en waarom een onderzoeker een bepaalde aanwijzing volgde. Of zo’n logboek werkelijk tot betere controle leidt, hangt vervolgens af van de manier waarop mensen het gebruiken en beoordelen.
Wat dit voor de lezer betekent
InquiryIQ werd beschreven als een plan om gezichtsherkenning te veranderen van een systeem dat mogelijke matches aandraagt in een hulpmiddel dat daar meteen een bredere online zoektocht aan koppelt. Dat is een betekenisvolle verschuiving in schaal en tempo, ook al was politiegebruik van het prototype niet vastgesteld.
De kernvraag is daarom niet alleen of een algoritme een gezicht herkent. Het gaat erom hoeveel digitale informatie daarna aan één persoon kan worden gekoppeld, hoe snel dat gebeurt en of elke stap controleerbaar blijft. Een Candidate Graph kan een onderzoek overzichtelijker maken, maar ook een verzameling vermoedens de uitstraling van een compleet profiel geven.
De praktische grens is helder: InquiryIQ moet worden gezien als een beschreven prototype met voorgestelde functies, niet als bewezen politie-infrastructuur. De mogelijke impact ligt in het verlagen van de drempel voor brede digitale onderzoeken — en daarmee in de noodzaak om menselijke beoordeling, foutmarges en auditsporen serieus te nemen.
