Een internationale groep historici en OSINT-onderzoekers heeft een dader op een beruchte executiefoto geïdentificeerd. Dat gebeurde via maandenlang archiefonderzoek en beeldvergelijking, niet met kunstmatige intelligentie. Online ontstond verwarring dat een AI-systeem de doorbraak had geleverd. De discussie raakt direct aan de Europese AI-verordening (AI Act) en de AVG, met gevolgen voor overheid en erfgoedinstellingen.
Mensenwerk, geen algoritme
De identificatie kwam tot stand door klassieke onderzoeksmethoden. De onderzoekers bestudeerden hoge-resolutiescans, uniformdetails en locatiekenmerken. Ze koppelden die bevindingen aan dienstlijsten, archiefstukken en tijdlijnen. Het resultaat is een onderbouwde toeschrijving, met transparante bronnen.
Belangrijk: er is geen gezichtsherkenning of generatieve AI gebruikt. Geen zoekmachines zoals PimEyes of Clearview AI, en geen beeldgenerators als Midjourney of DALL·E. Het team werkte met controleerbare, handmatige stappen. Dat maakt de uitkomst navolgbaar en verifieerbaar.
De methode minimaliseert het risico op persoonsverwisseling. Oude foto’s zijn vaak korrelig of beschadigd. Algoritmen raken dan snel “overzeker” in een match. Door context en meerdere bronnen te combineren, groeien betrouwbaarheid en nuance.
Grenzen van gezichtsherkenning
Gezichtsherkenning is software die gelaatstrekken vergelijkt met een databank om een identiteit te suggereren. Bij historische foto’s zijn resolutie, belichting en hoek vaak ongunstig. Dat vergroot de kans op fout-positieven. Zeker als databanken onvolledig of slecht gedocumenteerd zijn.
De Europese AI-verordening classificeert biometrische identificatie op afstand als hoog-risico. Dat betekent strenge eisen aan datakwaliteit, documentatie en toezicht. Voor sommige toepassingen, zoals realtime identificatie in de openbare ruimte, gelden zware beperkingen. Voor onderzoekers en media is transparantie over gebruikte systemen cruciaal.
De AVG verplicht daarnaast tot dataminimalisatie en doelbinding. Ook bij publieke of historische beelden moet hergebruik zorgvuldig gebeuren. Als databanken gezichten van levende personen bevatten, is een rechtmatige grondslag nodig. Versleuteling en toegangscontrole zijn dan basiseisen.
“Gezichtsherkenning vergelijkt gelaatstrekken met een databank om een identiteit te suggereren; bij oude, beschadigde foto’s is de foutkans hoog.”
Media misverstand rechtgezet
In eerste berichten circuleerde dat AI de sleutelfactor was. Zulke koppen zijn verleidelijk, maar vaak te kort door de bocht. In dit geval was het een misverstand: de doorbraak kwam van geduldig speurwerk. Correcte duiding voorkomt dat publiek en nabestaanden op het verkeerde been worden gezet.
Nieuwsredacties kunnen simpele checks inbouwen. Vermeld expliciet welke tools zijn gebruikt en met welk doel. Vraag om onderbouwing, inclusief bronnen en onzekerheidsmarges. En onderscheid altijd beeldverbetering van daadwerkelijke identificatie.
Musea en archieven spelen hierbij ook een rol. Een methodenotitie bij vondsten helpt misinterpretaties voorkomen. Dat maakt claims toetsbaar voor vakgenoten. Het vergroot bovendien het vertrouwen van het publiek.
Nederlandse context en regels
Nederlandse instellingen zoals NIOD en het Nationaal Archief werken al jaren aan digitalisering en context bij beeldcollecties. Zij combineren OCR en handschriftherkenning met historisch vakwerk. Voor identificaties ligt de lat hoger dan voor beschrijvingen. Duidelijke documentatie is dan onmisbaar.
Op het moment van schrijven staat de AI-verordening op het punt om in fases in te gaan. Overheden en culturele instellingen moeten processen hierop aanpassen. Denk aan risicobeoordelingen en logboekplicht voor hoog-risico systemen. En aan training voor medewerkers over AI-transparantie.
De AVG blijft leidend bij verwerking van persoonsgegevens. Zelfs als het om oude beelden gaat, kan modern hergebruik nieuwe privacyvragen oproepen. Dat vraagt om zorgvuldige afwegingen. En om afspraken over delen en publiceren van onderzoeksmateriaal.
Wat werkt aantoonbaar wel
Context is de sterkste bron van waarheid. Uniformknopen, voertuigen, landschapslijnen en schaduwen vertellen veel. In combinatie met archiefdagboeken en getuigenissen ontstaat een tijd- en plaatsbepaling. Zo bouw je bewijs stap voor stap op.
AI kan wel ondersteunend zijn zonder te identificeren. Optische tekenherkenning (OCR) helpt archiefteksten doorzoekbaar maken. Beeldopschoning maakt details zichtbaar, zonder nieuwe informatie te “verzinnen”. Het onderscheid tussen verbeteren en identificeren moet helder blijven.
Publiceer waar mogelijk werkbestanden en redenering. Laat onzekerheden zien en benoem alternatieve verklaringen. Dat maakt fouten corrigeerbaar en successen reproduceerbaar. Het vergroot ook de waarde voor onderwijs en publiek.
Zorgvuldig AI-gebruik bij erfgoed
Erfgoedinstellingen kunnen veilige AI-toepassingen kiezen. Tools als Transkribus (handgeschriftherkenning) versnellen het doorzoeken van archieven. Computer vision voor patroonherkenning kan objecten grofweg clusteren, onder toezicht van een archivaris. Maar persoonsidentificatie blijft een aparte, strengere categorie.
Werk met duidelijke toestemmingen en dataminimalisatie. Gebruik versleutelde opslag en leg toegang vast. Label AI-bewerkingen, bijvoorbeeld “verbeterde scherpte” of “gecoloriseerd”, zodat het publiek weet wat is aangepast. Dat sluit aan bij transparantieplichten uit de AI-verordening.
Tot slot: kies woorden zorgvuldig in externe communicatie. Vermijd de suggestie dat een algoritme “de waarheid vond” als het gaat om mensenlevens en geschiedenis. Deze casus laat zien dat goed mensenwerk het verschil maakt. AI kan helpen, maar niet de verantwoordelijkheid overnemen.
