AI-teknologi mot butikktyveri forklart: ansiktsgjenkjenning, overvåkningslister og kampen mot åpenhet

Forhandlere tyr i økende grad til «smart» overvåking for å håndtere et veldig gammelt problem: tyveri. Den nyeste bølgen går utover standard CCTV, og bruker verktøy som kan flagge ansikter, kropper eller atferdsmønstre i sanntid.

En BBC-rapport filmet av Jim Connolly viser hvor raskt denne typen AI-drevet teknologi mot butikktyveri flytter seg fra store kjeder til vanlige steder som et uavhengig postkontor. Den viser også hvorfor motstanden vokser like raskt: disse systemene ser ikke bare på – de kan sortere folk i risikokategorier.

Hvorfor teknologien sprer seg nå

Butikktyveri har alltid vært en del av detaljhandelen, men insentivene rundt det har endret seg. Butikkene opererer med strammere bemanning, flere selvbetjeningskasser og høyere volumer som går gjennom mindre team. Det skaper et praktisk gap: færre menneskelige øyne på gulvet, men større mulighet for tap.

Så leverandørene kommer med et fristende forslag: hold bemanningen omtrent flat samtidig som du «multipliserer» årvåkenheten ved hjelp av programvare.

BBC-artikkelen bemerker at noen store forhandlere og uavhengige butikker har introdusert en blanding av:

AI-kroppsskanninger
CCTV-systemer med automatiserte varsler
ansiktsgjenkjenningsutstyr

På papiret er systemene enkle: i stedet for å be de ansatte om å se på en vegg av skjermer, ser datamaskinen på og pinger en ansatt når den synes noe ser mistenkelig ut.

I praksis kan «mistenkelig» bety flere forskjellige ting avhengig av produktet:

et ansikt systemet tror samsvarer med en tidligere hendelse
et organ systemet klassifiserer som «kjent» eller «ukjent»
bevegelsesmønstre som ligner tidligere tyverier

Det er et bredt nett. Og brede nett fanger mer fisk – og mer bifangst.

Hva «AI-kroppsskanninger» og ansiktsgjenkjenning faktisk gjør

En nyttig måte å tenke på disse verktøyene er at de gjør video om til søkbare data.

Tradisjonell CCTV er stort sett passiv: den tar opp opptak som noen kan se gjennom senere. AI-aktivert CCTV er aktiv: den prøver å sette navn på det den ser mens det skjer.

Ansiktsgjenkjenning (den åpenbare)

Ansiktsgjenkjenning forsøker å lage et «ansiktsavtrykk» fra kameraopptak og sammenligne det med en lagret liste. Hvis det er en god samsvar, kan systemet varsle en arbeider, låse en dør, varsle sikkerhetsvakter eller ganske enkelt logge hendelsen.

Fra butikkens synspunkt er dette attraktivt fordi det lover konsistens: den samme personen som stjal forrige uke kan sees ved inngangen i dag.

Men det skaper også et skarpt spørsmål: hvor kommer referanselisten fra, og hvordan kommer man seg av den?

AI-kroppsskanninger (mindre intuitive, men ofte mer vanlige)

BBC-rapporten nevner kroppsskanninger med kunstig intelligens ved siden av ansiktsgjenkjenning. I mange tilfeller betyr ikke «kroppsskanning» en sci-fi-helkroppsskanner. Det betyr ofte et system som oppdager og sporer personer basert på kroppsform, holdning, klessilhuett eller bevegelse.

Hvorfor skulle en forhandler bruke dette?

Kroppsbasert identifikasjon kan fungere selv når ansiktet er delvis skjult.
Den kan spore en person fra flere kameravinkler.
Den kan merke «atferd» (å dvele ved, bevege seg raskt, gå tilbake til en hylle) som mønstre.

Det er denne delen som gjør forkjempere for borgerrettigheter nervøse: du trenger kanskje ikke å bli identifisert med navn for å bli behandlet som «noen vi burde følge med på».

Den stille kraften til overvåkningslister

Borgerrettighetsforkjempere fortalte BBC at publikum blir satt på «hemmelige overvåkningslister og elektronisk svartelistet» fra handlegatene deres.

Den språkbruken er viktig, fordi den beskriver noe større enn en enkelt butikk som bestemmer seg for å utestenge en kunde.

En overvåkningsliste blir mer betydningsfull når den har disse funksjonene:

Det vedvarer over tid.Et øyeblikks mistanke kan følge deg til fremtidige besøk.
Den reiser mellom steder.Et flagg fra én butikk kan påvirke hvordan du blir behandlet i en annen.
Det er vanskelig å bestride.Hvis systemet aldri forteller deg at du ble flagget, kan du ikke bestride det.

Selv uten et formelt «forbud» kan en overvåkningsliste forme resultatene:

personalet behandler deg annerledes
du blir fulgt nøyere med
du blir nektet adgang
sikkerhetsvakten tilkalles tidligere enn den ellers ville blitt

Risikoen er ikke bare falske positiver – det er at falske positiver blir klissete.

Hva loven sier kontra hva folk opplever

BBC-rapporten sier at regjeringens holdning er at kommersiell ansiktsgjenkjenning er lovlig, men bruken må overholde strenge personvernlover og brukes på en transparent måte.

Den ene setningen inneholder den virkelige slagmarken.

«Lovlig» er ikke det samme som «sosialt akseptabelt»

En forhandler kan gjøre noe som teknisk sett er lovlig og fortsatt utløse motreaksjoner hvis kundene føler at reglene er ensidige.

Overvåkingsteknologi endrer den emosjonelle kontrakten rundt shopping. Folk aksepterer et visst nivå av forebygging av tap (kameraer, ansatte, merkelapper). Men når systemet begynner å kategorisere besøkende – potensielt uten at de vet det – endres forholdet fra «butikken beskytter varene sine» til «butikken evaluerer meg».

Åpenhet er vanskeligere enn å sette opp et skilt

«Åpenhet» høres ut som en enkel boks å krysse av i: legg til et skilt ved døren. Men meningsfull åpenhet krever svar på spørsmål som:

Bruker dere ansiktsgjenkjenning, eller bare vanlig CCTV?
Hvilke data lagrer dere, og hvor lenge?
Deler dere dataene med andre nettsteder eller partnere?
Hvordan kan noen anke eller korrigere et feilaktig flagg?

For de fleste kunder er standardinnstillingen uvitenhet: de lærer bare at et system eksisterer når noe går galt.

De operative avveiningene forhandlerne ikke annonserer

Forhandlere tar i bruk disse systemene av kostnads- og dekningsgrunner, men de arver risikoer som ikke passer perfekt inn i et budsjettregneark.

1) Falske positive resultater skaper skade i den virkelige verden

Hvis systemet flagger en uskyldig person, er ikke «skaden» abstrakt. Den kan være forlegenhet, trusler, ekskludering eller eskalering.

Det har også en tilbakekoblingseffekt: Når noen blir behandlet som en mistenkt, kan enhver nervøs atferd se mer «mistenkelig» ut, noe som forsterker systemets opprinnelige feil.

2) Ansatte blir håndhevere av en svart boks

Når et system sender et varsel, blir de ansatte presset til et beslutningspunkt: å handle ut fra det, eller ignorere det.

Hvis de handler og det er galt, er det den menneskelige interaksjonen folk husker – ikke algoritmen. Hvis de ignorerer det og et tyveri skjer, kan ledelsen spørre hvorfor varselet ble avvist.

Så selv om verktøyet er «rådgivende», blir det tvangsmessig på arbeidsplassen.

3) Teknologien inviterer til oppdragskrekk

Et system installert for butikktyveri kan senere bli ombrukt til:

identifisere gjentatte refusjonsforsøk
håndheving av forbud mot antisosial atferd
sporing av ansattes ytelse

Oppdragskrep er ikke alltid ondsinnet. Det er ofte bare investeringens logikk: «Vi har allerede betalt for dette systemet; hva annet kan det gjøre?»

Hvordan den offentlige samtalen sannsynligvis vil utvikle seg

Det som kommer videre handler mindre om maskinvaren og mer om styring.

På kort sikt vil vi sannsynligvis se et mønster:

flere utrullinger (spesielt ettersom leverandører pakker systemer for mindre bedrifter)
flere kampanjer som krever klare regler og åpenhet
mer friksjon etter hvert som kundene lærer at «smart overvåking» finnes på hverdagslige steder

De politiske spørsmålene med størst innflytelse vil være praktiske snarere enn filosofiske:

Hvem setter standardene for nøyaktighet?
Hvem reviderer overvåkningslistene?
Hvordan får noen vite at de har blitt flagget?
Hva er prosessen for fjerning?

Uten svar kan forhandlere oppdage at et verktøy som er ment å forhindre tap skaper en annen type kostnad: omdømmeskade og mistillit hos kundene.

Konklusjon

AI-systemer mot butikktyveri lover å erstatte manglende arbeidstid fra ansatte med automatisert overvåking, og det er derfor de sprer seg fra store forhandlere til lokale butikker. Men når overvåking går over til kategorisering – overvåkningslister, svartelisting og ugjennomsiktige «risiko»-etiketter – slutter teknologien å være et stille sikkerhetstiltak og blir et tillitsproblem for offentligheten.

Kilder

BBC Nyheter (Teknologi):https://www.bbc.com/news/videos/c98p1jg3p58o?at_medium=RSS&at_campaign=rss

Document Title
AI anti-shoplifting tech explained: facial recognition, watchlists, and the transparency fight	AI-teknologi mot butikktyveri forklart: ansiktsgjenkjenning, overvåkningslister og kampen mot åpenhet

Retailers are adopting AI body scans and facial recognition to curb shoplifting. Here’s how it works, why critics warn of secret watchlists, and what transparency should mean.	Forhandlere tar i bruk kroppsskanninger og ansiktsgjenkjenning med kunstig intelligens for å begrense butikktyveri. Slik fungerer det, hvorfor kritikere advarer mot hemmelige overvåkningslister og hva åpenhet bør bety.
Title Attribute
oEmbed (JSON)
oEmbed (XML)
JSON
View all posts by Admin
How crypto criminals are shifting from exchange hacks to targeting individuals	Hvordan kryptokriminelle går fra hacking av børser til å målrette seg mot enkeltpersoner
CZT: the wonder material behind faster scans and sharper detectors	CZT: vidundermaterialet bak raskere skanninger og skarpere detektorer
Page Content
AI anti-shoplifting tech explained: facial recognition, watchlists, and the transparency fight	AI-teknologi mot butikktyveri forklart: ansiktsgjenkjenning, overvåkningslister og kampen mot åpenhet
Nature
Climate
AI anti-shoplifting tech: from CCTV to watchlists on the high street	AI-teknologi mot butikktyveri: fra CCTV til overvåkningslister i handlegaten
/
Technology
/ By
Admin
Retailers are increasingly turning to “smart” surveillance to deal with a very old problem: theft. The newest wave goes beyond standard CCTV, using tools that can flag faces, bodies, or behaviour patterns in real time.	Forhandlere tyr i økende grad til «smart» overvåking for å håndtere et veldig gammelt problem: tyveri. Den nyeste bølgen går utover standard CCTV, og bruker verktøy som kan flagge ansikter, kropper eller atferdsmønstre i sanntid.
A BBC report filmed by Jim Connolly shows how quickly this kind of AI-driven anti-shoplifting tech is moving from big chains into everyday places like an independent Post Office. It also shows why the pushback is growing just as fast: these systems don’t just watch — they can sort people into risk categories.	En BBC-rapport filmet av Jim Connolly viser hvor raskt denne typen AI-drevet teknologi mot butikktyveri flytter seg fra store kjeder til vanlige steder som et uavhengig postkontor. Den viser også hvorfor motstanden vokser like raskt: disse systemene ser ikke bare på – de kan sortere folk i risikokategorier.
Why the tech is spreading now	Hvorfor teknologien sprer seg nå
Shoplifting has always been part of retail, but the incentives around it have shifted. Stores are operating with tighter staffing, more self-checkouts, and higher volumes moving through smaller teams. That creates a practical gap: fewer human eyes on the floor, but more opportunity for loss.	Butikktyveri har alltid vært en del av detaljhandelen, men insentivene rundt det har endret seg. Butikkene opererer med strammere bemanning, flere selvbetjeningskasser og høyere volumer som går gjennom mindre team. Det skaper et praktisk gap: færre menneskelige øyne på gulvet, men større mulighet for tap.
So vendors are pitching a tempting proposition: keep staffing roughly flat while “multiplying” vigilance using software.	Så leverandørene kommer med et fristende forslag: hold bemanningen omtrent flat samtidig som du «multipliserer» årvåkenheten ved hjelp av programvare.
The BBC piece notes that some major retailers and independent stores have introduced a mix of:	BBC-artikkelen bemerker at noen store forhandlere og uavhengige butikker har introdusert en blanding av:
AI body scans
CCTV systems with automated alerts	CCTV-systemer med automatiserte varsler
facial recognition equipment
On paper, the systems are simple: instead of asking staff to watch a wall of screens, the computer watches and pings a staff member when it thinks something looks suspicious.	På papiret er systemene enkle: i stedet for å be de ansatte om å se på en vegg av skjermer, ser datamaskinen på og pinger en ansatt når den synes noe ser mistenkelig ut.
In practice, “suspicious” can mean several different things depending on the product:	I praksis kan «mistenkelig» bety flere forskjellige ting avhengig av produktet:
a face the system thinks matches a previous incident	et ansikt systemet tror samsvarer med en tidligere hendelse
a body the system classifies as “known” or “unknown”	et organ systemet klassifiserer som «kjent» eller «ukjent»
movement patterns that resemble prior thefts	bevegelsesmønstre som ligner tidligere tyverier
That’s a broad net. And broad nets catch more fish — and more bycatch.	Det er et bredt nett. Og brede nett fanger mer fisk – og mer bifangst.
What “AI body scans” and facial recognition actually do	Hva «AI-kroppsskanninger» og ansiktsgjenkjenning faktisk gjør
A useful way to think about these tools is that they turn video into searchable data.	En nyttig måte å tenke på disse verktøyene er at de gjør video om til søkbare data.
Traditional CCTV is mostly passive: it records footage that someone might review later. AI-enabled CCTV is active: it tries to label what it sees as it happens.	Tradisjonell CCTV er stort sett passiv: den tar opp opptak som noen kan se gjennom senere. AI-aktivert CCTV er aktiv: den prøver å sette navn på det den ser mens det skjer.
Facial recognition (the obvious one)	Ansiktsgjenkjenning (den åpenbare)
Facial recognition attempts to create a “faceprint” from camera footage and compare it to a stored list. If there’s a close match, the system can alert a worker, lock a door, notify security, or simply log the event.	Ansiktsgjenkjenning forsøker å lage et «ansiktsavtrykk» fra kameraopptak og sammenligne det med en lagret liste. Hvis det er en god samsvar, kan systemet varsle en arbeider, låse en dør, varsle sikkerhetsvakter eller ganske enkelt logge hendelsen.
From the store’s point of view, this is attractive because it promises consistency: the same person who stole last week can be spotted at the entrance today.	Fra butikkens synspunkt er dette attraktivt fordi det lover konsistens: den samme personen som stjal forrige uke kan sees ved inngangen i dag.
But it also creates a sharp question: where does the reference list come from, and how does someone get off it?	Men det skaper også et skarpt spørsmål: hvor kommer referanselisten fra, og hvordan kommer man seg av den?
AI body scans (less intuitive, but often more common)	AI-kroppsskanninger (mindre intuitive, men ofte mer vanlige)
The BBC report mentions AI body scans alongside facial recognition. In many deployments, “body scanning” doesn’t mean a sci‑fi full-body scanner. It often means a system that detects and tracks people based on body shape, posture, clothing silhouette, or movement.	BBC-rapporten nevner kroppsskanninger med kunstig intelligens ved siden av ansiktsgjenkjenning. I mange tilfeller betyr ikke «kroppsskanning» en sci-fi-helkroppsskanner. Det betyr ofte et system som oppdager og sporer personer basert på kroppsform, holdning, klessilhuett eller bevegelse.
Why would a retailer use this?	Hvorfor skulle en forhandler bruke dette?
Body-based identification can work even when the face is partially obscured.	Kroppsbasert identifikasjon kan fungere selv når ansiktet er delvis skjult.
It can track a person across multiple camera angles.	Den kan spore en person fra flere kameravinkler.
It can label “behaviour” (lingering, moving quickly, returning to a shelf) as patterns.	Den kan merke «atferd» (å dvele ved, bevege seg raskt, gå tilbake til en hylle) som mønstre.
This is the part that makes civil liberties advocates nervous: you may not need to be identified by name to be treated as “someone we should watch.”	Det er denne delen som gjør forkjempere for borgerrettigheter nervøse: du trenger kanskje ikke å bli identifisert med navn for å bli behandlet som «noen vi burde følge med på».
The quiet power of watchlists	Den stille kraften til overvåkningslister
Civil liberty campaigners told the BBC that the public are being put on “secret watchlists and electronically blacklisted” from their high streets.	Borgerrettighetsforkjempere fortalte BBC at publikum blir satt på «hemmelige overvåkningslister og elektronisk svartelistet» fra handlegatene deres.
That language matters, because it describes something bigger than a single shop deciding to ban a customer.	Den språkbruken er viktig, fordi den beskriver noe større enn en enkelt butikk som bestemmer seg for å utestenge en kunde.
A watchlist becomes more consequential when it has these features:	En overvåkningsliste blir mer betydningsfull når den har disse funksjonene:
It persists over time.
A moment of suspicion can follow you to future visits.	Et øyeblikks mistanke kan følge deg til fremtidige besøk.
It travels between locations.
A flag from one shop can influence how you’re treated in another.	Et flagg fra én butikk kan påvirke hvordan du blir behandlet i en annen.
It is hard to contest.
If the system never tells you that you were flagged, you can’t challenge it.	Hvis systemet aldri forteller deg at du ble flagget, kan du ikke bestride det.
Even without a formal “ban,” a watchlist can shape outcomes:	Selv uten et formelt «forbud» kan en overvåkningsliste forme resultatene:
staff approach you differently	personalet behandler deg annerledes
you’re watched more closely
you’re denied entry
security is called earlier than it otherwise would be	sikkerhetsvakten tilkalles tidligere enn den ellers ville blitt
The risk is not only false positives — it’s that false positives become sticky.	Risikoen er ikke bare falske positiver – det er at falske positiver blir klissete.
What the law says vs what people experience	Hva loven sier kontra hva folk opplever
The BBC report says the government’s position is that commercial facial recognition is legal, but its use must comply with strict data protection laws and be used transparently.	BBC-rapporten sier at regjeringens holdning er at kommersiell ansiktsgjenkjenning er lovlig, men bruken må overholde strenge personvernlover og brukes på en transparent måte.
That single sentence contains the real battleground.	Den ene setningen inneholder den virkelige slagmarken.
“Legal” isn’t the same as “socially acceptable”	«Lovlig» er ikke det samme som «sosialt akseptabelt»
A retailer can do something that is technically legal and still trigger backlash if customers feel the rules are one-sided.	En forhandler kan gjøre noe som teknisk sett er lovlig og fortsatt utløse motreaksjoner hvis kundene føler at reglene er ensidige.
Surveillance tech changes the emotional contract of shopping. People accept a certain level of loss-prevention (cameras, staff, tags). But when the system begins to categorise visitors — potentially without them knowing — the relationship shifts from “store protects its goods” to “store is evaluating me.”	Overvåkingsteknologi endrer den emosjonelle kontrakten rundt shopping. Folk aksepterer et visst nivå av forebygging av tap (kameraer, ansatte, merkelapper). Men når systemet begynner å kategorisere besøkende – potensielt uten at de vet det – endres forholdet fra «butikken beskytter varene sine» til «butikken evaluerer meg».
Transparency is harder than putting up a sign	Åpenhet er vanskeligere enn å sette opp et skilt
“Transparency” sounds like an easy box to tick: add a notice at the door. But meaningful transparency would require answers to questions like:	«Åpenhet» høres ut som en enkel boks å krysse av i: legg til et skilt ved døren. Men meningsfull åpenhet krever svar på spørsmål som:
Are you using facial recognition, or only standard CCTV?	Bruker dere ansiktsgjenkjenning, eller bare vanlig CCTV?
What data do you store, and for how long?	Hvilke data lagrer dere, og hvor lenge?
Do you share the data with any other sites or partners?	Deler dere dataene med andre nettsteder eller partnere?
How does someone appeal or correct a mistaken flag?	Hvordan kan noen anke eller korrigere et feilaktig flagg?
For most customers, the default is ignorance: they only learn a system exists when something goes wrong.	For de fleste kunder er standardinnstillingen uvitenhet: de lærer bare at et system eksisterer når noe går galt.
The operational trade-offs retailers don’t advertise	De operative avveiningene forhandlerne ikke annonserer
Retailers adopt these systems for cost and coverage, but they inherit risks that don’t fit neatly into a budget spreadsheet.	Forhandlere tar i bruk disse systemene av kostnads- og dekningsgrunner, men de arver risikoer som ikke passer perfekt inn i et budsjettregneark.
1) False positives create real-world harm	1) Falske positive resultater skaper skade i den virkelige verden
If the system flags an innocent person, the “harm” is not abstract. It can be embarrassment, intimidation, exclusion, or escalation.	Hvis systemet flagger en uskyldig person, er ikke «skaden» abstrakt. Den kan være forlegenhet, trusler, ekskludering eller eskalering.
It also has a feedback effect: once someone is treated like a suspect, any nervous behaviour can look more “suspicious,” reinforcing the system’s initial error.	Det har også en tilbakekoblingseffekt: Når noen blir behandlet som en mistenkt, kan enhver nervøs atferd se mer «mistenkelig» ut, noe som forsterker systemets opprinnelige feil.
2) Staff become enforcers of a black box	2) Ansatte blir håndhevere av en svart boks
When a system pings an alert, staff are pushed into a decision point: act on it, or ignore it.	Når et system sender et varsel, blir de ansatte presset til et beslutningspunkt: å handle ut fra det, eller ignorere det.
If they act and it’s wrong, the human interaction is the thing people remember — not the algorithm. If they ignore it and a theft happens, management may ask why the alert was dismissed.	Hvis de handler og det er galt, er det den menneskelige interaksjonen folk husker – ikke algoritmen. Hvis de ignorerer det og et tyveri skjer, kan ledelsen spørre hvorfor varselet ble avvist.
So even if the tool is “advisory,” it becomes coercive inside the workplace.	Så selv om verktøyet er «rådgivende», blir det tvangsmessig på arbeidsplassen.
3) The tech invites mission creep	3) Teknologien inviterer til oppdragskrekk
A system installed for shoplifting might later be repurposed for:	Et system installert for butikktyveri kan senere bli ombrukt til:
identifying repeat refund attempts	identifisere gjentatte refusjonsforsøk
enforcing bans for anti-social behaviour	håndheving av forbud mot antisosial atferd
tracking staff performance
Mission creep is not always malicious. It’s often just the logic of investment: “We already paid for this system; what else can it do?”	Oppdragskrep er ikke alltid ondsinnet. Det er ofte bare investeringens logikk: «Vi har allerede betalt for dette systemet; hva annet kan det gjøre?»
How the public conversation is likely to evolve	Hvordan den offentlige samtalen sannsynligvis vil utvikle seg
What comes next is less about the hardware and more about governance.	Det som kommer videre handler mindre om maskinvaren og mer om styring.
In the short term, we’ll probably see a pattern:	På kort sikt vil vi sannsynligvis se et mønster:
more deployments (especially as vendors package systems for smaller businesses)	flere utrullinger (spesielt ettersom leverandører pakker systemer for mindre bedrifter)
more campaigns demanding clear rules and disclosure	flere kampanjer som krever klare regler og åpenhet
more friction as customers learn that “smart surveillance” exists in everyday locations	mer friksjon etter hvert som kundene lærer at «smart overvåking» finnes på hverdagslige steder
The highest-leverage policy questions will be practical rather than philosophical:	De politiske spørsmålene med størst innflytelse vil være praktiske snarere enn filosofiske:
Who sets the standards for accuracy?	Hvem setter standardene for nøyaktighet?
Who audits the watchlists?	Hvem reviderer overvåkningslistene?
How does someone learn they were flagged?	Hvordan får noen vite at de har blitt flagget?
What is the process for removal?
Without answers, retailers may find that a tool meant to prevent loss creates a different kind of cost: reputational damage and customer distrust.	Uten svar kan forhandlere oppdage at et verktøy som er ment å forhindre tap skaper en annen type kostnad: omdømmeskade og mistillit hos kundene.
Bottom line
AI anti-shoplifting systems promise to replace missing staff time with automated vigilance, and that’s why they’re spreading from big retailers into local shops. But when surveillance turns into categorisation — watchlists, blacklisting, and opaque “risk” labels — the technology stops being a quiet security measure and becomes a public trust problem.	AI-systemer mot butikktyveri lover å erstatte manglende arbeidstid fra ansatte med automatisert overvåking, og det er derfor de sprer seg fra store forhandlere til lokale butikker. Men når overvåking går over til kategorisering – overvåkningslister, svartelisting og ugjennomsiktige «risiko»-etiketter – slutter teknologien å være et stille sikkerhetstiltak og blir et tillitsproblem for offentligheten.
Sources
BBC News (Technology):
https://www.bbc.com/news/videos/c98p1jg3p58o?at_medium=RSS&at_campaign=rss	https://www.bbc.com/news/videos/c98p1jg3p58o?at_medium=RSS&at_campaign=rss
←
Previous Post
Next Post
→
oEmbed (JSON)
oEmbed (XML)
JSON
View all posts by Admin
How crypto criminals are shifting from exchange hacks to targeting individuals	Hvordan kryptokriminelle går fra hacking av børser til å målrette seg mot enkeltpersoner
CZT: the wonder material behind faster scans and sharper detectors	CZT: vidundermaterialet bak raskere skanninger og skarpere detektorer
Retailers are adopting AI body scans and facial recognition to curb shoplifting. Here’s how it works, why critics warn of secret watchlists, and what transparency should mean.	Forhandlere tar i bruk kroppsskanninger og ansiktsgjenkjenning med kunstig intelligens for å begrense butikktyveri. Slik fungerer det, hvorfor kritikere advarer mot hemmelige overvåkningslister og hva åpenhet bør bety.

Document Title

AI anti-shoplifting tech explained: facial recognition, watchlists, and the transparency fight

Retailers are adopting AI body scans and facial recognition to curb shoplifting. Here’s how it works, why critics warn of secret watchlists, and what transparency should mean.

Title Attribute

oEmbed (JSON)

oEmbed (XML)

JSON

View all posts by Admin

How crypto criminals are shifting from exchange hacks to targeting individuals

CZT: the wonder material behind faster scans and sharper detectors

Page Content

AI anti-shoplifting tech explained: facial recognition, watchlists, and the transparency fight

Nature

Climate

AI anti-shoplifting tech: from CCTV to watchlists on the high street

Technology

/ By

Admin

Retailers are increasingly turning to “smart” surveillance to deal with a very old problem: theft. The newest wave goes beyond standard CCTV, using tools that can flag faces, bodies, or behaviour patterns in real time.

A BBC report filmed by Jim Connolly shows how quickly this kind of AI-driven anti-shoplifting tech is moving from big chains into everyday places like an independent Post Office. It also shows why the pushback is growing just as fast: these systems don’t just watch — they can sort people into risk categories.

Why the tech is spreading now

Shoplifting has always been part of retail, but the incentives around it have shifted. Stores are operating with tighter staffing, more self-checkouts, and higher volumes moving through smaller teams. That creates a practical gap: fewer human eyes on the floor, but more opportunity for loss.

So vendors are pitching a tempting proposition: keep staffing roughly flat while “multiplying” vigilance using software.

The BBC piece notes that some major retailers and independent stores have introduced a mix of:

AI body scans

CCTV systems with automated alerts

facial recognition equipment

On paper, the systems are simple: instead of asking staff to watch a wall of screens, the computer watches and pings a staff member when it thinks something looks suspicious.

In practice, “suspicious” can mean several different things depending on the product:

a face the system thinks matches a previous incident

a body the system classifies as “known” or “unknown”

movement patterns that resemble prior thefts

That’s a broad net. And broad nets catch more fish — and more bycatch.

What “AI body scans” and facial recognition actually do

A useful way to think about these tools is that they turn video into searchable data.

Traditional CCTV is mostly passive: it records footage that someone might review later. AI-enabled CCTV is active: it tries to label what it sees as it happens.

Facial recognition (the obvious one)

Facial recognition attempts to create a “faceprint” from camera footage and compare it to a stored list. If there’s a close match, the system can alert a worker, lock a door, notify security, or simply log the event.

From the store’s point of view, this is attractive because it promises consistency: the same person who stole last week can be spotted at the entrance today.

But it also creates a sharp question: where does the reference list come from, and how does someone get off it?

AI body scans (less intuitive, but often more common)

The BBC report mentions AI body scans alongside facial recognition. In many deployments, “body scanning” doesn’t mean a sci‑fi full-body scanner. It often means a system that detects and tracks people based on body shape, posture, clothing silhouette, or movement.

Why would a retailer use this?

Body-based identification can work even when the face is partially obscured.

It can track a person across multiple camera angles.

It can label “behaviour” (lingering, moving quickly, returning to a shelf) as patterns.

This is the part that makes civil liberties advocates nervous: you may not need to be identified by name to be treated as “someone we should watch.”

The quiet power of watchlists

Civil liberty campaigners told the BBC that the public are being put on “secret watchlists and electronically blacklisted” from their high streets.

That language matters, because it describes something bigger than a single shop deciding to ban a customer.

A watchlist becomes more consequential when it has these features:

It persists over time.

A moment of suspicion can follow you to future visits.

It travels between locations.

A flag from one shop can influence how you’re treated in another.

It is hard to contest.

If the system never tells you that you were flagged, you can’t challenge it.

Even without a formal “ban,” a watchlist can shape outcomes:

staff approach you differently

you’re watched more closely

you’re denied entry

security is called earlier than it otherwise would be

The risk is not only false positives — it’s that false positives become sticky.

What the law says vs what people experience

The BBC report says the government’s position is that commercial facial recognition is legal, but its use must comply with strict data protection laws and be used transparently.

That single sentence contains the real battleground.

“Legal” isn’t the same as “socially acceptable”

A retailer can do something that is technically legal and still trigger backlash if customers feel the rules are one-sided.

Surveillance tech changes the emotional contract of shopping. People accept a certain level of loss-prevention (cameras, staff, tags). But when the system begins to categorise visitors — potentially without them knowing — the relationship shifts from “store protects its goods” to “store is evaluating me.”

Transparency is harder than putting up a sign

“Transparency” sounds like an easy box to tick: add a notice at the door. But meaningful transparency would require answers to questions like:

Are you using facial recognition, or only standard CCTV?

What data do you store, and for how long?

Do you share the data with any other sites or partners?

How does someone appeal or correct a mistaken flag?

For most customers, the default is ignorance: they only learn a system exists when something goes wrong.

The operational trade-offs retailers don’t advertise

Retailers adopt these systems for cost and coverage, but they inherit risks that don’t fit neatly into a budget spreadsheet.

1) False positives create real-world harm

If the system flags an innocent person, the “harm” is not abstract. It can be embarrassment, intimidation, exclusion, or escalation.

It also has a feedback effect: once someone is treated like a suspect, any nervous behaviour can look more “suspicious,” reinforcing the system’s initial error.

2) Staff become enforcers of a black box

When a system pings an alert, staff are pushed into a decision point: act on it, or ignore it.

If they act and it’s wrong, the human interaction is the thing people remember — not the algorithm. If they ignore it and a theft happens, management may ask why the alert was dismissed.

So even if the tool is “advisory,” it becomes coercive inside the workplace.

3) The tech invites mission creep

A system installed for shoplifting might later be repurposed for:

identifying repeat refund attempts

enforcing bans for anti-social behaviour

tracking staff performance

Mission creep is not always malicious. It’s often just the logic of investment: “We already paid for this system; what else can it do?”

How the public conversation is likely to evolve

What comes next is less about the hardware and more about governance.

In the short term, we’ll probably see a pattern:

more deployments (especially as vendors package systems for smaller businesses)

more campaigns demanding clear rules and disclosure

more friction as customers learn that “smart surveillance” exists in everyday locations

The highest-leverage policy questions will be practical rather than philosophical:

Who sets the standards for accuracy?

Who audits the watchlists?

How does someone learn they were flagged?

What is the process for removal?

Without answers, retailers may find that a tool meant to prevent loss creates a different kind of cost: reputational damage and customer distrust.

Bottom line

AI anti-shoplifting systems promise to replace missing staff time with automated vigilance, and that’s why they’re spreading from big retailers into local shops. But when surveillance turns into categorisation — watchlists, blacklisting, and opaque “risk” labels — the technology stops being a quiet security measure and becomes a public trust problem.

Sources

BBC News (Technology):

https://www.bbc.com/news/videos/c98p1jg3p58o?at_medium=RSS&at_campaign=rss

←

→

oEmbed (JSON)

oEmbed (XML)

JSON

View all posts by Admin

How crypto criminals are shifting from exchange hacks to targeting individuals

CZT: the wonder material behind faster scans and sharper detectors

Retailers are adopting AI body scans and facial recognition to curb shoplifting. Here’s how it works, why critics warn of secret watchlists, and what transparency should mean.

Document Title
Page not found - Florin.blog	Siden ble ikke funnet - Florin.blog
Image Alt
Florin.blog
Title Attribute
Florin.blog » Feed
RSD
Skip to content
Placeholder Attribute
Search...
Page Content
Page not found - Florin.blog	Siden ble ikke funnet - Florin.blog
Skip to content
Home
Blog
Garden Decor
Indoor
Main Menu
This page doesn't seem to exist.	Denne siden ser ikke ut til å eksistere.
It looks like the link pointing here was faulty. Maybe try searching?	Det ser ut som om lenken som pekte hit var feil. Kanskje du kan prøve å søke?
Search for:
Search
Quick Links
Outdoors
About
Contact
Explore
Bestsellers
Hot deals
Best of The Year
Featured
Gift Cards
Help
Privacy Policy
Disclaimer
: As an Amazon Associate, we earn from qualifying purchases — at no extra cost to you.	Som Amazon-partner tjener vi penger på kvalifiserte kjøp – uten ekstra kostnad for deg.
Florin.blog
Florin.blog » Feed
RSD
Search...

Document Title

Page not found - Florin.blog

Image Alt

Florin.blog

Title Attribute

Florin.blog » Feed

RSD

Placeholder Attribute

Search...

Page Content

Page not found - Florin.blog

Home

Blog

Garden Decor

Indoor

Main Menu

This page doesn't seem to exist.

It looks like the link pointing here was faulty. Maybe try searching?

Search for:

Quick Links

Outdoors

About

Contact

Explore

Bestsellers

Hot deals

Best of The Year

Featured

Gift Cards

Help

Disclaimer

: As an Amazon Associate, we earn from qualifying purchases — at no extra cost to you.

Florin.blog

Florin.blog » Feed

RSD

Search...