AI-teknik mot snatteri: från CCTV till bevakningslistor på huvudgatan

/Teknologi/ Av

Återförsäljare vänder sig alltmer till "smart" övervakning för att hantera ett mycket gammalt problem: stöld. Den senaste vågen går bortom vanlig CCTV och använder verktyg som kan flagga ansikten, kroppar eller beteendemönster i realtid.

En BBC-rapport filmad av Jim Connolly visar hur snabbt den här typen av AI-driven teknik mot snatteri flyttar från stora kedjor till vardagliga platser som ett oberoende postkontor. Den visar också varför motståndet växer lika snabbt: dessa system tittar inte bara på – de kan sortera människor i riskkategorier.

Varför tekniken sprider sig nu

Butiksstölder har alltid varit en del av detaljhandeln, men incitamenten kring det har förändrats. Butikerna drivs med tätare bemanning, fler självutcheckningar och högre volymer som rör sig genom mindre team. Det skapar en praktisk lucka: färre mänskliga ögon på golvet, men större möjligheter till förlust.

Så leverantörer presenterar ett frestande förslag: att hålla bemanningsnivån i stort sett oförändrad samtidigt som man "mångfaldigar" vaksamheten med hjälp av programvara.

BBC-artikeln noterar att vissa stora återförsäljare och oberoende butiker har infört en blandning av:

  • AI-kroppsskanningar
  • CCTV-system med automatiska varningar
  • ansiktsigenkänningsutrustning

På pappret är systemen enkla: istället för att be personalen titta på en vägg av skärmar, tittar datorn på och pingar en anställd när den tycker att något ser misstänkt ut.

I praktiken kan ”misstänkt” betyda flera olika saker beroende på produkten:

  • ett ansikte som systemet tror matchar en tidigare incident
  • en kropp som systemet klassificerar som "känd" eller "okänd"
  • rörelsemönster som liknar tidigare stölder

Det är ett brett nät. Och breda nät fångar mer fisk – och mer bifångst.

Vad "AI-kroppsskanningar" och ansiktsigenkänning faktiskt gör

Ett bra sätt att tänka kring dessa verktyg är att de omvandlar video till sökbar data.

Traditionell CCTV är mestadels passiv: den spelar in bilder som någon kan granska senare. AI-aktiverad CCTV är aktiv: den försöker märka det den ser medan det händer.

Ansiktsigenkänning (det uppenbara)

Ansiktsigenkänning försöker skapa ett "ansiktsavtryck" från kamerabilder och jämföra det med en lagrad lista. Om det finns en nära matchning kan systemet varna en anställd, låsa en dörr, meddela säkerhetspersonalen eller helt enkelt logga händelsen.

Ur butikens synvinkel är detta attraktivt eftersom det utlovar konsekvens: samma person som stal förra veckan kan ses vid entrén idag.

Men det skapar också en skarp fråga: varifrån kommer referenslistan, och hur kommer man bort från den?

AI-kroppsskanningar (mindre intuitiva, men ofta vanligare)

BBC-rapporten nämner kroppsskanningar med AI vid sidan av ansiktsigenkänning. I många tillämpningar betyder "kroppsskanning" inte en helkroppsskanner i science fiction-format. Det betyder ofta ett system som upptäcker och spårar människor baserat på kroppsform, hållning, klädsilhuett eller rörelse.

Varför skulle en återförsäljare använda detta?

  • Kroppsbaserad identifiering kan fungera även när ansiktet är delvis dolt.
  • Den kan följa en person från flera kameravinklar.
  • Den kan märka ”beteende” (att dröja sig kvar, röra sig snabbt, återvända till en hylla) som mönster.

Det är den här delen som gör förespråkare för medborgerliga rättigheter nervösa: du kanske inte behöver bli identifierad med namn för att bli behandlad som "någon vi borde hålla koll på".

Den tysta kraften i bevakningslistor

Medborgerliga rättigheter-aktivister berättade för BBC att allmänheten sätts på "hemliga bevakningslistor och elektroniskt svartlistas" från deras huvudgator.

Det språket spelar roll, eftersom det beskriver något större än en enda butik som beslutar att stänga av en kund.

En bevakningslista blir mer betydelsefull när den har dessa funktioner:

  1. Det kvarstår över tid.Ett ögonblick av misstanke kan följa dig till framtida besök.

  2. Den färdas mellan platser.En flagga från en butik kan påverka hur du blir behandlad i en annan.

  3. Det är svårt att bestrida.Om systemet aldrig meddelar dig att du blivit flaggad kan du inte bestrida det.

Även utan ett formellt "förbud" kan en bevakningslista forma resultaten:

  • personalen bemöter dig annorlunda
  • du blir övervakad närmare
  • du nekas inträde
  • säkerhetspersonalen anropas tidigare än vad den annars skulle ha gjort

Risken är inte bara falska positiva resultat – det är att falska positiva resultat blir klibbiga.

Vad lagen säger kontra vad människor upplever

BBC-rapporten säger att regeringens ståndpunkt är att kommersiell ansiktsigenkänning är laglig, men dess användning måste följa strikta dataskyddslagar och användas transparent.

Den enda meningen innehåller det verkliga slagfältet.

En återförsäljare kan göra något som är tekniskt lagligt och ändå utlösa motreaktioner om kunderna anser att reglerna är ensidiga.

Övervakningsteknik förändrar det känslomässiga kontraktet kring shopping. Människor accepterar en viss nivå av förlustförebyggande åtgärder (kameror, personal, etiketter). Men när systemet börjar kategorisera besökare – potentiellt utan att de vet om det – förändras förhållandet från "butiken skyddar sina varor" till "butiken utvärderar mig".

Transparens är svårare än att sätta upp en skylt

”Transparens” låter som en enkel ruta att kryssa i: sätt upp ett meddelande vid dörren. Men meningsfull transparens skulle kräva svar på frågor som:

  • Använder ni ansiktsigenkänning eller bara vanlig CCTV?
  • Vilka data lagrar ni, och hur länge?
  • Delar ni informationen med några andra webbplatser eller partners?
  • Hur kan någon överklaga eller korrigera en felaktig flaggning?

För de flesta kunder är standarden okunskap: de lär sig bara att ett system existerar när något går fel.

De operativa avvägningarna som återförsäljare inte annonserar

Återförsäljare använder dessa system för kostnad och täckning, men de ärver risker som inte får plats snyggt i ett budgetkalkylblad.

1) Falska positiva resultat skapar verklig skada

Om systemet flaggar en oskyldig person är "skadan" inte abstrakt. Den kan vara förlägenhet, hot, uteslutning eller eskalering.

Det har också en återkopplingseffekt: när någon väl behandlas som en misstänkt kan nervöst beteende se mer "misstänkt" ut, vilket förstärker systemets initiala fel.

2) Personalen blir tillsynsmyndigheter för en svart låda

När ett system skickar en varning ställs personalen inför ett beslutsfattande: agera utifrån den eller ignorera den.

Om de agerar och det är fel, är det den mänskliga interaktionen som folk kommer ihåg – inte algoritmen. Om de ignorerar den och en stöld inträffar, kan ledningen fråga varför larmet avfärdades.

Så även om verktyget är ”rådgivande” blir det tvingande på arbetsplatsen.

3) Tekniken inbjuder till uppdragskrypning

Ett system som installerats för snatteri kan senare återanvändas för:

  • identifiera upprepade återbetalningsförsök
  • upprätthålla förbud mot antisocialt beteende
  • spåra personalens prestationer

Missionskrypning är inte alltid illvilligt. Det är ofta bara investeringens logik: "Vi har redan betalat för det här systemet; vad mer kan det göra?"

Hur det offentliga samtalet sannolikt kommer att utvecklas

Det som kommer härnäst handlar mindre om hårdvaran och mer om styrning.

På kort sikt kommer vi förmodligen att se ett mönster:

  • fler implementeringar (särskilt eftersom leverantörer paketerar system för mindre företag)
  • fler kampanjer som kräver tydliga regler och öppenhet
  • mer friktion när kunderna lär sig att "smart övervakning" finns på vardagliga platser

De politiska frågorna med högst hävstångseffekt kommer att vara praktiska snarare än filosofiska:

  • Vem sätter standarderna för noggrannhet?
  • Vem granskar bevakningslistorna?
  • Hur får någon veta att de blivit flaggade?
  • Vad är processen för borttagning?

Utan svar kan återförsäljare upptäcka att ett verktyg som är avsett att förhindra förlust skapar en annan typ av kostnad: ryktesskada och misstro mot kunderna.

Slutsats

AI-system mot snatteri lovar att ersätta personalens förlorade tid med automatiserad vaksamhet, och det är därför de sprider sig från stora återförsäljare till lokala butiker. Men när övervakning övergår i kategorisering – bevakningslistor, svartlistning och ogenomskinliga "risk"-etiketter – slutar tekniken att vara en tyst säkerhetsåtgärd och blir ett problem för allmänhetens förtroende.

Källor

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
←
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
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
Image Alt
Florin.blog
Title Attribute
Florin.blog » Feed
RSD
Skip to content
Placeholder Attribute
Search...
Page Content
Page not found - Florin.blog
Skip to content
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:
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.
Florin.blog
Florin.blog » Feed
RSD
Search...
v Svenska