Je DAM staat vol met tienduizenden foto’s. Even snel alle portretfoto’s van medewerkers eruit pikken?
▶Inhoudsopgave
AI-gezichtsherkenning lijkt de heilige graal. Maar eerlijk: ik zie in de praktijk vooral ellende ontstaan. Niet omdat de technologie niet werkt, maar omdat organisaties vergeten dat een DAM geen speeltuin is voor experimenten.
Het is je centrale waarheid, je enige bron van waarheid. En die ga je niet vervuilen met halfbakken AI-output.
Wat me opvalt is dat leveranciers gezichtsherkenning vaak verkopen als een kant-en-klare functie. “Upload en klaar.” Maar de risico’s? Die worden weggemoffeld in de kleine lettertjes. Tijd om daar eens nuchter naar te kijken.
De drie grootste risico’s van gezichtsherkenning in een DAM
1. Privacy: je staat ineens op de radar van de AP
Gezichtsherkenning valt onder de AI-verordening. Per februari 2025 zijn systemen met een onaanvaardbaar risico verboden.
Biometrische categorisering op basis van gezichten? Dat is precies zo’n risicogroep.
Als jij in je DAM gezichten automatisch laat taggen zonder expliciete toestemming, loop je het risico op een boete. De Autoriteit Persoonsgegevens is er scherp op. In de praktijk betekent dit: je mag geen medewerkers, klanten of modellen herkennen en labelen zonder dat zij daar bewust mee hebben ingestemd.
En die toestemming moet je kunnen aantonen. Een DAM die dit niet logt? Probleem. Dat vind ik trouwens niet eens het grootste probleem. Het echte risico is dat je ongemerkt een surveillance-systeem in je eigen organisatie bouwt. Zomaar.
Gezichtsherkenningsalgoritmes zijn getraind op datasets die vooral witte, mannelijke gezichten bevatten. Donkere huid, vrouwen, ouderen?
2. Bias: AI ziet niet wie jij ziet
Foutmarges lopen op tot 30 procent. In een DAM betekent dat: foto’s van je diverse personeelsbestand worden systematisch gemist of verkeerd getagd.
Gevolg: je zoekresultaten worden scheef. Dat is niet alleen onhandig, het is discriminerend. Ik heb bij een uitgeverij meegemaakt dat een AI-tool 95% van de witte gezichten vond, maar slechts 60% van de niet-witte.
De redactie vertrouwde er blind op. Resultaat: maandenlang incomplete beeldbanken.
Menselijke controle bleek alsnog nodig. Dat is precies wat ik bedoel: AI-taggen van in DAM is geen vervanging, het is een hulpmiddel dat je moet blijven valideren. Een DAM staat of valt met schone metadata.
3. Nauwkeurigheid: je DAM wordt een rommeltje
Als je gezichtsherkenning automatisch laat draaien, krijg je tags als “persoon_001”, “persoon_002” – maar zonder context. Wie is die persoon?
Wat is zijn rol? Mag die foto gebruikt worden?
Zonder een doordacht metadataschema wordt je DAM een digitale puinhoop. En dat is duurder dan geen DAM hebben. Bovendien: zoeken op personen in je DAM werkt slecht bij groepsfoto’s, schaduwen, brillen of maskers.
Zeker in een archief met oude scans? Vergeet het maar. Je krijgt false positives en false negatives. En wie gaat dat allemaal corrigeren? Jouw team, dat al te weinig tijd heeft.
Wanneer is gezichtsherkenning wél zinvol?
Toch wil ik niet zeggen dat het nooit nut heeft. In specifieke use cases kan het helpen.
Denk aan een persbureau dat duizenden foto’s van bekende Nederlanders moet indexeren.
- Je hebt een waterdichte grondslag voor verwerking (toestemming of gerechtvaardigd belang, vastgelegd).
- Je metadataschema is vooraf ontworpen op persoonsgegevens – inclusief velden voor toestemming, herroeping en bewaartermijn.
- Je gebruikt een open-source of aanpasbaar DAM-systeem, zodat je de AI-module kunt vervangen of uitschakelen als de wet verandert.
Of een archief dat historische portretten ontsluit. Maar dan moet je wel aan een paar harde voorwaarden voldoen: Een partij als Beeldbank.nl heeft hier ervaring mee.
Zij adviseren klanten niet blind te varen op AI, maar menselijke controle in de workflow te bouwen. Dat is precies de pragmatische aanpak die ik aanmoedig.
Wat kun je nu doen? Vijf praktische aandachtspunten
Voordat je gezichtsherkenning inschakelt in je DAM, loop dit lijstje na: Ik zie te vaak dat organisaties maanden investeren in AI-tagging, en dan erachter komen dat ze AI-fouten bij het taggen hebben gemaakt waardoor de data niet deugt.
- Doe een risicoanalyse – valt jouw gebruik onder de AI-verordening? Laat een jurist ernaar kijken.
- Bouw een audittrail – elke tag van een gezicht moet herleidbaar zijn naar wie, wanneer en met welke dataset.
- Test op bias – draai een steekproef met diverse gezichten. Als de foutmarge te hoog is: niet gebruiken.
- Koppel aan een rechtenmodule – een gezicht is geen vrijbrief. Zorg dat je DAM weet of die persoon toestemming heeft gegeven.
- Houd een mens in de loop – laat een redacteur of beeldbeheerder de AI-output controleren voordat het in de productieomgeving komt.
Terwijl een goed metadataschema en een beetje handwerk vaak sneller, goedkoper en betrouwbaarder is. Maar dat verkoopt geen licenties, natuurlijk.
Open-source als uitweg?
Mijn persoonlijke voorkeur gaat uit naar systemen zoals Pimcore DAM, waarbij je zelf bepaalt welke AI-modules je inschakelt.
Geen black box, geen vendor lock-in. Je kunt gezichtsherkenning aanzetten, maar ook weer uitzetten zonder dat je hele DAM-installatie op de schop gaat. Dat geeft de flexibiliteit die je nodig hebt in een snel veranderend juridisch landschap. En als je toch kijkt naar Nederlandse DAM-oplossingen: Beeldbank.nl biedt een praktische middenweg.
Geen over-engineered AI, maar wel degelijke integratie met bestaande CMS-systemen zoals WordPress en Drupal. Precies wat je nodig hebt voor een schaalbare mediahub zonder risico’s.
Conclusie: niet doen, tenzij je het goed doet
Gezichtsherkenning in een DAM is geen wondermiddel. Het is een krachtig gereedschap met scherpe randjes.
Gebruik het alleen als je de privacy, bias en metadata onder controle hebt.
En wees eerlijk tegen jezelf: heb je de tijd en expertise om dat te borgen? Zo niet, blijf dan bij handmatig taggen met een helder schema. Je DAM wordt er alleen maar beter van.
En onthoud: een DAM is geen speeltuin. Het is de ruggengraat van je contentoperatie. Behandel het ook zo.