Van regels naar situaties: anders denken over detectie

27 november 2025

Ouderwetse beveiligingssystemen leunen op eenvoudige regels zoals bewegingsdetectie of het overschrijden van een lijn. Dat levert veel alarmen op, maar weinig betekenis. Ze reageren op elke verandering in pixels zonder te begrijpen wat er feitelijk gebeurt. Het resultaat is een stroom aan meldingen die nauwelijks te filteren is. Operators raken zo het overzicht kwijt. Camera’s produceren miljoenen beelden en notificaties, maar slechts een klein deel daarvan biedt echte inzichten. Daardoor blijft fysieke beveiliging vooral reactief: we registreren veel, maar begrijpen weinig.

Eerdere generaties video-analyse brachten vooruitgang, maar ontbeerden nog steeds context. Deep-learning modellen herkennen objecten, maar doen dat per frame, zonder verband in de tijd. Zelfs systemen die zoeken op basis van tekst, zoals “persoon met rugzak”, blijven gefragmenteerd. Ze zien wat er gebeurt, maar begrijpen niet waarom het gebeurt. Intentie ontbreekt. Het verschil tussen iemand die een gebouw binnenloopt en iemand die dat doet met slechte bedoelingen wordt niet herkend.

Dat verklaart waarom traditionele oplossingen beperkt zijn in preventie. We nemen alles op, maar kunnen niet duiden of voorspellen. Voor echte pro activiteit is een systeem nodig dat continu redeneert over wat het waarneemt. Een systeem dat gedrag en context begrijpt, niet alleen objecten. Daar ontstaat de omslag die moderne AI-technologie nu mogelijk maakt.

AI die begrijpt wat er gebeurt

Een van de belangrijkste ontwikkelingen is het gebruik van Vision-Language Models (VLM) in beveiliging. Deze modellen combineren visuele informatie met taal, waardoor ze kunnen redeneren zoals mensen dat doen. Ze volgen gebeurtenissen over meerdere frames en analyseren oorzaak en gevolg. De AI ziet niet alleen dat iemand beweegt, maar begrijpt of iemand op normale wijze een gebouw binnengaat of dat het om een risico gaat.

Omdat deze AI continu draait op lokale systemen met GPU’s, werkt het zonder haperingen en zonder afhankelijk te zijn van cloudverwerking. Dat bespaart bandbreedte en houdt data lokaal, wat beter is voor snelheid en privacy.

Deze modellen worden getraind op grote hoeveelheden echte beveiligingsvideo’s, zorgvuldig en ethisch verzameld om bias te voorkomen. Met miljoenen uren aan materiaal ontwikkelt de AI een bijna intuïtief begrip van situaties. Ze herkent patronen die niet exact in de trainingsdata voorkwamen. Dat vermogen om nieuwe situaties te herkennen wordt open-set detectie genoemd. Daardoor kan de AI een enorme variatie aan gedragingen duiden, inclusief situaties die nieuw of onverwacht zijn.

Door beeld en taal te combineren kan de AI ook intentie inschatten. Het onderscheidt onschuldige handelingen van risicovol gedrag en betrekt de omgeving bij de beoordeling. En dit gebeurt op machinesnelheid, dag en nacht, voor grote aantallen camera’s tegelijk. Dat overstijgt wat menselijke operators ooit zouden kunnen bijbenen.

Van regels naar situaties: anders denken over detectie

Deze ontwikkelingen veranderen de manier waarop we naar triggers en events kijken. Waar systemen vroeger afhankelijk waren van vaste zones en eenvoudige regels, draait het nu om het herkennen van situaties. Een operator kan simpelweg in eigen woorden aangeven wat relevant is, zoals iemand die ongeoorloofd met iemand meeloopt of groepen die na sluitingstijd bij een ingang blijven hangen. De AI begrijpt de beschrijving en houdt die scenario’s actief in de gaten. Wanneer er een melding komt, bevat die direct uitleg over wat er aan de hand is en waarom dat van belang is. Dat zorgt voor minder ruis en een scherpere focus op echte risico’s.

Een andere grote stap is semantisch zoeken. In plaats van uren beelden terugkijken, kun je vragen stellen zoals “laat alle gevallen zien waarin iemand via de nooduitgang naar binnen ging in de afgelopen 24 uur”. De AI filtert direct de relevante momenten. Forensisch onderzoek wordt hierdoor veel efficiënter.

Het gaat zelfs verder. Moderne AI kan een volledige toedracht reconstrueren. Een vraag als “wat leidde tot de brandmelding in hal 3” resulteert in een automatisch opgebouwde tijdlijn met videofragmenten en relevante gebeurtenissen. Teams komen daardoor sneller tot de kern zonder tijdverlies.

De eerste gebruikers melden indrukwekkende resultaten: een daling van valse alarmen tot wel 95 procent en afhandeling van meldingen binnen een minuut. Routinewerk verschuift naar de achtergrond, zodat operators kunnen focussen op echte besluitvorming.

Marktbereidheid in Europa

Ondanks het potentieel is de markt nog voorzichtig. De beveiligingssector is traditioneel gericht op betrouwbaarheid, lange vervangingscycli en voorspelbaarheid. Veel professionals vragen zich af of de technologie rijp genoeg is en of klanten er klaar voor zijn. Dat is begrijpelijk, zeker gezien eerdere teleurstellingen rond “slimme” camera’s die in de praktijk tegenvielen.

Maar AI is inmiddels geen hype meer. Grote organisaties hebben al concrete resultaten geboekt en eindklanten zien de voordelen van minder ruis en efficiëntere inzet van personeel. Tegelijk neemt de druk van regelgeving toe, waardoor afwachten een risico wordt. De adoptie groeit daarom stap voor stap. Grote ondernemingen in technologie, financiële dienstverlening en infrastructuur lopen voorop en dwingen integrators en installateurs om nieuwe kennis op te doen en processen aan te passen.

Wetgeving speelt in Europa een centrale rol in die adoptie.

Wetgeving: GDPR, NIS2 en de AI Act

In Europa kun je AI in beveiliging niet los zien van drie belangrijke kaders: de GDPR, NIS2 en de AI Act.

De GDPR beschouwt videobeelden als persoonsgegevens. Dat betekent dat elke analyse verantwoord moet worden, met een duidelijk doel en transparantie richting betrokkenen. Bewaartermijnen moeten beperkt zijn en beelden moeten automatisch worden verwijderd zodra ze niet meer nodig zijn. Toegang tot data moet worden gelogd en waar passend moeten maatregelen zoals privacymasking worden toegepast. AI mag geen onnodige gegevens verwerken en organisaties moeten kunnen uitleggen of en hoe iemand door AI is geanalyseerd. Privacy by design is daarbij essentieel.

NIS2 koppelt fysieke beveiliging direct aan cyberveiligheid. Vooral in essentiële sectoren moeten organisaties aantonen dat camera’s en toegangscontroles veilig zijn geïntegreerd in het netwerk. Dat betekent geharde firmware, versleutelde verbindingen, bescherming tegen aanvallen en duidelijke logging en incidentrespons. De Cyber Resilience Act sluit hierop aan door eisen te stellen aan veilige standaarden, updates en transparantie over kwetsbaarheden.

De AI Act heeft de grootste invloed op AI-toepassingen zelf. Gedragsanalyse en grootschalige surveillance vallen in de categorie hoog risico. Dat vraagt uitgebreide documentatie, uitlegbaarheid van beslissingen en aantoonbaar menselijk toezicht. Organisaties moeten duidelijk kunnen maken welke data worden gebruikt en hoe conclusies tot stand komen. Vanaf 2026 gelden de volledige verplichtingen voor hoog-risico systemen. De boetes zijn vergelijkbaar met die van de GDPR, waardoor naleving absoluut noodzakelijk is.

Voor gebruikers betekent dit dat elke investering in nieuwe beveiligingstechnologie gepaard moet gaan met vragen over proportionaliteit, transparantie, veiligheid en bias-beperking. Alleen met een goede balans tussen techniek en beleid kunnen organisaties de voordelen benutten zonder risico’s.

Vooruitkijken: innovatie met verantwoordelijkheid

AI verandert fysieke beveiliging ingrijpend. We gaan van registreren naar begrijpen en van reageren naar anticiperen. Door ruis weg te nemen en context centraal te zetten, kunnen beveiligingsteams effectiever en doelgerichter werken.

Maar die kracht vraagt verantwoordelijkheid. Transparantie, uitlegbaarheid en naleving van de wet zijn geen bijzaak maar randvoorwaarden. Fabrikanten en integrators moeten daarom samenwerken aan oplossingen die innovatief zijn en tegelijk juridisch en ethisch stevig staan.

Bij IDIS kiezen we bewust voor die balans. We bouwen systemen die veilig zijn ingericht en waar mogelijk privacy bevorderen, zodat klanten AI kunnen inzetten zonder zorgen over compliance. Het doel is dat gebruikers en beleidsmakers vertrouwen hebben in de technologie en in de manier waarop deze wordt toegepast.

De beveiligingssector staat aan het begin van een nieuw hoofdstuk. Door realistisch te blijven, open te communiceren en te leren van praktijkervaringen kan AI uitgroeien tot een waardevolle partner. Triggers en events worden inzichten en beveiliging ontwikkelt zich naar een toekomst waarin context en betrouwbaarheid centraal staan.