Använder svensk polis redan AI som pekar ut framtida brottslingar?

Var och en av fyra datakällor kan vara harmlös. Tillsammans är de något annat. Den här genomgången följer vägen från spridda, oskyldiga uppgifter till en utpekad misstänkt — i fyra steg. Först mosaikeffekten, som förklarar varför tre triviala uppgifter räcker för att peka ut vem du är. Sedan ontologin, den dolda kategorilistan som avgör vad ett system som Acus över huvud taget kan se. Därefter vad "prediktiv polis" faktiskt betyder i Sverige. Och till sist varför "digital patrullering" inte är samma sak som massövervakning.

01Mosaikeffekten: tre harmlösa uppgifter, en identitet

År 2000 publicerade forskaren Latanya Sweeney vid Harvard ett resultat som blivit ett standardexempel i integritetsforskning: kombinationen av kön, födelsedatum och postnummer — tre uppgifter som var för sig känns helt oskyldiga — räcker för att entydigt identifiera 87 procent av den amerikanska befolkningen. Ett annat klassiskt exempel är när forskare 2008 kunde återidentifiera användare i Netflix "anonymiserade" filmbetygsdata genom att korsköra dem mot offentliga recensioner på IMDb. I båda fallen var ingen enskild uppgift hemlig. Det var kombinationen som var produkten.

Det är lätt att missa att förändringen inte är gradvis, utan kategorisk. Att lägga till ett fjärde harmlöst datalager gör inte profilen "lite mer detaljerad" — det kan göra den till en helt ny sorts uppgift, med helt andra risker, även om varje enskild beståndsdel fortfarande är obetydlig i sig.

02När databasen blir verkligheten

I system av Palantirs typ betyder "ontologi" en fördefinierad lista över vilka sorters saker systemet kan hantera — Person, Fordon, Plats, Händelse, Organisation — och vilka sorters relationer som får finnas mellan dem, till exempel "äger", "är familjemedlem till" eller "var närvarande vid". Forskning om Danmarks POL-INTEL beskriver det som att Palantir, när plattformen anpassades för dansk polis, i praktiken införde en ny ontologi som avgjorde hur polisen därefter kunde se och kategorisera information — inte bara vilken data som fanns tillgänglig.

Listan över entitetstyper och relationstyper väljs av dem som bygger systemet — oftast långt innan en enskild utredning ens existerar. Det är inte en konspiration, det är en teknisk nödvändighet: mjukvara måste ha fasta kategorier för att fungera. Men varje val av kategori är samtidigt ett val av vad som inte får plats. En ontologi byggd för att hitta nätverk av misstänkta är bra på just det — och strukturellt sämre på att fånga nyanser den aldrig designades för att se.

03"Prediktiv polis": science fiction eller vardag?

"Prediktiv polis" används ofta som ett paraplybegrepp för fyra tekniskt separata saker: geografiska riskpoäng (var brott statistiskt sett är vanligare), mönsterigenkänning (kopplingar mellan redan kända personer/ärenden), klassiskt underrättelsearbete (rikta, samla, bearbeta, analysera, delge — polisarbete som funnits långt före AI) och automatiserat beslutsfattande (där ett system, inte en människa, fattar det faktiska beslutet). Bara den sista kategorin är egentligen kontroversiell på det sätt "AI-polis"-rubriker antyder — och det är också den kategori som saknar dokumenterade svenska exempel.

Det som är belagt genom Dagens ETC:s granskning är att Acus används för att koppla samman uppgifter om redan kända eller misstänkta personer — inte för att peka ut nya, okända individer som framtida brottslingar. Brottsförebyggande rådet beskriver svenskt brottsförebyggande arbete som "problemorienterat": planerat utifrån kartläggning och orsaksanalys, en metod som har funnits långt innan någon kallade det AI. Vi har inte hittat någon offentlig, bekräftad uppgift om ett svenskt system som gör individuella brottsprognoser om namngivna, tidigare okända personer.

04Digital patrullering är inte massövervakning

Enligt Polismyndighetens egna beskrivningar av digital patrullering (som nu rullats ut i bland annat Värnamo, Falun och Avesta) handlar den öppna delen om att komplettera fysisk närvaro med synlighet på plattformar som Facebook, Instagram, TikTok, Discord och Twitch — med verifierade, tydligt märkta konton, ungefär som en uniform signalerar trygghet i det fysiska rummet. Vid sidan av det används OSINT-metoder (Open Source Intelligence) för att kartlägga misstänkta konton, analysera beteenden och ta fram underlag till utredningar — riktat mot specifika mål, inte mot allmänheten i stort.

Den mest träffsäkra kritiken handlar inte om att OSINT-kartläggning i sig vore olaglig massövervakning — det är den inte — utan om att blandningen av öppet förtroendearbete och dold kartläggning riskerar att underminera just det förtroende den öppna delen är till för att bygga. Om en person inte kan lita på att en vänlig polisprofil på Discord inte samtidigt används som ingång till kartläggning, urholkas hela poängen med öppenheten. Det är en fråga om gränsdragning och tillit, inte om att en hemlig massövervakningsapparat existerar.

05Så landar bedömningen

Fyra steg, ett mönster: harmlösa uppgifter blir en identitet (mosaikeffekten), en dold kategorilista avgör vad systemet ens kan se (ontologin), "prediktiv polis" visar sig vara mönsteranalys på redan kända personer snarare än algoritmisk brottsprofetia, och "digital patrullering" rymmer både öppen närvaro och riktad kartläggning — men inte massövervakning av allas privata meddelanden. Den gemensamma lärdomen är att det som är verkligt förtjänar granskning just för att det är verkligt, medan science fiction-versionerna förtjänar att avfärdas för att de inte är det. Att blanda ihop de två gör oss sämre rustade att se var de faktiska riskerna ligger.