L’opération antiterroriste d’INTERPOL fondée sur l’IA identifie 126 suspects, mais les correspondances nécessitent encore une preuve humaine

L’opération antiterroriste d’INTERPOL fondée sur l’IA a identifié 126 combattants terroristes étrangers présumés après avoir traité 108 076 images faciales extraites de médias djihadistes. Cette ampleur marque un changement significatif dans la façon dont les enquêteurs internationaux peuvent transformer des contenus numériques publics en pistes exploitables.

L’opération Shams II n’a pas laissé un algorithme prendre les décisions finales d’identification. Des agents d’IA programmés et des scripts générés par IA ont collecté, dédupliqué et vérifié les images avant que des agents formés examinent les correspondances obtenues. Cette distinction est importante, car un score de similarité faciale constitue une piste d’enquête, et non une preuve d’identité ou de comportement criminel.

L’opération présente donc deux réalités concurrentes. L’IA peut ramener un volume ingérable d’images en ligne à un jeu de données que les enquêteurs peuvent examiner. Toutefois, sa valeur dépend de la qualité des images, du traitement légal des données, de la vérification par des experts et de l’usage que les autorités nationales font de chaque piste.

L’opération Shams II a transformé 108 076 images en pistes d’enquête

Le changement immédiat n’a pas été un maintien de l’ordre autonome, mais une chaîne de traitement du renseignement beaucoup plus rapide.

Selon Operation Shams II, INTERPOL a coordonné cette action de cinq jours à Tunis, en Tunisie, du 1er au 5 juin 2026. L’organisation a annoncé ses résultats le 18 septembre.

L’opération a réuni 28 agents spécialisés et experts de 11 pays. Les participants venaient de Côte d’Ivoire, du Ghana, d’Irak, du Kenya, de Malaisie, du Nigeria, des Philippines, du Qatar, du Tadjikistan, de Tunisie et d’Ouzbékistan.

Les enquêteurs ont commencé avec des contenus visuels publiés en ligne par des groupes djihadistes. Ils en ont extrait 108 076 images faciales, constituant une collection bien trop vaste pour qu’une petite équipe puisse l’examiner efficacement à la main.

Des agents d’IA programmés et des scripts générés par IA ont automatisé une partie du processus de collecte. Ils ont également supprimé les doublons et vérifié si les images présentaient une qualité suffisante pour une analyse ultérieure.

Cette étape de filtrage a réduit la collection initiale à 6 362 images faciales uniques et de meilleure qualité. Les enquêteurs ont ensuite pu traiter ces images au moyen du Facial Recognition System d’INTERPOL.

Cette réduction est au cœur du sujet. Plus de 101 000 images collectées n’ont pas intégré le principal jeu de données de reconnaissance faciale. Nombre d’entre elles représentaient probablement des doublons, des images inadaptées ou des contenus ne répondant pas aux exigences de qualité.

Le Bureau central national d’INTERPOL à Bagdad a également fourni un vaste jeu de données de renseignement concernant des suspects liés au terrorisme. Cette contribution a ajouté des centaines d’images à extraire et traiter, élargissant l’opération au-delà des médias collectés publiquement.

INTERPOL a indiqué que les comparaisons avaient permis d’identifier 126 combattants terroristes étrangers présumés à la date de l’annonce. Les combattants terroristes étrangers sont des personnes soupçonnées d’avoir voyagé à l’étranger pour rejoindre, soutenir ou s’entraîner avec des organisations terroristes.

L’organisation a déclaré que ces correspondances enrichiraient le renseignement sur d’éventuels lieux et réseaux sociaux. Elle intégrait également ces informations à ses bases de données afin de les utiliser dans de futures enquêtes et vérifications internationales.

Ces résultats ne doivent pas être confondus avec 126 arrestations. INTERPOL a décrit des identifications et des pistes d’enquête, et non des poursuites achevées ou des conclusions de culpabilité.

Selon l’organisation, une piste soutenait déjà un travail judiciaire impliquant deux suspects détenus. Des milliers d’images restaient à traiter, de sorte que le nombre final de correspondances potentielles demeurait incertain.

L’opération Shams II a également utilisé des outils d’enquête sur les cryptomonnaies afin d’examiner des soupçons de financement du terrorisme. Ce travail a abouti à trois demandes urgentes invitant un prestataire de services sur actifs virtuels à divulguer des informations sur ses clients.

Des représentants du secteur du jeu en ligne ont participé à des discussions sur la radicalisation des jeunes dans les environnements numériques. Cet élément reflète le périmètre plus large de l’opération, qui a relié l’analyse d’images au financement et à la coopération avec les plateformes.

Le résultat central reste la transformation d’une archive visuelle bruitée en un ensemble plus restreint d’éléments exploitables. Cette capacité porte la promesse de l’opération, mais concentre également les risques dans le processus de filtrage et de mise en correspondance.

Pourquoi l’opération antiterroriste d’INTERPOL fondée sur l’IA est importante

L’opération Shams II fait passer l’analyse assistée par IA d’un objectif de formation à une enquête multinationale documentée.

Les forces de l’ordre utilisent la reconnaissance faciale depuis des années. Ce qui distingue cette opération est la combinaison d’une collecte en sources ouvertes, d’une préparation automatisée, de bases de données internationales et d’un examen humain coordonné.

Le problème sous-jacent est celui de l’échelle. Une vidéo de propagande peut contenir des milliers d’images, tandis qu’un même visage peut apparaître dans différentes résolutions, différents montages et différents canaux de diffusion.

L’examen manuel peine face à ce volume. Les enquêteurs doivent repérer les visages, écarter les images inutilisables, reconnaître les images répétées et comparer le contenu restant avec les dossiers existants.

L’IA modifie l’économie de ce travail. Des agents automatisés peuvent répéter les tâches de collecte et de nettoyage sans qu’un agent ait à examiner chaque image successivement.

Cela ne signifie pas que le logiciel comprend les éléments de preuve. Cela signifie que le système peut réduire le volume de documents que les enquêteurs humains doivent évaluer.

L’opération Shams II offre une mesure concrète de cette réduction. Seuls environ 5,9 % des 108 076 images extraites ont intégré l’ensemble de 6 362 visages uniques et de meilleure qualité préparés pour comparaison.

Ce ratio ne révèle pas la précision du système. Il montre toutefois l’ampleur des contenus dupliqués ou inadaptés auxquels les enquêteurs ont été confrontés avant le début de la mise en correspondance des visages.

L’opération est issue d’un programme plus large de renforcement des capacités. L’initiative CT TECH+ est un projet de deux ans mis en œuvre conjointement par le Bureau des Nations Unies pour la lutte contre le terrorisme et INTERPOL, avec un financement de l’Union européenne.

CT TECH+ forme les pays participants au renseignement en sources ouvertes, à l’intelligence artificielle, aux enquêtes sur le darknet et au traçage des actifs virtuels. L’initiative exige également que ces capacités soient développées conformément au droit international et aux obligations en matière de droits humains.

Sa première phase s’est déroulée de janvier 2022 à juin 2024. L’initiative élargie a été lancée en novembre 2024 et prévoyait une opération coordonnée vers la fin de son programme.

L’opération Shams II semble constituer la traduction opérationnelle de cette préparation. Les agents ne testaient pas simplement un produit autonome de reconnaissance faciale. Ils utilisaient un modèle d’enquête partagé entre des pays aux ressources techniques et aux systèmes juridiques différents.

Ce modèle exerce une pression sur les agences qui dépendent encore de procédures manuelles fragmentées. Lorsque les images pertinentes circulent entre frontières et plateformes, une équipe nationale peut ne pas disposer des données de référence nécessaires pour reconnaître une personne.

INTERPOL fournit la couche de connexion. L’organisation peut comparer les contenus soumis avec des notices, diffusions et autres dossiers autorisés internationaux, puis renvoyer des candidats potentiels aux autorités participantes.

Une opération antérieure illustre le contraste. En 2024, Operation Neptune VI s’est concentrée sur des contrôles aux frontières, dans les aéroports et en milieu maritime dans 14 pays.

Cette opération a permis des millions de recoupements avec des bases de données, conduit à 66 arrestations et identifié 81 personnes visées par des notices ou diffusions d’INTERPOL. Elle reposait largement sur des rencontres aux frontières physiques et sur les itinéraires de transport.

L’opération Shams II intervient plus tôt dans la chaîne. Au lieu d’attendre qu’une personne d’intérêt atteigne un point de contrôle, les enquêteurs exploitent des contenus visuels que les groupes ont déjà diffusés en ligne.

Cette approche peut produire des pistes concernant des personnes n’ayant pas récemment franchi une frontière surveillée. Elle peut aussi révéler des liens entre un visage non identifié et des renseignements détenus ailleurs.

La pression repose désormais sur les agences nationales, qui doivent répondre sans traiter la similarité algorithmique comme une certitude. Une génération de pistes plus rapide n’est utile que si les garanties d’enquête et judiciaires peuvent suivre le rythme.

La reconnaissance faciale par IA a fonctionné comme un entonnoir, et non comme un verdict

Le mécanisme le plus déterminant de l’opération a été un filtrage par étapes suivi d’un examen par des experts.

La reconnaissance faciale compare un visage soumis à des images stockées et classe les similarités possibles. Elle ne détermine pas de manière indépendante l’identité, l’intention ou le statut juridique d’une personne.

INTERPOL indique que son processus de reconnaissance faciale exige que des agents qualifiés examinent les candidats potentiels. Les analystes recherchent des caractéristiques distinctives et classent un résultat comme candidat potentiel, absence de candidat ou non concluant.

Cette terminologie est importante. Un candidat potentiel reste une hypothèse nécessitant des éléments de preuve supplémentaires, tandis qu’un résultat non concluant ne permet pas d’étayer une identification fiable.

L’opération Shams II a placé l’automatisation avant et autour de cette comparaison experte. Le logiciel a collecté des images, supprimé les contenus répétés et rejeté les entrées inadéquates avant que les analystes examinent le résultat.

Cette architecture répond à une faiblesse pratique des enquêtes en ligne. Les contenus extrémistes sont fréquemment copiés, compressés, recadrés, sous-titrés ou réencodés lorsqu’ils passent d’un service à l’autre.

Une même personne peut donc produire des dizaines d’images presque identiques. Compter chaque image séparément gonflerait le jeu de données et gaspillerait les ressources de comparaison.

Le contrôle de la qualité est tout aussi important. La reconnaissance faciale offre ses meilleures performances lorsqu’un visage est net, suffisamment grand, uniformément éclairé et orienté vers la caméra.

Les médias djihadistes offrent rarement des conditions de laboratoire. Les visages peuvent apparaître de biais, dans l’ombre, derrière des masques ou dans des enregistrements de faible résolution.

Les recommandations d’INTERPOL et de l’UNICRI sur l’IA responsable indiquent que certains systèmes dépassent 99 % de précision dans des conditions idéales. Elles précisent également que les performances peuvent tomber sous les 80 % lorsque les images sont de mauvaise qualité.

Ces chiffres ne sont pas des résultats de performance de l’opération Shams II. INTERPOL n’a pas publié le modèle, le seuil de comparaison, le taux de faux positifs ou les données de performance démographique de cette opération.

L’absence de ces détails limite l’évaluation indépendante. Les lecteurs savent combien d’images ont intégré chaque étape et combien de combattants présumés ont été identifiés, mais pas combien de candidats ont dû être écartés.

Il n’existe pas non plus de dénominateur publié pour les 126 correspondances. INTERPOL a indiqué que des milliers d’images devaient encore être traitées, de sorte que le nombre annoncé reflète un résultat opérationnel provisoire.

Le processus de reconnaissance faciale par IA a néanmoins offert aux enquêteurs un élément précieux : la priorisation. Il les a aidés à déterminer quels dossiers visuels méritaient en premier l’attention humaine limitée disponible.

Il s’agit d’une affirmation différente de celle selon laquelle l’IA aurait résolu 126 affaires. Le logiciel a soutenu une chaîne comprenant la collecte en ligne, la comparaison avec des bases de données, l’analyse par des professionnels formés, l’intégration de renseignements et l’action judiciaire nationale.

Chaque maillon peut influer sur le résultat final. Des documents sources de mauvaise qualité peuvent générer des candidats faibles, des dossiers incomplets peuvent faire manquer une véritable correspondance et des métadonnées erronées peuvent fausser l’analyse ultérieure.

La supervision humaine apporte également du discernement. L’examen par des experts réduit la dépendance aux résultats automatisés, mais les examinateurs doivent disposer d’une formation adéquate, d’informations contextuelles et de l’autorité nécessaire pour rejeter un candidat proposé.

INTERPOL indique que tous les résultats générés par l’IA dans le cadre de l’opération Shams II ont été vérifiés par des agents et des analystes conformément à ses Règles sur le traitement des données. Ces règles encadrent la qualité de l’information, l’accès, la conservation et les usages autorisés au sein de l’organisation.

Ce modèle par étapes constitue une conception plus défendable qu’une application automatique de mesures fondée sur un score de similarité. Il laisse toutefois sans réponse des questions sur les audits, les recours, le suivi national et la divulgation devant les tribunaux.

Le gain de capacité s’accompagne d’un test de responsabilité

Une identification plus rapide augmente le coût de chaque correspondance fragile, car une piste peut circuler entre des bases de données, des agences et des frontières.

INTERPOL fonctionne comme un réseau de coopération plutôt que comme une force de police supranationale. L’organisation ne peut pas procéder elle-même à des arrestations, et les pays participants conservent leur autorité sur les enquêtes et les poursuites.

Cette structure offre une protection, car le résultat d’une base de données ne mène pas automatiquement à une détention. Elle ajoute aussi de la complexité, les pays appliquant des normes juridiques et des mécanismes de contrôle différents.

Une correspondance faciale peut aider les analystes à localiser un suspect déjà connu. Elle peut aussi faire peser des soupçons sur une personne dont l’image ressemble à celle de quelqu’un déjà enregistré dans une base de données.

Les conséquences vont au-delà de l’arrestation. Une piste peut influencer la surveillance, le contrôle aux frontières, les décisions de déplacement, les entretiens, l’analyse des réseaux sociaux ou les demandes d’informations financières.

La qualité des images constitue la préoccupation technique la plus immédiate. Des vidéos en basse résolution et des visages filmés de biais peuvent réduire la distinction entre un candidat correct et une ressemblance trompeuse.

Les biais présentent un autre risque. Les performances d’un système d’IA peuvent varier selon les groupes démographiques lorsque les données d’entraînement, les données de test ou les conditions d’utilisation ne représentent pas suffisamment ces groupes.

L’opération Shams II a impliqué des contenus liés à plusieurs régions et à 11 pays participants. INTERPOL n’a pas publié d’analyse des erreurs démographiques concernant l’utilisation du système dans cette opération.

Cette omission ne démontre pas l’existence de performances biaisées. Elle signifie que l’annonce publique fournit des éléments insuffisants pour déterminer si les erreurs étaient réparties de manière uniforme.

La provenance des données soulève une question distincte. Les enquêteurs ont extrait des images de contenus attribués à des groupes djihadistes, mais le simple fait d’apparaître dans ces contenus n’établit ni l’appartenance ni la responsabilité pénale.

Une vidéo peut montrer des otages, des journalistes, des habitants, des agents de sécurité, des passants ou des séquences réutilisées. Le contexte doit donc accompagner tout candidat issu d’une reconnaissance faciale.

Le terme « identifié » peut masquer cette distinction. La déclaration d’INTERPOL faisait état de 126 combattants terroristes étrangers, mais l’organisation n’a pas publié la norme probatoire appliquée à chaque désignation.

Certaines personnes figuraient peut-être déjà dans des dossiers antiterroristes établis. D’autres peuvent nécessiter des éléments corroborants supplémentaires avant que les autorités nationales puissent relier une image à des actes ou à un lieu.

Les garanties de l’organisation reconnaissent ces difficultés. INTERPOL indique que les images soumises doivent satisfaire à des critères de qualité, tandis que des agents qualifiés examinent les correspondances possibles avant que les informations ne soient transmises aux pays demandeurs.

Ses principes d’IA responsable plus larges mettent l’accent sur l’équité, la supervision humaine, la transparence, la vie privée, la protection des données et la responsabilité.

INTERPOL et l’Institut interrégional de recherche des Nations unies sur la criminalité et la justice ont également élaboré une boîte à outils d’IA pour les forces de l’ordre. Son processus d’élaboration a réuni 56 experts issus de plus de 30 pays.

La boîte à outils a été examinée par des spécialistes des forces de l’ordre, du monde universitaire, de la société civile, des droits humains, de l’industrie et de la justice pénale. Des agences de 15 pays l’ont testée dans des conditions pratiques.

Les orientations sont utiles, mais la responsabilité opérationnelle exige des preuves mesurables. Les agences ont besoin de registres indiquant quels outils ont traité les données, quels seuils ont été utilisés et quels agents ont examiné chaque résultat.

Elles ont aussi besoin d’une procédure pour corriger une fausse association après l’entrée d’informations dans un système international. Une correction qui reste confinée à un dossier national ne peut pas rectifier les copies déjà partagées ailleurs.

L’utilisation judiciaire crée un autre défi. Les avocats de la défense peuvent avoir besoin de suffisamment d’informations pour contester l’origine d’une identification, notamment si l’image source a été modifiée ou était incomplète.

Les autorités doivent concilier cette divulgation avec les besoins légitimes de protection des méthodes de renseignement et des enquêtes en cours. Cette tension ne peut être résolue en qualifiant un système d’« assisté par IA ».

Les 126 correspondances de l’opération seront donc jugées à l’aune de la suite donnée. Des identités confirmées par des éléments indépendants renforceraient l’argument d’INTERPOL en faveur de ce modèle.

Des correspondances retirées, des détentions inexpliquées ou des taux d’erreur non divulgués l’affaibliraient. L’annonce publique ne contient aucune preuve de tels échecs, mais elle manque également de détails suffisants pour les exclure.

L’opération Shams II va au-delà de la reconnaissance faciale

L’opération a relié les renseignements sur l’identité, le financement et les plateformes, au lieu de traiter la reconnaissance faciale comme un outil isolé.

Le volet consacré aux cryptomonnaies a donné lieu à trois demandes urgentes de divulgation adressées à un prestataire de services sur actifs virtuels. Ces prestataires comprennent les plateformes d’échange et d’autres entreprises qui transfèrent ou conservent des actifs numériques.

Les transactions blockchain sont publiquement traçables dans de nombreux cas, mais les adresses de portefeuilles n’identifient pas automatiquement leurs utilisateurs. Les enquêteurs ont souvent besoin des registres des prestataires pour relier un compte à une personne ou une organisation.

INTERPOL n’a pas divulgué le prestataire, les valeurs des transactions, les devises ni les destinataires présumés. L’organisation n’a pas non plus précisé si les demandes ont conduit au gel d’actifs ou à des poursuites pénales.

Le résultat doit donc être décrit comme une étape d’enquête. Trois demandes de divulgation ne prouvent pas que trois réseaux de financement ont été démantelés.

Toutefois, leur inclusion révèle le modèle visé par l’opération. Les images faciales peuvent générer des pistes d’identité, tandis que l’analyse des cryptomonnaies peut révéler des relations financières autour des mêmes réseaux.

Les liens sociaux ajoutent une troisième couche. INTERPOL a indiqué que les 126 identifications enrichiraient les renseignements concernant d’éventuelles localisations et réseaux.

La combinaison de ces signaux peut produire une enquête plus utile qu’une correspondance isolée. Un visage, un portefeuille, un canal de communication et un associé connu peuvent se corroborer mutuellement lorsqu’ils sont recueillis légalement.

La même combinaison peut amplifier une erreur. Si un candidat facial incorrect devient l’identité de départ, les analystes peuvent interpréter des transactions ou des contacts sans rapport à travers cette hypothèse erronée.

C’est pourquoi la traçabilité des données est importante. Les enquêteurs doivent préserver l’origine de chaque affirmation et distinguer les faits vérifiés des possibilités classées par une machine.

Les discussions avec l’industrie du jeu vidéo s’orientent vers la prévention plutôt que l’identification. Les pays participants et les représentants d’entreprises ont exploré le partage d’informations lié à la radicalisation des jeunes dans les environnements en ligne.

INTERPOL n’a pas nommé les entreprises ni annoncé d’accord de surveillance. L’organisation n’a pas non plus fourni de chiffres d’utilisateurs, de volumes de contenus ou d’exemples de plateformes de jeu liées aux 126 identifications.

Cette divulgation limitée empêche les extrapolations excessives. La réunion signale une coopération croissante, non un nouveau système de surveillance à l’échelle de l’industrie.

Elle souligne aussi le nombre croissant d’organisations privées impliquées dans les enquêtes antiterroristes. Les plateformes sociales détiennent des contenus, les services de jeu vidéo observent l’activité des communautés et les prestataires de cryptomonnaies contrôlent les dossiers de leurs clients.

La coopération public-privé peut combler des lacunes d’information, mais elle exige des demandes légales claires et des limites précises. Le partage volontaire ou informel peut créer des incertitudes concernant le consentement, la proportionnalité et la conservation.

CT TECH+ inclut explicitement les partenariats public-privé parmi les objectifs de son programme. L’opération Shams II montre pourquoi les gouvernements les recherchent, puisqu’une grande partie des activités pertinentes se déroule sur des services exploités par des entreprises privées.

Ce modèle modifie également les capacités que les pays participants doivent pouvoir gérer. Ils ont besoin d’enquêteurs qui comprennent le renseignement de source ouverte, les actifs numériques, les registres de plateformes et les preuves biométriques.

L’achat d’un service de reconnaissance faciale ne peut pas fournir ces compétences institutionnelles. Sans analystes formés et procédures documentées, l’automatisation ne produit que davantage de pistes que les agences ne peuvent évaluer de manière responsable.

Les 28 spécialistes de l’opération formaient une équipe internationale concentrée. Reproduire ce travail à l’échelle nationale exigera une formation continue, des systèmes compatibles et des canaux fiables permettant de contester les informations douteuses.

L’opération Shams II ressemble donc moins à un simple déploiement logiciel qu’à un test d’infrastructure d’enquête partagée. Son effet durable dépend de la responsabilité de cette infrastructure après la fin de l’opération.

Ce qu’il faudra surveiller après les 126 identifications

Les prochains éléments devront montrer si les correspondances résistent à l’enquête, si les garanties deviennent mesurables et si le modèle peut être étendu sans perdre le contrôle.

Le premier signal concerne le suivi judiciaire. INTERPOL a indiqué que des pistes avaient déjà étayé des procédures impliquant deux combattants terroristes étrangers présumés détenus.

Les futures annonces devraient distinguer les identités confirmées, les arrestations, les inculpations, les classements et les pistes non résolues. Ces résultats montreraient à quelle fréquence une correspondance assistée par IA devient une preuve utilisable.

Un nombre élevé d’identifications examinées et corroborées indépendamment renforcerait l’affirmation centrale de l’opération. De nombreux candidats rejetés ne rendraient pas le système inutile, mais modifieraient l’évaluation de son efficacité.

Le deuxième signal est la transparence technique. INTERPOL n’a pas besoin de publier des détails opérationnels qui aideraient des cibles à échapper à la détection, mais des données agrégées sur les performances amélioreraient la responsabilité.

Les divulgations utiles comprendraient le nombre de candidats potentiels retournés, le nombre rejeté par les analystes, le nombre jugé non concluant et les types de défaillances de qualité d’image rencontrées.

Les tests démographiques auraient également leur importance. Une analyse agrégée des erreurs peut révéler des performances inégales sans exposer l’identité des suspects ou des enquêteurs.

La publication de ces données renforcerait la confiance dans le fait que l’examen humain agit comme un véritable contrôle. Une dépendance continue aux seuls nombres finaux de correspondances laisserait sans réponse les questions les plus importantes sur les erreurs.

Le troisième signal est la réplication. INTERPOL a qualifié l’opération de première en son genre et décrit son modèle comme une base pour la future coopération internationale.

Une deuxième opération révélerait si le processus fonctionne de manière cohérente avec différentes sources médiatiques, langues, régions et agences participantes. Elle testerait également si un déploiement plus vaste préserve les mêmes exigences de vérification.

L’échelle peut produire de meilleurs renseignements, car davantage de données créent davantage d’occasions de trouver une correspondance légitime. Elle peut aussi produire plus de fausses pistes, une circulation plus large des données et une pression accrue sur les examinateurs humains.

L’opération antiterroriste d’INTERPOL fondée sur l’IA doit donc être évaluée au-delà du chiffre de 126 suspects mis en avant. Son véritable test consiste à déterminer si la découverte accélérée produit des preuves fiables, vérifiables et juridiquement exploitables.

Pour les développeurs et les équipes IA en entreprise, cette leçon dépasse le cadre de la police. Les systèmes qui classent des personnes ou des décisions à fort impact ont besoin d’entrées traçables, d’une incertitude explicite, d’une possibilité de dérogation humaine et de mécanismes de correction.

Pour les décideurs publics, l’opération offre un cas concret qui justifie de poser des questions plus exigeantes. Quelles tâches l’IA a-t-elle effectuées, comment ses résultats ont-ils été vérifiés, et que se passe-t-il lorsqu’une personne conteste une correspondance ?

Pour le public, la distinction essentielle reste simple. L’IA a aidé les enquêteurs à réduire une vaste collection d’images, mais elle n’a remplacé ni les preuves, ni la procédure judiciaire, ni la responsabilité humaine.

L’étape suivante la plus utile consiste à suivre les résultats plutôt que l’annonce seule. Observez combien de pistes aboutissent devant les tribunaux, quelles informations sur les performances INTERPOL publie, et si les futures opérations préservent un examen humain significatif.