AI og identitetsverifikation: Sikkerhedsaspekter

AI og identitetsverifikation handler om at bruge automatiseret dokumentkontrol, ansigtsmatch, liveness-tjek og risikosignaler til at vurdere, om en person er den, vedkommende hævder at være. De vigtigste sikkerhedsaspekter er dataminimering, fejlrate, spoofing, manuel fallback, auditspor og tydelig adskillelse mellem identitetsbevisning og login.

Hvad er AI-baseret identitetsverifikation?

AI-baseret identitetsverifikation bruges til at støtte beslutningen om, hvorvidt en digital bruger kan knyttes til en virkelig person med en passende grad af sikkerhed. Systemet kan analysere identitetsdokumenter, ansigtsbilleder, video, enhedsdata, transaktionsmønstre og andre risikosignaler, men den endelige sikkerhed afhænger af hele processen.

Identitetsverifikation må ikke reduceres til et enkelt ansigtsmatch. En robust proces består typisk af identitetsbevisning, validering af dokumenter eller attributter, kontrol af at personen selv er til stede, og efterfølgende binding af en autentifikator til kontoen. AI kan støtte flere af disse trin, men erstatter ikke krav til governance, adgangskontrol og dokumentation.

For organisationer er den centrale opgave at vælge et sikkerhedsniveau, der passer til risikoen. Et nyhedsbrev kræver ikke samme sikkerhed som en bankkonto, offentlig selvbetjening eller adgang til følsomme data. Derfor bør identitetsverifikation planlægges sammen med AI-governance, databeskyttelse og brugeroplevelse.

Hvor går grænsen mellem identitetsbevisning og login?

Identitetsbevisning handler om at fastslå, hvem en person er, når en konto oprettes eller en følsom rettighed aktiveres. Login handler om at kontrollere, at den samme bruger senere kan få adgang til kontoen. De to trin hænger sammen, men de løser forskellige sikkerhedsproblemer.

Hvis identitetsbevisningen er svag, kan en angriber oprette en konto i en andens navn. Hvis loginbeskyttelsen er svag, kan en angriber overtage en konto, selv om den oprindeligt blev oprettet korrekt. En stærk identitetsproces bør derfor både kontrollere den første tilknytning til personen og beskytte den fortsatte adgang.

AI kan bruges i begge dele. Ved identitetsbevisning kan modellen vurdere dokumentægtehed, ansigtsmatch eller mistænkelige mønstre. Ved login kan den opdage afvigende enheder, usædvanlige lokationer eller risikofyldte sessioner. Men en risikoscore ved login kan ikke reparere en konto, der blev oprettet på et falsk grundlag.

Hvilke sikkerhedssignaler bruger systemerne?

Et identitetsverifikationssystem vurderer ofte flere signaler samlet. Nogle signaler handler om den påståede identitet, andre om dokumentet, personen, enheden og den digitale session. Sikkerheden opstår, når signalerne understøtter hinanden, og når afvigelser behandles efter en kendt proces.

Signalernes vægt bør afhænge af formålet. En enkelt fejl i billedkvalitet bør ikke automatisk afvise en bruger, hvis andre kontroller kan bekræfte identiteten. Omvendt bør flere mindre afvigelser udløse ekstra kontrol, især ved høj værdi, følsomme data eller lovpligtige identitetskrav.

Hvad kan automatiseret dokumentkontrol gøre?

Automatiseret dokumentkontrol kan læse dokumentfelter, kontrollere format, sammenholde maskinlæsbare zoner, finde tegn på manipulation og vurdere, om dokumentet ligner en gyldig dokumenttype. AI kan især hjælpe med at genkende mønstre på tværs af mange dokumentvarianter og markere sager, der kræver manuel behandling.

Der er dog forskel på at læse et dokument og at validere det. En scanning kan se korrekt ud, selv om identitetsoplysningerne er stjålet, forældede eller kombineret til en syntetisk identitet. Derfor bør dokumentkontrol suppleres med autoritative eller troværdige datakilder, passende bevisstyrke og kontrol af, at ansøgeren faktisk er dokumentets retmæssige ejer.

Dokumentkontrol bør også håndtere praktiske variationer. Billeder kan være mørke, dokumenter kan være slidte, navne kan være ændret, og brugere kan mangle den dokumenttype, systemet helst vil se. Hvis alle afvigelser bliver afvist automatisk, kan sikkerhedsløsningen skabe unødvendig udelukkelse.

Hvordan vurderes ansigt, liveness og spoofing?

Ansigtsmatch sammenligner typisk et livebillede eller en video med et portræt fra et dokument eller en anden valideret kilde. Liveness-tjek forsøger at afgøre, om der er en virkelig person til stede, og om inputtet ikke blot er et foto, en skærmoptagelse, en maske, en manipuleret video eller en indsprøjtet mediestrøm.

Presentation attack detection, ofte forkortet PAD, handler om at opdage forsøg på at præsentere falsk biometrisk materiale for systemet. Det kan være aktivt, hvor brugeren bliver bedt om at dreje hovedet eller følge en instruktion, eller passivt, hvor systemet analyserer billedsignaler uden at bede brugeren om en særlig handling.

AI kan forbedre disse kontroller, men angribere kan også bruge generative værktøjer til at skabe mere overbevisende billeder, video og dokumentvariationer. Derfor bør biometriske kontroller ikke stå alene. De bør kobles til dokumentvalidering, enhedssikkerhed, risikoscorer, manuel gennemgang og klare regler for, hvornår en sag skal stoppes.

Hvilke fejl kan skade brugere og organisationer?

Identitetsverifikation har to hovedtyper af fejl. En falsk accept betyder, at en svindler slipper igennem. En falsk afvisning betyder, at en legitim bruger ikke kan fuldføre processen. Begge dele er sikkerhedsproblemer, fordi svindel, friktion, supportbelastning og manglende adgang kan ramme både organisationen og brugeren.

Falske accepter kan føre til kontooprettelse i en andens navn, økonomisk svindel, databrud eller misbrug af offentlige og private tjenester. Falske afvisninger kan ramme personer med ældre dokumenter, handicap, lav billedkvalitet, navneændringer, begrænset teknisk adgang eller andre forhold, som systemet ikke håndterer godt.

Derfor bør organisationer måle både sikkerhed og adgang. En løsning, der afviser mange legitime brugere, kan se sikker ud i et dashboard, men skabe et svagt samlet resultat. Den rigtige balance kræver testdata, brugerfeedback, fejlklassifikation og en undtagelsesproces, der ikke bliver en let vej for angribere.

Hvordan håndteres bias og demografiske forskelle?

Biometriske og dokumentbaserede AI-systemer kan fungere forskelligt på tværs af befolkningsgrupper, billedkvalitet, alder, dokumenttyper og tekniske miljøer. Det betyder ikke, at teknologien altid er uegnet, men det betyder, at den skal testes på de grupper og situationer, den faktisk skal bruges til.

Bias kan opstå i træningsdata, kamerakvalitet, belysning, dokumentdesign, annotering, beslutningsgrænser og den måde fejl håndteres på. En model kan for eksempel have lav gennemsnitlig fejlrate, men stadig give for mange falske afvisninger for bestemte brugere. Det bør opdages før produktion, ikke først gennem klager.

Arbejdet med håndtering af bias i AI bør derfor omfatte løbende måling, dokumenterede tærskler, adgang til manuel behandling og klare krav til leverandører. Det er også en tilgængelighedsopgave: brugere skal have en realistisk alternativ vej, når automatiseringen fejler.

Hvilke data- og privatlivsrisici følger med?

Identitetsverifikation kan behandle meget følsomme data: pas, kørekort, ansigtsbilleder, video, adresse, fødselsdato, enhedsdata, IP-adresser, adfærdssignaler og resultatet af en risikovurdering. Hvis data gemmes for længe, deles for bredt eller bruges til andre formål, kan sikkerhedsløsningen skabe en ny privatlivsrisiko.

Dataminimering er derfor en kernebeslutning. Organisationen bør kun indsamle de oplysninger, der er nødvendige for den konkrete identitetskontrol, og bør fastsætte slettefrister, adgangsrettigheder og auditlogning, før løsningen bruges i stor skala. Det gælder især biometriske data, som er svære at ændre, hvis de først kompromitteres.

En praktisk datamodel bør beskrive, hvad der behandles lokalt, hvad der sendes til en leverandør, hvilke underleverandører der indgår, og om data bruges til modeltræning eller kvalitetsforbedring. Principperne minder om AI og privatlivets fred, men identitetsdata kræver ofte en endnu skarpere afgrænsning.

Hvordan bør manuel kontrol og undtagelser designes?

Manuel kontrol er ikke et tegn på, at AI har fejlet. Det er en sikkerhedsventil, når automatiseringen møder uklare dokumenter, lav billedkvalitet, navneændringer, handicap, svindelmønstre eller sociale situationer, som kræver menneskelig vurdering. Uden manuel fallback kan systemet enten afvise for mange eller acceptere for risikable sager.

Den manuelle proces skal dog være lige så kontrolleret som den automatiske. Medarbejdere bør have træning i dokumentkontrol, social engineering, billedsammenligning, coercion-tegn og svindelmønstre. De bør også have klare beføjelser, logning og begrundelseskrav, så undtagelser ikke bliver en uformel bagdør.

En god undtagelsesproces beskriver, hvilke fejltyper der kan sendes til manuel kontrol, hvilke ekstra beviser der må bruges, hvem der må træffe beslutningen, og hvordan brugeren informeres. Den bør også kunne opdage mønstre, hvor mange sager med samme karakter pludselig sendes til manuel behandling.

Hvordan passer digitale credentials og wallets ind?

Digitale credentials kan flytte en del af identitetsverifikationen fra gentagne dokumentuploads til kontrollerbar udveksling af verificerede oplysninger. I et verifiable credentials-økosystem udsteder en betroet part en digital attest, brugeren holder den, og en verifier kan kontrollere bestemte claims uden nødvendigvis at modtage hele brugerens dokumentpakke.

EU’s arbejde med digitale identitetswallets peger i samme retning: brugeren skal kunne dele konkrete oplysninger med verificerede modtagere, frem for hver gang at sende billeder af pas, kørekort eller andre dokumenter. Det kan mindske dataspredning, men det flytter også sikkerhedsopgaven til wallet-arkitektur, udstederkvalitet, brugerens kontrol og verifierens ansvar.

AI forsvinder ikke i den model. Den kan stadig bruges til svindeldetektion, dokumentudstedelse, risikovurdering og support. Men jo mere identiteten kan dokumenteres med kryptografisk verificerbare credentials, desto mindre bør organisationer være afhængige af usikre kopier, fritekstformularer og gentagne uploads af følsomme dokumenter.

Hvad betyder EU-regler og dansk praksis?

For organisationer i Danmark er identitetsverifikation normalt et samspil mellem sikkerhed, databeskyttelse, sektorregler, brugeroplevelse og leverandørstyring. AI ændrer ikke behovet for at dokumentere formål, datatyper, adgang, opbevaring, sletning og risici. Den gør dokumentationen mere nødvendig, fordi beslutningen ofte bliver delvist automatiseret.

EU’s digitale identitetsramme og AI Act gør emnet mere konkret, men de bør ikke behandles som simple tjeklister. En løsning kan berøre persondata, biometriske data, sikkerhedskrav, audit, transparens og risikostyring på samme tid. Det kræver teknisk og organisatorisk vurdering før drift, ikke kun en kontrakt med en leverandør.

Hvis løsningen også bruger data til modeltræning, bør grænsen til AI-træningsdata og GDPR afklares særskilt. Identitetsdokumenter og biometriske data bør ikke glide ind i generelle trænings- eller testmiljøer uden et klart, lovligt og dokumenteret grundlag.

Hvilke kontroller bør indgå før drift?

En sikker idriftsættelse bør starte med risikoniveauet. Hvilken skade kan opstå, hvis en falsk bruger accepteres? Hvilken skade kan opstå, hvis en legitim bruger afvises? Svarene afgør, om processen kræver stærkere identitetsbevisning, flere datakilder, biometrisk kontrol, manuel gennemgang eller en enklere løsning.

• Definer assurance-niveau og forretningsformål, før teknologien vælges.
• Test dokument- og biometrikontroller på relevante brugergrupper, enheder og dokumenttyper.
• Mål falske accepter, falske afvisninger, manuel behandlingstid og supportbelastning.
• Beskriv dataminimering, slettefrister, adgangsrettigheder og leverandørkæde.
• Indfør manuel fallback med træning, logning og begrundelseskrav.
• Planlæg respons ved databrud, kontoovertagelse, svindelkampagner og modelsvigt.

Kontrollerne bør samles i en driftsmodel, ikke kun i en indkøbsvurdering. Identitetsangreb ændrer sig, dokumenttyper opdateres, generative forfalskninger bliver bedre, og brugergrundlaget kan ændre sig. Derfor bør løsningen have løbende evaluering, hændelseslæring og tydelig ejerskab.

Den samme logik gælder for beslægtede sikkerhedsområder som forebyggelse af datalækager i AI-applikationer. AI kan styrke kontrollen, men kun hvis systemet selv er afgrænset, testet og styret.

Hvilke kilder ligger til grund?

Fremstillingen bygger især på NISTs Digital Identity Guidelines og den tilhørende SP 800-63A om identity proofing and enrollment, som beskriver identitetsbevisning, assurance-niveauer, dokumentvalidering, biometriske kontroller, trusted referees og trusler som syntetisk identitet og video-injektion.

Forklaringen af digitale credentials bygger på W3C’s Verifiable Credentials Data Model v2.0. EU-konteksten er afstemt mod Regulation (EU) 2024/1183 om European Digital Identity Framework og Regulation (EU) 2024/1689 om AI Act.