Stav bot provozu v roce 2026: jak vlastně vypadá váš provoz

Kdybyste si dnes udělali orientační audit svého příchozího provozu, co byste zjistili? U většiny platforem zní upřímná odpověď nepříjemně: zhruba polovina každé návštěvy, kliknutí a pokusu o registraci pochází z automatizace, nikoli od lidí. Imperva Bad Bot Report tohle sleduje už roky a vydání z roku 2024 uvedlo číslo 49,6 % — rozdělené mezi „hodné boty“ (vyhledávací crawlery, monitorovací nástroje, legitimní API) a „škodlivé boty“ (ty, které mají krást, scrapovat, podvádět nebo se vydávat za někoho jiného).

Obraz roku 2026 se v hlavním čísle dramaticky neliší, ale kvalitativně je v skladbě odlišný. Hrozby se vyvinuly. Obránci s nimi ne vždy drželi krok.

Tento článek je pro produktové manažery, growth leady a šéfy provozu na SaaS, iGaming a AdTech platformách, kteří chtějí pochopit, co skutečně dopadá na jejich infrastrukturu. Ne marketingovou verzi. Inženýrskou verzi, psanou pro lidi, kteří rozhodují, ale nemusí nutně psát kód.

Posun od hloupých botů k sofistikované automatizaci

Po většinu let 2010–2019 znamenala „obrana proti botům“ filtrování provozu podle řetězců User-Agent a uplatňování rate limitů. Fungovalo to, protože většina botů byla upřímná ohledně toho, čím jsou: příkaz curl, skript v Python requests, instance headless Chrome s prozrazujícím User-Agentem.

Tento svět je z velké části pryč. Threat landscape přetvořily tři přechody:

Přechod 1: Komoditizace rezidenčních proxy. Fondy rezidenčních IP adres se staly levnými a hojnými. To, co dřív vyžadovalo zdroje na úrovni států — miliony IP adres napříč spotřebitelskými ISP — dnes stojí 5–50 dolarů za gigabajt u kteréhokoli z desítek dodavatelů. IP vrstva se stala nespolehlivou jako obranný signál, protože skutečný rezidenční provoz a provoz botů sdílí stejný adresní prostor.

Přechod 2: Rozšíření anti-detect prohlížečů. Nástroje, které prezentují každou relaci prohlížeče jako jedinečné zařízení — jiný canvas fingerprint, jiný WebGL podpis, jiný seznam fontů — se přesunuly z nika do mainstreamu. Provozovatelé farmářských kampaní dnes na běžném cloudovém hardwaru roztáčejí tisíce „jedinečných“ profilů prohlížeče. Vrstva fingerprintingu se stala spornou.

Přechod 3: Agenti poháněni LLM. Toto je inflexní bod let 2025–2026. Automatizace, která umí přečíst stránku, pochopit kontext, reagovat na chybové hlášky a přizpůsobit se změnám UI. Nejsou to boti v tradičním smyslu — jsou to agenti řídící skutečné relace prohlížeče, často skrze legitimní cloudově hostovaná prostředí prohlížečů. Vypadají lidsky, protože jsou trénováni na lidském chování.

Kumulativní efekt: jakákoli jednovrstvá obrana selhává. Platformu, která spoléhá pouze na reputaci IP, obejdou rezidenční proxy. Platformu, která spoléhá pouze na fingerprinting prohlížeče, obejdou anti-detect nástroje. Platformu, která spoléhá pouze na behaviorální analytiku, obejdou agenti řízení LLM, kteří napodobují lidské tempo.

Jediná architektura, která obstojí, je vícevrstvá: serverové signály, klientský fingerprinting zařízení, behaviorální biometrie a kontroly koherence napříč vrstvami, které odhalí, kdy jednotlivé signály vypadají v pořádku, ale dohromady vyprávějí nekonzistentní příběh.

Jak vlastně vypadá provoz „škodlivých botů“

Typická platforma přijímá několik odlišných kategorií bot provozu. Znát tuto skladbu je důležité, protože různé kategorie vyžadují různé reakce.

Kategorie 1: Credential stuffing a pokusy o převzetí účtu. Automatizované pokusy o přihlášení pomocí uniklých dvojic uživatelské jméno/heslo z datových úniků. Objem je obrovský — distribuovaná infrastruktura dokáže hnát 50 000 až 200 000 pokusů za hodinu. Úspěšnost je nízká (1–3 % přihlašovacích údajů stále funguje), ale při takovém objemu je absolutní počet kompromitovaných účtů významný. Pro platformy s uloženými platebními metodami, hodnotným inventářem nebo finančními účty je to nejprioritnější kategorie.

Kategorie 2: Podvody se zakládáním účtů. Hromadná automatizace registrací s cílem nárokovat uvítací bonusy, zneužívat bezplatné zkušební verze, hromadit odměny za doporučení nebo budovat inventář k dalšímu prodeji na sekundárních trzích. Obzvlášť bolestivé pro iGaming (uvítací bonusy), e-commerce (promo kódy), Web3 (airdrop farming) a SaaS (zneužívání free tieru). Jednotková ekonomika je pro útočníka jednoduchá: každý úspěšný účet má hodnotu X dolarů v získané hodnotě a marginální náklady na vytvoření dalšího se blíží nule.

Kategorie 3: Scraping obsahu a dat. Automatizovaná extrakce cenových dat, produktových katalogů, sázkových kurzů, inzerátů nebo jakýchkoli strukturovaných informací, které mají komerční hodnotu pro konkurenta. Tato kategorie málokdy stojí přímé peníze stejně jako podvod, ale strategická cena může být velká: vaši konkurenti znají vaše ceny v okamžiku, kdy se změní, vaši tvůrci kurzů soupeří se syndikáty s daty v reálném čase, váš unikátní obsah se objevuje na agregátorových webech.

Kategorie 4: Click a impression fraud. Boti klikající na placené reklamy, generující falešné konverze v affiliate sítích nebo produkující imprese na inventáři, který skuteční uživatelé nikdy neuvidí. IAB odhadl globální ztráty z ad fraud na 84 miliard dolarů v roce 2025, přičemž většina publikovaných odhadů naznačuje, že čísla za rok 2026 překročí 100 miliard dolarů. Pro AdTech platformy konkrétně je to existenční — celý obchodní model závisí na tom, že provoz je legitimní.

Kategorie 5: Automatizace hraní. Specifická pro iGaming, herní platformy a soutěžní prostředí. Zahrnuje sázkové boty zneužívající hry s matematickou výhodou, smurfing v soutěžních žebříčkových zápasech, koluzi v karetních hrách a obcházení banů. Nižší objem než ostatní kategorie, ale vyšší dopad na jeden incident.

Skladba se liší podle typu platformy, ale většina platforem vidí významný objem v nejméně třech z těchto pěti kategorií současně. Týmy, které se brání úspěšně, s nimi zacházejí jako s různými problémy vyžadujícími různá řešení, ne jako s jediným „problémem botů“.

Proč tradiční obrany selhávají

Pokud je bot provoz 49,6 % internetu a většina platforem má nějakou formu obrany proti botům, proč je problém stále nákladný?

Pět strukturálních důvodů:

Důvod 1: Většina obran je statická. Block listy, regex pravidla, pevné prahy. Fungují proti líným 30 % botů a selhávají proti všemu ostatnímu. Sofistikované botové operace aktualizují svou taktiku každý týden. Statické obrany se neaktualizují vůbec.

Důvod 2: CAPTCHA je z velké části poražena. Moderní služby řešení CAPTCHA zvládají reCAPTCHA v3 za 0,001 dolaru za požadavek. Generičtí LLM agenti procházejí hCaptcha s úspěšností 95 %+. Žádat uživatele, aby identifikovali semafory, je daň na legitimních uživatelích a drobná nepříjemnost pro sofistikované boty.

Důvod 3: Behaviorální analýzu porážejí LLM agenti. Heuristiky založené na vzorcích, které v roce 2022 odlišovaly pohyb myši bota od pohybu myši člověka, jsou proti agentům, kteří se naučili z lidských dat, k ničemu. Behaviorální signál stále existuje, ale vyžaduje sofistikovanější analýzu (časové vzorce v řádu submilisekund, korelaci šumu senzorů), než jakou většina obran implementuje.

Důvod 4: Obránce hraje na dohánění. Když útočníci najdou novou techniku obcházení, používají ji celé týdny, než si toho obránci všimnou. Reakční cykly obránců trvají v průměru 30–60 dní od detekce po nasazené protiopatření. Iterační cykly útočníků se počítají na dny. Matematika obránci nepřeje, pokud není jeho architektura postavena tak, aby se přizpůsobovala automaticky.

Důvod 5: Citlivost na false positive. Obránci jsou správně opatrní ohledně blokování legitimních uživatelů. Provozovatelé botů toho zneužívají tím, že napodobují skutečné uživatele právě tak dobře, aby jakákoli agresivní obrana generovala nepřijatelnou míru false positive. Výsledek: obránci se spokojí s odchytáváním snadných případů a přijmou určitý únik u sofistikovaných případů.

Co funguje v roce 2026

Architektonický vzor, který obstojí proti moderním hrozbám, má několik vrstev:

Signály síťové vrstvy. TCP/TLS fingerprinting (hashe JA3/JA4), reputace ASN, časové vzorce požadavků, řazení rámců HTTP/2. Ty jsou pozorovatelné na straně serveru a těžko se spoofují na klientské vrstvě. Odchytí většinu automatizace založené na cloudové infrastruktuře bez ohledu na obcházení na straně klienta.

Signály vrstvy zařízení. Vykreslování canvasu, WebGL podpisy, fingerprinting audio kontextu, hardwarové charakteristiky. Správně implementovaná tato vrstva produkuje 130+ signálů na zařízení. Anti-detect prohlížeče některé z nich dokážou spoofnout. Zbývající signály se stávají detekční plochou.

Behaviorální signály. Entropie pohybu myši, dynamika stisků kláves, vzorce scrollování, časování vyplňování formulářů. Méně spolehlivé proti LLM agentům než proti skriptovým botům, ale stále hodnotné v kombinaci s dalšími vrstvami.

Koherence napříč vrstvami. Právě zde moderní obrana skutečně vítězí. Jednotlivé signály lze spoofnout. Udržet konzistenci napříč všemi 130+ signály — včetně těch, které závisí na skutečném výpočtu GPU, skutečném síťovém chování a skutečných API na úrovni OS — je dramaticky těžší než spoofnout kteroukoli jednotlivou vrstvu. Když deklarované prostředí v JavaScriptu neodpovídá tomu, co vidí síťová vrstva, je to příznak, který by žádný jednotlivý signál nezachytil.

Polymorfní doručování. Samotný detekční kód na straně klienta se denně obměňuje. Anti-detect dodavatelé nedokážou reverzně analyzovat a záplatovat rychleji, než se kód mění. Okna pro obcházení se zkracují z měsíců na dny, což hroutí jednotkovou ekonomiku farmářských operací.

Sdílení signálů napříč zákazníky. Když se stejný fingerprint zařízení objeví napříč více nesouvisejícími platformami během několika hodin, je to vzor, který by žádná jednotlivá platforma nedokázala odhalit sama. Moderní systémy sdílejí anonymizované signály fingerprintů napříč zákaznickými bázemi, aby zachytily koordinované kampaně.

Co to znamená pro váš tým

Pokud provozujete platformu s významným provozem a nedávno jste nedělali audit bot provozu, operujete na základě předpokladů, nikoli dat. Tři akce, které přinesou okamžitý vhled:

Akce 1: Změřte svůj skutečný poměr botů. Většina týmů podceňuje 2–3×. Seriózní audit se dívá na vzorce registrací (nárazy objemu, shlukování IP, anomálie v denní době), vzorce přihlašování (neúspěšné pokusy podle zdroje), vzorce placení (míra chargebacků podle fingerprintu zařízení) a vzorce zapojení (relace s lidsky nemožným chováním). Když se většina týmů poprvé změří pořádně, výsledkem je porada, kterou nikdo nemá rád.

Akce 2: Identifikujte svůj obranný bod s nejvyšší pákou. Pro většinu platforem je to jeden z: registrace (prevence zakládání falešných účtů), přihlášení (prevence credential stuffingu), placení (prevence testování karet) nebo kritické akce (prevence automatizovaného zneužívání hodnotného chování v produktu). Bránit všechny čtyři rovnoměrně je těžší než dobře bránit ten s nejvyšší pákou.

Akce 3: Otestujte, co projde. Spusťte vlastní automatizaci proti vlastní platformě. Pokud dokážete zaregistrovat 100 falešných účtů za 30 minut pomocí anti-detect prohlížečů, útočníci to už rutinně dělají. Toto cvičení vyprodukuje seznam konkrétních mezer, které může váš roadmap řešit.

Platformy, které v roce 2026 zvládají bot provoz dobře, sdílejí tři vlastnosti: měří upřímně, brání se ve vrstvách a berou detekci jako průběžnou schopnost, nikoli jako jednorázové nasazení.

Kde zapadá Tracio

Tracio je device intelligence postavená pro tento model hrozeb. Architektura je ve výchozím stavu vícevrstvá: 130+ signálů zařízení, polymorfní JavaScript, který se denně obměňuje, serverové kontroly koherence, sdílení signálů napříč zákazníky v rámci sítě. Výstupem je verdikt — ALLOW, CHALLENGE nebo BLOCK — doručený za méně než 50 milisekund s přiloženým zdůvodněním, takže váš tým může logiku ověřit a doladit.

Nasazení je jeden tag na vaší stránce a jedno serverové volání. Produkčně připravená integrace zabere den. Free tier pokrývá 2 500 verifikací měsíčně, což stačí na spuštění smysluplného auditu proti vašemu skutečnému provozu a zjištění, co vám uniká.

Připraveni zjistit, co je skutečně ve vašem provozu?

Spusťte bezplatnou zkušební verzi — 2 500 verifikací zdarma, bez platební karty. Rezervujte si demo a uvidíte, jak vypadají vaše konkrétní vzorce provozu s plnou analýzou Tracio.