Agenții AI sunt noul vector de fraudă. Iată de ce sistemul tău de detecție probabil îi ratează.

Timp de aproape un deceniu, „detecția boților” a însemnat diferențierea automatizării de oameni. Semnalul era clar pentru că diferența era mare: boții nu aveau tremur al mouse-ului, nici pauze de citire, nici conștientizare contextuală. Erau evidenți dacă știai unde să te uiți.

Diferența aceea se micșorează. Categoria de amenințare pe care echipele de fraudă trebuie să o înțeleagă în 2026 este agentul alimentat de LLM — automatizare construită pe modele lingvistice mari, care poate citi, raționa, decide și acționa în moduri ce seamănă mai mult cu cogniția umană decât orice generație anterioară de bot. Semnalele de detecție care funcționau împotriva boților pe bază de script sunt vizibil mai puțin eficiente împotriva agenților antrenați pe comportament uman.

Aceasta nu este o speculație despre o amenințare viitoare. Traficul generat de agenți este deja în jurnalele tale de fraudă, în cea mai mare parte etichetat greșit fie ca „utilizatori reali”, fie ca „boți sofisticați”. Compoziția acestui trafic se schimbă. Abordările de detecție care rezistă necesită un model arhitectural diferit de cel pe care îl implementează majoritatea platformelor.

Acest material este pentru liderii de securitate și de produs care încearcă să înțeleagă ce anume diferă cu adevărat la automatizarea condusă de agenți, de ce contează pentru apărarea împotriva fraudei și ce tipare de detecție funcționează împotriva ei.

Ce este de fapt un agent AI în contextul fraudei

Expresia „agent AI” este folosită vag. În contextul fraudei, definiția relevantă este automatizarea care îndeplinește trei criterii:

• Condusă de un model lingvistic (GPT-4, Claude, Gemini sau similar) pentru luarea deciziilor, în loc de scripturi codificate rigid.
• Operând un mediu de browser real — de obicei o instanță headless sau headed de Chrome, Firefox sau Safari, deseori rulând pe infrastructură cloud concepută pentru automatizarea browserelor.
• Capabilă să se adapteze la stări neașteptate ale paginii — mesaje de eroare, schimbări de layout, pași suplimentari de verificare — fără a necesita ca un dezvoltator să actualizeze scriptul.

Această combinație este calitativ diferită de automatizarea mai veche. Un bot pe bază de script care urmează un macro înregistrat eșuează în momentul în care o pagină se schimbă. Un agent citește pagina, înțelege ce vede și își ajustează abordarea. Prima generație a fost construită pentru cazuri de utilizare legitime (cercetare web, testare de accesibilitate, navigare automatizată). A doua generație include operatori care aplică aceste instrumente la fraudă la scară.

De ce semnalele vechi de detecție sunt mai slabe împotriva agenților

Setul tradițional de instrumente pentru detecția boților se bazează pe semnale care disting automatizarea de oameni. Agenții schimbă puterea fiecărui semnal.

Semnalele comportamentale. Entropia mișcării mouse-ului, dinamica tastării, tiparele de scroll. Oamenii reali au o variație naturală — tremur, ezitare, corectarea erorilor. Boții pe bază de script au fie nicio variație (linii perfect drepte, completări instantanee de formulare), fie o variație generată care este detectabilă statistic.

Agenții care controlează browsere reale tind să producă tipare mai apropiate de cele umane. Folosesc simularea de input a browserului real, deseori randomizată. Își iau timp să „citească” paginile pentru că modelul de bază trebuie să proceseze conținut vizual sau DOM. Semnalul comportamental este încă prezent, dar este mai zgomotos și necesită o analiză mai sofisticată pentru a fi extras.

CAPTCHA. Serviciile moderne de rezolvare a CAPTCHA au putut întotdeauna să învingă CAPTCHA la scară pentru aproximativ 0,001 USD per provocare. Agenții o fac nativ. Un GPT-4o sau un Claude generic poate privi un CAPTCHA bazat pe imagine și identifica ce trebuie apăsat cu acuratețe ridicată. Valoarea defensivă a CAPTCHA împotriva agenților este aproape zero.

Regulile de velocitate. Praguri fixe pentru acțiuni pe minut. Boții pe bază de script tind să le încalce agresiv, pentru că optimizarea pentru viteză este întregul scop. Agenții încetinesc deliberat, pentru că modelul lor de bază este antrenat pe comportament uman, care are un ritm natural. Regulile de velocitate prind agenții doar când aceștia sunt configurați pentru operațiuni de volum mare.

Fingerprinting-ul simplu. Liste statice de hash-uri canvas, fonturi, șiruri User-Agent. Agenții care rulează browsere reale produc valori legitime pentru toate acestea. Fingerprint-ul pare corect pentru că este corect — agentul folosește un browser real, iar browserul raportează ceea ce este cu adevărat.

Tiparul: semnalele bazate pe „automatizarea arată diferit de oameni” slăbesc pe măsură ce automatizarea seamănă tot mai mult cu oamenii.

Semnalele care încă funcționează

Detecția împotriva agenților necesită semnale pe care automatizarea nu le poate ascunde ușor, indiferent cât de umană pare comportarea de la suprafață.

Semnăturile la nivel de rețea. Agenții rulează de obicei pe infrastructură cloud: AWS, GCP, Azure sau servicii specializate de automatizare a browserelor. Intervalele de IP sunt identificabile. Amprentele TCP/TLS diferă de cele ale ISP-urilor de consum. Semnalele observabile pe partea de server prind cea mai mare parte a traficului de agenți, indiferent de ce pretinde partea de client.

Furnizorii care operează în mod specific produse de tip browser-as-a-service (Browserbase, Anchor, Steel.dev și alții) au semnături de rețea identificabile. Utilizatorii reali de la ISP-uri rezidențiale arată diferit la nivel de rețea față de agenții care rulează în medii cloud. Acesta este cel mai fiabil semnal individual în 2026.

Device fingerprints subtile. GPU-urile reale produc tipare de virgulă mobilă greu de falsificat la nivel de pixel. Mediile virtualizate și instanțele GPU din cloud produc tipare ușor diferite. Fingerprinting-ul AudioContext dezvăluie diferențe în procesarea audio între hardware fizic și hardware virtualizat. Deriva ceasului în timp real diferă între dispozitivele de consum din rețeaua locală și instanțele cloud sincronizate cu servere NTP de înaltă calitate.

Fiecare semnal individual este mic. Combinate pe peste 130 de sonde, produc o imagine coerentă: „acesta pare un dispozitiv de consum real” față de „acesta pare un mediu de browser găzduit în cloud, indiferent de ce pretinde User-Agent-ul”.

Corelarea între sesiuni. Operațiunile agenților implică deseori un singur sistem de bază care controlează multe sesiuni. Chiar și atunci când fiecare sesiune are un device fingerprint unic, corelațiile comportamentale între sesiuni (tipare de timing identice, luare a deciziilor identică, răspuns identic la erori) dezvăluie coordonarea.

Verificările de coerență pe partea de server. Agenții pot falsifica orice semnal individual. Menținerea coerenței între toate semnalele este dramatic mai grea. Dacă mediul JavaScript pretinde „Chrome 120 pe macOS”, dar amprenta de rețea indică un server Linux în AWS, aceasta este o inconsecvență asupra căreia clientul nu are vizibilitate și pe care, prin urmare, nu o poate corecta.

Detecția polimorfică. Codul de detecție de pe partea de client care se schimbă zilnic le refuză agenților capacitatea de a se preantrena pe el. Sondele statice ajung să fie inginerie inversă; sondele rotative nu.

Tiparul arhitectural: multe semnale slabe, combinate cu verificarea coerenței, înving orice semnal puternic individual. Semnalele puternice individuale ajung să fie învinse. Combinația a cincizeci de semnale slabe cu cerințe de coerență între ele rezistă la evaziune mult mai mult timp.

Cum arată în practică atacurile conduse de agenți

Trei tipare pe care le observăm în traficul din 2026:

Tiparul 1: Ferma de creare de conturi. Agenții creează conturi la scară, finalizând verificarea prin e-mail, pașii KYC și onboarding-ul inițial al produsului. Fiecare cont este destinat extragerii de valoare în aval: revendicarea de bonusuri, exploatarea nivelului gratuit, farming de airdrop, scraping de conținut. Agentul face munca ce anterior necesita fie scripturi rudimentare (prinse ușor), fie muncă umană (costisitoare).

Economia unitară financiară favorizează atacatorul. O operațiune de agenți poate rula 1.000 de sesiuni de browser simultane pe infrastructură cloud de larg consum pentru sub 50 USD pe oră. Fiecare cont reușit valorează o anumită sumă (50–500 € pentru bonusurile de bun venit iGaming, 10–100 USD pentru exploatarea nivelului gratuit SaaS, mult mai mult pentru airdrop-urile crypto). Costul marginal per cont se apropie de zero, în timp ce valoarea marginală rămâne semnificativă.

Tiparul 2: Credential stuffing cu logică adaptivă. Instrumentele mai vechi de credential stuffing bombardează perechile de credențiale către endpoint-urile de login cu o velocitate de tip brute-force. Abordările moderne conduse de agenți testează mai atent, gestionează CAPTCHA când apare, navighează către fluxurile de recuperare când login-ul inițial eșuează și tratează fiecare credențial „reușit” cu mai multă grijă pentru a evita declanșarea unei apărări agresive.

Rata de succes per credențial este similară cu tehnicile mai vechi. Dificultatea de detecție este mai mare pentru că agentul nu arată ca o operațiune de brute-force — arată ca o serie de încercări normale de login cu ritm normal.

Tiparul 3: Abuzul de coduri promoționale și scraping de conținut. Cele mai lente atacuri de agenți. Agentul vizitează pagini de produs, aplică coduri promoționale, capturează prețuri, capturează conținut, iese. Volumul per IP este modest. Volumul per sesiune este mic. Semnalul este subtil, dar costul agregat — pierderea de inteligență competitivă, epuizarea bugetului promoțional, furtul de conținut — este semnificativ.

Aceste trei tipare împart o provocare defensivă comună: semnătura per acțiune arată umană. Detecția necesită fie examinarea tiparelor agregate pe multe sesiuni, fie examinarea nivelurilor mai profunde (rețea, hardware, coerență) pe care agentul nu le poate falsifica ușor.

Ce înseamnă asta pentru echipa ta

Trei observații care contează indiferent de tipul de platformă:

Observația 1: Scorurile de detecție a boților pe care le urmărești ar putea subestima amenințarea reală. Majoritatea platformelor măsoară „traficul de boți” folosind semnale pe care traficul de agenți nu le declanșează. Scorul a scăzut sau a rămas constant în multe platforme nu pentru că amenințarea se micșorează, ci pentru că măsurarea ratează noua categorie.

Observația 2: Furnizorii construiți pe modele de semnale vechi sunt expuși. Dacă marketingul furnizorului tău de detecție subliniază analiza comportamentală ca principal element de diferențiere, pune întrebări dificile despre cum gestionează arhitectura lor traficul de agenți. Mulți furnizori sunt cu luni sau ani în urmă la această categorie.

Observația 3: Arhitectura corectă nu este un singur nivel. Detecția doar la nivel de rețea ratează agenții care rulează pe infrastructură de proxy rezidențial. Detecția doar la nivel de dispozitiv ratează agenții care rulează pe hardware fizic. Arhitectura defensabilă combină niveluri cu verificarea coerenței.

Platformele care gestionează bine această tranziție împart un tipar: își tratează detecția ca pe o capacitate continuă, nu ca pe un produs livrat o dată. Măsoară trimestrial, ajustează regulile lunar și au o relație cu furnizorul lor de detecție care include cercetare-dezvoltare continuă, nu un contract SaaS static.

Următoarele 18 luni

Trei predicții despre cum evoluează această categorie:

Predicția 1: Ponderea traficului de agenți crește. De la procente de o cifră în 2025 către procente de două cifre până la sfârșitul lui 2026. Stimulentele economice favorizează expansiunea: costurile infrastructurii de agenți continuă să scadă, capacitatea agenților continuă să se îmbunătățească, iar valoarea fraudei automatizate continuă să atragă investiții.

Predicția 2: Apar platforme de agenți specializate. Automatizarea generică bazată pe LLM este primul val. Al doilea val îl reprezintă agenții construiți special pentru categorii specifice de fraudă: agenți de farming de bonusuri, agenți de credential stuffing, agenți de farming de airdrop. Fiecare este optimizat pentru obiectivul său specific și mai greu de detectat decât agenții de uz general.

Predicția 3: Răspunsul apărătorilor se consolidează în jurul unor tipare arhitecturale specifice. Detecția pe mai multe niveluri, cu verificarea coerenței între niveluri și cod polimorfic pe partea de client, devine standardul. Furnizorii care nu livrează această arhitectură în următoarele 18 luni devin necompetitivi față de cei care o fac.

Fereastra pentru a lua un avans față de această amenințare este aproximativ acea perioadă de 18 luni. Platformele care implementează o detecție eficientă în prima parte a ferestrei au un drum mai ușor decât platformele care așteaptă până când traficul de agenți domină suprafața lor de amenințare și apoi trebuie să facă modernizări ulterioare.

Unde se încadrează Tracio

Detecția agenților este una dintre principalele investiții de cercetare-dezvoltare ale Tracio în 2026. Arhitectura acoperă nivelurile de semnal care rezistă împotriva agenților: semnături de rețea (inclusiv mediile de browser găzduite în cloud cunoscute), verificări de coerență a dispozitivului (prinzând hardware-ul virtualizat indiferent de mediul pretins), biometrie comportamentală (tipare sub-milisecundă care diferențiază chiar și agenții sofisticați) și partajarea semnalelor între clienți (prinzând campaniile coordonate care se întind pe mai multe platforme).

Nivelul JavaScript polimorfic le refuză agenților capacitatea de a preantrena evaziuni împotriva sondelor statice. Verdictul de pe partea de server integrează toate semnalele și livrează o decizie ALLOW, CHALLENGE sau BLOCK în sub 50 de milisecunde, cu raționamentul atașat, astfel încât echipa ta să poată verifica și ajusta.

Implementarea este rapidă: un SDK pe pagină, un apel de verificare pe partea de server la fiecare punct critic de decizie. Nivelul gratuit acoperă 2.500 de verificări pe lună — suficient pentru a rula un pilot semnificativ și a vedea ce se află de fapt în traficul tău.

Curios ce procent din traficul tău este condus de agenți?

Începe perioada de probă gratuită

— 2.500 de verificări gratuite, fără card bancar.

Rezervă un demo

pentru a parcurge suprafața ta specifică de amenințare și a obține o estimare de bază a traficului de agenți pe platforma ta.