Att upptäcka AI-agenter: Hur webbläsare från Claude, ChatGPT och Perplexity skiljer sig från människor

Under 2024 tog AI-agenter steget från experimentella demos till produktionstrafik. Claudes Computer Use API kan styra en webbläsare. ChatGPT:s browsing-verktyg navigerar webbplatser för att besvara frågor. Perplexitys svarsmotor crawlar i realtid. Och en växande kategori av AI-drivna assistenter — Browserbase, Anthropics Computer Use, OpenAI Operator — utför webbuppgifter från början till slut åt användare.

För en webbplats skapar detta en ny kategori av besökare som inte passar i något av facken i traditionell bot detection. AI-agenter är inte scrapers som extraherar data i stor skala. De är inte människor som klickar sig igenom ett gränssnitt. De är något däremellan — en besökare per session, ett mål per besök, men utfört i maskinhastighet med mekanisk precision.

Att upptäcka dem har en annan innebörd än att upptäcka bottar. Ibland vill du betjäna dem (en hjälpsam agent som handlar åt en kund). Ibland vill du blockera dem (obehörig scraping via ett AI-omslag). Hur som helst måste du först veta att de finns där.

Hur AI-agenter skiljer sig arkitektoniskt

Tre huvudsakliga arkitekturer producerar AI-agenttrafik på webben:

Webbläsardrivna agenter kör en headless eller headful webbläsare som styrs av en LLM. Anthropics Computer Use, OpenAI Operator, Browserbase och Skyvern hör alla hit. Webbläsaren är riktig Chrome eller Chromium. Agenten instruerar den genom DOM-manipulation eller via skärmbildsanalys och koordinatklick.

API-baserade agenter hämtar sidor via HTTP-bibliotek (Node.js, Python, Go) och skickar HTML vidare till en LLM för bearbetning. De flesta Perplexity- och sökbaserade agenter fungerar så här. Det finns ingen webbläsare — bara ett hämtningslager som matar text till en modell.

Hybridagenter använder en webbläsare för JavaScript-tunga sidor och API-hämtning för statiskt innehåll. Många produktionsagenter faller i denna kategori och väljer dynamiskt utifrån målet.

Varje arkitektur lämnar olika fingeravtryck.

Signal 1. Webbläsarsessionens livslängd

Riktiga användare har långa, ofokuserade sessioner. De öppnar flikar, blir distraherade, kommer tillbaka. Median för en mänsklig sessions längd vid en beslutsuppgift är 8–20 minuter.

AI-agenter har korta, fokuserade sessioner. En typisk Computer Use-uppgift — boka en flygresa, beställa matvaror, extrahera produktdata — tar 30 sekunder till 3 minuter från början till slut. Sessionen börjar med sidladdning, utför 5–30 åtgärder i följd och avslutas.

En sessionslängd under 5 minuter med fler än 10 diskreta åtgärder och utan flikbyten i webbläsaren är atypiskt mänskligt beteende och typiskt agentbeteende.

Signal 2. Precision i koordinatklick

Webbläsardrivna agenter från Anthropic och OpenAI använder skärmbildsanalys för att identifiera gränssnittselement och klickar sedan på koordinater. Koordinatberäkningen är pixelprecis.

Riktiga användare klickar inom regioner. En knapp som är 200x40 pixlar får klick fördelade över hela ytan, viktade mot mitten men med mänsklig variation. AI-agenter klickar inom ett smalt band — ofta inom 2–3 pixlar från elementets geometriska mittpunkt. Hundra klick med en medelavvikelse under 3 pixlar är inte en mänsklig fördelning.

Detektering kräver att man samlar in klickkoordinater och analyserar dem i förhållande till elementets gränser. Detta fungerar bra på data av sessionslängd.

Signal 3. Avsaknad av utforskande scrollning

Människor scrollar för att se vad som finns på en sida. De scrollar ned, sedan upp igen, sedan en bit. De pausar vid innehåll som fångar deras uppmärksamhet. Deras scrollspår är ojämna.

AI-agenter scrollar bara när det behövs. Om målet är att klicka på Lägg i varukorg och knappen syns utan att man behöver scrolla, kanske agenten aldrig scrollar alls. Om målelementet ligger nedanför den synliga ytan scrollar agenten en gång, direkt till målet, och utför sedan åtgärden.

Sessioner med färre än 2 riktningsändringar i scrollningen, eller med konstant scrollhastighet över alla scrollhändelser, tyder på uppgiftsdrivet surfande snarare än utforskande.

Signal 4. Tidsmönster vid textinmatning

Riktiga användare skriver i en takt av 30–60 ord per minut, med varierande pauser, enstaka raderingar och mikrokorrigeringar. Tangenttryckningarnas tidsmönster följer en fördelning med hög varians och en raderingsfrekvens som inte är noll.

AI-agenter fyller i formulär genom att klistra in värden eller genom att simulera tangenttryckningar i fast takt — ofta 50–100 tecken per sekund, jämnt, utan raderingar. Ett fält som fylls i på 200 ms med en sträng på 30 tecken och noll backsteg är inte mänsklig inmatning.

Signal 5. Avsaknad av stavfel

Besläktat men distinkt: människor gör stavfel. På 1000 tecken textinmatning producerar riktiga användare 15–40 korrigeringar. AI-agenter producerar noll. En formulärinlämning med 3 fält på sammanlagt 100+ tecken och noll korrigeringar är ovanligt för en människa.

Signal 6. Inkonsekvenser i user agent

Vissa AI-agenter använder anpassade user agents som identifierar dem uttryckligen: perplexity-user, ChatGPT-User, ClaudeBot. Detta är artiga agenter som följer konventionen att identifiera sig själva och ofta respekterar robots.txt.

Detekteringen är här trivial — läs av user agent och matcha mot kända listor. Värdet ligger i att veta när man ska betjäna dem annorlunda (eller blockera dem om du inte vill ha scraping).

Andra agenter kör webbläsardrivna ramverk och ärver den user agent som webbläsaren använder — vanligtvis Chrome. Dessa är svårare att identifiera enbart utifrån user agent och kräver beteendesignaler.

Signal 7. WebGL-rendering i headless-läge

Webbläsardrivna agenter som använder Chromium i headless-läge exponerar SwiftShader-renderaren som vi diskuterade i Puppeteer-artikeln. Varje session där WebGL-renderaren innehåller SwiftShader och besökaren utför 10+ avsiktliga åtgärder är nästan säkert en webbläsardriven AI-agent.

Nyare agentramverk (Browserbase, vissa Skyvern-uppsättningar) kör headful Chrome för att undvika denna signal. De uppvisar riktiga GPU-strängar. Det innebär att WebGL ensamt är otillräckligt för att detektera moderna agenter — nödvändigt som ett inledande filter, inte en fullständig lösning.

Signal 8. Perfekt följsamhet mot sidstrukturen

Riktiga användare klickar på länkar även när en sidomdirigering pågår. De avbryter sig själva. De dubbelklickar när ett enkelklick hade räckt. De klickar på saker som inte är länkar.

AI-agenter följer DOM:en. När de vill navigera utfärdar de en åtgärd mot ett specifikt element. De klickar inte på fel element eller uppdaterar mitt under laddning. Deras sessioner utvecklas med en mekanisk linjäritet som ingen distraherad människa producerar.

Sessionsspår med perfekt följsamhet — varje klick på ett giltigt element, varje formulärfält ifyllt i DOM-ordning, varje sidövergång föregången av en avsiktlig åtgärd — läses som agentdrivna.

Signal 9. Tid till interaktion är noll

Riktiga användare behöver tid för att bearbeta en sida. De läser. De skannar. De förstår innan de agerar.

AI-agenter tolkar DOM:en omedelbart. Tiden mellan att sidladdningen är klar och den första användaråtgärden är för en riktig användare vanligtvis 1,5–4 sekunder även på enkla sidor. För AI-agenter kan den vara under 200 ms — den tid det tar för LLM:en att identifiera målelementet i DOM:en.

Mycket snabb tid till första åtgärd på en sida som kräver innehållsförståelse är en stark agentsignal.

Signal 10. HTTP-hämtningsmönster för API-baserade agenter

Perplexity, vissa av Claudes tool-use-flöden och de flesta sökbaserade agenter kör inte webbläsare. De hämtar sidor direkt via HTTP-bibliotek.

Dessa agenter lämnar de TLS- och HTTP-signaler vi diskuterade tidigare — Node.js undici-fingeravtryck, Python requests-fingeravtryck, Go net/http-fingeravtryck. De kör vanligtvis inte JavaScript, så de utlöser inte klientsidesdetektering alls.

Detektering av API-baserade agenter sker på nätverkslagret: TLS JA4-hashar, ordning på HTTP-headers, saknade webbläsarspecifika beteenden (ingen favicon-hämtning, ingen analytics-beacon, inga typsnittsförfrågningar). Om du vill identifiera dessa agenter måste du titta lika mycket på vad som inte händer som på vad som händer.

Signal 11. Uppgiftsformade sessionsmål

Den starkaste signalen är inte teknisk — den är beteendemässig. AI-agentsessioner är målstyrda på sätt som mänskliga sessioner sällan är.

En riktig användare som söker efter en produkt kan titta på 8 artiklar, jämföra specifikationer över 3 flikar, läsa recensioner, överge och återkomma en timme senare och sedan köpa. En AI-agent går till produkten, extraherar specifikationerna, lägger i varukorgen och slutför köpet. Under 90 sekunder. Ingen avvikelse.

Detekteringssystem som spårar hur ofta sessionsmål slutförs kan identifiera agenttrafik genom tätheten av lyckade uppgiftsfullföljanden i korta sessioner. Detta är en långsammare signal men en mycket tillförlitlig sådan i kombination med signaler per åtgärd.

Att betjäna agenter annorlunda

När de väl identifierats kan AI-agenttrafik hanteras på flera sätt:

• Blockera — om webbplatsen inte vill ha automatiserad åtkomst, neka vid edge. Billigt och enkelt.

• Servera alternativt innehåll — svara med en API-optimerad version (JSON, strukturerad data) som är billigare att generera än den fullständiga HTML-sidan.

• Rate-limita — tillåt agenter men begränsa deras förfrågningstakt för att bevara webbplatsens prestanda.

• Ta betalt — vissa webbplatser börjar ta betalt av AI-företag för programmatisk åtkomst till sina data. Detektering är en förutsättning för fakturering.

• Servera normalt — om agenten agerar åt en riktig kund är det affärer att betjäna den.

Olika webbplatser kommer att göra olika val. Vad som tekniskt spelar roll är att ha detekteringen på plats så att valet finns tillgängligt.

Ett rörligt mål

AI-agentramverk förbättras varje månad. Anthropic släpper uppdateringar till Computer Use som lägger till scrollvariation. Browserbase lägger till musdarr. OpenAI Operator inför simulering av stavfel. Varje generation av ramverk stänger en del av den detekteringsyta som beskrivits ovan.

De tekniker som fungerar 2026 kommer att behöva uppdateras till 2027. Men den underliggande verkligheten kommer inte att förändras: AI-agenter utför uppgifter. Människor upplever webbplatser. Den asymmetrin producerar signal, oavsett vilka specifika tekniker agenter använder för att försöka smälta in.

Detekteringsstackar som behandlar AI-agenter som en beständig, föränderlig kategori — snarare än ett engångslöst problem — kommer att behålla insynen. De som levererar en enda detektor och går vidare kommer att se sin täckning tyst försämras.