การตรวจจับ AI Agent: Claude, ChatGPT และเบราว์เซอร์ Perplexity ต่างจากมนุษย์อย่างไร

ในปี 2024 AI agent ก้าวจากเดโมทดลองเข้าสู่ทราฟฟิกจริงในโปรดักชัน Computer Use API ของ Claude ขับเบราว์เซอร์ได้ เครื่องมือ browsing ของ ChatGPT ท่องเว็บไซต์เพื่อตอบคำถาม answer engine ของ Perplexity รวบรวมข้อมูลแบบเรียลไทม์ และผู้ช่วยขับเคลื่อนด้วย AI ที่กำลังเพิ่มจำนวนขึ้น — Browserbase, Computer Use ของ Anthropic, OpenAI Operator — ทำงานบนเว็บแบบครบวงจรแทนผู้ใช้

สำหรับเว็บไซต์ สิ่งนี้สร้างผู้เยี่ยมชมประเภทใหม่ที่ไม่เข้ากับถังใดถังหนึ่งในการตรวจจับบอตแบบดั้งเดิม AI agent ไม่ใช่ scraper ที่ดึงข้อมูลจำนวนมหาศาล ไม่ใช่มนุษย์ที่คลิกผ่าน UI แต่เป็นอะไรบางอย่างตรงกลาง — หนึ่งผู้เยี่ยมชมต่อหนึ่งเซสชัน หนึ่งเป้าหมายต่อหนึ่งการเข้าชม แต่ทำงานด้วยความเร็วของเครื่องพร้อมความแม่นยำเชิงกลไก

การตรวจจับพวกมันมีความสำคัญต่างจากการตรวจจับบอต บางครั้งคุณอยากให้บริการพวกมัน (agent ที่ช่วยลูกค้าเลือกซื้อของ) บางครั้งคุณอยากบล็อก (การ scraping ที่ไม่ได้รับอนุญาตผ่าน AI wrapper) ไม่ว่าทางไหน อย่างแรกคุณต้องรู้ก่อนว่าพวกมันอยู่ตรงนั้น

AI agent ต่างกันอย่างไรในเชิงสถาปัตยกรรม

สถาปัตยกรรมหลักสามแบบสร้างทราฟฟิก AI agent บนเว็บ:

Agent แบบขับเบราว์เซอร์ รันเบราว์เซอร์แบบ headless หรือ headful ที่ควบคุมด้วย LLM Computer Use ของ Anthropic, OpenAI Operator, Browserbase และ Skyvern ล้วนอยู่ในกลุ่มนี้ เบราว์เซอร์เป็น Chrome หรือ Chromium จริง agent สั่งงานผ่านการจัดการ DOM หรือผ่านการวิเคราะห์ภาพหน้าจอและคลิกตามพิกัด

Agent แบบ API-only ดึงหน้าเว็บผ่านไลบรารี HTTP (Node.js, Python, Go) แล้วส่ง HTML ให้ LLM ประมวลผล agent ส่วนใหญ่ของ Perplexity และ agent ที่อิงการค้นหาทำงานแบบนี้ ไม่มีเบราว์เซอร์ — มีเพียงชั้นดึงข้อมูลที่ป้อนข้อความให้โมเดล

Agent แบบไฮบริด ใช้เบราว์เซอร์สำหรับไซต์ที่ใช้ JavaScript หนัก และดึงผ่าน API สำหรับเนื้อหาแบบ static agent ในโปรดักชันจำนวนมากอยู่ในกลุ่มนี้ โดยเลือกแบบไดนามิกตามเป้าหมาย

แต่ละสถาปัตยกรรมทิ้งลายนิ้วมือคนละแบบ

สัญญาณที่ 1 อายุของเซสชันเบราว์เซอร์

ผู้ใช้จริงมีเซสชันที่ยาวและไม่โฟกัส พวกเขาเปิดแท็บ เขวไปเรื่องอื่น แล้วกลับมา ระยะเวลาเซสชันมัธยฐานของมนุษย์ในงานที่ต้องตัดสินใจอยู่ที่ 8–20 นาที

AI agent มีเซสชันที่สั้นและโฟกัส งาน Computer Use ทั่วไป — จองเที่ยวบิน สั่งของชำ ดึงข้อมูลสินค้า — ใช้เวลา 30 วินาทีถึง 3 นาทีแบบครบวงจร เซสชันเริ่มจากการโหลดหน้า ทำ 5–30 การกระทำเป็นลำดับ แล้วจบ

ระยะเวลาเซสชันต่ำกว่า 5 นาที พร้อมมากกว่า 10 การกระทำแยกกัน และไม่มีการสลับแท็บเบราว์เซอร์ เป็นพฤติกรรมที่ผิดปกติสำหรับมนุษย์และเป็นพฤติกรรมทั่วไปของ agent

สัญญาณที่ 2 ความแม่นยำของการคลิกตามพิกัด

Agent แบบขับเบราว์เซอร์จาก Anthropic และ OpenAI ใช้การวิเคราะห์ภาพหน้าจอเพื่อระบุองค์ประกอบ UI แล้วคลิกตามพิกัด การคำนวณพิกัดแม่นถึงระดับพิกเซล

ผู้ใช้จริงคลิกภายในบริเวณ ปุ่มขนาด 200x40 พิกเซลจะได้รับการคลิกกระจายทั่วทั้งพื้นที่ โน้มไปทางกลางแต่มีความแปรปรวนแบบมนุษย์ AI agent คลิกภายในแถบแคบ — มักอยู่ภายใน 2–3 พิกเซลจากจุดศูนย์กลางเชิงเรขาคณิตขององค์ประกอบ การคลิกหนึ่งร้อยครั้งด้วยค่าเบี่ยงเบนเฉลี่ยต่ำกว่า 3 พิกเซลไม่ใช่การกระจายแบบมนุษย์

การตรวจจับต้องเก็บพิกัดการคลิกและวิเคราะห์เทียบกับขอบเขตขององค์ประกอบ วิธีนี้ได้ผลดีกับข้อมูลระดับเซสชัน

สัญญาณที่ 3 การไม่มี exploratory scrolling

มนุษย์เลื่อนหน้าจอเพื่อดูว่ามีอะไรอยู่บนหน้า พวกเขาเลื่อนลง แล้วเลื่อนขึ้น แล้วเลื่อนครึ่งทาง พวกเขาหยุดที่เนื้อหาที่ดึงดูดความสนใจ ร่องรอยการเลื่อนของพวกเขาขรุขระ

AI agent เลื่อนเฉพาะเมื่อจำเป็นเท่านั้น หากเป้าหมายคือคลิก Add to cart และปุ่มอยู่เหนือขอบพับ agent อาจไม่เลื่อนเลย หากองค์ประกอบเป้าหมายอยู่ใต้ขอบพับ agent เลื่อนครั้งเดียวตรงไปยังเป้าหมาย แล้วลงมือทำ

เซสชันที่มีการเปลี่ยนทิศทางการเลื่อนน้อยกว่า 2 ครั้ง หรือมีความเร็วการเลื่อนคงที่ทุกเหตุการณ์ บ่งชี้การท่องเว็บที่ขับด้วยงานมากกว่าการสำรวจ

สัญญาณที่ 4 จังหวะเวลาการป้อนข้อความ

ผู้ใช้จริงพิมพ์ด้วยอัตรา 30–60 คำต่อนาที พร้อมการหยุดที่แปรผัน การลบเป็นครั้งคราว และการแก้ไขเล็กๆ จังหวะการกดแป้นเป็นไปตามการกระจายที่มีความแปรปรวนสูงและมีอัตราการลบไม่เป็นศูนย์

AI agent กรอกฟอร์มด้วยการวางค่าหรือจำลองการกดแป้นด้วยจังหวะคงที่ — มักอยู่ที่ 50–100 อักขระต่อวินาที สม่ำเสมอ ไม่มีการลบ ช่องที่กรอกเสร็จใน 200ms ด้วยสตริง 30 อักขระและ backspace เป็นศูนย์ ไม่ใช่อินพุตของมนุษย์

สัญญาณที่ 5 การไม่มีพิมพ์ผิด

เกี่ยวข้องแต่ต่างกัน: มนุษย์พิมพ์ผิด ในการป้อนข้อความ 1000 อักขระ ผู้ใช้จริงจะแก้ไข 15–40 ครั้ง AI agent แก้ไขศูนย์ครั้ง การส่งฟอร์มที่มี 3 ช่องรวมกันเกิน 100 อักขระและแก้ไขศูนย์ครั้งเป็นเรื่องผิดปกติสำหรับมนุษย์

สัญญาณที่ 6 ความไม่สอดคล้องของ user agent

AI agent บางตัวใช้ user agent แบบกำหนดเองที่ระบุตัวตนอย่างชัดเจน: perplexity-user, ChatGPT-User, ClaudeBot เหล่านี้เป็น agent ที่สุภาพ ทำตามธรรมเนียมการระบุตัวตนและมักเคารพ robots.txt

การตรวจจับตรงนี้ง่ายมาก — อ่าน user agent แล้วจับคู่กับรายการที่รู้จัก คุณค่าอยู่ที่การรู้ว่าเมื่อไรควรให้บริการพวกมันต่างออกไป (หรือบล็อกหากคุณไม่ต้องการให้ scraping)

Agent อื่นรันเฟรมเวิร์กแบบขับเบราว์เซอร์และรับ user agent ที่เบราว์เซอร์ใช้มาทั้งดุ้น — มักเป็น Chrome พวกนี้ระบุได้ยากกว่าจาก user agent เพียงอย่างเดียวและต้องใช้สัญญาณเชิงพฤติกรรม

สัญญาณที่ 7 การเรนเดอร์ WebGL ในโหมด headless

Agent แบบขับเบราว์เซอร์ที่ใช้ Chromium ในโหมด headless เปิดเผยตัวเรนเดอร์ SwiftShader ที่เราพูดถึงในบทความ Puppeteer เซสชันใดก็ตามที่ตัวเรนเดอร์ WebGL มี SwiftShader และผู้เยี่ยมชมทำ 10+ การกระทำอย่างจงใจ แทบจะแน่นอนว่าเป็น AI agent แบบขับเบราว์เซอร์

เฟรมเวิร์ก agent รุ่นใหม่ (Browserbase, การตั้งค่า Skyvern บางแบบ) รัน Chrome แบบ headful เพื่อเลี่ยงสัญญาณนี้ พวกมันแสดงสตริง GPU จริง นั่นหมายความว่า WebGL อย่างเดียวไม่พอสำหรับตรวจจับ agent สมัยใหม่ — จำเป็นในฐานะตัวกรองเริ่มต้น ไม่ใช่คำตอบสมบูรณ์

สัญญาณที่ 8 การยึดตามโครงสร้างหน้าอย่างสมบูรณ์แบบ

ผู้ใช้จริงคลิกลิงก์แม้ขณะที่กำลังมีการ redirect หน้าเกิดขึ้น พวกเขาขัดจังหวะตัวเอง พวกเขาดับเบิลคลิกทั้งที่คลิกครั้งเดียวก็พอ พวกเขาคลิกสิ่งที่ไม่ใช่ลิงก์

AI agent ทำตาม DOM เมื่อต้องการนำทาง พวกมันสั่งการกระทำต่อองค์ประกอบเฉพาะ พวกมันไม่คลิกผิดองค์ประกอบหรือรีเฟรชกลางการโหลด เซสชันของพวกมันคลี่คลายด้วยความเป็นเส้นตรงเชิงกลไกที่มนุษย์ผู้เขวไม่มีทางสร้างได้

ร่องรอยเซสชันที่ยึดตามอย่างสมบูรณ์ — ทุกการคลิกอยู่บนองค์ประกอบที่ถูกต้อง ทุกช่องฟอร์มกรอกตามลำดับ DOM ทุกการเปลี่ยนหน้ามีการกระทำโดยเจตนานำหน้า — อ่านออกว่าขับด้วย agent

สัญญาณที่ 9 time-to-interactive เป็นศูนย์

ผู้ใช้จริงต้องใช้เวลาประมวลผลหน้า พวกเขาอ่าน พวกเขากวาดตา พวกเขาเข้าใจก่อนลงมือ

AI agent แจงส่วน DOM ทันที ช่วงเวลาระหว่างการโหลดหน้าเสร็จกับการกระทำแรกของผู้ใช้ สำหรับผู้ใช้จริงมักอยู่ที่ 1.5–4 วินาที แม้บนหน้าง่ายๆ สำหรับ AI agent มันอาจต่ำกว่า 200ms — เวลาที่ LLM ใช้ระบุองค์ประกอบเป้าหมายใน DOM

เวลาการกระทำแรกที่เร็วมากบนหน้าที่ต้องอาศัยความเข้าใจเนื้อหาเป็นสัญญาณ agent ที่ชัดเจน

สัญญาณที่ 10 รูปแบบการ fetch ผ่าน HTTP สำหรับ agent แบบ API-only

Perplexity, การใช้เครื่องมือของ Claude บางกระบวนการ และ agent ที่อิงการค้นหาส่วนใหญ่ไม่รันเบราว์เซอร์ พวกมันดึงหน้าเว็บโดยตรงผ่านไลบรารี HTTP

Agent เหล่านี้ทิ้งสัญญาณ TLS และ HTTP ที่เราพูดถึงก่อนหน้า — ลายนิ้วมือ undici ของ Node.js ลายนิ้วมือ requests ของ Python ลายนิ้วมือ net/http ของ Go พวกมันมักไม่รัน JavaScript จึงไม่กระตุ้นการตรวจจับฝั่งไคลเอนต์เลย

การตรวจจับ agent แบบ API-only เกิดที่ชั้นเครือข่าย: แฮช TLS JA4 การเรียงลำดับ HTTP header พฤติกรรมเฉพาะเบราว์เซอร์ที่ขาดหาย (ไม่มีการดึง favicon ไม่มี analytics beacon ไม่มีการร้องขอฟอนต์) หากคุณต้องการระบุ agent เหล่านี้ คุณต้องดูสิ่งที่ไม่เกิดขึ้นพอๆ กับสิ่งที่เกิดขึ้น

สัญญาณที่ 11 เป้าหมายเซสชันที่เป็นรูปทรงของงาน

สัญญาณที่แข็งแกร่งที่สุดไม่ใช่เชิงเทคนิค — แต่เป็นเชิงพฤติกรรม เซสชัน AI agent มุ่งเป้าในแบบที่เซสชันมนุษย์ไม่ค่อยเป็น

ผู้ใช้จริงที่ค้นหาสินค้าอาจดู 8 รายการ เทียบสเปกข้าม 3 แท็บ อ่านรีวิว ทิ้งไปแล้วกลับมาอีกชั่วโมงถัดมา แล้วจึงซื้อ AI agent ไปที่สินค้า ดึงสเปก เพิ่มลงตะกร้า เช็กเอาต์ ภายใน 90 วินาที ไม่มีการเบี่ยงเบน

ระบบตรวจจับที่ติดตามอัตราการทำงานสำเร็จระดับเซสชันสามารถระบุทราฟฟิก agent ได้จากความหนาแน่นของการทำงานสำเร็จในเซสชันสั้น นี่เป็นสัญญาณที่ช้ากว่าแต่เชื่อถือได้สูงเมื่อรวมกับสัญญาณระดับการกระทำ

การให้บริการ agent แตกต่างออกไป

เมื่อระบุได้แล้ว ทราฟฟิก AI agent สามารถจัดการได้หลายวิธี:

• บล็อก — หากไซต์ไม่ต้องการการเข้าถึงแบบอัตโนมัติ ปฏิเสธที่ edge ถูกและง่าย

• ให้บริการเนื้อหาทางเลือก — ตอบด้วยเวอร์ชันที่ปรับให้เหมาะกับ API (JSON, ข้อมูลเชิงโครงสร้าง) ที่สร้างได้ถูกกว่าหน้า HTML เต็ม

• จำกัดอัตรา — อนุญาต agent แต่จำกัดอัตราการร้องขอเพื่อรักษาประสิทธิภาพของไซต์

• คิดเงิน — บางไซต์เริ่มคิดเงินบริษัท AI สำหรับการเข้าถึงข้อมูลแบบโปรแกรม การตรวจจับเป็นเงื่อนไขก่อนการเรียกเก็บเงิน

• ให้บริการตามปกติ — หาก agent ทำงานแทนลูกค้าจริง การให้บริการพวกมันคือธุรกิจ

ไซต์แต่ละแห่งจะเลือกต่างกัน สิ่งที่สำคัญเชิงเทคนิคคือการมีระบบตรวจจับพร้อมใช้ เพื่อให้ทางเลือกนั้นเปิดอยู่

เป้าหมายที่เคลื่อนที่

เฟรมเวิร์ก AI agent พัฒนาขึ้นทุกเดือน Anthropic ปล่อยอัปเดต Computer Use ที่เพิ่มความแปรปรวนของการเลื่อน Browserbase เพิ่มการสั่นของเมาส์ OpenAI Operator นำการจำลองพิมพ์ผิดเข้ามา เฟรมเวิร์กแต่ละรุ่นปิดพื้นผิวการตรวจจับที่อธิบายไว้ข้างต้นไปบางส่วน

เทคนิคที่ได้ผลในปี 2026 จะต้องอัปเดตภายในปี 2027 แต่ความจริงพื้นฐานจะไม่เปลี่ยน: AI agent ทำงานให้เสร็จ มนุษย์สัมผัสประสบการณ์เว็บไซต์ ความไม่สมมาตรนั้นสร้างสัญญาณ ไม่ว่า agent จะใช้เทคนิคเฉพาะใดในการพยายามกลมกลืน

Stack การตรวจจับที่มอง AI agent เป็นหมวดที่คงอยู่และวิวัฒนาการ — ไม่ใช่ปัญหาที่แก้จบครั้งเดียว — จะรักษาการมองเห็นไว้ได้ ส่วนที่ปล่อยตัวตรวจจับเดียวแล้วเดินหน้าต่อ จะพบว่าความครอบคลุมของตนค่อยๆ เสื่อมลงอย่างเงียบๆ