Neun von zehn Unternehmen stehen vor einer Bot-Traffic-Krise, da KI-Agenten die Grenzen verwischen
PYMNTS berichtete, dass 89,5 % der befragten Unternehmen Bot-Traffic als Herausforderung ansehen, obwohl das Vertrauen in ihre Fähigkeit wächst, hilfreiche Agenten von Bedrohungen zu unterscheiden. Die google news-Schlagzeile verdeutlicht das Ausmaß, doch das tieferliegende Problem ist nicht allein die Zahl der Bots. Unternehmen müssen inzwischen bösartige Automatisierung von Software unterscheiden, die im Auftrag legitimer Kunden handelt.
Diese Unterscheidung wird schwieriger, da KI-Agenten beginnen, Produkte zu suchen, Konten zu verwalten und Käufe anzustoßen. Ein Einkaufsagent und ein Betrugsbot können ähnliche Aktionen in ähnlicher Geschwindigkeit ausführen. Jeden automatisierten Besucher zu blockieren würde Risiken verringern, aber zugleich neue Formen legitimen Handels ausschließen.
Der Konflikt verlagert sich von Menschen gegen Bots hin zu autorisierten Agenten gegen nicht vertrauenswürdige Automatisierung. Bestehende Kontrollen wurden entwickelt, um Menschen, Geräte und Konten zu erkennen. Sie wurden nicht dafür konzipiert festzustellen, ob Software die Berechtigung hat, für eine bestimmte Person zu handeln.
Die Umfrage zeigt ein breit angelegtes Bot-Traffic-Problem
Bot-Management ist zu einer zentralen operativen Herausforderung geworden und nicht länger nur ein enges Thema für Cybersicherheitsteams.
Die Erkenntnis stammt aus einer PYMNTS Intelligence-Studie, die gemeinsam mit dem Identitätsverifizierungsunternehmen Trulioo erstellt wurde. Der vollständige Umfragebericht untersuchte die Antworten von 350 Führungskräften.
Die Befragten arbeiteten in den Bereichen Compliance, Betrug, Risikomanagement, Underwriting, Lieferantengewinnung und Händlerüberwachung. Ihre Unternehmen waren in mehreren geografischen Märkten und Umsatzkategorien tätig.
PYMNTS führte die Umfrage zwischen dem 1. August und dem 10. September 2025 durch. Sie ergab, dass 89,5 % der Organisationen die Bewältigung von Bot-Traffic zumindest als leicht herausfordernd einstuften.
Die meisten Unternehmen ordneten das Problem den Kategorien leicht oder moderat zu. Dennoch sagte nur etwa eines von zehn, dass Bot-Traffic keinerlei Herausforderung darstelle.
Die Umfrage ergab außerdem, dass 52,3 % der Organisationen im vorangegangenen Jahr einen Anstieg des Bot-Traffics verzeichneten. Weniger als 10 % gaben an, dass die Volumina stabil geblieben seien.
Dieses Ergebnis ist wichtig, weil es Veränderungen in beide Richtungen zeigt. Einige Unternehmen verzeichneten weniger Traffic, während die Mehrheit mit Wachstum konfrontiert war. Nur sehr wenige erlebten ein unverändertes Umfeld.
Die Umfrage belegt nicht, dass jeder Anstieg bösartige Aktivitäten betraf. Bot-Traffic umfasst Such-Crawler, Monitoring-Dienste, kommerzielle Scraper, kundenorientierte Assistenten und feindselige Automatisierung.
Gerade diese gemischte Population macht das Ergebnis bedeutsam. Mehr Automatisierung bedeutet nicht automatisch mehr Betrug, erhöht jedoch die Zahl der Interaktionen, die eine Vertrauensentscheidung erfordern.
Ein Sicherheitssystem kann unbekannte Software einer Prüfung unterziehen oder sie vollständig blockieren. Solche Reaktionen werden jedoch kostspielig, wenn ein autorisierter Agent versucht, die Anfrage eines Kunden abzuschließen.
Die Umfrage maß diese Kosten anhand von False Positives, also legitimen digitalen Transaktionen, die fälschlicherweise als verdächtig identifiziert werden. Große Unternehmen meldeten eine False-Positive-Rate von 3,3 %.
Unternehmen mit einem Jahresumsatz zwischen 50 Millionen und 250 Millionen US-Dollar meldeten mit 2,7 % eine niedrigere Rate. Der Unterschied wirkt klein, bis er auf Millionen von Transaktionen angewendet wird.
In diesem Maßstab kann ein Bruchteil eines Prozentpunkts viele Kunden betreffen. Er kann zudem Supportkosten, abgebrochene Käufe und wiederholte Identitätsprüfungen verursachen.
Die ursprüngliche google news-Meldung stellte die Erkenntnis als Schwierigkeit bei der Verwaltung von Traffic dar. Die zugrunde liegenden Daten zeigen ein umfassenderes Problem, das Identität, Autorisierung, Betrug und Kundenerlebnis betrifft.
Unternehmen entscheiden nicht nur darüber, ob eine Anfrage von Software stammt. Sie entscheiden auch, ob diese Software einen vertrauenswürdigen Nutzer vertritt und berechtigt ist, die angeforderte Handlung auszuführen.
Warum legitime KI-Agenten den Einsatz erhöhen
Der Aufstieg nützlicher KI-Agenten macht eine Sicherheitsstrategie nach dem Prinzip „zuerst blockieren“ kommerziell riskant.
Traditionelle Bot-Abwehrmaßnahmen beginnen oft mit einer binären Klassifizierung. Eine Anfrage wird als menschlich oder automatisiert behandelt und dann zugelassen, überprüft, eingeschränkt oder blockiert.
Dieser Ansatz funktioniert, wenn Automatisierung in vertraute Kategorien fällt. Ein deklarierter Such-Crawler kann zugelassen werden, während ein Bot zum Credential Stuffing sofort blockiert wird.
Agentische KI schwächt diese einfache Trennung. Ein KI-Agent ist Software, die eine Abfolge von Handlungen zur Erreichung eines nutzerdefinierten Ziels ausführen kann.
Diese Handlungen können den Vergleich von Produkten, die Prüfung der Verfügbarkeit, das Ausfüllen von Formularen oder die Verwaltung eines Abonnements umfassen. Ein Agent könnte auch auf ein authentifiziertes Konto zugreifen oder eine Zahlung veranlassen.
Das Verhalten kann Missbrauch ähneln. Sowohl hilfreiche als auch bösartige Software kann schnell browsen, vorhersehbaren Pfaden folgen, Formulare absenden und wiederholte Anfragen stellen.
HUMAN Security stellte fest, dass der Traffic von KI-Agenten und agentischen Browsern im Jahresvergleich um 7.851 % wuchs. Sein Traffic-Benchmark analysierte mehr als eine Quadrillion Interaktionen, die im Jahr 2025 beobachtet wurden.
Laut diesem Datensatz stieg der monatliche KI-getriebene Traffic zwischen Januar und Dezember um 187 %. Trainings-Crawler machten weiterhin 67,5 % des beobachteten KI-Bot-Volumens aus.
Agentische Systeme hatten jedoch begonnen, über das bloße Lesen von Seiten hinauszugehen. HUMAN berichtete, dass 77 % der agentischen Aktivitäten auf Produkt- und Suchseiten stattfanden.
Weitere 8,8 % erschienen auf Kontoseiten, während 5 % Authentifizierungsabläufe erreichten. Checkout-Seiten machten 2,3 % der beobachteten agentischen Aktivitäten aus.
Diese Prozentsätze zeigen, warum Handelsunternehmen unter unmittelbarem Druck stehen. Agenten erreichen dieselben sensiblen Oberflächen, die auch von Account-Takeover- und Zahlungsbetrugsoperationen ins Visier genommen werden.
Die Sicherheitsfrage verändert sich daher in jeder Phase. Das Lesen einer öffentlichen Produktseite birgt ein anderes Risiko als das Ändern einer Adresse innerhalb eines authentifizierten Kontos.
Ein Händler könnte einen Agenten begrüßen, der verfügbare Produkte vergleicht. Derselbe Händler benötigt stärkere Nachweise, bevor er diesem Agenten erlaubt, gespeicherte Werte einzulösen oder Zahlungsinformationen zu ändern.
Große Unternehmen scheinen besonders exponiert zu sein. Die PYMNTS-Studie ergab, dass 57 % der Unternehmen mit mindestens 1 Milliarde US-Dollar Umsatz bot- oder agentenbezogene Vorfälle oder Verluste erlebten.
Bei kleineren Unternehmen lag der vergleichbare Wert bei 32 %. Die Umfrage beweist nicht, dass die Unternehmensgröße diese Vorfälle verursachte.
Größere Organisationen betreiben in der Regel mehr Websites, Konten, Märkte und Zahlungsabläufe. Sie bieten zudem wertvollere Ziele und verarbeiten mehr Interaktionen, bei denen ein Klassifizierungsfehler auftreten kann.
Dies erzeugt Druck in mehreren Abteilungen. Sicherheitsteams wollen weniger erfolgreiche Angriffe, während Umsatzteams weniger abgewiesene Kunden wollen.
Compliance-Verantwortliche benötigen belastbare Identitätskontrollen. Produktteams möchten, dass Agenten auf nützliche Funktionen zugreifen können, ohne übermäßige Befugnisse zu erhalten.
Leser, die die Geschichte über google news verfolgen, sollten dies nicht als Beleg dafür verstehen, dass alle KI-Agenten unsicher sind. Der Konflikt betrifft fehlende Vertrauenssignale, nicht Automatisierung an sich.
Der eigentliche Wettbewerb lautet Autorisierung gegen verhaltensbasierte Vermutungen
Unternehmen müssen die Befugnis eines Agenten prüfen, statt seine Absicht allein aus Geschwindigkeit und Browserverhalten abzuleiten.
Verhaltenserkennung sucht nach Signalen, die mit Automatisierung oder Missbrauch verbunden sind. Dazu können ungewöhnliche Anfrageraten, skriptgesteuerte Navigation, Geräteinkonsistenzen und wiederholte Authentifizierungsfehler gehören.
Solche Signale bleiben wertvoll. Sie können großflächige Angriffe aufdecken, verdächtige Sitzungen identifizieren und eine stärkere Verifizierung auslösen.
Verhalten kann jedoch nicht immer erklären, wer einen Agenten autorisiert hat. Ein legitimer Assistent und ein bösartiger Bot können ähnliche technische Muster erzeugen.
Dies ist der zentrale Konflikt des Artikels. Unternehmen können weiterhin anhand des Verhaltens raten oder Systeme aufbauen, die delegierte Befugnisse verifizieren.
PYMNTS und Trulioo bezeichnen diesen zweiten Ansatz als „Know Your Agent“ oder KYA. Der Begriff bezieht sich auf Kontrollen, die einen automatisierten Akteur identifizieren und ihn mit verifizierter Berechtigung verknüpfen.
KYA erweitert vertraute Identitätsrahmen. Know Your Customer prüft die Einzelperson, während Know Your Business eine kommerzielle Organisation verifiziert.
Die Agentenverifizierung fügt eine weitere Ebene hinzu. Sie fragt, welche Software handelt, wessen Interessen sie vertritt und welche Handlungen diese Partei genehmigt hat.
Diese Kette ist wichtig, weil ein vertrauenswürdiger Agent weiterhin für ein kompromittiertes Konto handeln kann. Ein verifizierter Nutzer kann einem Agenten auch mehr Zugriff gewähren als beabsichtigt.
Nützliche Kontrollen benötigen daher mehr als einen erkennbaren Bot-Namen. Sie benötigen eine Verbindung zwischen Nutzer, Agent, angeforderter Handlung und geltenden Grenzen.
Diese Grenzen könnten Transaktionswert, Händlerkategorie, Zeit, Standort oder Datenzugriff abdecken. Ein Nutzer könnte Produktrecherche autorisieren, ohne einen Kauf zu genehmigen.
Ein anderer Nutzer könnte eine wiederkehrende Haushaltsbestellung erlauben, aber Kontoänderungen untersagen. Die richtige Entscheidung hängt vom Kontext ab, nicht allein von der Identität eines Agenten.
Dieses Modell ähnelt dem delegierten Zugriff, der bereits in Softwaresystemen verwendet wird. Anwendungen erhalten üblicherweise eingeschränkte Berechtigungen statt der vollständigen Zugangsdaten eines Nutzers.
Agentischer Handel überträgt dieses Prinzip auf Browsing und Transaktionen. Der schwierige Teil besteht darin, die Autorisierung über mehrere Unternehmen und technische Systeme hinweg zu bewahren.
Der Assistent des Nutzers, der Identitätsanbieter, der Händler, die Betrugsplattform und das Zahlungsnetzwerk könnten jeweils unterschiedliche Teile der Interaktion sehen. Kein einzelner Beteiligter verfügt automatisch über den vollständigen Vertrauensnachweis.
Diese Fragmentierung führt dazu, dass Unternehmen auf indirekte Hinweise angewiesen sind. Ein bekannter User-Agent, eine stabile Netzwerkadresse oder eine signierte Anfrage können helfen, doch jedes Signal hat Grenzen.
Angreifer können Browsermerkmale nachahmen und über private Netzwerke rotieren. Sie können auch legitime Konten kompromittieren oder autorisierte Integrationen missbrauchen.
Die Lösung ist kein einzelner universeller Bot-Score. Sie ist eine mehrschichtige Entscheidung, die Identität, erklärten Zweck, Autorisierung, Verhalten und Transaktionsrisiko kombiniert.
Diese Veränderung betrifft auch die Analytik. Eine von einem Agenten aufgerufene Produktseite stellt weder einen herkömmlichen menschlichen Besuch noch notwendigerweise wertlosen Traffic dar.
Der Agent könnte Optionen für einen Kunden vergleichen, der die Website nie direkt besucht. Analysesysteme müssen automatisierte Recherche mit späteren Käufen verbinden, ohne jede Anfrage als betrügerisch anzunehmen.
Diese Herausforderung betrifft auch Publishing und Suche. Google News, herkömmliche Such-Crawler, Trainingsbots und Answer Engines erfüllen unterschiedliche Zwecke, selbst wenn sie ähnliche Seiten erfassen.
Unternehmen benötigen Richtlinien, die diese Unterschiede widerspiegeln. Ein Unternehmen könnte Indexierung begrüßen, Modelltraining einschränken und transaktionale Agenten erst nach Authentifizierung zulassen.
Das Vertrauen ist hoch, doch die Evidenz zeigt Lücken
Das Vertrauen großer Unternehmen in die Bot-Erkennung steht in einem Spannungsverhältnis zu gemeldeten Verlusten und False-Positive-Raten.
Mehr als neun von zehn großen Unternehmen teilten PYMNTS mit, dass sie sich zuversichtlich fühlten, schädliche Bots von hilfreichen zu unterscheiden. Vertrauen allein belegt nicht, dass ihre Kontrollen zuverlässig funktionieren.
Dieselbe Gruppe meldete höhere Vorfallraten als kleinere Unternehmen. Große Unternehmen verzeichneten außerdem die höchste False-Positive-Rate der Umfrage.
Diese Ergebnisse sind nicht zwangsläufig widersprüchlich. Ein Unternehmen kann besser als seine Wettbewerber abschneiden und dennoch auf einer größeren absoluten Skala Geld verlieren.
Es kann zudem über starke Erkennungstools verfügen, aber über komplexere Systeme hinweg operieren. Jeder zusätzliche Login, jede API, jede Tochtergesellschaft und jeder Zahlungsweg schafft eine weitere mögliche Kontrolllücke.
Dennoch verdient der Kontrast eine genaue Prüfung. Die Umfrageteilnehmer waren Führungskräfte mit Verantwortung für Betrugsbekämpfung, Compliance, Risiken und verwandte Funktionen.
Ihre Antworten spiegeln professionelle Einschätzungen wider, keinen unabhängigen Test der Erkennungsgenauigkeit. Unternehmen könnten Vorfälle, Bot-Traffic und hilfreiche Agenten zudem unterschiedlich definieren.
Der Bericht wurde gemeinsam mit einem Anbieter digitaler Identitätslösungen erstellt, was ihm relevante Expertise, aber auch eine kommerzielle Perspektive verleiht. Leser sollten seine Empfehlungen als fundierten Rahmen und nicht als neutralen technischen Standard verstehen.
Unabhängige Verkehrsdaten stützen den übergeordneten Trend. Imperva berichtete, dass automatisierter Traffic im Jahr 2024 menschliche Aktivitäten überstieg.
Die Bad-Bot-Forschung des Unternehmens stufte 37 % des weltweiten Internetverkehrs als bösartige Bots ein. Weitere 14 % entfielen auf gute Bots, während Menschen 49 % ausmachten.
Imperva stellte außerdem fest, dass mittelentwickelte und fortgeschrittene Bots 55 % der Bot-Angriffe ausmachten. Diese Programme versuchen, echte Browser und Nutzerverhalten nachzuahmen.
Einfache Angriffe mit hohem Volumen stiegen dennoch von 40 % auf 45 % der Bot-Angriffe. Der leichtere Zugang zu Automatisierung ermöglicht es weniger erfahrenen Akteuren, schädlichen Traffic in großem Umfang zu erzeugen.
Dem Bericht zufolge zielten 44 % des fortgeschrittenen Bot-Traffics auf Programmierschnittstellen. APIs sind strukturierte Verbindungen, über die Software Daten austauschen oder Funktionen auslösen kann.
Dieser Schwerpunkt ist für agentische Systeme relevant. Ein Agent kann eine Website nutzen, doch effiziente kommerzielle Agenten werden häufig direkten API-Zugriff anstreben.
APIs können eine stärkere Authentifizierung und klar definierte Berechtigungen unterstützen. Bei unvollständiger Autorisierung können sie jedoch auch hochwertige Geschäftsfunktionen offenlegen.
Die Branchenbedingungen unterscheiden sich deutlich. Imperva stellte fest, dass bösartige Bots 2024 59 % des Retail-Traffics und 41 % des Reise-Traffics ausmachten.
Retail und Reisen bieten zudem wertvolle Angriffsziele. Automatisierte Angreifer können Bestände aufkaufen, gestohlene Karten testen, Preise auslesen oder Treuekonten übernehmen.
Gleichzeitig eignen sich diese Sektoren gut für legitime Agenten. Kunden profitieren, wenn Software Tarife vergleichen, Preise überwachen oder einen Kauf zusammenstellen kann.
Diese Überschneidung bedeutet, dass Unternehmen nicht ausschließlich auf die höchste Blockierungsrate optimieren können. Ein System, das jede unsichere Interaktion ablehnt, könnte messbare Angriffe reduzieren und zugleich verlorene Nachfrage verschleiern.
Auch das Gegenteil ist gefährlich. Ein Unternehmen, das Agenten ohne klare Berechtigungen zulässt, kann Konten, Zahlungen und Kundendaten gefährden.
Die Schätzung der Umfrage von nahezu 100 Milliarden US-Dollar kombiniert Verluste durch Betrug und die versehentliche Ablehnung legitimer Transaktionen. Diese Zahl sollte sorgfältig gelesen werden.
Sie ist eine Branchenschätzung, kein geprüfter Gesamtwert für die befragten Unternehmen. Die Kategorien messen zudem unterschiedliche Formen von Schaden.
Betrug steht für eine erfolgreiche feindliche Handlung. Ein falsch-positives Ergebnis steht für eine Abwehrmaßnahme, die einer legitimen Interaktion geschadet hat.
Ihre Zusammenführung verdeutlicht den zentralen Zielkonflikt. Strenge Kontrollen können wirtschaftliche Verluste verursachen, während lockere Kontrollen Sicherheitsverluste nach sich ziehen können.
Das Ziel ist nicht maximale oder minimale Reibung. Es geht um eine präzisere Entscheidung über Befugnisse bei jedem sensiblen Schritt.
Google News verdeutlicht einen umfassenderen Wandel in der Bot-Ökonomie
Das Bot-Problem wächst, weil automatisierter Traffic inzwischen sowohl feindliche Risiken als auch potenziellen kommerziellen Wert mit sich bringt.
Jahrelang behandelten viele Organisationen Bots als Thema der Website-Sicherheit. Sicherheitsteams verwalteten Scraping, Credential-Angriffe, Bestandsmissbrauch und Denial-of-Service-Aktivitäten.
KI-Agenten erweitern die Diskussion um Vertrieb und Umsatz. Ein automatisierter Besucher kann die Kaufabsicht eines Kunden mitbringen, ohne einen herkömmlichen Seitenaufruf zu erzeugen.
Akamai berichtete, dass KI-Bots bis Dezember 2025 47,9 % des Commerce-Traffics in seinem Netzwerk erzeugten. Die Erkenntnisse zur Commerce-Sicherheit des Unternehmens verorteten die Branche im Zentrum des Drucks durch agentischen Betrug.
Akamai erklärte zudem, dass Commerce-Organisationen mehr als 90 % der KI-Bot-Aktivitäten zur Überwachung kategorisierten. Etwa drei Viertel der verbleibenden Aktivitäten ließen sie ohne Einschränkungen passieren.
Überwachung kann eine sinnvolle erste Reaktion sein, wenn Klassifizierungen noch unsicher sind. Sie ermöglicht Unternehmen, Verhalten zu beobachten, bevor sie Regeln durchsetzen, die nützliche Agenten blockieren könnten.
Passive Beobachtung lässt jedoch Risiken bestehen, wenn verdächtige Automatisierung Konto- oder Zahlungsfunktionen erreicht. Unternehmen benötigen Richtlinien, die sich ändern, sobald eine Interaktion sensibler wird.
Öffentliche Seiten können breiteren Zugriff tolerieren. Authentifizierung, gespeicherte Zahlungsmethoden, Treueguthaben und Kontowiederherstellung erfordern mehr Vertrauen.
Diese risikobasierte Abstufung bietet einen praktischen Mittelweg. Sie vermeidet es, jede automatisierte Anfrage als gleichermaßen gefährlich zu behandeln.
Sie vermeidet außerdem, einem Agenten allein deshalb weitreichendes Vertrauen zu gewähren, weil ihn ein bekanntes Unternehmen betreibt. Ein legitimer Dienst kann falsch konfiguriert, kompromittiert oder über die Autorisierung eines Kunden hinaus genutzt werden.
Die Konzentration auf wenige Betreiber schafft eine weitere Komplikation. HUMAN schrieb 2025 etwa 69 % des beobachteten KI-gesteuerten Traffics OpenAI-User-Agents zu.
Meta entfiel auf rund 16 %, während Anthropic etwa 11 % ausmachte. Die übrigen identifizierten Betreiber erzeugten zusammen weniger als 5 %.
Diese Messungen stammen aus der Kundenbasis von HUMAN und repräsentieren daher nicht das gesamte Internet. Sie veranschaulichen dennoch, wie Entscheidungen mehrerer Betreiber die gesamte KI-Exposition prägen können.
Ein Händler könnte Regeln für erkannte Agenten großer Anbieter festlegen. Die Identität des Anbieters beantwortet jedoch nicht, ob eine konkrete Transaktion die Zustimmung des Nutzers trägt.
Kleinere oder selbst gehostete Agenten stellen eine zusätzliche Herausforderung dar. Jeden unbekannten Agenten zu blockieren, würde große Plattformen bevorzugen und den Wettbewerb einschränken.
Sie ohne starke Verifizierung zuzulassen, würde das Betrugsrisiko erhöhen. Offene Standards für Identität und delegierte Berechtigungen könnten diesen Konflikt verringern.
Google News bietet eine nützliche Analogie, auch wenn es kein transaktionaler Agent ist. Publisher können bekannte Such-Crawler erkennen und entscheiden, wie ihre Inhalte in Entdeckungssystemen erscheinen.
Commerce benötigt eine umfassendere Version dieser Beziehung. Ein Shop muss nicht nur verstehen, wer Informationen anfordert, sondern auch, was der Agent als Nächstes tun darf.
Der Wandel betrifft die Geschäftsstrategie. Unternehmen, die legitime Agenten ablehnen, könnten aus der KI-vermittelten Produktentdeckung oder dem Einkauf verschwinden.
Unternehmen, die Agenten zu freizügig akzeptieren, könnten Betrug, Scraping-Kosten und verfälschte Analysen tragen. Keines der Extreme bietet ein dauerhaft tragfähiges Betriebsmodell.
Worauf Unternehmen als Nächstes achten sollten
Die nächste Phase hängt von überprüfbaren Agenten-Anmeldedaten, engeren Berechtigungen und Belegen dafür ab, dass diese Kontrollen sowohl Betrug als auch falsch-positive Ergebnisse reduzieren.
Das erste Signal ist die Einführung portabler Methoden für Agentenidentität und Autorisierung. Händler benötigen Anmeldedaten, die sie überprüfen können, ohne für jeden KI-Anbieter eigene Verbindungen aufzubauen.
Diese Anmeldedaten sollten den Betreiber identifizieren und den Agenten mit einem Nutzer verknüpfen. Sie sollten außerdem einen begrenzten Umfang für die angeforderte Aktion festlegen.
Eine breite Einführung würde die Argumente für KYA-basierte Kontrollen stärken. Fragmentierte oder proprietäre Ansätze würden Unternehmen weiterhin von verhaltensbasierter Schlussfolgerung abhängig machen.
Das zweite Signal ist eine messbare Veränderung der Raten falsch-positiver Ergebnisse. Die PYMNTS-Umfrage ermittelte eine Quote von 3,3 % bei großen Unternehmen und 2,7 % bei kleineren Firmen.
Künftige Studien sollten zeigen, ob kontinuierliche Verifizierung diese Werte senkt. Sie sollten außerdem menschliche Transaktionen von autorisierten Agententransaktionen trennen.
Eine niedrigere Ablehnungsrate ohne höheren Betrug würde den identitätszentrierten Ansatz stützen. Sinkende Reibung bei steigenden Verlusten würde ihn schwächen.
Das dritte Signal ist, wie große Händler mit Agenten bei Anmeldung und Checkout umgehen. Öffentliche Produktentdeckung ist bereits eine verbreitete Agentenaktivität, doch sensible Aktionen bleiben begrenzt.
Achten Sie auf Händler, die klare Regeln für den Agentenzugang und Berechtigungsanforderungen veröffentlichen. Beobachten Sie auch Angaben zu Kontoübernahmen, Kartentests und agentenbezogenen Streitfällen.
Diese Entwicklungen werden zeigen, ob agentischer Commerce zu einem vertrauenswürdigen Kanal oder zu einer weiteren Ebene unkontrollierter Automatisierung wird.
Unternehmen müssen nicht auf einen universellen Standard warten, bevor sie ihre Kontrollen verbessern. Sie können automatisierten Traffic erfassen und öffentliches Browsing von sensiblen Kontoaktionen trennen.
Sie können definieren, welche Agenten zugelassen sind, welche Nachweise diese Agenten vorlegen müssen und welche Aktionen eine Nutzerbestätigung erfordern.
Unternehmen sollten außerdem vermeiden, für jede digitale Oberfläche denselben Bot-Score zu verwenden. Eine Anfrage an einen öffentlichen Katalog und eine Änderung der Zahlungsmethode bergen keine vergleichbaren Risiken.
Kontinuierliche Verifizierung kann Vertrauen während einer Sitzung neu bewerten. Sie kann Identität, Gerät, Verhalten, Transaktionskontext und die angeforderte Berechtigung berücksichtigen.
Dieser Ansatz erfordert weiterhin Zurückhaltung. Eine umfangreichere Datenerhebung kann Datenschutz- und Compliance-Bedenken auslösen, insbesondere wenn Unternehmen ihre Entscheidungen nicht erklären können.
Automatisierte Betrugskontrollen sollten Prüf- und Einspruchswege unterstützen. Kunden benötigen eine Möglichkeit zur Wiederherstellung, wenn eine legitime Transaktion angefochten wird.
Sicherheitsverantwortliche sollten außerdem prüfen, ob Kontrollen zu ungleichen Ergebnissen über Standorte, Geräte oder Hilfstechnologien hinweg führen. Eine niedrigere globale Rate falsch-positiver Ergebnisse kann konzentrierten Schaden verbergen.
Für Wissensarbeiter, die diesen Wandel verfolgen, ist die Quellenqualität ebenso wichtig wie die Sichtbarkeit einer Schlagzeile. Ein Ergebnis in Google News kann auf eine wichtige Behauptung hinweisen, doch die zugrunde liegende Methodik bestimmt seinen Wert.
Die PYMNTS-Erkenntnis ist aussagekräftig, weil sie eine definierte Stichprobe, einen Erhebungszeitraum und detaillierte Messgrößen enthält. Sie stellt dennoch Umfrageantworten und keine direkte Beobachtung von Netzwerkverkehr dar.
Imperva, HUMAN und Akamai liefern Beobachtungsdaten, doch jedes Unternehmen sieht Traffic durch sein eigenes Kundennetzwerk. Ihre Prozentwerte sollten nicht zu einer universellen Bot-Zählung zusammengeführt werden.
Zusammengenommen stützen die Quellen eine engere Schlussfolgerung. Automatisierter Traffic wächst, bösartige Bots bleiben erheblich, und legitime Agenten dringen in sensible Workflows vor.
Die verbleibende Unsicherheit betrifft die Qualität der Kontrollen. Unternehmen müssen nachweisen, dass sie autorisierte Software willkommen heißen können, ohne einen neuen Betrugsweg zu schaffen.
Dieser Nachweis wird aus Ergebnissen kommen, nicht aus Vertrauensumfragen. Niedrigere Vorfallsraten, weniger abgelehnte Kunden und nachvollziehbare Agentenberechtigungen werden am wichtigsten sein.
Leser, die auf eine weitere dramatische Google-News-Schlagzeile über Bots stoßen, sollten drei Fragen stellen. Welcher Traffic wurde gemessen, wie wurde er klassifiziert und welche Geschäftsaktion erreichte er?
Diese Fragen trennen allgemeines Internetrauschen von einem echten operativen Risiko. Sie zeigen außerdem, ob eine Organisation Befugnisse erkennen kann, statt lediglich Automatisierung zu erkennen.
Die nächsten Monate werden zeigen, ob Unternehmen das alte Modell „Bot oder nicht“ hinter sich lassen. Wenn sie es tun, kann Agentenverifizierung Teil der digitalen Identitätsinfrastruktur werden.
Wenn nicht, werden Unternehmen weiterhin zwischen zwei kostspieligen Fehlern wählen. Sie werden entweder feindliche Automatisierung zulassen oder Software blockieren, die legitime Kundenabsicht transportiert.
