AI 에이전트가 경계를 흐리면서 10곳 중 9곳의 기업이 봇 트래픽 위기에 직면
PYMNTS는 설문 대상 기업의 89.5%가 봇 트래픽 관리를 어렵게 느낀다고 보도했다. 유용한 에이전트와 위협을 구분할 수 있다는 자신감은 높아지고 있지만, google news 헤드라인이 보여주듯 문제의 핵심은 단순히 봇의 수가 아니다. 이제 기업은 악의적인 자동화와 합법적인 고객을 위해 작동하는 소프트웨어를 구별해야 한다.
AI 에이전트가 상품을 검색하고, 계정을 관리하며, 구매를 시작하면서 이 구분은 더욱 어려워지고 있다. 쇼핑 에이전트와 사기 봇은 비슷한 속도로 유사한 행동을 수행할 수 있다. 모든 자동화 방문자를 차단하면 위험은 줄일 수 있지만, 새롭게 등장하는 정당한 상거래 형태까지 거부하게 된다.
갈등의 구도는 인간 대 봇에서, 권한을 부여받은 에이전트 대 신뢰할 수 없는 자동화로 이동하고 있다. 기존 통제 체계는 사람, 기기, 계정을 인식하도록 설계됐다. 특정 개인을 대신해 행동할 권한이 소프트웨어에 있는지 판단하도록 설계된 것은 아니다.
설문조사, 광범위한 봇 트래픽 문제 확인
봇 관리는 더 이상 사이버 보안 팀만의 제한된 관심사가 아니라, 주류 운영 과제가 됐다.
이번 결과는 신원 검증 기업 Trulioo와 함께 제작한 PYMNTS Intelligence 연구에서 나왔다. 전체 설문조사 보고서는 350명의 비즈니스 리더 응답을 분석했다.
응답자들은 컴플라이언스, 사기 방지, 리스크 관리, 언더라이팅, 공급업체 확보, 가맹점 모니터링 분야에서 일했다. 이들의 기업은 여러 지역 시장과 매출 범주에 걸쳐 운영됐다.
PYMNTS는 2025년 8월 1일부터 9월 10일까지 설문을 진행했다. 그 결과 조직의 89.5%가 봇 트래픽 관리가 최소한 어느 정도는 어렵다고 답했다.
대부분의 기업은 문제를 경미하거나 중간 수준으로 분류했다. 그럼에도 약 10곳 중 1곳만이 봇 트래픽이 전혀 문제가 되지 않는다고 답했다.
설문은 또한 조직의 52.3%가 직전 1년 동안 봇 트래픽 증가를 경험했다고 밝혔다. 트래픽 규모가 안정적으로 유지됐다고 답한 곳은 10% 미만이었다.
이 결과는 양방향의 변화를 보여준다는 점에서 중요하다. 일부 기업은 트래픽 감소를 경험했지만, 과반수는 증가에 직면했다. 환경이 변하지 않았다고 본 기업은 매우 적었다.
설문은 모든 증가가 악의적인 활동과 관련됐다고 단정하지 않는다. 봇 트래픽에는 검색 크롤러, 모니터링 서비스, 상업용 스크레이퍼, 고객 대상 보조 도구, 적대적 자동화가 포함된다.
바로 이처럼 혼재된 집단이 결과를 중요하게 만든다. 자동화가 늘어난다고 해서 자동으로 사기가 증가하는 것은 아니지만, 신뢰 판단이 필요한 상호작용의 수는 늘어난다.
보안 시스템은 낯선 소프트웨어에 추가 검증을 요구하거나 이를 즉시 차단할 수 있다. 그러나 권한을 받은 에이전트가 고객의 요청을 완료하려는 상황에서는 이러한 대응의 비용이 커진다.
설문은 합법적인 디지털 거래를 의심스러운 것으로 잘못 식별하는 오탐을 통해 이 비용을 측정했다. 대기업의 오탐률은 3.3%로 보고됐다.
연 매출이 5,000만 달러에서 2억5,000만 달러 사이인 기업은 2.7%로 더 낮은 비율을 보고했다. 수백만 건의 거래에 적용하면 이 차이는 작아 보이지 않는다.
그 규모에서는 퍼센트포인트의 일부 차이만으로도 많은 고객에게 영향을 줄 수 있다. 고객 지원 비용, 구매 이탈, 반복적인 신원 확인도 발생할 수 있다.
원래의 google news 목록은 이 결과를 트래픽 관리의 어려움으로 제시했다. 하지만 기초 데이터는 신원, 권한 부여, 사기, 고객 경험을 아우르는 더 광범위한 문제를 보여준다.
기업은 단순히 요청이 소프트웨어에서 왔는지를 판단하는 것이 아니다. 그 소프트웨어가 신뢰할 수 있는 사용자를 대표하는지, 요청된 행동을 수행할 권한이 있는지를 판단하고 있다.
합법적인 AI 에이전트가 위험도를 높이는 이유
유용한 AI 에이전트의 등장은 우선 차단하는 보안 정책을 상업적으로 위험하게 만든다.
전통적인 봇 방어는 흔히 이진 분류에서 시작한다. 요청을 인간 또는 자동화로 처리한 뒤 허용, 추가 검증, 제한, 차단 여부를 결정한다.
자동화가 익숙한 범주에 속할 때는 이 접근 방식이 효과적이다. 신고된 검색 크롤러는 허용할 수 있는 반면, 자격 증명 대입 봇은 즉시 차단할 수 있다.
에이전틱 AI는 이 단순한 구분을 약화시킨다. AI 에이전트는 사용자가 정의한 목표를 향해 일련의 행동을 수행할 수 있는 소프트웨어다.
이러한 행동에는 상품 비교, 재고 확인, 양식 작성, 구독 관리 등이 포함될 수 있다. 에이전트는 인증된 계정에 들어가거나 결제를 시작할 수도 있다.
그 행동은 악용과 유사해 보일 수 있다. 유용한 소프트웨어와 악의적인 소프트웨어 모두 빠르게 탐색하고, 예측 가능한 경로를 따르며, 양식을 제출하고, 반복 요청을 보낼 수 있다.
HUMAN Security는 AI 에이전트와 에이전틱 브라우저에서 발생한 트래픽이 전년 대비 7,851% 증가했다고 밝혔다. 해당 트래픽 벤치마크는 2025년 동안 관찰된 1,000조 건 이상의 상호작용을 분석했다.
이 데이터셋에 따르면 월간 AI 기반 트래픽은 1월부터 12월 사이 187% 증가했다. 학습용 크롤러는 여전히 관찰된 AI 봇 트래픽의 67.5%를 차지했다.
그러나 에이전틱 시스템은 이미 페이지 읽기를 넘어 이동하기 시작했다. HUMAN은 에이전틱 활동의 77%가 상품 및 검색 페이지에서 발생했다고 보고했다.
또 다른 8.8%는 계정 페이지에서 나타났고, 5%는 인증 흐름에 도달했다. 결제 페이지는 관찰된 에이전틱 활동의 2.3%를 차지했다.
이 비율은 커머스 기업이 즉각적인 압박에 직면한 이유를 보여준다. 에이전트는 계정 탈취와 결제 사기 작업이 노리는 것과 동일한 민감한 영역에 도달하고 있다.
따라서 보안 질문은 단계마다 달라진다. 공개 상품 페이지를 읽는 일은 인증된 계정 안에서 주소를 변경하는 것과 다른 위험을 수반한다.
소매업체는 이용 가능한 상품을 비교하는 에이전트를 환영할 수 있다. 하지만 같은 소매업체라도 그 에이전트가 저장된 가치를 사용하거나 결제 정보를 바꾸도록 허용하기 전에는 더 강한 증거를 요구해야 한다.
대기업은 특히 노출이 큰 것으로 보인다. PYMNTS 연구에 따르면 매출 10억 달러 이상 기업의 57%가 봇 또는 에이전트 관련 사고나 손실을 경험했다.
비슷한 수치는 소규모 기업에서 32%였다. 이 설문은 기업 규모가 그러한 사고를 유발했다고 입증하지는 않는다.
대규모 조직은 보통 더 많은 사이트, 계정, 시장, 결제 흐름을 운영한다. 이들은 더 가치 있는 표적이기도 하며, 분류 오류가 발생할 수 있는 상호작용도 더 많이 처리한다.
이로 인해 여러 부서에 압박이 발생한다. 보안 팀은 성공적인 공격을 줄이려 하고, 매출 팀은 잘못 거부된 고객을 줄이려 한다.
컴플라이언스 책임자는 방어 가능한 신원 통제를 필요로 한다. 제품 팀은 에이전트가 과도한 권한을 얻지 않으면서 유용한 기능에 접근하기를 원한다.
google news를 통해 이 이야기를 접하는 독자는 이를 모든 AI 에이전트가 안전하지 않다는 증거로 해석해서는 안 된다. 갈등의 핵심은 자동화 자체가 아니라 부족한 신뢰 신호다.
진짜 경쟁은 행동 추정 대 권한 부여
기업은 속도와 탐색 행동만으로 의도를 추정하기보다, 에이전트의 권한을 검증해야 한다.
행동 기반 탐지는 자동화나 악용과 연관된 신호를 찾는다. 여기에는 비정상적인 요청 속도, 스크립트형 탐색, 기기 불일치, 반복된 인증 실패 등이 포함될 수 있다.
이러한 신호는 여전히 가치가 있다. 광범위한 공격을 드러내고, 의심스러운 세션을 식별하며, 더 강한 검증을 유발할 수 있다.
그러나 행동만으로는 누가 에이전트에 권한을 부여했는지 항상 설명할 수 없다. 합법적인 보조 도구와 적대적 봇은 비슷한 기술적 패턴을 만들 수 있다.
이것이 이 글의 핵심 갈등이다. 기업은 행동을 바탕으로 계속 추정할 수도 있고, 위임된 권한을 검증하는 시스템을 구축할 수도 있다.
PYMNTS와 Trulioo는 이 두 번째 접근 방식을 “Know Your Agent”, 즉 KYA라고 설명한다. 이 용어는 자동화된 행위자를 식별하고 검증된 권한과 연결하는 통제를 가리킨다.
KYA는 익숙한 신원 프레임워크를 확장한다. Know Your Customer는 개인을 확인하고, Know Your Business는 상업 조직을 검증한다.
에이전트 검증은 한 단계 더 추가한다. 어떤 소프트웨어가 행동하는지, 누구의 이익을 대표하는지, 그리고 그 당사자가 어떤 행동을 승인했는지를 묻는다.
이 연결 고리는 중요하다. 신뢰할 수 있는 에이전트라도 탈취된 계정을 대신해 작동할 수 있기 때문이다. 검증된 사용자 역시 의도보다 더 많은 접근 권한을 에이전트에 부여할 수 있다.
따라서 유용한 통제에는 알아볼 수 있는 봇 이름 이상이 필요하다. 사용자, 에이전트, 요청된 행동, 적용 가능한 제한 사이의 연결이 필요하다.
이러한 제한은 거래 금액, 가맹점 범주, 시간, 위치 또는 데이터 접근을 다룰 수 있다. 사용자는 구매를 승인하지 않고 상품 조사만 승인할 수 있다.
또 다른 사용자는 정기적인 가정용 주문은 허용하되 계정 변경은 금지할 수 있다. 올바른 결정은 단순한 에이전트 신원이 아니라 맥락에 달려 있다.
이 모델은 소프트웨어 시스템에서 이미 사용되는 위임 접근 방식과 닮아 있다. 애플리케이션은 일반적으로 사용자의 전체 자격 증명 대신 범위가 제한된 권한을 받는다.
에이전틱 커머스는 이 원칙을 탐색과 거래로 확장한다. 어려운 부분은 여러 기업과 기술 시스템에 걸쳐 권한 부여를 유지하는 것이다.
사용자의 보조 도구, 신원 제공업체, 판매자, 사기 방지 플랫폼, 결제 네트워크는 모두 상호작용의 서로 다른 부분을 볼 수 있다. 어느 한 참여자도 자동으로 완전한 신뢰 기록을 갖는 것은 아니다.
이러한 분절화는 기업이 간접적인 단서에 의존하게 만든다. 알려진 사용자 에이전트, 안정적인 네트워크 주소, 서명된 요청은 도움이 될 수 있지만, 각 신호에는 한계가 있다.
공격자는 브라우저 특성을 모방하고 주거용 네트워크를 순환할 수 있다. 또한 합법적인 계정을 탈취하거나 승인된 통합을 악용할 수도 있다.
해결책은 단일한 범용 봇 점수가 아니다. 신원, 신고된 목적, 권한 부여, 행동, 거래 위험을 결합하는 계층형 판단이다.
이 변화는 분석에도 영향을 미친다. 에이전트가 조회한 상품 페이지는 전통적인 인간 방문도 아니고, 반드시 가치 없는 트래픽도 아니다.
그 에이전트는 사이트를 직접 방문하지 않는 고객을 위해 선택지를 비교하고 있을 수 있다. 분석 시스템은 모든 요청을 사기로 가정하지 않으면서 자동화된 조사와 이후 구매를 연결해야 한다.
이 과제는 퍼블리싱과 검색으로도 이어진다. Google News, 전통적인 검색 크롤러, 학습 봇, 답변 엔진은 유사한 페이지를 수집하더라도 서로 다른 목적을 수행한다.
기업에는 그러한 차이를 반영하는 정책이 필요하다. 기업은 색인 생성을 환영하고, 모델 학습은 제한하며, 거래형 에이전트는 인증 이후에만 허용할 수 있다.
신뢰도는 높지만, 증거는 격차를 보여준다
봇 탐지에 대한 대기업의 자신감은 보고된 손실 및 오탐률과 불편하게 공존한다.
대기업의 10곳 중 9곳 이상은 PYMNTS에 유해한 봇과 유용한 봇을 구분하는 데 자신이 있다고 답했다. 그러나 자신감만으로 통제 체계가 안정적으로 작동한다는 사실이 입증되지는 않는다.
같은 집단은 소규모 기업보다 더 높은 사고율을 보고했다. 대기업은 설문에서 가장 높은 오탐률도 기록했다.
이러한 결과가 반드시 모순되는 것은 아니다. 한 기업은 동종 기업보다 더 나은 성과를 내면서도, 더 큰 절대 규모에서 여전히 손실을 입을 수 있다.
또한 강력한 탐지 도구를 보유하더라도 더 복잡한 시스템 전반에서 운영할 수 있다. 로그인, API, 자회사, 결제 경로가 하나씩 추가될 때마다 또 다른 통제 공백이 생길 수 있다.
그럼에도 이 대조는 면밀히 살펴볼 필요가 있다. 설문 참여자들은 사기, 컴플라이언스, 리스크 및 관련 기능을 담당하는 리더들이었다.
이들의 응답은 탐지 정확도에 대한 독립적인 검증이 아니라 전문적 평가를 반영한다. 기업마다 사고, 봇 트래픽, 유용한 에이전트의 정의도 다를 수 있다.
이 보고서는 디지털 신원 벤더와 함께 작성됐으며, 이는 관련 전문성과 상업적 관점을 함께 지닌다는 뜻이다. 독자는 이 권고안을 중립적인 기술 표준이 아니라 정보에 기반한 프레임워크로 받아들여야 한다.
독립적인 트래픽 데이터도 더 큰 추세를 뒷받침한다. Imperva는 2024년 자동화 트래픽이 인간 활동을 넘어섰다고 보고했다.
Imperva의 악성 봇 연구는 전 세계 인터넷 트래픽의 37%를 악성 봇으로 분류했다. 또 다른 14%는 정상 봇에서 발생했으며, 인간 트래픽은 49%였다.
Imperva는 중간 수준 및 고도화된 봇이 봇 공격의 55%를 차지한다고도 밝혔다. 이 프로그램들은 실제 브라우저와 사용자 행동을 모방하려 한다.
단순한 대량 공격 역시 봇 공격에서 차지하는 비중이 40%에서 45%로 늘었다. 자동화 도구에 더 쉽게 접근할 수 있게 되면서 경험이 적은 운영자도 대규모 유해 트래픽을 생성할 수 있게 됐다.
보고서에 따르면 고도화된 봇 트래픽의 44%는 애플리케이션 프로그래밍 인터페이스를 표적으로 삼았다. API는 소프트웨어가 데이터를 교환하거나 기능을 실행할 수 있게 해주는 구조화된 연결 방식이다.
이러한 초점은 에이전틱 시스템에 중요하다. 에이전트는 웹사이트를 사용할 수 있지만, 효율적인 상업용 에이전트는 종종 직접적인 API 접근을 찾게 된다.
API는 더 강력한 인증과 명확한 권한 관리를 지원할 수 있다. 동시에 권한 부여가 불완전할 경우 고가치 비즈니스 기능을 노출할 수도 있다.
산업별 상황은 크게 다르다. Imperva는 2024년 악성 봇이 소매 트래픽의 59%, 여행 트래픽의 41%를 차지했다고 밝혔다.
소매와 여행은 가치 높은 표적이기도 하다. 자동화 공격자는 재고를 선점하거나, 탈취한 카드를 테스트하고, 가격을 스크래핑하거나, 로열티 계정을 탈취할 수 있다.
동시에 이들 업종은 합법적인 에이전트에도 적합하다. 소프트웨어가 요금을 비교하고, 가격을 모니터링하며, 구매를 구성할 수 있다면 고객은 혜택을 얻는다.
이러한 중첩은 기업이 최고 차단율만을 목표로 최적화할 수 없음을 의미한다. 불확실한 모든 상호작용을 거부하는 시스템은 측정 가능한 공격을 줄일 수 있지만, 사라진 수요를 가릴 수 있다.
반대 경우도 위험하다. 명확한 권한 없이 에이전트를 허용하는 기업은 계정, 결제, 고객 정보를 노출할 수 있다.
설문의 약 1,000억 달러 추정치는 사기 손실과 합법적 거래의 실수로 인한 거부를 합산한 것이다. 이 수치는 신중하게 읽어야 한다.
이는 조사 대상 기업의 감사된 총액이 아니라 업계 추정치다. 또한 이 범주는 서로 다른 형태의 피해를 측정한다.
사기는 적대적 행위가 성공한 경우를 의미한다. 오탐은 합법적인 상호작용에 피해를 준 방어 조치를 의미한다.
두 항목을 함께 보면 핵심적인 상충 관계가 드러난다. 엄격한 통제는 상업적 손실을 초래할 수 있고, 느슨한 통제는 보안 손실을 초래할 수 있다.
목표는 마찰을 최대화하거나 최소화하는 것이 아니다. 각 민감한 단계에서 권한을 더 정확히 판단하는 것이다.
Google News가 보여주는 봇 경제의 더 큰 변화
봇 문제는 자동화 트래픽이 이제 적대적 위험과 잠재적인 상업적 가치를 동시에 지니면서 확대되고 있다.
수년간 많은 조직은 봇을 웹사이트 보안 문제로 다뤘다. 보안팀은 스크래핑, 자격 증명 공격, 재고 악용, 서비스 거부 활동을 관리했다.
AI 에이전트는 이 논의를 유통과 매출의 영역으로 확장한다. 자동화 방문자는 일반적인 페이지뷰를 제공하지 않으면서도 고객의 구매 의도를 가져올 수 있다.
Akamai는 2025년 12월까지 자사 네트워크 전반의 커머스 트래픽 중 AI 봇이 47.9%를 생성했다고 보고했다. Akamai의 커머스 보안 조사 결과는 이 업계를 에이전틱 사기 압박의 중심에 놓인 것으로 평가했다.
Akamai는 또한 커머스 조직이 모니터링을 위해 AI 봇 활동의 90% 이상을 분류했다고 밝혔다. 남은 활동의 약 4분의 3은 제한 없이 통과하도록 허용했다.
분류가 여전히 불확실할 때 모니터링은 합리적인 첫 대응이 될 수 있다. 유용한 에이전트를 차단할 수 있는 규칙을 시행하기 전에 기업이 행동을 관찰할 수 있게 해준다.
그러나 의심스러운 자동화가 계정이나 결제 기능에 도달하면 수동적 관찰은 노출을 남긴다. 기업은 상호작용이 더 민감해질수록 변화하는 정책이 필요하다.
공개 페이지는 더 폭넓은 접근을 허용할 수 있다. 인증, 저장된 결제 수단, 로열티 잔액, 계정 복구에는 더 높은 수준의 확신이 필요하다.
이러한 위험 기반의 단계적 접근은 실용적인 중간 지점을 제시한다. 모든 자동화 요청을 똑같이 위험한 것으로 취급하지 않게 한다.
또한 알려진 기업이 운영한다는 이유만으로 에이전트에 광범위한 신뢰를 부여하는 것도 피한다. 합법적인 서비스라도 잘못 구성되거나 침해를 입거나, 고객의 권한을 넘어 사용될 수 있다.
운영자 집중도는 또 다른 복잡성을 만든다. HUMAN은 2025년 관찰된 AI 기반 트래픽 중 약 69%를 OpenAI 사용자 에이전트에 귀속했다.
Meta는 약 16%, Anthropic은 약 11%를 차지했다. 확인된 나머지 운영자들은 합쳐서 5% 미만을 생성했다.
이 측정치는 HUMAN의 고객 기반에서 나온 것이므로 전체 인터넷을 대표하지는 않는다. 그럼에도 몇몇 운영자에 관한 결정이 전체 AI 노출을 어떻게 형성할 수 있는지 보여준다.
판매자는 주요 제공업체의 인식된 에이전트를 위한 규칙을 만들 수 있다. 그러나 제공업체의 신원만으로는 특정 거래에 사용자 승인이 있는지 알 수 없다.
더 작거나 자체 호스팅된 에이전트는 추가적인 과제를 만든다. 익숙하지 않은 모든 에이전트를 차단하면 대형 플랫폼에 유리하게 작용하고 경쟁을 제한하게 된다.
강력한 검증 없이 이들을 허용하면 사기 위험이 커진다. 신원과 위임 권한을 위한 개방형 표준은 이러한 충돌을 줄일 수 있다.
Google News는 거래형 에이전트는 아니지만 유용한 비유를 제공한다. 게시자는 익숙한 검색 크롤러를 식별하고 콘텐츠가 발견 시스템에서 어떻게 표시될지 결정할 수 있다.
커머스에는 이 관계의 더 풍부한 버전이 필요하다. 매장은 누가 정보를 요청하는지뿐 아니라 그 에이전트가 다음에 무엇을 할 수 있는지도 이해해야 한다.
이 변화는 비즈니스 전략에 영향을 미친다. 합법적인 에이전트를 거부하는 기업은 AI 매개 상품 탐색이나 구매에서 사라질 수 있다.
에이전트를 지나치게 자유롭게 허용하는 기업은 사기, 스크래핑 비용, 오염된 분석 데이터를 떠안을 수 있다. 어느 극단도 지속 가능한 운영 모델을 제공하지 않는다.
기업이 다음으로 주시해야 할 점
다음 단계는 검증 가능한 에이전트 자격 증명, 더 좁은 권한, 그리고 이러한 통제가 사기와 오탐을 모두 줄인다는 증거에 달려 있다.
첫 번째 신호는 이식 가능한 에이전트 신원 및 권한 부여 방식의 도입이다. 판매자는 모든 AI 제공업체를 위해 맞춤형 연결을 구축하지 않고도 검증할 수 있는 자격 증명이 필요하다.
이러한 자격 증명은 운영자를 식별하고 에이전트를 사용자와 연결해야 한다. 또한 요청된 작업에 대한 제한된 범위를 표현해야 한다.
도입이 확산되면 KYA 기반 통제의 근거가 강화될 것이다. 파편화되거나 독점적인 접근 방식은 기업이 행동 기반 추론에 의존하게 만들 것이다.
두 번째 신호는 오탐률의 측정 가능한 변화다. PYMNTS 설문은 대기업에서 3.3%, 중소기업에서 2.7%의 비율을 제시했다.
향후 연구는 지속적 검증이 이 수치를 낮추는지 보여줘야 한다. 또한 인간 거래와 승인된 에이전트 거래를 구분해야 한다.
사기 증가 없이 거부율이 낮아진다면 신원 중심 접근 방식을 뒷받침할 것이다. 손실 증가와 함께 마찰이 줄어든다면 그 접근은 약화될 것이다.
세 번째 신호는 주요 판매자가 로그인과 결제 단계에서 에이전트를 어떻게 다루는지다. 공개 상품 탐색은 이미 흔한 에이전트 활동이지만, 민감한 작업은 여전히 제한적이다.
명확한 에이전트 접근 규칙과 권한 요구 사항을 공개하는 판매자를 주시해야 한다. 계정 탈취, 카드 테스트, 에이전트 관련 분쟁에 대한 공개도 살펴봐야 한다.
이러한 전개는 에이전틱 커머스가 신뢰받는 채널이 될지, 아니면 관리되지 않는 자동화의 또 다른 층위가 될지를 보여줄 것이다.
기업은 보편적 표준을 기다리지 않고도 통제를 개선할 수 있다. 자동화 트래픽을 목록화하고 공개 브라우징과 민감한 계정 작업을 구분할 수 있다.
어떤 에이전트가 허용되는지, 그러한 에이전트가 어떤 증거를 제시해야 하는지, 어떤 작업에 사용자 확인이 필요한지를 정의할 수 있다.
기업은 모든 디지털 표면에서 단일 봇 점수를 사용하는 것도 피해야 한다. 공개 카탈로그 요청과 결제 수단 변경은 비교할 수 있는 위험을 지니지 않는다.
지속적 검증은 세션 중 신뢰를 재평가할 수 있다. 신원, 기기, 행동, 거래 맥락, 요청된 권한을 고려할 수 있다.
이 접근에도 절제가 필요하다. 더 많은 데이터 수집은 특히 기업이 자신의 결정을 설명할 수 없을 때 개인정보 및 컴플라이언스 우려를 초래할 수 있다.
자동화된 사기 통제는 검토 및 이의 제기 경로를 지원해야 한다. 고객은 합법적인 거래가 문제로 제기됐을 때 이를 회복할 방법이 필요하다.
보안 리더는 통제가 지역, 기기, 접근성 도구에 따라 불평등한 결과를 낳는지도 검증해야 한다. 전 세계적 오탐률의 하락은 특정 집단에 집중된 피해를 가릴 수 있다.
이 변화를 추적하는 지식 노동자에게는 출처의 품질이 헤드라인 노출만큼 중요하다. Google News 결과는 중요한 주장을 드러낼 수 있지만, 그 가치는 기저 방법론이 결정한다.
PYMNTS의 발견은 명확한 표본, 조사 기간, 상세 측정치를 포함한다는 점에서 의미가 있다. 다만 네트워크 트래픽의 직접 관찰이 아니라 설문 응답을 나타낸다.
Imperva, HUMAN, Akamai는 관찰 데이터를 제공하지만, 각각은 자체 고객 네트워크를 통해 트래픽을 본다. 이들의 비율을 하나의 보편적인 봇 수치로 합산해서는 안 된다.
종합하면 출처들은 더 제한적인 결론을 뒷받침한다. 자동화 트래픽은 증가하고 있으며, 악성 봇은 여전히 상당하고, 합법적인 에이전트는 민감한 워크플로에 진입하고 있다.
남은 불확실성은 통제의 품질에 관한 것이다. 기업은 사기를 위한 새로운 경로를 만들지 않으면서 승인된 소프트웨어를 수용할 수 있음을 입증해야 한다.
그 증명은 확신도 조사가 아니라 결과에서 나올 것이다. 더 낮은 사고율, 더 적은 고객 거부, 추적 가능한 에이전트 권한이 가장 중요하다.
봇에 관한 또 다른 극적인 Google News 헤드라인을 접한 독자는 세 가지 질문을 해야 한다. 어떤 트래픽을 측정했는가, 어떻게 분류했는가, 그리고 어떤 비즈니스 작업에 도달했는가?
이 질문들은 일반적인 인터넷 잡음과 실제 운영 위험을 구분한다. 또한 조직이 단순히 자동화를 탐지하는 데 그치지 않고 권한을 인식할 수 있는지도 드러낸다.
향후 몇 달은 기업이 기존의 “봇인가 아닌가” 모델을 넘어설지 보여줄 것이다. 그렇게 된다면 에이전트 검증은 디지털 신원 인프라의 일부가 될 수 있다.
그렇지 않다면 기업은 계속해서 두 가지 값비싼 오류 중 하나를 선택하게 될 것이다. 적대적 자동화를 받아들이거나, 합법적인 고객 의도를 담은 소프트웨어를 차단하게 된다.
