十分之九企业面临机器人流量危机，AI 智能体正模糊界限

PYMNTS 报道称，89.5% 的受访企业认为机器人流量难以管理，尽管它们越来越有信心将有益智能体与威胁区分开来。google news 的标题概括了问题的规模，但更深层的难题并不只是机器人数量增加。企业如今必须区分恶意自动化行为与代表合法客户行动的软件。

随着 AI 智能体开始搜索商品、管理账户并发起购买，这种区分变得更加困难。购物智能体与欺诈机器人可能以相近的速度执行类似操作。封锁所有自动化访问者可以降低风险，但也会拒绝新兴的合法商业形式。

冲突正从人与机器人之间的对立，转变为获授权智能体与不受信任自动化之间的较量。现有控制机制旨在识别人、设备和账户，而非判断某个软件是否获准代表特定个人行事。

调查显示机器人流量问题普遍存在

机器人管理已成为主流运营挑战，而不再只是网络安全团队的狭窄议题。

这一发现来自 PYMNTS Intelligence 与身份验证公司 Trulioo 联合发布的一项研究。完整调查报告考察了 350 位企业领导者的回复。

这些受访者从事合规、欺诈、风险管理、承保、供应商获取和商户监测等工作。他们所在的企业覆盖多个地域市场和营收类别。

PYMNTS 于 2025 年 8 月 1 日至 9 月 10 日开展调查。结果显示，89.5% 的组织认为管理机器人流量至少有一定难度。

大多数企业将问题归为轻度或中度挑战。不过，只有约十分之一的企业表示机器人流量没有带来任何挑战。

调查还发现，52.3% 的组织在此前一年里经历了机器人流量增长。不到 10% 的组织表示流量规模保持稳定。

这一结果之所以重要，是因为它显示情况正朝两个方向发展。一些企业的流量有所下降，而大多数企业则面临增长。几乎没有企业看到环境维持不变。

调查并未证明每一次增长都涉及恶意活动。机器人流量包括搜索爬虫、监测服务、商业抓取工具、面向客户的助手以及敌对自动化程序。

正是这种混合群体使结果具有重要意义。更多自动化并不必然意味着更多欺诈，但会增加需要作出信任判断的交互数量。

安全系统可以要求不熟悉的软件接受验证，或直接将其拦截。然而，当获授权的智能体正试图完成客户请求时，这些应对措施会带来成本。

调查通过误报衡量了这类成本，即合法数字交易被错误识别为可疑交易。大型企业报告的误报率为 3.3%。

年营收介于 5000 万至 2.5 亿美元之间的企业报告的比率较低，为 2.7%。这一差异看似微小，但在数百万笔交易中会被放大。

在这一规模下，哪怕只是零点几个百分点，也可能影响大量客户，还会带来客服成本、放弃购买以及重复身份验证。

最初的 google news 条目将这一发现描述为管理流量的难题。底层数据则显示，这是一个涉及身份、授权、欺诈和客户体验的更广泛问题。

企业并非仅仅在判断某个请求是否来自软件，而是在判断该软件是否代表可信用户，以及它是否有权执行所请求的操作。

合法 AI 智能体为何提高了风险

有用 AI 智能体的兴起，让“先封锁再说”的安全策略在商业上变得危险。

传统机器人防御往往从二元分类开始：将请求视为人工或自动化请求，随后决定允许、验证、限制或拦截。

当自动化落入熟悉类别时，这种方法很有效。已声明的搜索爬虫可能被允许访问，而撞库机器人则会立即遭到封锁。

智能体式 AI 削弱了这种简单划分。AI 智能体是能够围绕用户定义的目标，执行一系列操作的软件。

这些操作可能包括比较商品、查看库存、填写表单或管理订阅。智能体也可能进入已验证账户或发起付款。

其行为可能与滥用行为相似。有益软件与恶意软件都可能快速浏览、遵循可预测路径、提交表单并重复发出请求。

HUMAN Security 发现，来自 AI 智能体和智能体浏览器的流量同比增长 7,851%。其流量基准报告分析了 2025 年间观察到的超过一千万亿次交互。

根据该数据集，AI 驱动流量的月度规模在 1 月至 12 月间增长了 187%。训练爬虫仍占观察到的 AI 机器人流量的 67.5%。

不过，智能体系统已经开始超越单纯阅读网页。HUMAN 报告称，77% 的智能体活动发生在商品页和搜索页。

另有 8.8% 出现在账户页面，5% 进入了身份验证流程。结账页面占观察到的智能体活动的 2.3%。

这些比例解释了为何电商企业面临直接压力。智能体正在触及与账户接管和支付欺诈活动瞄准的同一类敏感界面。

因此，安全问题会在每个阶段发生变化。浏览公开商品页，与在已验证账户内修改地址相比，承载着不同的风险。

零售商可能欢迎智能体比较可售商品。但在允许该智能体兑换储值金额或修改支付信息之前，同一零售商需要更强的证据。

大型企业似乎尤其容易暴露于风险之中。PYMNTS 研究发现，营收至少为 10 亿美元的企业中，57% 经历过与机器人或智能体有关的事件或损失。

小型企业的对应比例为 32%。调查并未证明企业规模导致了这些事件。

大型组织通常运营更多网站、账户、市场和支付流程。它们也是更有价值的目标，并处理更多可能出现分类错误的交互。

这给多个部门带来了压力。安全团队希望成功攻击更少，而营收团队希望被拒绝的客户更少。

合规负责人需要能够站得住脚的身份控制措施。产品团队则希望智能体能访问有用功能，同时不会获得过度权限。

通过 google news 关注这一报道的读者，不应将其理解为所有 AI 智能体都不安全的证据。冲突的核心是缺失信任信号，而非自动化本身。

真正的较量是授权与行为推断之间的对抗

企业需要验证智能体的权限，而非仅凭速度和浏览行为推断其意图。

行为检测会寻找与自动化或滥用相关的信号，包括异常请求速率、脚本化导航、设备不一致以及反复身份验证失败。

这些信号依然有价值。它们可以揭露大规模攻击、识别可疑会话，并触发更严格的验证。

然而，行为并不总能说明是谁授权了某个智能体。合法助手与敌对机器人可能产生相似的技术模式。

这正是本文的核心冲突。企业可以继续根据行为猜测，也可以构建验证委托权限的系统。

PYMNTS 和 Trulioo 将第二种方法称为“Know Your Agent”，即 KYA。该术语指用于识别自动化行为主体，并将其与经验证授权关联起来的控制措施。

KYA 扩展了熟悉的身份框架。了解你的客户用于核验个人，了解你的企业则用于验证商业组织。

智能体验证增加了另一层：它会询问由哪种软件在行动、它代表谁的利益，以及该方批准了哪些操作。

这条链路很重要，因为可信智能体仍可能为遭入侵的账户操作。经过验证的用户也可能赋予智能体超出原本意图的访问权限。

因此，有效的控制措施不能只依赖可识别的机器人名称。它们需要在用户、智能体、所请求操作及适用限制之间建立关联。

这些限制可能涉及交易金额、商户类别、时间、地点或数据访问。用户可以授权商品研究，但不授权购买。

另一名用户可能允许定期购买家庭用品，但禁止修改账户。正确决策取决于具体情境，而不只是智能体的身份。

这一模式类似于软件系统中已使用的委托访问。应用程序通常获得范围受限的权限，而不是用户的完整凭据。

智能体商业将这一原则延伸到浏览和交易环节。难点在于，要在多家企业和多套技术系统之间保持授权的连续性。

用户的助手、身份提供商、商户、欺诈平台和支付网络，可能各自只能看到交互中的不同部分。没有任何单一参与方会自动拥有完整的信任记录。

这种碎片化使企业只能依赖间接线索。已知用户代理、稳定网络地址或签名请求可能有所帮助，但每种信号都有局限。

攻击者可以模仿浏览器特征，并在住宅网络之间轮换。他们也可以入侵合法账户，或滥用已获授权的集成。

解决方案并不是一个单一、通用的机器人评分，而是一种结合身份、声明目的、授权、行为和交易风险的分层决策。

这种变化也会影响分析体系。智能体浏览过的商品页既不代表传统的人类访问，也未必是没有价值的流量。

该智能体可能正在为一位从未直接访问网站的客户比较选项。分析系统需要将自动化研究与后续购买关联起来，而不能假定每一次请求都是欺诈。

这一挑战同样延伸至出版和搜索领域。Google News、传统搜索爬虫、训练机器人和答案引擎的目的各不相同，即便它们收集的是相似页面。

企业需要反映这些差异的政策。一家公司可能欢迎索引、限制模型训练，并只在身份验证后允许交易型智能体。

信心很高，但证据显示仍存缺口

企业对机器人检测的信心，与所报告的损失和误报率之间存在令人不安的落差。

超过十分之九的大型企业向 PYMNTS 表示，它们有信心区分有害机器人和有益机器人。仅凭信心并不能证明其控制措施能够可靠运作。

同一群体报告的事件发生率高于小型企业。大型企业也记录了调查中最高的误报率。

这些结果未必相互矛盾。一家公司可能比同行表现更好，但仍会在更大的绝对规模上蒙受损失。

它也可能拥有强大的检测工具，却在更复杂的系统中运营。每增加一次登录、一个 API、一个子公司或一条支付路径，就会形成另一个可能的控制缺口。

不过，这种对比仍值得审视。调查参与者是负责欺诈、合规、风险及相关职能的领导者。

他们的回答反映的是专业评估，而非对检测准确率的独立测试。不同公司对事件、机器人流量和有益代理的定义也可能不同。

该报告由一家数字身份供应商参与制作，因此既具备相关专业知识，也带有商业视角。读者应将其建议视为知情框架，而非中立的技术标准。

独立流量数据支持这一更广泛的趋势。Imperva 报告称，2024 年自动化流量已超过人工活动。

其恶意机器人研究将全球互联网流量的 37% 归类为恶意机器人。另有 14% 来自善意机器人，人类流量则占 49%。

Imperva 还发现，中等复杂度和高级机器人占机器人攻击的 55%。这些程序试图模仿真实浏览器和用户行为。

简单的大规模攻击在机器人攻击中的占比仍从 40% 上升至 45%。自动化工具更易获得，使经验较少的操作者也能大规模制造有害流量。

报告发现，44% 的高级机器人流量以应用程序编程接口为目标。API 是让软件交换数据或触发功能的结构化连接。

这一重点与代理式系统息息相关。代理可以使用网站，但高效的商业代理往往会寻求直接访问 API。

API 可以支持更强的身份验证和明确的权限设定。但当授权不完整时，它们也可能暴露高价值业务功能。

行业状况差异显著。Imperva 发现，2024 年恶意机器人占零售流量的 59%，占旅游流量的 41%。

零售和旅游业也提供了高价值目标。自动化攻击者可能抢购库存、测试盗刷银行卡、抓取价格，或接管会员账户。

与此同时，这些行业也很适合合法代理。软件能够比较票价、监控价格或协助完成购买时，客户将从中受益。

这种重叠意味着企业不能只追求最高拦截率。拒绝每一次不确定交互的系统，或许能减少可量化的攻击，却也可能掩盖需求流失。

反过来也同样危险。允许代理在权限不明确的情况下运行，可能会暴露账户、支付信息和客户资料。

调查中近 1,000 亿美元的估算，合并了欺诈损失与误拒合法交易所造成的损失。应谨慎解读这一数字。

它是行业估算，并非受访企业经审计后的损失总额。这些类别衡量的也是不同形式的伤害。

欺诈代表一次成功的敌对行为。误报则代表一次伤害了合法交互的防御行为。

将两者放在一起，凸显了核心权衡：严苛控制会造成商业损失，宽松控制则会造成安全损失。

目标并非实现最大摩擦或最小摩擦，而是在每一个敏感环节，更准确地判断权限。

Google News 凸显机器人经济的更广泛转变

机器人问题正在扩大，因为自动化流量如今既带来敌对风险，也蕴含潜在商业价值。

多年来，许多组织将机器人视为网站安全问题。安全团队负责应对抓取、凭证攻击、库存滥用和拒绝服务活动。

AI 代理将讨论扩展至分发和收入层面。自动化访客可能带着客户的购买意图而来，却不会带来传统意义上的页面浏览量。

Akamai 报告称，截至 2025 年 12 月，AI 机器人在其网络中产生了 47.9% 的商业流量。其商业安全调查结果将该行业置于代理式欺诈压力的中心。

Akamai 还表示，商业组织会对超过 90% 的 AI 机器人活动进行分类监测。对于其余活动，其中约四分之三被允许不受限制地通过。

当分类结果仍不确定时，监测可以是合理的初步应对方式。它让企业能够在执行可能阻挡有用代理的规则前，先观察其行为。

然而，当可疑自动化活动触及账户或支付功能时，被动观察会留下风险敞口。企业需要根据交互敏感程度调整政策。

公开页面可以容忍更广泛的访问。身份验证、已保存的支付方式、会员积分余额和账户恢复则需要更高的可信度。

这种基于风险的渐进方式提供了一条务实的中间路线。它避免将每一项自动化请求都视为同等危险。

它也避免仅因代理由知名公司运营，就赋予其广泛信任。合法服务可能配置错误、遭到入侵，或被用于超出客户授权的用途。

运营方集中度又带来另一项复杂性。HUMAN 将 2025 年观察到的 AI 驱动流量中约 69% 归因于 OpenAI 用户代理。

Meta 约占 16%，Anthropic 约占 11%。其余已识别运营方合计产生的流量不足 5%。

这些测量来自 HUMAN 的客户群，因此并不代表整个互联网。不过，它们说明了针对少数几家运营方的决策如何塑造整体 AI 风险暴露。

商家可以为主要供应商的已识别代理制定规则。但供应商身份并不能回答某笔具体交易是否获得用户批准。

规模较小或自行托管的代理构成了额外挑战。封锁所有陌生代理会偏向大型平台，并限制竞争。

而在缺乏强验证的情况下允许它们进入，则会增加欺诈风险。关于身份和委托权限的开放标准，或可缓解这种冲突。

Google News 提供了一个有用的类比，尽管它并非交易型代理。出版商可以识别熟悉的搜索爬虫，并决定内容如何出现在发现系统中。

商业领域需要这种关系的更丰富版本。商店不仅必须了解谁在请求信息，还要了解该代理接下来能做什么。

这一变化会影响商业策略。拒绝合法代理的公司，可能会从 AI 介导的商品发现或购买过程中消失。

过于自由地接受代理的公司，则可能承担欺诈、抓取成本和分析数据污染。两个极端都无法提供可持续的运营模式。

企业接下来应关注什么

下一阶段取决于可验证的代理凭证、更窄的权限范围，以及证明这些控制措施能同时减少欺诈和误报的证据。

第一个信号是可移植代理身份和授权方法的采用。商家需要能够验证的凭证，而无需为每家 AI 供应商建立定制连接。

这些凭证应识别运营方，并将代理与用户关联起来。它们还应表达所请求操作的有限范围。

采用这类机制将强化基于 KYA 的控制措施的合理性。碎片化或专有方法会让企业继续依赖行为推断。

第二个信号是误报率的可量化变化。PYMNTS 调查显示，大型企业的误报率为 3.3%，较小企业为 2.7%。

未来研究应显示持续验证是否能降低这些数字。它们还应区分人工交易与经授权的代理交易。

如果拒绝率下降而欺诈没有上升，将支持以身份为中心的方法。若摩擦降低却伴随损失上升，则会削弱其可信度。

第三个信号是大型商家如何在登录和结账环节处理代理。公开商品发现已是常见的代理活动，但敏感操作仍然有限。

关注那些公布明确代理访问规则和权限要求的商家。同时也要关注有关账户接管、银行卡测试和代理相关纠纷的披露。

这些发展将揭示，代理式商业会成为可信渠道，还是另一层缺乏管理的自动化。

企业无需等待通用标准出台，便可着手改进控制措施。它们可以盘点自动化流量，并将公开浏览与敏感账户操作区分开来。

它们可以明确允许哪些代理、这些代理必须提供哪些证据，以及哪些操作需要用户确认。

企业还应避免在所有数字触点上使用单一机器人评分。公开目录请求与支付方式变更所承载的风险不可同日而语。

持续验证可以在会话期间重新评估信任。它可以考虑身份、设备、行为、交易背景和所请求的权限。

这种方法仍需要克制。更多数据收集可能引发隐私和合规担忧，尤其是当企业无法解释其决策时。

自动化欺诈控制应支持复核和申诉路径。当合法交易受到质疑时，客户需要有恢复交易的方式。

安全负责人还应测试控制措施是否会在不同地区、设备或无障碍工具之间产生不平等结果。较低的整体误报率可能掩盖集中发生的伤害。

对于追踪这一变化的知识工作者而言，来源质量与标题可见度同样重要。Google News 结果可以呈现一项重要主张，但其价值取决于底层方法论。

PYMNTS 的发现之所以具有意义，是因为它包含明确的样本、调查期和详细指标。但它仍代表调查回应，而非对网络流量的直接观察。

Imperva、HUMAN 和 Akamai 提供的是观察性数据，但每家都通过自身客户网络观察流量。它们的百分比不应合并为一个通用的机器人总量。

综合来看，这些来源支持一个更审慎的结论：自动化流量正在增长，恶意机器人仍占相当比例，而合法代理正进入敏感工作流程。

剩余的不确定性在于控制质量。企业需要证明，它们能够欢迎经授权的软件，同时不会为欺诈开辟新的路径。

这种证明将来自结果，而非信心调查。更低的事件发生率、更少被拒绝的客户以及可追溯的代理权限最为重要。

读者看到又一个关于机器人的醒目 Google News 标题时，应问三个问题：测量了什么流量、如何进行分类，以及它触及了哪项业务操作？

这些问题能将一般性的互联网噪声与真实的运营风险区分开来。它们也能揭示组织是否能够识别权限，而不只是检测自动化。

未来几个月将显示，企业是否会超越旧有的“是不是机器人”模式。如果会，代理验证可能成为数字身份基础设施的一部分。

如果不会，企业将继续在两种代价高昂的错误之间选择：要么放行敌对自动化，要么阻挡承载合法客户意图的软件。