AI એજન્ટ ટ્રાફિક એનાલિટિક્સ

તમારી એપ અને API માટે AI એજન્ટ ટ્રાફિક એનાલિટિક્સ

લોકો, AI-assisted વપરાશકર્તાઓ અને autonomous agents તમારી applicationનો ઉપયોગ રૂટ મુજબ કેવી રીતે કરે છે તે સમજો, અને દરેક વર્ગીકરણ દૃશ્યમાન પુરાવાથી આધારિત હોય.

પ્રારંભિક ઍક્સેસ મેળવો તે કેવી રીતે કાર્ય કરે છે તે અન્વેષણ કરો

દ્વારા Toshendra Sharmaસ્થાપક અને CEO, AgentCredia · Updated November 13, 2026

તમારા dashboards હવે બદલાઈ ગયેલી દુનિયા ગણતરીમાં લઈ રહ્યા છે

મોટાભાગના analytics stacks એક પ્રશ્નનો જવાબ આપવા માટે બનાવાયા હતા: મારી site પર લોકો શું કરી રહ્યા છે? Sessions, page views, funnels અને campaigns બધું જ દરેક interaction પાછળ એક વ્યક્તિ છે એવું માને છે.

આ ધારણા હવે દરેક interaction માટે સાચી નથી રહી. AI assistants વપરાશકર્તાઓની તરફથી pages ખોલે છે; ઉદાહરણ તરીકે, OpenAI ChatGPT-User agentનું દસ્તાવેજીકરણ કરે છે, જે વપરાશકર્તા ChatGPT ને પ્રશ્ન પૂછે ત્યારે pages પર જાય છે (OpenAI crawler documentation). Autonomous agents tasks પૂર્ણ કરવા માટે APIs અને MCP tools call કરે છે. લોકો એ જ sessionમાં AI સાથે સાથે કામ કરે છે, ક્યારેક તેનો ઉલ્લેખ કરીને અને ક્યારેક વગર. Crawlers અને scripts તેઓ પહોંચી શકે તે બધું વાંચતા રહે છે.

પરિણામ એ છે કે તમારી ટીમ જે આંકડાઓ પર આધાર રાખે છે તેમાં શાંત વિકાર આવે છે. Conversion rates એવા કારણોસર બદલાય છે જેને કોઈ સમજી શકતું નથી. એક લોકપ્રિય API route દેખાવમાં marketing win જેવો લાગે છે, પરંતુ હકીકતમાં થોડા automated clients તેને drive કરતા હોય છે. જે spike જીત જેવો લાગતો હતો તે agents દ્વારા documentation વાંચવાનું પરિણામ હતું. Actor context વગર, દરેક chart બહુ જુદા વર્તનોને એક જ લાઇનમાં ભેળવી દે છે. કેટલીક tools તમે જોયા પહેલાં જ pictureનો એક ભાગ કાઢી નાખે છે: Google કહે છે કે Google Analytics જાણીતા bots અને spidersમાંથી આવતાં trafficને આપમેળે બહાર કરે છે, અને કેટલું બહાર કરાયું તે તમે જોઈ શકતા નથી (Google Analytics: known bot-traffic exclusion).

AI એજન્ટ ટ્રાફિક એનાલિટિક્સ દરેક interactionમાં એક નવું પરિમાણ ઉમેરીને આ સમસ્યા ઉકેલે છે: કોણ અથવા શું acting કરી રહ્યું છે, અને તમે કેટલી ખાતરી સાથે કહી શકો છો. website traffic AI agentsમાંથી આવે છે કે નહીં તે કેવી રીતે જાણવું પરનો blog post તે પરિમાણ પાછળના signals આવરી લે છે, અને websites use case બતાવે છે કે તે production site પર કેવી રીતે લાગુ પડે છે.

actor-aware analytics તમને શું બતાવે છે

Proof of Actor તમારા trafficને ચાર વર્ગોમાં ગોઠવે છે, જેને Human, AI-assisted or agent: a taxonomy for app traffic માં સમજાવવામાં આવ્યું છે, અને દરેક સાથે પુરાવો જોડેલો રાખે છે.

Human: એવા interactions જ્યાં observable signals human direction દર્શાવે છે.
Human + AI: એવા interactions જ્યાં AI assistance જાહેર કરવામાં આવ્યું હતું અથવા supported integration દ્વારા જોવામાં આવ્યું હતું.
Agent: automated અથવા agent-origin interactions, જે verifiable identity અથવા કાળજીપૂર્વક qualifier કરેલી inference દ્વારા આધારિત હોય છે.
Unknown: એવા interactions જ્યાં પુરાવો વિશ્વસનીય determinationને support કરતો નથી.

દરેક પરિણામ સાથે એક basis પણ હોય છે: verified, declared, inferred અથવા unknown. આ બીજું પરિમાણ analyticsને વિશ્વસનીય બનાવે છે. એક dashboard જે કહે છે કે તમારી API trafficનો ત્રીજો ભાગ agents છે, તેનો અર્થ એ પર આધાર રાખે છે કે પરિણામો verified signatures પરથી છે કે request patterns પરથી થયેલી inferences પરથી. Proof of Actor સાથે તમે બંને જોઈ શકો છો, અને કોઈપણ basis મુજબ filter કરી શકો છો.

રૂટ અને workflow મુજબ

Actor mix applicationના અલગ-અલગ ભાગોમાં ઘણો બદલાય છે. Public documentation, pricing અને catalog pages ઘણીવાર agents અને assistants આકર્ષે છે. Signup, checkout અને account settingsમાં agents ઓછા હોય છે, પરંતુ તેઓ દેખાય ત્યારે વધુ મહત્વ ધરાવે છે. API routes અને MCP tools automated clients દ્વારા પ્રભુત્વ ધરાવી શકે છે. Proof of Actor પરિણામોને રૂટ અને workflow મુજબ તોડે છે, જેથી દરેક team પોતાને સંબંધિત ભાગ જોઈ શકે.

સમય સાથે

Trends તમને બતાવે છે કે તમારું product કઈ દિશામાં જઈ રહ્યું છે. agent અને AI-assisted activityનો હિસ્સો મહત્વના routes પર કેવી રીતે બદલાય છે તે જુઓ, નવો agent operator ક્યારે તમારી સામગ્રી વાંચવાનું શરૂ કરે છે તે જુઓ, અને વધુ clients પોતાની requests sign કરે તેમ Unknownમાંથી verifiedમાં કેટલો traffic જાય છે તે ટ્રૅક કરો.

સ્પષ્ટીકરણો સાથે

Dashboardમાં કોઈપણ આંકડાને individual interactions સુધી ખોલી શકાય છે. દરેક માટે તમને વર્ગ, basis, શું જાણીતું છે, શું અજાણ છે, અને કયો policy output લાગુ પડશે તે દેખાય છે. આ chartને એવી વસ્તુમાં ફેરવે છે જેના પર તમારી product, platform અને security teams સાથે મળીને પગલું લઈ શકે.

તે કેવી રીતે કામ કરે છે

Proof of Actor evidence-first path અનુસરે છે. તમે સંપૂર્ણ વર્ણન How It Works પર વાંચી શકો છો.

તમારી application request અથવા event પ્રાપ્ત કરે છે: page view, API call, MCP tool call અથવા in-app action.
તમારી integration તે contextમાં ઉપલબ્ધ signals એકત્ર કરે છે: server પર request context અને signatures, જ્યાં collector ચાલે છે ત્યાં browserમાં interaction signals, clients તરફથી declarations અને તમારી પોતાની application તરફથી declarations.
Signals ચકાસવામાં આવે છે, basis મુજબ label કરવામાં આવે છે અને જોડવામાં આવે છે જેથી એક classification બને.
પરિણામ record થાય છે તેના basis અને evidence summary સાથે અને તમારી analyticsમાં વહે છે.
તમારી application નક્કી કરે છે કે માત્ર observe કરવું કે policy લાગુ કરવી.

કારણ કે analytics અને નિર્ણયો એક જ પરિણામોનો ઉપયોગ કરે છે, તમે અભ્યાસ કરો છો તે આંકડા exactly તે જ છે જેના પર તમારી policies કાર્ય કરશે. dashboard શું કહે છે અને application શું કરે છે, તેમાં કોઈ અંતર નથી.

Detect, Understand, Route

AI એજન્ટ ટ્રાફિક એનાલિટિક્સ ત્રણ Proof of Actor capabilitiesના મધ્યમાં છે.

Detect

દરેક integration માટે ઉપલબ્ધ actor signals એકત્ર કરો અને verified assertionsને behavioral inferencesથી અલગ કરો. Unknown પોતાની અલગ વર્ગ તરીકે visible રહે છે, જેથી coverage gaps ક્યારેય બીજા આંકડામાં છુપાઈ ન જાય.

Understand

આ analytics layer છે: actor breakdowns, interaction trends, route-level views અને explainable classifications. Teams તેનો ઉપયોગ એ પ્રશ્નોના જવાબ માટે કરે છે કે agents કયા routes પર આધાર રાખે છે, કોઈ workflowમાં કેટલું AI-assisted activity દેખાય છે, અને ક્યાં પુરાવો policyને support કરવા માટે પૂરતો મજબૂત છે.

Route

જ્યારે analytics સ્પષ્ટ pattern બતાવે છે, ત્યારે તમારા own rulesથી તેના પર કાર્યવાહી કરો. verified agentsને તેઓ સૌથી વધુ વાંચે છે તે content માટે એક structured path આપો. human-directed sessions માટે standard experience રાખો. sensitive actionsમાં review ફક્ત ત્યારે ઉમેરો જ્યારે તમારી પોતાની conditions તેને justified કરે. Unknown અને timeouts માટે સ્પષ્ટ fallbacks set કરો.

Apps, APIs અને MCP servers માટે બનાવેલ

Agent activity ત્યાં કેન્દ્રિત થાય છે જ્યાં machinesનું સ્વાગત છે: APIs, documentation, catalogs અને tools. એટલા માટે Proof of Actor page views કરતા વધારે આવરી લે છે.

SaaS apps અને websites browser sessions અને તેમની પાછળના server routes માટે actor context જુએ છે. વધુ માટે SaaS Apps & Websites વાંચો.
APIs request-level context મેળવે છે, જે signed client identityને API credentials અને authorizationથી અલગ કરે છે. વધુ માટે APIs વાંચો.
MCP servers દરેક tool call માટે actor context મેળવે છે, જેથી તમે જોઈ શકો કે કયા clients કયા tools વાપરે છે. વધુ માટે MCP Servers વાંચો.

Founding teams અમારા engineersના સીધા સહયોગથી integrate કરે છે. Node.js appમાં actor context ઉમેરવાનો માર્ગદર્શિકા દર્શાવે છે કે typical request handlerમાં integration ક્યાં બેસે છે.

શા માટે પુરાવો volume કરતાં વધુ મહત્વનો છે

Agent traffic માટે મોટો આંકડો બનાવવો સરળ છે. browser fingerprint વગરના દરેક requestને ગણો અને તેને automation કહો. સમસ્યા એ છે કે એવો આંકડો નિર્ણયને support કરી શકતો નથી, કારણ કે કોઈને ખબર નથી કે તેમાં કેટલું સાચું છે.

Proof of Actor એવી રીતે બનાવાયેલ છે કે દરેક આંકડાનું બચાવ કરી શકાય. Verified પરિણામો ખરેખર pass થયેલા checksમાંથી આવે છે. Declarationsને declarations તરીકે label કરવામાં આવે છે. Inferencesને inferences તરીકે label કરવામાં આવે છે. Unknownને Unknown તરીકે report કરવામાં આવે છે. જ્યારે તમે તમારી leadership, security team અથવા customersને agent traffic રજૂ કરો, ત્યારે તમે દરેક આંકડો ક્યાંથી આવ્યો છે તે ચોક્કસ સમજાવી શકો છો.

આ analyticsને સમય સાથે વધુ ઉપયોગી પણ બનાવે છે. જેમ જેમ agent operators RFC 9421 HTTP Message Signatures આધારિત signed requests અપનાવે છે, અને Web Bot Auth જેવી standards work IETF webbotauth working groupમાં આગળ વધે છે, તેમ તેમ તમારી trafficનો વધુ હિસ્સો verified basisમાં જાય છે. તમે તેને જે રીતે વાંચો છો તેમાં ફેરફાર કર્યા વિના તમારા charts વધુ સ્પષ્ટ બને છે.

પહેલા observation, પછી નિર્ણય

દરેક Proof of Actor deployment observation modeમાં શરૂ થાય છે. પરિણામો record થાય છે, analytics ભરાય છે, અને તમારી application પહેલાં જેવી જ respond કરતી રહે છે. તમારી team એ સમયગાળાનો ઉપયોગ baseline બનાવવા, તમે પહેલેથી જાણો છો તે outcomes સાથે પરિણામોની તુલના કરવા, અને એવા પ્રથમ routes ઓળખવા માટે કરે છે જ્યાં policy ખરેખર મદદરૂપ થશે.

જ્યારે તમે તૈયાર હો, ત્યારે તમે એક workflow માટે policy સક્ષમ કરો, અસર માપો, અને ત્યાંથી વિસ્તારો. Proof of Actor સ્થાપિત થયું હોવાથી કશું block થતું નથી. દરેક enforcement decision તમારો છે.

founding developer programમાં જોડાઓ

Proof of Actor private betaમાં છે. પસંદ કરેલી founding developer teams agreed usage limits હેઠળ up to 12 monthsનું free access મેળવી શકે છે, હાથવગા product feedbackના બદલામાં. તમને direct integration support, નવી capabilitiesનો early access અને roadmap પર અસર મળે છે.

જો તમને એવું AI એજન્ટ ટ્રાફિક એનાલિટિક્સ જોઈએ છે જે પર તમારી આખી team વિશ્વાસ કરી શકે, તો early access માટે અરજી કરો. તમારી application, તમને સૌથી વધુ મહત્વના routes અને analytics કયા પ્રશ્નોના જવાબ આપે તે વિશે અમને જણાવો.

Proof of Actor જુઓ, તે કેવી રીતે કામ કરે છે જુઓ, અથવા પુરાવો શું સ્થાપિત કરી શકે છે વાંચો.

સ્ત્રોતો

OpenAI crawlersનો પરિચય, OpenAI.
Known bot-traffic exclusion, Google Analytics Help.
RFC 9421: HTTP Message Signatures, IETF, February 2024.
Web Bot Auth (webbotauth) working group charter, IETF.

વિકાસકર્તાઓ માટે

What your code receives

Every interaction resolves to one result record. Your application reads the class and the basis and applies its own policy.

Result record

{
  "route": "GET /api/v1/catalog",
  "class": "agent",
  "basis": "verified",
  "evidence": [
    { "signal": "http_message_signature", "result": "valid", "keyid": "assistant.example" },
    { "signal": "client_declaration", "value": "assistant.example" }
  ],
  "observed_at": "2026-11-13T10:42:07Z"
}

class: Human, Human + AI, Agent અથવા Unknown.
basis: પુરાવો કેટલો મજબૂત છે: Verified, Declared, Inferred અથવા Unknown.
evidence: પરિણામ પાછળના signals, જેથી તમારી team કારણ જોઈ શકે.

observation mode માં શરૂ કરો: પરિણામોને તમારા logsની બાજુમાં નોંધો અને તમે policy પસંદ કરો ત્યાં સુધી કંઈ બદલશો નહીં. Node.js integration guide વાંચો

વારંવાર પૂછાતા પ્રશ્નો

AI એજન્ટ ટ્રાફિક એનાલિટિક્સ શું છે?

આ તમારી applicationની activityનો કેટલો ભાગ લોકો, AI સાથે કામ કરતા લોકો, autonomous agents અને અજાણી sourcesમાંથી આવે છે તે માપવાની પ્રક્રિયા છે, જેને રૂટ, workflow અને સમય પ્રમાણે વિભાજિત કરવામાં આવે છે.

આ મારા web analytics tool થી કેવી રીતે અલગ છે?

Web analytics tools human visits અને campaigns ગણવા માટે બનાવવામાં આવ્યા છે. Proof of Actor દરેક interaction પર કોણ અથવા શું acting કરી રહ્યું છે તેનું વર્ગીકરણ કરે છે, પરિણામ પાછળનો પુરાવો બતાવે છે, અને pages ઉપરાંત APIs અને MCP servers ને પણ આવરી લે છે.

શું તેમાં API અને MCP traffic શામેલ છે?

હા. Server-side અને MCP integrations API calls અને tool calls માં actor context લાવે છે, જે ઘણીવાર એ જગ્યા છે જ્યાં agent activity સૌથી વધુ હોય છે.

શું આ આંકડા અંદાજ પર આધારિત છે?

દરેક વર્ગીકરણ તેનો આધાર જણાવે છે: verified, declared, inferred અથવા unknown. તમે તમારી analytics ને basis મુજબ filter કરી શકો છો, તેથી verified agent traffic અને inferred agent traffic ક્યારેય એકબીજામાં ભળી જતા નથી.

શું તે મારી app કેવી રીતે respond કરે છે તે બદલે છે?

મૂળભૂત રીતે નહીં. Analytics observation mode માં ચાલે છે. તમારી team policy સક્ષમ કરે ત્યારે જ તમારી app વર્તન બદલે છે.

મને access કેવી રીતે મળે?

Early access માટે અરજી કરો. પસંદ કરેલી founding developer teams agreed usage limits હેઠળ up to 12 months નું free access મેળવી શકે છે.

તમારા app નો ઉપયોગ કોણ કરે છે તે જાણો.

Founding developers ના નાના સમૂહ માટે private beta.

પ્રારંભિક ઍક્સેસ મેળવો કિંમત જુઓ

પહેલાં વાત કરવી પસંદ કરો છો? સ્થાપકો સાથે વાત કરો