માનવ સામે એજન્ટ ટ્રાફિક

માનવ, AI-સહાયિત અને એજન્ટ ટ્રાફિકને અલગ ઓળખો

દરેક ઇન્ટરૅક્શનને સ્પષ્ટ વર્ગ અને સ્પષ્ટ આધાર આપો, જેથી તમારી application લોકો, AI સાથે કામ કરતા લોકો અને સ્વાયત્ત એજન્ટોને દરેકને યોગ્ય રીતે સેવા આપી શકે.

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

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

બે વર્ગો હવે પૂરતા નથી

વર્ષો સુધી, ટ્રાફિકને બે ભાગમાં વહેંચવામાં આવતું હતું: humans અને bots. Humans ને product મળતો. Bots ને blocked, rate-limited અથવા ignored કરવામાં આવતાં.

આ વિભાજન હવે લાગુ પડતું નથી. કેટલાક automated visitors એવા agents છે જે વાસ્તવિક customers ની તરફેથી કાર્ય કરે છે: plans સરખાવતો assistant, તમારા API મારફતે data ખેંચતો agent, કાર્ય પૂર્ણ કરવા તમારા MCP server ને બોલાવતું tool. AI providers હવે આ પ્રકારની user-initiated access ને પોતે જ document કરે છે: OpenAI કહે છે કે તેનો ChatGPT-User agent જ્યારે user ChatGPT ને પ્રશ્ન પૂછે છે ત્યારે pages visit કરે છે (OpenAI crawler documentation), અને Anthropic Claude-User ને એ જ હેતુ માટે સૂચિબદ્ધ કરે છે (Anthropic crawler documentation). એ જ સમયે, કેટલાક લોકો AI સાથે હાથમાં હાથ મિલાવી કામ કરે છે, messages draft કરે છે, forms ભરે છે અને તેમની બાજુમાં assistant સાથે products navigate કરે છે. આ બધું human અથવા bot માં ઠેલવાથી બંને દિશામાં ખરાબ નિર્ણયો થાય છે. Legitimate agents block થઈ જાય છે, અને real people challenge થાય છે કારણ કે તેમનું વર્તન અસામાન્ય લાગે છે.

માનવ અને AI એજન્ટ ટ્રાફિકને અલગ ઓળખવા અને સારા નિર્ણયો સુધી પહોંચવા માટે, તમને વધુ વર્ગોની જરૂર છે અને દરેક પરિણામ પર કેટલો ભરોસો કરી શકાય તે પણ જાણવું જરૂરી છે. કેવી રીતે જાણી શકાય કે website traffic AI agentsમાંથી આવે છે પરનો blog post આ શક્ય બનાવતા signals સમજાવે છે, અને SaaS apps use case બતાવે છે કે આ ભેદ product decisions ને ક્યાં બદલે છે.

ચાર વર્ગ, દરેકનો ચોક્કસ અર્થ

Proof of Actor ઇન્ટરૅક્શન્સને ચાર વર્ગોમાં વર્ગીકૃત કરે છે. દરેકની વ્યાખ્યા અને સ્પષ્ટ મર્યાદા છે, જેથી તમારી ટીમમાં કોઈપણ વ્યક્તિ પરિણામમાં પુરાવા કરતાં વધુ અર્થ ન કાઢે. આ taxonomy પાછળનું reasoning જાણવા માટે Human, AI-assisted or agent: a taxonomy for app traffic વાંચો.

Human

સમર્થિત observable signals human-directed interaction દર્શાવે છે. આ વર્ગ કોણ ઇન્ટરૅક્શનને દિશા આપે છે તેના વિશે છે, identity વિશે નહીં. Human પરિણામ એ verify કરતું નથી કે વ્યક્તિ કોણ છે, અને તે ક્યાંય AI વપરાઈ નહોતી એવું દાવો પણ કરતું નથી.

Human + AI

AI assistance જાહેર કરવામાં આવી હતી, અથવા supported integration મારફતે અવલોકિત થઈ હતી જે તેને ખરેખર જોઈ શકે. ઉદાહરણોમાં user પોતાના disclosure control દ્વારા AI સાથે draft કરેલ content તરીકે ચિહ્નિત કરે છે, અથવા તમારી application જણાવે છે કે તેની built-in assistant એ signed-in user માટે એક action કર્યું. વધુ માહિતી માટે AI-assisted interaction glossary entry જુઓ.

Agent

સ્વચાલિત અથવા agent-origin ઇન્ટરૅક્શન, જ્યાં verifiable identity દ્વારા આધાર મળે છે, જેમ કે published key પરથી માન્ય request signature, અથવા કાળજીપૂર્વક qualified inference દ્વારા. Agent પરિણામ દર્શાવે છે કે કોણ કાર્ય કરી રહ્યું છે. તેનો અર્થ એ નથી કે agent authorized છે, safe છે અથવા વ્યક્તિ તરફથી valid delegation સાથે કાર્ય કરી રહ્યું છે. autonomous agents વિશે વધુ વાંચો.

Unknown

ઉપલબ્ધ પુરાવા વિશ્વસનીય નિર્ધારણને સમર્થન આપતા નથી. Unknown એક ઇમાનદાર અને ઉપયોગી પરિણામ છે: તે બતાવે છે કે તમારી coverage ક્યાં પૂરી થાય છે, અને તમારી policies ને અનિશ્ચિત કેસો પર અકસ્માતે નહીં પરંતુ વિચારપૂર્વક કાર્ય કરવાની તક આપે છે.

દરેક વર્ગ સાથે આધાર આવે છે

માનવ અને agent ટ્રાફિકને અલગ કરવું માત્ર અડધું કામ છે. બીજો અડધો ભાગ એ છે કે દરેક નિષ્કર્ષ કેટલો મજબૂત છે તે જાણવું. એટલે જ દરેક Proof of Actor પરિણામ સાથે એક આધાર હોય છે:

Verified: તપાસી શકાય એવું assertion માન્ય થયું છે, જેમ કે published key સામે ચકાસાયેલ request signature.
Declared: client અથવા તમારી application એ તેને જણાવ્યું છે, જેમ કે agent પોતાનું નામ કહે છે અથવા user AI assistance જાહેર કરે છે.
Inferred: વર્તન અથવા contextual signals પરથી કાઢવામાં આવેલ નિષ્કર્ષ, જેને હંમેશા inference તરીકે લેબલ કરવામાં આવે છે.
Unknown: નિર્ધારણ માટે પૂરતો પુરાવો નથી.

વર્ગ અને આધારનું સંયોજન જ તમને ચોક્કસ નિયમો બનાવવાની મંજૂરી આપે છે. verified agent અને inferred agent બંને agents છે, પણ તમે પહેલા માટે structured API આપવા અને બીજા માટે standard rate limit લાગુ કરવા ઇચ્છો શકો છો. declared AI-assisted submission અને human session બંને સામાન્ય રીતે આગળ વધી શકે છે, એક એવા label સાથે જે તમારી support team ને મદદ કરે. સંપૂર્ણ taxonomy તમે Detection & Limitations પર મેળવી શકો છો.

વર્ગીકરણ કેવી રીતે થાય છે

Proof of Actor દરેક ઇન્ટરૅક્શન માટે evidence-first માર્ગ અનુસરે છે. સંપૂર્ણ સમજણ How It Works પર ઉપલબ્ધ છે.

તમારી integration કયા signals જોઈ શકે છે

Request signatures એવા automated clients માંથી જે તેમની keys પ્રકાશિત કરે છે, HTTP Message Signatures નો ઉપયોગ કરીને જેમ RFC 9421 માં વ્યાખ્યાયિત છે. IETF Web Bot Auth working group ને આ રીતે automated clients કેવી રીતે authenticate કરે તે standardize કરવા માટે charter આપવામાં આવ્યું છે.
Declarations એવા clients તરફથી જે પોતાને ઓળખે છે, જેમ કે AI crawlers અને fetchers ના documented user agents, અને તમારી પોતાની application તરફથી જ્યારે તેને ખબર હોય કે AI assistance સામેલ છે.
Request context જે server-side integration માટે ઉપલબ્ધ હોય, જેમ કે headers અને protocol વિગતો.
Interaction signals મંજૂર કરાયેલ browser integration તરફથી, તે pages પર જ્યાં તે ચાલે છે.

Signals થી પરિણામ સુધી

Signals તપાસવામાં આવે છે, આધાર અનુસાર લેબલ કરવામાં આવે છે અને જોડવામાં આવે છે. મજબૂત verified પુરાવો વિશ્વાસપૂર્વકનું પરિણામ આપે છે. નબળો અથવા વિસંગત પુરાવો qualified inference અથવા Unknown આપે છે. timeout અથવા missing signal ક્યારેય Human પરિણામ બનતું નથી. output એ એક વર્ગ, એક આધાર અને એક evidence summary છે જે તમારી ટીમનો કોઈપણ વ્યક્તિ વાંચી શકે.

ટ્રાફિક અલગ થયા પછી તમે શું કરી શકો છો

Proof of Actor ત્રણ ક્ષમતાઓ આસપાસ ગોઠવાયેલ છે: Detect, Understand અને Route.

દરેક ઇન્ટરૅક્શન પાછળના actor ને Detect કરો

દરેક context માં ઉપલબ્ધ signals એકત્ર કરો અને verified assertions ને inferences થી અલગ કરો. Unknown ને દૃશ્યમાન રાખો.

દરેક actor તમારા product નો ઉપયોગ કેવી રીતે કરે છે તે Understand કરો

route પ્રમાણે અને સમય સાથે human, AI-assisted, agent અને unknown activity નું મિશ્રણ જુઓ. કોઈપણ પરિણામ ખોલીને જાણી શકો છો કે શું જાણીતું છે અને શું નથી. જ્યાં agents વધુ એકત્રિત થાય છે અને જ્યાં AI assistance સામાન્ય છે એવા workflows ઓળખો.

દરેક actor ને યોગ્ય અનુભવ તરફ Route કરો

પુરાવો તેને સમર્થન આપે ત્યારે તમારી પોતાની policies લાગુ કરો. public website પર, websites use case બતાવે છે કે આ પસંદગીઓ વાસ્તવિક routes સાથે કેવી રીતે મેળ ખાતી છે:

verified agents ને human-shaped pages ના બદલે structured response અથવા API આપો.
human-directed sessions માટે standard experience જ રાખો.
AI-assisted submissions ને label કરો જેથી યોગ્ય ટીમ તેને સંભાળી શકે.
સંવેદનશીલ actions પર, જ્યારે તમારી પોતાની શરતો તેની માંગ કરે, ત્યારે વધુ મજબૂત credentials માગો.
દરેક route પર Unknown માટે સ્પષ્ટ fallback પસંદ કરો, જેમ કે public pages ને મંજૂરી આપવી અને account changes પર existing checks જાળવવા.

rolling out actor-aware policies safely પરની guide બતાવે છે કે observation થી enforcement સુધી એક સમયે એક route કેવી રીતે ખસેડવો.

આ તમારા users માટે કેમ મહત્વનું છે

આને યોગ્ય રીતે કરવું તમારી application નો ઉપયોગ કરનારા દરેક માટે સારું છે.

લોકોને વધુ સરળ અનુભવ મળે છે કારણ કે તેમને અસ્પષ્ટ score ની તાકાત પર challenge કરવામાં આવતાં નથી. AI સાથે કામ કરતા લોકોને જ્યાં યોગ્ય હોય ત્યાં disclosed assistance માટે support મળે છે. Legitimate agents ને તેમનું કામ કરવા માટે વિશ્વસનીય, structured રીત મળે છે, જે scraping અને તમારા interface પરનું load ઘટાડે છે. તમારી ટીમને explainable નિર્ણયો મળે છે, તેથી support conversations, incident reviews અને policy changes guessworkના બદલે પુરાવા પર આધારિત રહે છે.

ગૂંચવણનો સૌથી સામાન્ય સ્ત્રોત account પોતે છે. signed-in session તમને કહે છે કે કયો account ઉપયોગમાં છે. તે હાલની interaction કોણ દિશા આપે છે તે નથી જણાવતું. એ જ account સવારે તેનું owner settingsમાંથી પસાર થવા માટે, બપોરે owner એ જણાવ્યું એવો report export કરવા assistant માટે, અને સાંજે API key મારફતે કામ કરતા agent માટે વપરાઈ શકે છે.

આ ત્રણેયને એકસરખું માનવાથી બંને દિશામાં સમસ્યાઓ ઊભી થાય છે. જો account પરની દરેક request ને owner ની માનવામાં આવે, તો agent એવા workflows સુધી પહોંચી શકે છે જે વ્યક્તિ માટે રચાયેલા હતા. જો દરેક અસામાન્ય request ને attack માનવામાં આવે, તો owner ના પોતાના tools block થઈ જાય. actor ને account થી અલગ કરવાથી તમારી application authentication અને authorization ને જેમ છે તેમ રાખી શકે છે, અને હાલમાં કોણ કાર્ય કરી રહ્યું છે તેનો ગેરહાજર context ઉમેર શકે છે. એ જ context agents ને structured access આપવાનું શક્ય બનાવે છે, માનવ-માત્ર workflows તેમના માટે ખોલ્યા વિના.

Observation mode માં શરૂ કરો

દરેક deployment observation mode માં શરૂ થાય છે. તમારી application પહેલાની જેમ જ પ્રતિસાદ આપે ત્યારે Proof of Actor પરિણામો નોંધે છે. તમારી ટીમ human, AI-assisted, agent અને unknown activity નું baseline બનાવે છે, તેને તમને પહેલેથી જાણીતા outcomes સાથે સરખાવે છે, અને એક પણ નિયમ બદલાય તે પહેલાં false positives ની સમીક્ષા કરે છે. જ્યારે policy તૈયાર થાય, ત્યારે તમે તેને એક workflow માટે enable કરો છો અને ત્યાંથી વિસ્તારો છો.

Founding Developer Program માં જોડાઓ

Proof of Actor private beta માં application teams ના નાના સમૂહ સાથે છે. પસંદ કરાયેલા founding developers ને સંમત usage limits અંદર, hands-on feedback બદલ, 12 months સુધી મફત access મળી શકે છે. તમને અમારા engineers તરફથી સીધો integration support, capabilities માટે early access, અને priorities પર પ્રભાવ મળે છે.

જો તમને તમારી application માં માનવ અને AI એજન્ટ ટ્રાફિક અલગ ઓળખવાની જરૂર છે, તો early access માટે apply કરો અને અમને તે interaction વિશે જણાવો જે તમે સૌથી વધુ સમજવા માંગો છો.

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

Sources

RFC 9421: HTTP Message Signatures, IETF, February 2024.
Web Bot Auth (webbotauth) working group charter, IETF.
Overview of OpenAI crawlers, OpenAI.
Does Anthropic crawl data from the web, and how can site owners block the crawler?, Anthropic.

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

તમે માનવ અને AI એજન્ટ ટ્રાફિકને કેવી રીતે અલગ ઓળખો છો?

Proof of Actor તમારી integration જોઈ શકે એવા signalsને જોડે છે, જેમ કે request signatures, client declarations, request context અને browser interaction signals, અને સ્પષ્ટ આધાર સાથે એક વર્ગ આપે છે.

Human + AI વર્ગ શા માટે છે?

કેટલાક લોકો તેમની બાજુમાં AI assistant સાથે કામ કરે છે. તેમને સંપૂર્ણ માનવ અથવા સંપૂર્ણ સ્વચાલિત તરીકે ગણવાથી મહત્વનો context ખોવાઈ જાય છે. Human + AI એવા AI સહાયક કામને આવરી લે છે જે declared હોય અથવા supported integration દ્વારા દેખાય.

શું Agent પરિણામ bad bot જેટલું જ છે?

ના. ઘણા agents legitimate ભાગીદારો છે. Agent પરિણામ દર્શાવે છે કે કોણ કાર્ય કરી રહ્યું છે, action મંજૂર છે કે નહીં તે નહીં. તમારી policies નક્કી કરે છે કે દરેક agent ને કેવી રીતે સેવા આપવી.

જો ટ્રાફિકને વર્ગીકૃત ન કરી શકાય તો શું?

તેને Unknown તરીકે રિપોર્ટ કરવામાં આવે છે, એક first-class પરિણામ તરીકે. Unknown ને ક્યારેય Human માં ફેરવવામાં આવતું નથી અને default રૂપે malicious માનવામાં આવતું નથી.

શું મને કંઈ block કરવું જ પડશે?

ના. તમે observation mode માં શરૂ કરો છો, પરિણામોની સમીક્ષા કરો છો, અને policies ફક્ત ત્યાં જ enable કરો છો જ્યાં તમારી ટીમને વિશ્વાસ હોય કે તે યોગ્ય 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