AI एजंट ट्रॅफिक विश्लेषण

तुमच्या app आणि API साठी AI एजंट ट्रॅफिक विश्लेषण

लोक, AI-assisted वापरकर्ते आणि autonomous agents तुमचे application route नुसार कसे वापरतात ते समजून घ्या, आणि प्रत्येक वर्गीकरण दृश्यमान evidence ने समर्थित आहे.

लवकर प्रवेश मिळवा ते कसे कार्य करते ते अन्वेषित करा

लेखक Toshendra Sharmaसंस्थापक आणि CEO, AgentCredia · Updated November 13, 2026

तुमची dashboards अशा जगाचे मोजमाप करत आहेत जे बदलले आहे

बहुतेक analytics stacks एका प्रश्नाचे उत्तर देण्यासाठी तयार केले गेले होते: माझ्या site वर लोक काय करत आहेत? Sessions, page views, funnels आणि campaigns हे सर्व प्रत्येक interaction मागे एक व्यक्ती आहे असे गृहीत धरतात.

ते गृहीतक आता प्रत्येक interaction साठी लागू राहत नाही. AI assistants users च्या वतीने pages उघडतात; OpenAI, उदाहरणार्थ, ChatGPT-User agent चे दस्तऐवजीकरण करते, जो user ChatGPT ला प्रश्न विचारतो तेव्हा pages visit करतो (OpenAI crawler documentation). Autonomous agents tasks पूर्ण करण्यासाठी APIs आणि MCP tools call करतात. लोक त्याच session मध्ये AI सोबत काम करतात, कधी ते जाहीर करून तर कधी नाही. Crawlers आणि scripts जे काही पोहोचू शकतात ते सर्व वाचत राहतात.

याचा परिणाम म्हणजे तुमची team ज्या आकड्यांवर अवलंबून आहे त्यात एक शांत विकृती निर्माण होते. Conversion rates ची कारणे कुणालाच स्पष्ट करता येत नाहीत. एक लोकप्रिय API route काही automated clients कडूनच चालवला जात असल्याचे आढळते. Marketing win वाटलेली spike ही प्रत्यक्षात documentation वाचणाऱ्या agents मुळे होती. Actor context शिवाय, प्रत्येक chart खूप वेगवेगळे behaviors एका रेषेत मिसळतो. काही tools तुम्हाला दृश्य दिसण्यापूर्वीच चित्राचा काही भाग काढून टाकतात: Google म्हणते की Google Analytics known bots आणि spiders कडून येणारा traffic आपोआप वगळते, आणि किती traffic वगळला गेला ते तुम्हाला दिसू शकत नाही (Google Analytics: known bot-traffic exclusion).

AI agent traffic analytics हे प्रत्येक interaction मध्ये एक नवीन परिमाण जोडून हे दुरुस्त करते: कोण किंवा काय कृती करत आहे, आणि तुम्ही किती खात्री बाळगू शकता. website traffic AI agents कडून येते का हे कसे ओळखायचे या blog post मध्ये त्या परिमाणामागील signals समजावले आहेत, आणि websites use case मध्ये ते production site वर कसे लागू होते ते दाखवले आहे.

actor-aware analytics तुम्हाला काय दाखवते

Proof of Actor तुमचा traffic चार वर्गांमध्ये मांडते, ज्याचे स्पष्टीकरण Human, AI-assisted किंवा agent: app traffic साठी एक taxonomy मध्ये आहे, आणि प्रत्येकासोबत evidence जोडून ठेवते.

Human: ज्या interactions मध्ये दिसणाऱ्या signals वरून मानवी दिशा सूचित होते.
Human + AI: ज्या interactions मध्ये AI assistance जाहीर केली गेली होती किंवा supported integration द्वारे निरीक्षित झाली होती.
Agent: स्वयंचलित किंवा agent-origin interactions, ज्यांना पडताळता येणारी identity किंवा काळजीपूर्वक योग्य ठरवलेली inference आधार देते.
Unknown: ज्या interactions साठी evidence विश्वसनीय निर्धारणाला आधार देत नाही.

प्रत्येक परिणामासोबत एक basis देखील असतो: verified, declared, inferred किंवा unknown. हे दुसरे परिमाणच analytics ला विश्वासार्ह बनवते. तुमच्या API traffic पैकी एक तृतीयांश भाग agents चा आहे असे dashboard सांगत असेल, तर ते results verified signatures वर आधारित आहेत की request patterns वरच्या inferences वर, यावर त्याचा अर्थ खूप बदलतो. Proof of Actor मध्ये तुम्ही दोन्ही पाहू शकता, आणि कोणत्याही basis नुसार filter करू शकता.

route आणि workflow नुसार

Application मध्ये actor mix प्रचंड प्रमाणात बदलतो. Public documentation, pricing आणि catalog pages अनेकदा agents आणि assistants आकर्षित करतात. Signup, checkout आणि account settings वर agents कमी दिसतात, पण दिसले तर अधिक महत्त्वाचे ठरतात. API routes आणि MCP tools वर automated clients चे वर्चस्व असू शकते. Proof of Actor results route आणि workflow नुसार विभाजित करते, त्यामुळे प्रत्येक टीमला तिचा स्वतःचा भाग दिसतो.

वेळेनुसार

Trends तुम्हाला तुमचे product कुठे चालले आहे ते दाखवतात. महत्त्वाच्या routes वर agent आणि AI-assisted activity चा वाटा कसा बदलतो ते पाहा, नवीन agent operator तुमची content वाचायला कधी सुरू करतो ते ओळखा, आणि अधिक clients त्यांच्या requests sign करू लागतील तसा Unknown मधून verified मध्ये किती traffic सरकतो ते ट्रॅक करा.

स्पष्टीकरणांसह

Dashboard मधील कोणताही number individual interactions पर्यंत उघडून पाहता येतो. प्रत्येकासाठी तुम्हाला class, basis, काय ज्ञात आहे, काय ज्ञात नाही, आणि कोणता policy output लागू होईल ते दिसते. यामुळे chart हे असे काही बनते ज्यावर तुमच्या product, platform आणि security teams एकत्र कृती करू शकतात.

हे कसे कार्य करते

Proof of Actor evidence-first path अनुसरते. पूर्ण वर्णन तुम्ही How It Works मध्ये वाचू शकता.

तुमच्या application ला request किंवा event प्राप्त होते: page view, API call, MCP tool call किंवा in-app action.
तुमचे integration त्या context मध्ये उपलब्ध signals गोळा करते: server वर request context आणि signatures, collector चालतो त्या browser मधील interaction signals, clients कडून आणि तुमच्या स्वतःच्या application कडून declarations.
Signals तपासले जातात, basis नुसार label लावले जातात आणि एकत्र केले जातात जेणेकरून classification तयार होईल.
परिणाम त्याच्या basis आणि evidence summary सह नोंदवला जातो आणि तुमच्या analytics मध्ये प्रवाहित होतो.
तुमचे application ठरवते की फक्त observe करायचे की policy लागू करायची.

कारण analytics आणि decisions समान results वापरतात, त्यामुळे तुम्ही अभ्यास करत असलेले numbers हेच तुमच्या policies प्रत्यक्षात वापरणार आहेत. Dashboard काय सांगते आणि application काय करते यामध्ये कोणतीही दरी नाही.

Detect, Understand, Route

AI agent traffic analytics हे तीन Proof of Actor capabilities च्या मध्यभागी असते.

Detect

प्रत्येक integration साठी उपलब्ध actor signals गोळा करा आणि verified assertions ना behavioral inferences पासून वेगळे करा. Unknown स्वतःच्या class म्हणून दिसत राहते, त्यामुळे coverage gaps कधीही दुसऱ्या संख्येमध्ये लपून राहत नाहीत.

Understand

हे analytics layer आहे: actor breakdowns, interaction trends, route-level views आणि explainable classifications. Teams याचा वापर हे प्रश्न सोडवण्यासाठी करतात की agents कोणत्या routes वर अवलंबून आहेत, workflow मध्ये किती AI-assisted activity दिसते, आणि policy ला आधार देण्यासाठी evidence किती मजबूत आहे.

Route

Analytics स्पष्ट pattern दाखवते तेव्हा, तुमच्या स्वतःच्या नियमांनुसार त्यावर कृती करा. Verified agents ना ते सर्वाधिक वाचतात त्या content पर्यंत संरचित मार्ग द्या. Human-directed sessions साठी standard अनुभव तसाच ठेवा. तुमच्या स्वतःच्या अटी योग्य ठरतील तेव्हाच sensitive actions वर review जोडा. Unknown आणि timeouts साठी स्पष्ट fallbacks ठेवा.

apps, APIs आणि MCP servers साठी तयार केलेले

Agent activity जिथे machines स्वागतार्ह असतात तिथेच जास्त एकवटते: APIs, documentation, catalogs आणि tools. म्हणून Proof of Actor फक्त page views पेक्षा अधिक कव्हर करते.

SaaS apps आणि websites browser sessions आणि त्यामागील server routes साठी actor context पाहतात. अधिक वाचा SaaS Apps & Websites मध्ये.
APIs request-level context मिळवतात जे signed client identity आणि API credentials आणि authorization यांना वेगळे करते. अधिक वाचा APIs मध्ये.
MCP servers ला प्रत्येक tool call साठी actor context मिळते, त्यामुळे कोणते clients कोणती tools वापरतात ते तुम्हाला दिसते. अधिक वाचा MCP Servers मध्ये.

Founding teams आमच्या engineers च्या थेट मदतीने integrate करतात. Node.js app मध्ये actor context जोडणे या guide मध्ये सामान्य request handler मध्ये integration कुठे बसते ते दाखवले आहे.

volume पेक्षा evidence का अधिक महत्त्वाचे आहे

Agent traffic साठी मोठी संख्या तयार करणे सोपे आहे. Browser fingerprint नसलेली प्रत्येक request मोजा आणि तिला automation म्हणा. अडचण अशी की अशी संख्या निर्णयाला आधार देऊ शकत नाही, कारण त्यात किती भाग खरा आहे हे कुणालाच माहीत नसते.

Proof of Actor अशी रचना केली आहे की प्रत्येक number चे समर्थन करता येईल. Verified results प्रत्यक्षात पास झालेल्या checks मधून येतात. Declarations ना declarations म्हणून label केले जाते. Inferences ना inferences म्हणून label केले जाते. Unknown हे Unknown म्हणूनच नोंदवले जाते. जेव्हा तुम्ही agent traffic तुमच्या नेतृत्वासमोर, security team समोर किंवा ग्राहकांसमोर मांडता, तेव्हा प्रत्येक आकडा कुठून आला आहे हे तुम्ही अचूकपणे स्पष्ट करू शकता.

यामुळे वेळेनुसार analytics अधिक उपयुक्तही बनते. Agent operators जेव्हा RFC 9421 HTTP Message Signatures वर आधारित signed requests स्वीकारू लागतात, आणि Web Bot Auth सारखे standards काम IETF webbotauth working group मध्ये पुढे जाते, तेव्हा तुमचा अधिक traffic verified basis मध्ये येतो. तुम्ही ते कसे वाचता ते न बदलता तुमचे charts अधिक स्पष्ट होतात.

आधी निरीक्षण करा, मग निर्णय घ्या

प्रत्येक Proof of Actor deployment observation mode मध्ये सुरू होते. Results नोंदवले जातात, analytics भरत जातात, आणि तुमचे application पूर्वीप्रमाणेच प्रतिसाद देत राहते. तुमची team तो काळ baseline तयार करण्यासाठी, तुम्हाला आधीच माहीत असलेल्या outcomes शी परिणामांची तुलना करण्यासाठी, आणि धोरण खरोखर उपयुक्त ठरेल अशा पहिल्या routes ओळखण्यासाठी वापरते.

तुम्ही तयार झाल्यावर, एका workflow साठी policy सक्षम करा, परिणाम मोजा, आणि तिथून विस्तार करा. Proof of Actor install केल्यामुळे काहीही block केले जात नाही. प्रत्येक enforcement निर्णय तुमचा असतो.

founding developer program मध्ये सहभागी व्हा

Proof of Actor private beta मध्ये आहे. निवडलेल्या founding developer teams ना परस्पर feedback च्या बदल्यात agreed usage limits अंतर्गत 12 months पर्यंत free access मिळू शकतो. तुम्हाला थेट integration support, नवीन capabilities साठी early access, आणि roadmap वर प्रभाव मिळतो.

जर तुम्हाला अशी AI agent traffic analytics हवी असेल ज्यावर तुमची संपूर्ण team विश्वास ठेवू शकेल, तर early access साठी अर्ज करा. तुमच्या application बद्दल, तुम्हाला सर्वाधिक महत्त्वाच्या route बद्दल आणि तुमच्या analytics ने कोणत्या प्रश्नांची उत्तरे द्यावीत याबद्दल आम्हाला सांगा.

Proof of Actor शोधा, हे कसे कार्य करते ते पाहा, किंवा evidence काय स्थापित करू शकते ते वाचा.

स्रोत

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

विकसकांसाठी

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 किंवा Unknown.
basis: पुरावा किती मजबूत आहे: Verified, Declared, Inferred किंवा Unknown.
evidence: result मागचे signals, जेणेकरून तुमची team कारण पाहू शकेल.

observation mode मध्ये सुरुवात करा: results तुमच्या logs च्या शेजारी नोंदवा आणि तुम्ही policy निवडेपर्यंत काहीही बदलू नका. Node.js integration guide वाचा

वारंवार विचारले जाणारे प्रश्न

AI agent traffic analytics म्हणजे काय?

तुमच्या application's activity पैकी किती भाग लोक, AI सोबत काम करणारे लोक, autonomous agents आणि ओळख न पटलेल्या स्रोतांकडून येतो हे route, workflow आणि time नुसार मोजण्याची ही प्रक्रिया आहे.

हे माझ्या web analytics tool पेक्षा वेगळे कसे आहे?

Web analytics tools human visits आणि campaigns मोजण्यासाठी बनवलेले असतात. Proof of Actor प्रत्येक interaction वर कोण किंवा काय कृती करत आहे ते वर्गीकृत करते, परिणामामागील evidence दाखवते, आणि pages सोबत APIs आणि MCP servers देखील कव्हर करते.

यात API आणि MCP traffic समाविष्ट आहे का?

हो. Server-side आणि MCP integrations API calls आणि tool calls मध्ये actor context आणतात, आणि बहुतेक वेळा agent activity जिथे सर्वाधिक असते तिथे हेच असते.

संख्या अंदाजांवर आधारित आहेत का?

प्रत्येक classification त्याचा आधार दाखवते: verified, declared, inferred किंवा unknown. तुम्ही तुमचे analytics basis नुसार filter करू शकता, त्यामुळे verified agent traffic आणि inferred agent traffic कधीही गोंधळात पडत नाहीत.

हे माझे app कसे प्रतिसाद देईल ते बदलते का?

मूळतः नाही. Analytics observation mode मध्ये चालतात. तुमची team policy सक्षम करते तेव्हाच तुमचे app वर्तन बदलते.

मला access कसा मिळेल?

Early access साठी अर्ज करा. निवडलेल्या founding developer teams ना agreed usage limits अंतर्गत 12 months पर्यंत free access मिळू शकतो.

तुमचे app कोण वापरत आहे ते जाणून घ्या.

founding developers च्या छोट्या गटासाठी private beta.

लवकर प्रवेश मिळवा किमती पहा

आधी बोलणे पसंत आहे? founders शी बोला