Los agentes de navegador de IA autónomos generan una nueva categoría de tráfico web que funciona con telemetría del comportamiento dispersa y muy económica.
Los modelos tradicionales de detección de bots no evalúan a estos agentes porque más del 98 % de sus solicitudes contienen pocos o ningún movimiento del ratón.
Akamai desarrolló un modelo de transformador de codificador automático enmascarado de prueba de concepto que trata la telemetría del ratón como tokens de lenguaje para analizar secuencias de eventos cortas.
Un clasificador ligero entrenado con incrustaciones de transformadores distingue con éxito la automatización agéntica de las sesiones humanas dispersas, logrando una alta precisión pese a un desequilibrio extremo de clases.
Un nuevo tipo de visitante está navegando por su sitio web, y no mueve el ratón de la forma esperada. Durante el último año, ha surgido una categoría de herramientas de IA que no solo responde a las preguntas: toma el control de su navegador y actúa.
Herramientas como Perplexity Comet, OpenAI Atlas y Claude Chrome Extension que reciben un prompt en lenguaje natural (como "Encuentra un vuelo a Boston por menos de 300 $ y reserva"). puede navegar por la web abierta de forma autónoma para completar la tarea. No hay manos humanas en el ratón, ni ninguna persona que lea la página; solo un agente de IA, haciendo clic y abriéndose camino a través de su sitio en nombre de una persona.
Esta automatización también se conoce como modo de “control del navegador” y genera una categoría de tráfico web que no es ni tráfico de bots tradicional ni tráfico humano. En Akamai, queríamos comprender cómo es este tráfico a nivel de telemetría y si podíamos identificarlo.
El trabajo descrito en esta entrada de blog, la primera parte de una serie de dos, es un esfuerzo de investigación de prueba de concepto (PoC); pretendemos convertirlo en una capacidad más sólida y lista para la producción en el futuro.
Tenga en cuenta lo siguiente: OpenAI anunció la suspensión de Atlas después de completar nuestra investigación. A pesar de este cambio, nuestra investigación proporciona información valiosa sobre cómo los agentes de IA pueden moverse por los navegadores y controlarlos.
Durante años, la seguridad web ha funcionado sobre un modelo binario de detección de bots: una solicitud puede ser humana o de un bot. Y los bots se dividen en dos categorías: la primera son rastreadores sencillos y de baja sofisticación que no intentan parecer humanos, y la segunda son imitaciones sofisticadas que generan movimientos sintéticos del ratón, varían su sincronización y hacen todo lo posible por parecer humanos.
Los agentes del modo de automatización no se encuentran en ninguna de las categorías de bots. No están tratando de engañar a nadie; simplemente no operan de la manera que un humano lo hace. Cuando un agente navega a una página web, va directamente a su destino.
No mueve el cursor de forma inactiva durante la lectura.
No pasa el cursor antes de hacer clic.
No se desplaza para explorar.
Hace clic con precisión, escribe de forma eficiente y sigue adelante.
El resultado es una huella dactilar de comportamiento dispersa, mecánica y económica. Y eso crea un problema de detección para el que las herramientas existentes no pueden resolver por diseño.
Akamai Bot Manager Premier recopila una telemetría de comportamiento enriquecida, es decir, secuencias de eventos del ratón (movimientos, clics y desplazamientos) que se transmiten desde todas las páginas web instrumentadas. Nuestros modelos de comportamiento existentes analizan estas secuencias para distinguir a los humanos de los bots. Son buenos en esto. Pero tienen un requisito firme: se necesitan suficientes eventos en una secuencia para realizar una comparación significativa.
Esto es lo que descubrimos cuando ejecutamos esos modelos en cientos de sesiones recopiladas de Comet y Atlas en modo de automatización:
el 63,2 % de las solicitudes de publicaciones automáticas agénticas contenían 0 eventos de ratón
el 35,8 % contenía cantidades de eventos por debajo del umbral mínimo
Solo el 1,0 % de las solicitudes tenían suficientes eventos de movimiento para evaluar
El modelo de movimiento del ratón existente marcó menos del 1 % del total de solicitudes agénticas como sospechosas. Los modelos no fallaban; simplemente no tenían la opción de ejecutarse. Los agentes en modo de automatización no generan telemetría del ratón porque en gran medida no utilizan un ratón. Navegan mediante programación. La telemetría es dispersa, no porque el agente esté evadiendo la detección, sino porque simplemente no produce artefactos de interacción similares a los humanos.
La brecha entre "evaluado" y "evaluable" era el problema central que había que resolver.
Para crear un modelo que funcione con telemetría dispersa, necesitábamos cambiar nuestro encuadre.
Piense en los eventos de ratón de la forma en que pensaría en las palabras. Una sola palabra le dice muy poco sobre quién escribió una frase. Pero los patrones que hay en las palabras, como el ritmo, las frecuencias relativas y las pausas entre ellas, pueden decir mucho. Una frase escrita por un agente es económica y con un propósito directo; no se va por las ramas, ni duda, ni usa palabras de relleno. Una frase escrita por humanos es más compleja y más rica.
Esta analogía impulsó nuestro enfoque de modelado. Y esta analogía no es solo metafórica, sino también arquitectónica. Nuestros modelos de lenguaje de gran tamaño (LLM) de ajuste preciso en segundo plano sugirieron un paralelismo directo: los mismos mecanismos de atención que permiten a los transformadores modelar relaciones entre tokens léxicos en una frase podrían aplicarse a las relaciones modelo entre los eventos de ratón en una secuencia de comportamiento.
En los bloques de atención clave/consulta de un transformador, cada token atiende a otro token, lo que permite a los modelos aprender qué tokens son más relevantes para el significado de otro, independientemente de la distancia. Esto aplicado a la telemetría del ratón, significa que un modelo puede aprender la relación entre un pequeño número de eventos. Y descubrimos que estos modelos de transformador pueden aprender eficazmente a explotar estas relaciones incluso cuando las secuencias son cortas.
En lugar de construir un modelo que requiere una larga secuencia de eventos para evaluar, entrenamos un modelo para entender lo que significa una secuencia corta con el fin de distinguir el "vocabulario" disperso y con un propósito del ratón de un agente con respecto al de un humano.
La siguiente arquitectura representa un diseño de PoC. La escala de los datos de entrenamiento y la capacidad de los modelos es intencionadamente modesta para una investigación inicial; la implementación en producción requeriría modelos más grandes y una recopilación de datos etiquetados más completa.
Antes de clasificar las sesiones como agénticas o humanas, primero tuvimos que enseñar a nuestro modelo la estructura subyacente del comportamiento normal del ratón.
Hemos adaptado un transformador de codificador automático enmascarado, una arquitectura de procesamiento de lenguaje natural autosupervisada, para la telemetría del comportamiento. El modelo se entrenó con aproximadamente 3,5 millones de secuencias de eventos de ratón no etiquetados de la telemetría real de Bot Manager Premier. Durante el entrenamiento, el 35 % de los eventos de cada secuencia se enmascararon aleatoriamente para que el modelo se reconstruyera a partir del contexto, sin necesidad de etiquetas manuales.
Arquitectura ligera
La arquitectura es ligera por diseño:
44 000 parámetros
3 capas de transformador
4 encabezados de atención
Incrustación fija en 64 dimensiones por secuencia
Tiempo de codificación en vez de posición
Una elección clave del diseño implicaba la sustitución de codificaciones posicionales estándar (p. ej., primer evento, segundo evento) por marcas de tiempo acumulativas. La aplicación de la codificación sinusoidal al tiempo transcurrido actúa como una descomposición de Fourier, proyectando cada marca de tiempo en varias frecuencias a la vez.
Los componentes de alta frecuencia capturan microbrechas entre eventos rápidos
Los componentes de baja frecuencia capturan el ritmo general de la sesión
Esto obliga al modelo a aprender patrones de sincronización como una característica de primera clase. Las pausas largas e irregulares típicas de los agentes de IA (a veces varios segundos entre clics) se convierten en una señal significativa en lugar de en un artefacto de longitud de secuencia.
Con un transformador previamente entrenado que produce incrustaciones de comportamiento en 64 dimensiones, entrenamos a un pequeño clasificador supervisado para detectar el comportamiento agéntico, recopilando 2190 secuencias agénticas etiquetadas mediante la ejecución de Comet, Atlas y la extensión de Chrome de Claude frente a sitios web de clientes reales instrumentados por Bot Manager Premier.
Nuestro equipo utilizó estas herramientas mediante prompts estandarizados:
"Ve a la página del producto y añade el artículo X al carro".
"Encuentra la página de inicio de sesión".
"Compara artículos de la categoría Y".
A continuación, recopilamos las sesiones de Bot Manager Premier resultantes. Los datos de referencia humanos se extrajeron de las mismas propiedades del cliente.
La combinación de estas creó un desequilibrio de clase significativo: aproximadamente 85 sesiones humanas por cada una de las sesiones agénticas. Abordamos este problema con funciones de pérdida ponderadas por clases y un amplio aumento de los datos en la clase minoritaria agéntica (ruido gaussiano, pérdida de funciones y escala temporal aleatoria).
El clasificador de segunda etapa es un perceptrón multicapa (MLP) superficial, con dos capas ocultas (64 → 32 unidades) encima de la incrustación de 64 dimensiones. Comparamos esto con una máquina de vectores de soporte (SVM) de una clase, Isolation Forest y un enfoque basado en un codificador automático variacional (VAE) (tabla). El MLP supervisado superó sustancialmente a todas las alternativas, incluidos los métodos de una sola clase que normalmente se espera que generalicen mejor en los datos no visibles.
| Enfoque | ROC-AUC | PR-AUC | Notas |
|---|---|---|---|
| SVM de una sola clase | 0,797 | 0,044 | Entrenado exclusivamente con datos humanos |
| Isolation Forest | 0,833 | 0,038 | Detección de anomalías casi nula en umbrales útiles |
| VAE + pérdida basada en energía | 0,882 | 0,410 | Prometedor, pero difícil de ajustar con precisión |
| MLP superficial (final) | 0,981 | 0,661 | Enfoque seleccionado |
Comparación del modelo de clasificación de segunda etapa que demuestra un mejor rendimiento del MLP superficial
Información clave
El comportamiento agéntico no está simplemente "fuera" de la distribución humana; se superpone parcialmente con sesiones humanas dispersas, como los usuarios que hacen un solo clic directo y se van. La detección de agentes requiere el aprendizaje de un límite discriminatorio, no solo marcar los valores atípicos.
Cuando se proyectan en el espacio bidimensional, podemos observar una separación relativamente clara entre las incrustaciones humanas y las agénticas aprendidas por el modo transformador (Figura). Los enfoques muy sencillos, como el uso de un límite de decisión hiperplano con una SVM, no funcionaban muy bien, pero una red de MLP superficial puede aprender a distinguir entre las clases y generalizar razonablemente bien con datos de entrenamiento etiquetados limitados.
Las herramientas de navegación de IA agéntica están dando comienzo a una era genuinamente nueva del tráfico web, en la que las sesiones pueden combinar telemetría humana y artificial, y que los modelos de detección existentes no pueden ver por diseño.
La arquitectura descrita en esta publicación nos ofrece un enfoque basado en principios para razonar incluso sobre las secuencias de ratones más dispersas: un transformador autosupervisado que aprende la estructura de comportamiento de millones de secuencias sin etiquetar, seguido por un clasificador ligero entrenado con un conjunto cuidadosamente seleccionado de sesiones agénticas etiquetadas.
En la segunda parte de esta serie, pondremos a prueba el modelo. Compartiremos métricas de detección a nivel de solicitud y a nivel de sesión, mostraremos cómo se generalizan las firmas de comportamiento en los distintos sitios web de clientes y visualizaremos el aspecto de las sesiones agénticas en comparación con las sesiones humanas. También analizaremos lo que significa la precisión operativa en una implementación en el mundo real y lo que se requiere para lograr una capacidad lista para la producción.
La investigación descrita en esta publicación ha sido realizada por los equipos de investigación sobre amenazas y ciencia de datos de Akamai. El conjunto de datos agénticos etiquetados se recopiló y anonimizó siguiendo un protocolo estandarizado utilizando sitios web de clientes instrumentados con BMP.
©2026 Akamai Technologies
