Kort samengevat: OpenClaw plus Scrapling stealth-bypass van Cloudflare en PerimeterX
- Edge WAF is niet genoeg: Iedereen wil AI-agents als geblokkeerd aan de edge verklaren, maar OpenClaw gekoppeld aan Scrapling's StealthyFetcher start headless Chrome die Turnstile oplost, WebRTC-lekken verbergt en canvasruis randomiseert zodat elke sessie op een verse mens lijkt. Je edge WAF is niet het antwoord.
- In cijfers: Cloudflare rapporteerde dat user-action AI-bots (formulieren invullen, posts, profielbewerkingen) meer dan 15x groeiden in 2025, de Merchant Risk Council rapporteerde dat 83% van de merchants vorig jaar geraakt werd door first-party misbruik, ATO of refund abuse, en cside's fingerprinting leest 250+ passieve signalen per sessie.
- De kern: Als je controlepunt IP-reputatie en CAPTCHAs is, ben je de sessies die ertoe doen al kwijt. Instrumenteer wat er binnen de browser draait, of blijf schone chargeback-rapporten insturen terwijl agentic scrapers in hun eigen tempo door je checkout wandelen.
Weinig tijd? Bekijk cside's AI-agentdetectie. Dit dekt alles hieronder in één deployment.
De open-source AI-agent OpenClaw is overal. Hij beheert agenda's, ruimt inboxen op en automatiseert dagelijkse taken. Maar aanvallers gebruiken hem ook om beschermde content te scrapen, gestolen creditcards te testen en op schaal nepaccounts aan te maken.
Daarvoor combineren ze OpenClaw met gespecialiseerde headless-browsertools zoals Scrapling. Deze tools zijn specifiek ontworpen om traditionele anti-botsystemen zoals Cloudflare en PerimeterX te omzeilen. Ze spoofen TLS-fingerprints, randomiseren canvasrendering en roteren user agents zodat geautomatiseerde scripts precies lijken op menselijke shoppers.
Als je security stack vertrouwt op IP-reputatie of basale JavaScript-challenges, glippen deze agents al door de controles. Verdediging tegen deze nieuwe golf van agentische fraude vereist dieper inzicht in de browser.
De mechaniek van een agentische bypass
Wanneer een AI-agent een website bezoekt, zoeken traditionele botdetectiesystemen naar duidelijke tekenen van automatisering. Ze controleren of het IP-adres bij een bekend datacenter hoort, of de user-agentstring overeenkomt met een echte browser en of de sessie een CAPTCHA-challenge op de achtergrond kan oplossen.
Tools zoals Scrapling automatiseren het ontwijken van deze controles. Wanneer een OpenClaw-gebruiker zijn agent opdracht geeft om een beschermde site te scrapen, start de agent een headless Chrome-instantie in een "StealthyFetcher"-modus.
Deze modus lost automatisch Cloudflare Turnstile-challenges op. Hij blokkeert WebRTC-lekken die het echte IP-adres van de agent zouden kunnen blootleggen. Hij voegt zelfs willekeurige ruis toe aan canvasrendering, zodat de grafische fingerprint van de browser bij elk verzoek verandert. Voor het traditionele botdetectiesysteem lijkt de geautomatiseerde agent op een unieke, legitieme menselijke gebruiker op een standaardapparaat.
Waarom traditionele antifraudesuites falen
De botdetectie-industrie is gebouwd om mechanische scripts te stoppen die taken uitvoeren met perfecte timing en uniforme scrollsnelheden. AI-agents gedragen zich niet als mechanische scripts.
Volgens Cloudflare namen AI-bots met "user action", agents die formulieren invullen, posts maken of profielinformatie bewerken, in 2025 met meer dan 15x toe. Deze agents gebruiken redenering om complexe workflows te navigeren. Ze spreiden hun verzoeken, roteren residentiële proxies en bootsen menselijke interactiepatronen na.
Wanneer deze agents worden ingezet voor fraude, is de financiële impact groot. De Merchant Risk Council meldt dat 83% van de merchants vorig jaar first-party misuse, account takeover-fraude of refund abuse meemaakte. Betaalfraude kost e-commerce merchants inmiddels meer dan 48 miljard dollar per jaar.
Stealth-agents detecteren met browserfingerprinting
Je stopt een AI-agent niet door hem te vragen op foto's van verkeerslichten te klikken. Je stopt hem door de omgeving te analyseren waarin hij draait.
cside Fingerprinting verzamelt passief meer dan 250 netwerk-, apparaat- en gedragssignalen tijdens normale paginaladingen. In plaats van te vertrouwen op een enkel faalpunt zoals een TLS-fingerprint of IP-adres, bouwt cside een persistente visitor identity die standhoudt over sessies, incognitomodi en VPN's heen.
Wanneer een OpenClaw-agent zich probeert te verbergen achter een residentiële proxy of zijn canvasoutput randomiseert, detecteert cside de onderliggende afwijkingen. Het platform identificeert herkenbare tekenen van virtuele machines, headless browsers en geautomatiseerde frameworks die op frauduleuze activiteit wijzen.
Deze diepe zichtbaarheid in de browserlaag stelt securityteams in staat verdachte sessies te herkennen voordat ze de checkoutpagina of het accountcreatieformulier bereiken.
Zes browsersignalen die sluipende AI-agents blootleggen
Stealth-tools kunnen afzonderlijke signalen aanpassen. De zes categorieën hieronder combineren maakt omzeiling moeilijker, maar toets ze aan bekende menselijke sessies en de automatiseringsconfiguraties die je verwacht.
1. Headless-browserindicatoren. Vergelijk navigator-eigenschappen, plugins, talen en platformgegevens op inconsistenties. Privacyinstellingen en ongebruikelijke hardware kunnen ontbrekende waarden ook verklaren.
2. Sporen van virtuele machines en emulators. GPU-renderers, WebGL-identificaties en hardwareconcurrency kunnen gevirtualiseerde omgevingen herkennen. Legitieme gebruikers werken ook met virtuele machines; dit geeft context en bewijst geen fraude.
3. Canvas- en WebGL-inconsistenties. Sommige ontwijkingstools veranderen de renderuitvoer. Vergelijk metingen binnen een sessie en met de opgegeven browseromgeving, rekening houdend met privacyfuncties die fingerprints bewust verstoren.
4. WebRTC- en TLS-afwijkingen. De beschikbaarheid van WebRTC hangt af van de browser en privacyinstellingen. Combineer dit met TLS-fingerprints als je server of edge die beschikbaar stelt; JavaScript op de pagina leest de TLS-handshake niet rechtstreeks. Ontbrekende WebRTC-kandidaten of een TLS-afwijking bewijzen geen automatisering.
5. Timing en interactiepatronen. Herhaalde navigatiepaden, scrollpatronen en weinig correcties kunnen op automatisering wijzen. Modelinferentie, automatisch invullen en toegankelijkheidstools beïnvloeden deze patronen ook; beoordeel ze samen.
6. Afwijkingen bij residentiële proxies. Apparaatcontinuïteit bij snelle IP- of locatiewisselingen kan verdachte activiteit blootleggen. VPN's, mobiele netwerken en gedeelde apparaten veranderen ook de relatie tussen IP en apparaat, dus bevestig het resultaat met andere signalen.
Geen enkel signaal is op zichzelf doorslaggevend. Combineer browserwaarnemingen, netwerkcontext en bezoekerscontinuïteit om omzeiling moeilijker te maken zonder een ongebruikelijke configuratie als fraude te behandelen. Lees meer over headless-browserdetectie en stealth- en anti-detectbrowsers.
Hoe te reageren wanneer een agent-bypass-poging wordt gedetecteerd
Nauwkeurige detectie zet zich alleen om in een geblokkeerde aanval als je responslaag op het signaal kan handelen voordat de sessie een gevoelige flow bereikt. Drie praktische stappen om de kloof te dichten:
Stap 1: Voeg browsercontext toe aan beslissingen over gevoelige stappen. Behoud WAF-regels en rate limits en combineer ze met browserwaarnemingen. Laat je backend het risico-oordeel toepassen op endpoints voor accountaanmaak, login en betalingen; een controle aan de clientzijde is op zichzelf geen autorisatie.
Stap 2: Combineer apparaatcontinuïteit met sessiesignalen. Fingerprints vergelijken kan herhaalde sessies helpen koppelen ondanks wijzigingen in IP of cookies. Behandel een overeenkomst als correlatie, niet als bevestigde identiteit; gedeelde apparaten en configuratiewijzigingen kunnen de uitkomst beïnvloeden. Blokkeer of voer extra controles uit op basis van het gecombineerde risico.
Stap 3: Scheid intentieclassificatie van massablokkade. Niet elke geautomatiseerde sessie is fraude. Een consumentenagent die een aankoop afrondt namens een legitieme koper is een verkoop, geen aanval. Alle agents blokkeren riskeert echte omzet te blokkeren. Gebruik browserlaagsignalen om intentie te classificeren (scraper versus koper, card tester versus vaste klant) en leid verdachte sessies naar wrijving terwijl vertrouwde agents worden doorgelaten.
De agentische commerce-era beveiligen
AI-agents veranderen fundamenteel hoe gebruikers met het web omgaan. Sommige agents zijn kwaadaardig, maar andere zijn legitieme consumenttools die namens echte kopers handelen.
Het doel is om de intentie achter de sessie te begrijpen, niet om al het geautomatiseerde verkeer te blokkeren. Door browserlaagsignalen te monitoren, kun je AI-agents detecteren met precisie. Je kunt scrapers en card testers blokkeren, terwijl je betrouwbare consumentagents veilig door je checkoutflow begeleidt.
Wat er in de browser gebeurt, maakt het verschil tussen een geblokkeerde aanval en een dure chargeback.
Boek een demo om te zien hoe cside Fingerprinting je login- en betaalpagina's kan beveiligen tegen agentische fraude.
