Kort samengevat: definitie van AI-agent en websitebeleidsraamwerk
- Chatbot versus agent: Chatbots en AI-agents worden nog altijd door elkaar gehaald. Een chatbot geeft tekst. Een AI-agent gebruikt een LLM om een doel te plannen, subtaken op te splitsen, een echte browser of API te besturen, resultaten waar te nemen en de uitkomst af te ronden. Computer Use, Operator, Buy For Me en Perplexity Shopper doen dit al in productie.
- Waarom checks falen: Agents besturen volwaardige browsers, dus WebGL-, canvas- en user-agent-checks geven 'echte gebruiker' waarden en rate limits gaan nooit af. cside draait op de browserlaag om per sessie een gedragsscore en een device fingerprint te leveren die agents van mensen scheiden en het framework benoemen.
- Drie beleidsvragen: Beantwoord drie beleidsvragen voordat je code schrijft. Is agentverkeer welkom op deze surface? Moet je het van menselijk verkeer onderscheiden? Welke actie triggert de classifier bij een agent: blokkeren, throttlen, andere prijs, ID vragen, of toestaan en observeren?
Weinig tijd? Bekijk cside's AI-agentdetectie. Dit dekt alles hieronder in één deployment.
Een AI-agent is een systeem gebouwd op een groot taalmodel dat taken met meerdere stappen zelfstandig kan plannen en voltooien, vaak door een echte browser aan te sturen of API's aan te roepen. Anders dan een chatbot die een vraag beantwoordt en dan stopt, neemt een agent een doel (bijvoorbeeld "boek een vlucht van Londen naar Lissabon onder £150") en werkt de stappen af om het te bereiken. Door die mogelijkheid duiken agents in 2026 in groeiende aantallen op websites op, en zijn ze belangrijk voor iedereen met een e-commerce-, financiële of contentsite.
De formele definitie
Een AI-agent is een softwaresysteem dat:
- Een LLM gebruikt als redeneermotor
- Een open doel aanneemt van een gebruiker of een ander systeem
- Het doel opsplitst in deeltaken
- Die deeltaken uitvoert met behulp van tools: een browser, een API, een code-interpreter, een shell
- De resultaten observeert en zijn plan aanpast
- Doorgaat totdat het doel is bereikt of geblokkeerd
De cruciale onderscheidende eigenschap is handelen in de echte wereld. Traditionele chatbots produceren tekst. Agents produceren voltooide resultaten.
Concrete voorbeelden in 2026
Verschillende agents zijn al in productie of brede preview:
| Agent | Leverancier | Wat het doet |
|---|---|---|
| Computer Use | Anthropic (Claude) | Bestuurt een volledige desktop of browser om taken uit te voeren |
| Operator | OpenAI | Webgebaseerde agent die sites doorloopt en aankopen voltooit |
| Buy For Me | Amazon | Assistent die op internet aankopen voltooit namens Amazon-klanten |
| Perplexity Shopper | Perplexity | Zoekgestuurde aankoopassistent |
| Browser Use | Open source | Framework voor het bouwen van browseraansturende agents |
| ChatGPT Agents | OpenAI | Aangepaste agents die via het OpenAI-platform worden ingezet |
| Claude Skills | Anthropic | Taakspecifieke mogelijkheden binnen Claude |
Elk hiervan communiceert op dezelfde manier met websites (pagina's laden, JavaScript uitvoeren en met formulieren interacteren), terwijl het er voor verdedigingen op netwerkniveau uitziet als een normale bezoeker.
Hoe agents verschillen van bots en scrapers
Het bot-detectiedraaiboek van het afgelopen decennium gaat ervan uit dat automatisering je endpoints rechtstreeks aanroept of een headless browser gebruikt. Agents doorbreken beide aannames:
- Agents sturen volledige browsers aan, geen headless omgevingen. WebGL, canvas-fingerprinting en controles van browsereigenschappen leveren waarden op die op een "echte gebruiker" wijzen.
- Agents produceren netwerkverkeer dat identiek is aan dat van mensen. Rate limits, user-agentfilters en door CAPTCHA geactiveerde stromen slaan niet aan.
- Agents voltooien taken sneller en consistenter dan mensen. Dat is het signaal dat ze onderscheidt van echte bezoekers.
Ons eerdere artikel over hoe bots verschillen van AI-agents en hoe verouderde tools ze missen behandelt de verandering in detectiestrategie die dit vereist.
Waarom agents belangrijk zijn voor websitebeveiliging
Agents worden gebruikt voor legitieme doeleinden zoals winkelen, onderzoek en workflowautomatisering, en voor misbruik. Aan de misbruikzijde zijn agents in het wild gedocumenteerd voor:
- Accountovername: agents die inloggen op gestolen accounts en transacties voltooien
- Misbruik bij accountaanmaak: agents die duizenden accounts aanmaken om promoties, gratis proefperiodes of referralprogramma's te misbruiken
- Card testing: agents die kaartnummers aflopen bij afrekenpagina's (zie onze gids over hoe je AI-agents voor het testen van creditcards blokkeert)
- Content scraping: agents die content verzamelen voor LLM-training of afgeleide producten
- Workflowmanipulatie: agents die zwakke plekken in de businesslogica uitbuiten, met name in loyaliteits- en prijssystemen
De post over beveiligingsrisico's van agentic AI voor websites behandelt de specifieke misbruikpatronen uitgebreider.
Het beleidskader met drie vragen
Voordat je beslist wat je met agentverkeer doet, moet elke websitebeheerder drie vragen beantwoorden:
- Is agentverkeer welkom op dit oppervlak? Content: meestal niet. E-commerce: het hangt ervan af. Accountaanmaak: meestal niet. Supportformulieren: meestal wel.
- Moet je agentverkeer onderscheiden van menselijk verkeer? Prijsstelling, analytics en fraude worden allemaal erger als dat niet kan.
- Welke actie onderneem je wanneer je een agent detecteert? Blokkeren, afknijpen, een andere prijs rekenen, identificatie eisen, of toestaan en observeren.
De technische detectie is hetzelfde, ongeacht het antwoord. Wat verandert, is wat er wordt geactiveerd wanneer de classifier een agent detecteert.
Hoe agents worden gedetecteerd op de browserlaag
Agents produceren te onderscheiden gedragssignalen, zelfs wanneer de browseromgeving overeenkomt met die van een menselijke gebruiker:
- Cursorpaden: gescripte bogen van doel naar doel in plaats van rommelige menselijke bewegingen
- Typeritme: uniforme vertragingen tussen toetsaanslagen zonder natuurlijke pauzes
- Snelheid van taakvoltooiing: van pagina-lading tot formulierverzending in minder tijd dan een mens zou kunnen halen
- Volgorde van formuliervelden: deterministisch, volgens de DOM-volgorde in plaats van de tabvolgorde
- Vorm van de sessie: een direct pad naar de taak, geen verkennend surfen
- Stabiliteit van de device-fingerprint: dezelfde omgeving over sessies heen, zelfs wanneer de onderliggende gebruiker verandert
In combinatie met device-fingerprinting leveren deze signalen een sterke classificatie op. Zie onze gidsen over het detecteren van OpenAI Operator, Anthropic Computer Use en Perplexity Shopper voor agentspecifieke detectie.
Waar cside past
cside draait op de browserlaag en produceert de gedragsscore en device-fingerprint die agents van mensen onderscheiden in elke sessie. Wanneer een agent wordt gedetecteerd, brengt cside de classificatie in real time naar voren, zodat de site elk gewenst beleid kan afdwingen: blokkeren, afknijpen, een andere prijs rekenen, of toestaan met observatie.
Voor het bredere beeld van hoe je een agentdetectieoplossing kiest, zie hoe je een AI-agentdetectieoplossing kiest.
Wat de toekomst brengt voor agents
De mogelijkheden van agents nemen snel toe. In 2024 konden agents eenvoudige taken voltooien. In 2025 werden ze goed in aankopen met meerdere stappen en accountbewerkingen. Tegen 2026 voltooien ze routinematig workflows die mensen minuten kostten. Het consumentenoppervlak voor agentic AI (Operator, Computer Use, Buy For Me) breidt elk kwartaal uit, en het enterprise-oppervlak wordt daarnaast opgebouwd.
Websites die agentverkeer behandelen als een beleidskeuze in plaats van een infrastructuurprobleem, maken er een concurrentievoordeel van. Websites die het onbeheerd laten, vangen de misbruikgevallen op zonder de legitieme vraag te benutten.
