人工智能正重塑互联网流量格局，“AI身份”成为网站与应用面临的新兴关切。当前，系统交互对象已从人类和传统爬虫，扩展至通过HTTP直接获取内容的AI助手、在浏览器中自主导航的智能体，以及连接企业运营数据的AI系统。
这对电商和金融服务公司构成了新的身份识别挑战：完全屏蔽自动化行为可能误伤合法的AI驱动交互，而盲目信任任何声称是AI助手的请求，则可能为数据抓取、欺诈和身份冒充留下漏洞。
安全公司Fingerprint Inc.宣布扩展其平台，推出授权AI智能体检测（Authorized AI Agent Detection）、AI助手检测（AI Assistant Detection）、自动化情报API（Automation Intelligence API）以及Fingerprint MCP服务器。此举旨在帮助组织识别不同类型的AI流量，区分经验证的系统与伪造工具，并将AI助手接入可信的反欺诈及设备情报服务，推动从传统机器人检测向人机共享网络的有效治理过渡。
从二元检测到细粒度身份识别
传统机器人管理基于“真人还是自动化程序”的二元逻辑，但在部分自动化行为被期望甚至欢迎的场景下，这种区分效用递减。例如，代表真实购买意图的AI购物智能体，或作为新推荐渠道的信息检索助手（如ChatGPT、Gemini），均具有合法价值。与此同时，攻击者也可模仿这些系统以规避控制或抓取敏感数据。
Fingerprint的“授权AI智能体检测”针对前者，通过浏览器识别签名AI智能体。该公司表示，其生态系统可通过密码学方式验证来自OpenAI、AWS AgentCore、Browserbase、Manus和Anchor Browser等平台的智能体。
“AI助手检测”则作用于不同层级，重点检查来自ChatGPT、Gemini和Claude等助手的直接HTTP流量，而非识别控制浏览器的AI系统。鉴于许多现有安全产品依赖客户端JavaScript，而AI助手往往不执行此类代码，Fingerprint转而通过分析用户代理（User-Agent）、源IP地址、反向DNS记录及AI提供商发布的网络信息来判断流量来源，确认声称来自特定助手的流量是否真实关联该提供商。
这意味着机器人流量不再需要“一刀切”。经过验证的助手流量在公共页面上可被接受，但对于未验证的请求或试图完成敏感交易的智能体，则需采取不同策略。
无浏览器AI重构安全边界
Fingerprint的“自动化情报API”将检测策略延伸至浏览器之外。该API目前处于预览阶段，旨在无需客户端JavaScript的情况下对自动化流量进行分类，支持在CDN边缘、中间件或后端运行。除自动化分类外，它还提供包括代理、VPN、Tor网络及地理位置在内的IP和网络风险上下文信息。
本质上，AI正在改变身份决策的发生位置。历史上，数字身份和反欺诈主要假设互动通过Web浏览器或移动App进行，但AI助手正越来越多地绕过这一层，直接与网站、API和后端服务通信。安全团队不仅需判断请求是否来自自动化程序，还需明确是哪个AI系统在发出请求、其身份真实性以及意图。
这一转变与企业适应自主系统的进程同步。theCUBE Research在2025年AI Builder Summit的研究显示，55%的受访者已部署自主AI智能体，60.5%预计在未来18个月内部署；41.8%的案例已部署多智能体系统，50.9%计划采用。随着应用扩大，机器身份正从新兴安全关注点转变为生产架构的必要要求。
MCP打通反欺诈数据交互
Fingerprint MCP服务器从另一侧切入AI转型，允许授权的AI助手和智能体与Fingerprint的设备情报交互。该服务器现已全面可用，通过模型上下文协议（MCP）暴露设备信号、欺诈事件、工作区管理及集成接口，支持开发人员连接Claude Code和Cursor等兼容代码环境。
对于反欺诈分析师，这意味着调查界面的变革。分析师无需手动导航仪表板关联设备标识符，可直接询问AI助手可疑账户间的关联性或结账欺诈激增的原因。助手通过MCP查询Fingerprint数据并返回分析结果，从而提升效率。
这种双重角色——AI既是被识别对象，也是运营工具——产生了独特的治理需求。访问欺诈数据不等于拥有全部权限，助手可审查遥测数据，但更改规则、封锁账户等操作仍需保留人工审批。然而，治理滞后于采用速度。theCUBE Research研究发现，仅20.2%的受访者在企业范围内部署了基于受控框架的AI应用，而50.7%主要依赖公共AI工具。
电商与金融率先承压
电商和金融服务行业首当其冲。在商业领域，AI智能体逐渐承担研究产品、比价及代表交易的角色，零售商需在区分合法购物智能体与数据抓取器/欺诈尝试的同时，保障客户体验。
金融服务风险更高。与银行或金融科技应用交互的智能体可能协助产品选择、账户管理或交易。在此环境中，仅知晓交互来自AI智能体远远不够，组织需深入核实智能体身份、授权方及权限范围。这促使AI身份被纳入应用程序安全架构中的身份验证、反欺诈、API安全和零信任体系。
组织应对策略
面对合法的AI流量，公司无需彻底重构身份和反欺诈系统，但应审视现有系统处理非设计内流量的能力。建议从以下五方面着手：
- 定位AI流量：确定助手和智能体在网站、API、登录、结账或产品信息访问等环节的出现位置，建立工作基准。
- 验证主体身份：若助手声称代表已知AI服务，需具备验证该声明合法性的手段，仅检测自动化不足以解决问题。
- 评估工具可见性：理解助手通过HTTP直接连接时的风险捕获能力，确认现有工具能否获取评估风险所需的设备、网络、行为和交易信息。
- 规范AI使用权限：利用MCP等工具降低调查手动工作量，同时明确界定AI系统可查看、建议的内容，以及可执行的操作，保留关键决策的人工审批权。
- 规划长期AI身份策略：代理式商务和机器介导的金融互动仍在发展，但身份问题将持续存在。政策设计应具备演进性，以适应AI系统自主权的提升。
Fingerprint的产品布局凸显了市场向更细粒度的AI流量识别、机器身份验证及基于上下文的策略决策发展的趋势。互联网正演变为由人类、传统自动化工具、AI助手和自主智能体共享的环境。技术领导者需超越单一产品组合，将AI身份视为数字信任架构的核心，重点关注交互机器的类型识别、身份验证及基于风险的策略应用，以应对从“是人还是机器”到“是否值得信赖”的范式转变。