Künstliche Intelligenz, aktuell.
Direkt aus den Originalmeldungen.

Resemble AI bringt RAD-S1 auf den Markt, um als Menschen getarnte KI-Agenten zu erkennen

29. Oktober 2026Von der KI Nachrichten RedaktionQuelle: Resemble AI
Resemble AI bringt RAD-S1 auf den Markt, um als Menschen getarnte KI-Agenten zu erkennen
Bild: Resemble AI

Resemble AI hat RAD-S1 veröffentlicht, ein Verhaltensmodell, das unterscheiden soll, ob ein Website-Besucher ein Mensch oder ein KI-Agent ist, selbst wenn der Agent sich tarnt. Im internen Benchmark des Unternehmens erkannte es 98,8 % und mehr der Agentenbesuche, die ihre Automatisierung verbergen, während sechs andere Bot-Erkennungstools zwischen 3,1 % und 14,8 % erreichten.

Das Wichtigste in Kürze
  • Resemble AI hat RAD-S1 veröffentlicht, ein Verhaltensmodell, das Besucher als Menschen, Computer-Use-Agenten, Browser-Automatisierung oder skriptgesteuerte Clients einordnet.
  • In Resembles internem Test mit mehr als 2.000 Agentenbesuchen erkannte RAD-S1 98,8 % und mehr der versteckten Agenten, sechs andere Tools kamen auf 3,1 % bis 14,8 %.
  • Bei Agenten, die sich nicht verstecken, schnitten alle sieben Tools gut ab, RAD-S1 erreichte 98,7 % oder mehr.
  • In der Standardeinstellung Balanced stuft RAD-S1 etwa 5 bis 6 % der menschlichen Besuche als Agenten ein, und der Benchmark umfasste nur Agentenbesuche.
  • Resemble empfiehlt, das Urteil als ein Signal neben der bestehenden Bot-Erkennung zu nutzen.

Warum sich Agenten schwer einordnen lassen

Resemble AI zufolge tun sich die meisten Websites weiterhin schwer damit, einen KI-Agenten als solchen zu erkennen. Tools wie Muse, Claude in Chrome und ChatGPT-Agenten laufen in echten Browsern, oft innerhalb der angemeldeten Sitzung eines Kunden. Angreifer können ähnliche Werkzeuge mit Stealth-Browsern einsetzen, die Aktivitäten wie die eines Menschen aussehen lassen.

Der Beitrag verweist auf Unternehmen, die bereits mit dieser Unsicherheit umgehen. Er zitiert Charles-Schwab-CEO Rick Wurster dazu, warum die Bank externe KI-Agenten daran hindert, mehrfach pro Woche Kundengelder zu bewegen: „Wir können es nicht kontrollieren, der Kunde kann es nicht kontrollieren, etwas könnte schiefgehen, und wer haftet dann?“ Laut Resemble schränkt auch JPMorgan Chase externe Agenten bei Aktionen in seinen Systemen ein, und Amazon hat Metas Muse blockiert, mit der Begründung, der Agent habe sich beim Surfen nicht als KI zu erkennen gegeben.

Resemble formuliert das als drei Fragen für Sicherheitsteams: ob der Besucher ein Mensch oder ein Agent ist, wohin er gelangen soll und wie sich schädliche Agenten stoppen lassen, ohne Kunden auszubremsen. Die erste Frage müsse vor den beiden anderen beantwortet werden, argumentiert das Unternehmen, und genau damit tue sich die bestehende Bot-Erkennung schwer, wenn ein Agent menschlich wirkt.

Deklarierte, nicht deklarierte und getarnte Besucher

Resemble unterscheidet Besucher danach, was sie tun und wie sie sich präsentieren. Ein Bot folgt einem Skript, etwa beim Crawlen von Inhalten oder beim massenhaften Ausfüllen eines Formulars. Ein KI-Agent arbeitet auf ein Ziel hin, zum Beispiel die Buchung eines Flugs, und entscheidet selbst über seine Schritte. Bei der Selbstdarstellung unterscheidet das Unternehmen drei Kategorien:

  • Deklariert: Der Besucher gibt sich im User Agent oder in einem signierten Header zu erkennen.
  • Nicht deklariert: Er gibt sich nicht zu erkennen, hinterlässt aber die üblichen Spuren von Browser-Automatisierungstools.
  • Getarnt: Er verändert seine Identität oder seinen Browser-Fingerabdruck, um wie ein gewöhnlicher Besucher auszusehen.

Klassische Bot-Erkennung ist laut Resemble tendenziell bei nicht deklariertem Traffic am stärksten. Getarnte Sitzungen sind die Kategorie, auf die RAD-S1 zielt, und ein Agent kann ein Stealth-Setup nutzen, ohne dass die Person, die ihn losgeschickt hat, es überhaupt weiß.

So funktioniert RAD-S1

RAD-S1 kombiniert ein Verhaltensmodell mit einem Regelwerk. Der Browser sammelt lediglich Signale, die gesamte Bewertung läuft auf den Servern von Resemble. Ein Skript von rund 25 KB liest Mausbewegungen, Klickmuster, Tippfluss und Scrollverhalten aus, dazu Browser- und Umgebungssignale wie Request-Header, Automatisierungs-Flags und Web-Bot-Auth-Signaturen von Agenten, die sich selbst zu erkennen geben. Laut Resemble werden Tasten nur nach Typ protokolliert, nie die Taste selbst, und das Skript erfasst weder eingegebenen Text noch Passwörter.

Das Skript sendet alle 1,2 Sekunden ein kleines Paket. Die erste Prüfung läuft nach etwa 5 Aktionen oder 50 Mausbewegungen, und jede serverseitige Prüfung dauert im Median etwa 120 ms und im 95. Perzentil 200 ms. Die Signale werden zu einer Wahrscheinlichkeit für die Anwesenheit eines Menschen und zu einer Besucherklasse verrechnet. Sobald zwei Auswertungen übereinstimmen, gilt das Urteil für den Rest des Besuchs als endgültig.

Zu den Trainingsdaten gehören unter anderem Sitzungen von Claude, Codex, Grok, ChatGPT, OpenAI Dot, Browser Use, Playwright und Muse. Das Modell ist versioniert und wird aktualisiert, sobald neue Agenten und Stealth-Tools auftauchen, einen festen Zeitplan für das Nachtrainieren gibt es nicht.

Benchmark-Ergebnisse

Resemble verglich RAD-S1 mit Cloudflare Turnstile, BotD, F5, Google reCAPTCHA, Akamai und Vercel BotID. Der Test umfasste mehr als 2.000 Agentenbesuche auf 12 Website-Stacks, darunter Vue, React, Next.js und reines HTML. Er deckte kommerzielle Agenten mit vermenschlichten Mausbewegungen und Tippmustern ab, Open-Source-Automatisierung wie Browser Use und Playwright, Stealth-Browser (Camoufox, Patchright und Stealth Playwright) sowie Session Takeover, bei dem ein Bot mitten in einem Besuch die Kontrolle übernimmt.

Bei Agenten, die sich nicht verstecken, schnitten alle sieben Tools gut ab. Die Erkennungsrate reichte von 94,8 % bei Vercel BotID bis zu 99,3 % und mehr bei BotD, RAD-S1 lag bei 98,7 % oder höher.

Bei Agenten, die sich verstecken, gingen die Ergebnisse auseinander. RAD-S1 erkannte 98,8 % und mehr dieser Besuche, die anderen sechs Tools zwischen 3,1 % und 14,8 %. Beim Session Takeover erwischte BotD mit 50,2 % etwa die Hälfte der Besuche, die übrigen fünf Tools erkannten weniger als 15 %.

Resemble führt den Abstand auf die Eingangsdaten zurück. Die meiste Bot-Erkennung stützt sich auf Netzwerk- und Browserdaten, die Stealth-Tools gezielt fälschen. RAD-S1 untersucht stattdessen das Verhalten. Die Signale sind dokumentiert, die Gewichtung durch das Modell ist laut Unternehmen jedoch nicht öffentlich.

Grenzen und Folgen für Sicherheitsteams

Resemble benennt die Grenzen offen. Jeder Besuch im Benchmark stammte von einem Agenten, er zeigt also, wie viel Agenten-Traffic jedes Tool erkennt, nicht aber, wie oft es fälschlich Menschen markiert. In der Standardeinstellung Balanced stuft RAD-S1 derzeit etwa 5 bis 6 % der menschlichen Besuche als Agenten ein. Das Unternehmen sagt, Websites könnten die Empfindlichkeit künftig im Dashboard anpassen, und ein neuer Benchmark zur Senkung der Raten von Fehlalarmen und nicht klassifizierten Besuchen sei in Arbeit. Deklarierte Agenten wurden nicht getestet, da sie sich selbst zu erkennen geben. RAD-S1 funktioniert auf Websites und Web-Apps im Browser, native Mobile-Apps sollen bald folgen.

Resemble weist außerdem darauf hin, dass sich Verhalten nachahmen lässt und einige Agenten das bereits versuchen, in seinem Test etwa ChatGPT, Claude und Muse. Das Unternehmen empfiehlt daher, ein Urteil als ein starkes Signal neben anderen Kontrollen zu behandeln und Traffic zu kennzeichnen, bevor entschieden wird, was blockiert wird. Sicherheitsteams rät es, die bestehende Bot-Erkennung beizubehalten, die Crawler und Skripte, die sich zu erkennen geben, gut abdeckt, und eine zusätzliche Schicht für Agenten einzuziehen, die sich verstecken.

Ähnliche Meldungen

Für Entwickler
Für Entwickler13. November 2026, 18:00

Sierra veröffentlicht Poppy 1.0 für persönliche Agenten und Unternehmen

Sierra hat Version 1.0 des Personal Agent Protocol veröffentlicht, bekannt als Poppy. Damit erhalten persönliche Agenten einen einheitlichen Weg, über…

Produkte und Tools
Produkte und Tools12. November 2026, 19:21

RemotePC integriert MCP für KI-gestützte Computerverwaltung

RemotePC hat eine Integration eingeführt, mit der Kunden ChatGPT, Claude und andere kompatible KI-Assistenten nutzen können, um entfernte Computer zu überwachen und…

Resemble AI startet Agent Detection, das Menschen, Bots und KI-Agenten unterscheidet
Sicherheit und Ethik29. Oktober 2026

Resemble AI startet Agent Detection, das Menschen, Bots und KI-Agenten unterscheidet

Resemble AI hat Agent Detection vorgestellt, ein Tool, das Verhalten und Absichten von Besuchern analysiert, jede Sitzung als Mensch, Bot oder Agent einstuft und die…