Das Klassifikationsproblem
Wenn ein Detection-System einen Teil des Traffics als Bot erkennt, beschreibt die verbleibende Menge zunächst nur: nicht durch diese Regeln als Bot klassifiziert. Daraus folgt logisch noch keine positive Bestätigung, dass jeder verbleibende Zugriff von einem Menschen erzeugt wurde.
Warum moderne Automatisierung schwieriger wird
Automatisierte Systeme können echte Browser, Residential Proxies, emulierte oder plausible Device-Signale und realistischere Interaktionsmuster einsetzen. Zusätzlich entstehen AI Agents, die nicht zwingend klar als automatisierte Akteure auftreten. Die Grenze zwischen technischer Plausibilität und menschlicher Nutzung wird dadurch anspruchsvoller.
Ad Fraud ist grösser als die Bot-Frage
Ad Fraud kann auch über manipulierte Supply Paths, Spoofing, Hidden Ads, Refresh-Mechaniken, Click- oder Conversion-Manipulation entstehen. Deshalb ist die Frage 'War es ein Bot?' oft zu eng. Entscheidend ist, ob die bezahlte Werbeleistung technisch und wirtschaftlich dem entspricht, was vereinbart und berichtet wurde.
Positive Evidenz statt Restmengenlogik
Media Forensics fragt deshalb auch: Welche Evidenz spricht dafür, dass hinter einer Impression oder Interaktion tatsächlich ein plausibler menschlicher Nutzungskontext stand? Dafür werden mehrere Signale, ihre zeitliche Abfolge, technische Umgebung, Supply Chain und Messgrenzen zusammen betrachtet.
Unknown ist eine valide Kategorie
Sinnvoll ist eine Trennung zwischen plausibel menschlicher Aktivität, legitimer Automation, bestätigten problematischen Mustern und Bereichen, die aufgrund fehlender Evidenz unklar bleiben. 'Unknown' ist methodisch ehrlicher als eine künstlich vollständige Klassifikation.
Dieser Beitrag beschreibt Prinzipien und Fragestellungen. Konkrete Fraud-, Bot- oder Qualitätswerte sind ohne Kenntnis von Messmethode, Scope und Datenbasis nicht direkt auf einzelne Kampagnen übertragbar.