Crawlers tal-IA falsifikati

Is-sidien tas-siti jgħoddu “GPTBot”, “ClaudeBot” jew “ChatGPT-User” fil-logs tal-aċċess tagħhom bħala evidenza li s-sistemi tal-IA jaqrawhom jew jiċċitawhom. Il-User-Agent huwa test liberu. Ivverifikajna kull talba li qalet li hija wieħed minn 23 crawler tal-IA jew tat-tiftix fuq tliet siti web żgħar fil-produzzjoni (16,548 talba; log wieħed ta’ 68 jum, żewġ logs ta’ 7–9 ijiem, flimkien ma’ veduta ta’ 30 jum mill-edge ta’ Cloudflare) kontra l-metodu ta’ verifika ppubblikat minn kull operatur stess — fajls JSON b’firxiet ta’ IP u DNS invers ikkonfermat ’il quddiem (forward-confirmed reverse DNS). 39.3% tad-dikjarazzjonijiet kienu falsifikati (44.3% ta’ dawk li setgħu jiġu ttestjati), 49.5% ivverifikati, 11.2% mhux verifikabbli jew indeterminati. Il-fetchers mibdija mill-utent, l-ismijiet li l-aktar jinqraw bħala sinjal ta’ “ċitazzjoni mill-IA”, kienu l-agħar: 67.8% falsifikati, u Claude-User, Perplexity-User, MistralAI-User u DuckAssistBot kienu ġenwini f’0–4.2% tal-każi. Google-Extended, token li Google tgħid li qatt ma jintbagħat bħala User-Agent, deher 371 darba. Il-falsifikazzjoni kollha ġiet minn mhux aktar minn 54 indirizz, 81% minnhom f’netwerks tal-cloud jew tal-hosting (l-ispazju tal-klijenti ta’ fornitur wieħed tal-cloud waħdu: 66%); 97% tat-talbiet falsifikati ġew minn sorsi li fittxew ukoll kredenzjali (.env, config.json, service-account.json) u 92% minn sorsi li użaw b’rotazzjoni l-identitajiet ta’ diversi operaturi. Fis-sit ewlieni, fl-edge tas-CDN, il-volum falsifikat kien 3.1× dak li rreġistra s-server tal-oriġini; l-issettjar prestabbilit tal-pjan b’xejn imblokka 0.7% minnu. Qed nippubblikaw ai-bot-verify, verifikatur mingħajr dipendenzi għal kwalunkwe log tal-aċċess, li joħroġ data aggregata biss u jirrifjuta li jikteb indirizzi IP.