كشف الزيارات غير الصالحة ودليل الدفاع ضد IVT

مقدمة: أزمة التحقق في الاقتصاد الرقمي

يقوم النظام الإعلاني الرقمي على فرضية أساسية لتبادل القيمة: يشتري المعلنون الانتباه ويوفر الناشرون الجماهير. وتستند هذه الصفقة إلى عملة من المقاييس: الظهورات والنقرات والتحويلات وإمكانية المشاهدة. غير أن هذه العملة تحت الحصار. فقد أصابت سلسلة التوريد علة واسعة الانتشار ومتطورة ومتغيرة تُعرف بالزيارات غير الصالحة (IVT)، مما أحدث تباعدًا بين المقاييس المبلَّغ عنها والقيمة الاقتصادية الفعلية. والزيارات غير الصالحة ليست مجرد إزعاج تقني؛ بل أزمة هيكلية تهدد بقاء الويب المفتوح، إذ يقدّر تحليل قطاعي أن نحو 63 مليار دولار أمريكي من الإنفاق الإعلاني العالمي أُهدرت على الزيارات غير الصالحة في 2025 وحدها.

وفي جوهرها، تُعرَّف الزيارات غير الصالحة بأنها أي نشاط لا يصدر عن مستخدم حقيقي مهتم فعلًا بالمحتوى أو الإعلان. وهذا التعريف، على بساطته، يشمل طيفًا واسعًا من السلوكيات، بدءًا من زواحف محركات البحث الحميدة وصولًا إلى شبكات الروبوتات الإجرامية المصممة لامتصاص مليارات من ميزانيات التسويق. ومع أتمتة الإعلان البرمجي لشراء الوسائط وبيعها، فقد صنّع عن غير قصد الاحتيال الإعلاني، فنشأ سباق تسلح بين خوارزميات الكشف والشبكات الخصومية.

يقدم هذا التقرير تحليلًا شاملًا بمستوى أكاديمي للزيارات غير الصالحة. وهو يفكك تصنيف الاحتيال، وعلوم الحاسوب الكامنة وراء الكشف، والتبعات الاقتصادية على الأطراف المعنية، ومشهد التهديدات الناشئ الذي يقوده الذكاء الاصطناعي التوليدي.

لماذا تهم الزيارات غير الصالحة المسوّقين

بالنسبة إلى المسوّقين والمعلنين، كثيرًا ما تكون الزيارات غير الصالحة متغيرًا غير مرئي يشوّه البيانات بصمت. فالقرارات التسويقية تستند إلى التحليلات؛ وحين تكون بيانات الإدخال معيبة (مسمومة بزيارات غير بشرية)، يتعرض المخرج الاستراتيجي للخطر. ويُحتفى عادةً بزيادة الزيارات، لكن في سياق الزيارات غير الصالحة قد يكون الارتفاع المفاجئ نذيرًا بحظر AdSense أو بمعدل تحويل مدمَّر. ولم يعد فهم الزيارات غير الصالحة حكرًا على محللي الاحتيال؛ بل هو كفاءة لازمة لكل من يتولى مسؤولية النمو الرقمي.

تصنيف دقيق للزيارات غير الصالحة

لمكافحة الزيارات غير الصالحة بفعالية، يجب أولًا وضع تصنيف دقيق. فالقطاع، بقيادة مجلس تقييم الوسائط (MRC)، يقسم الزيارات غير الصالحة إلى فئتين متمايزتين بحسب تعقيد الكشف والقصد وراء الزيارات: الزيارات غير الصالحة العامة (GIVT) والزيارات غير الصالحة المتطورة (SIVT).

الزيارات غير الصالحة العامة (GIVT): الإشعاع الخلفي

تشكل GIVT «الإشعاع الخلفي» للإنترنت. وتتألف عادةً من زيارات غير بشرية تعرّف بنفسها أو تُظهر أنماطًا بسيطة يسهل تصفيتها عبر قوائم روتينية وفحوص معاملات موحدة. ورغم أنها حميدة في الغالب، فإنها بلا أي قيمة إعلانية.

الزواحف والعناكب المعروفة

يعتمد الإنترنت على الروبوتات. فمحركات البحث مثل Google (Googlebot) وBing (Bingbot) تنشر زواحف لفهرسة محتوى الويب. وتعلن هذه الوكلاء عادةً هويتها في ترويسة User-Agent. ورغم أنها أساسية لتحسين محركات البحث (SEO)، يجب استبعادها بصرامة من عدّ الظهورات الإعلانية. فإذا أظهرت سجلات خادم ناشر 10,000 زيارة، منها 4,000 من Googlebot، فإن تحقيق الربح من تلك الـ4,000 زيارة يُعد احتيالًا.

زيارات مراكز البيانات

يشير هذا إلى الزيارات الصادرة من عناوين IP تعود إلى مزودي استضافة (مثل Amazon AWS وGoogle Cloud وMicrosoft Azure) بدل مزودي خدمة الإنترنت السكنيين أو شبكات مشغلي الجوال. ويفرض MRC تصفية الزيارات الصادرة من كيانات الاستضافة الكبيرة المعروفة. والمنطق احتمالي: فمن غير المرجح إطلاقًا أن يتصفح مستخدم بشري موقع متجر أحذية من رف خوادم في مركز بيانات AWS. غير أن صعود VPN والوكلاء المؤسسيين يضيف تعقيدًا إلى هذه الفئة، مما يؤدي أحيانًا إلى إيجابيات كاذبة.

الأنماط غير المنتظمة والروبوتات «الكسولة»

تُحدَّد بعض GIVT بالشذوذات الاستدلالية وحدها:

• التحديث التلقائي: صفحة ويب تُحدَّث كل 10 ثوانٍ لتوليد ظهورات إعلانية جديدة
• النقرات المكررة: مستخدم ينقر على إعلان مرتين في غضون جزء من الألف من الثانية، وهو ما يستحيل جسديًا مع أزمنة الاستجابة البشرية

الزيارات غير الصالحة المتطورة (SIVT): تسليح النقرات

تمثل SIVT تسليح الزيارات. ويصعب كشفها بطبيعتها لأنها تحاول بنشاط محاكاة السلوك البشري والتلاعب ببصمات الأجهزة والتهرب من بروتوكولات الأمان القياسية. ويتطلب كشفها تحليلات متقدمة وتأكيدًا من نقاط متعددة وتدخلًا بشريًا كبيرًا.

شبكات الروبوتات والوكلاء السكنيون

شبكات الروبوتات هي شبكات من أجهزة المستهلكين المختطفة («الزومبي») يتحكم فيها خادم قيادة وتحكم. وخلافًا لزيارات مراكز البيانات، تصدر زيارات شبكات الروبوتات من عناوين IP سكنية مشروعة (مثل ثلاجة ذكية مخترقة أو حاسوب محمول مصاب ببرمجية خبيثة). وهذا يجعل الحظر القائم على التوقيعات غير فعال. ويمكن برمجة هذه الروبوتات على تصفح المواقع وتمرير المحتوى والنقر على الإعلانات، فتنشئ ملف جلسة «متماسكًا» يحاكي المستخدم البشري.

تكديس الإعلانات وحشو البكسل

هذان احتيالان على إمكانية المشاهدة:

• تكديس الإعلانات: يضع المحتالون عدة إعلانات فوق بعضها في موضع إعلاني واحد. لا يظهر للمستخدم إلا الإعلان العلوي، لكن جميع الإعلانات المكدسة تطلق بكسل ظهور، فتُحاسَب عدة معلنين عن موضع واحد
• حشو البكسل: يُضغط الإعلان في إطار بحجم 1x1 بكسل، فيكون غير مرئي للعين المجردة لكنه «يُحمَّل» تقنيًا على الصفحة لتسجيل ظهور

انتحال النطاق

يتضمن هذا الأسلوب تحريف طبيعة المخزون. فموقع منخفض الجودة (مثل موقع قرصنة) يرسل طلب عرض إلى بورصة إعلانات يدّعي فيه أنه موقع متميز (مثل nytimes.com). ويقدم المعلنون علاوات عالية على ما يعتقدون أنه مخزون آمن للعلامة التجارية، لتُعرض إعلاناتهم في النهاية على الموقع منخفض الجودة. وقد طُورت مبادرة ads.txt خصيصًا لمكافحة هذا الناقل.

احتيال تطبيقات الجوال: انتحال SDK وحقن النقرات

في منظومة الجوال يحدث الاحتيال داخل شيفرة التطبيق:

• انتحال SDK: يفكك المهاجمون تطبيقات مشروعة لفهم كيفية تواصلها مع خوادم الإسناد. ثم يستخدمون سكريبتات (خوادم) لإرسال إشارات «اكتمل التثبيت» مزيفة إلى مزود الإسناد. ويدفع المعلن ثمن تثبيت لم يحدث قط على جهاز غير موجود
• حقن النقرات: يكتشف تطبيق خبيث مثبّت على هاتف المستخدم متى يجري تنزيل تطبيق مشروع آخر. فيطلق نقرة قبيل اكتمال التثبيت مباشرةً، ويسرق رصيد إسناد «النقرة الأخيرة» عن تثبيت لم يولّده

المنطقة الرمادية: الزيارات غير الصالحة العرضية والتقنية

ليست كل الزيارات غير الصالحة خبيثة. فجزء كبير منها ينشأ من سوء تصميم تجربة المستخدم (UX) أو أخطاء التنفيذ، ومع ذلك فالأثر الاقتصادي (الإنفاق المهدر) مطابق للاحتيال.

• النقرات العرضية: تنتج غالبًا عن أخطاء «الأصابع السمينة» على أجهزة الجوال أو مواضع الإعلانات المتطفلة. فعلى سبيل المثال، قد يدفع «انزياح التخطيط» (الذي يقيسه Cumulative Layout Shift أو CLS) المحتوى إلى الأسفل لحظة همّ المستخدم بالنقر، فينقر على إعلان بدلًا منه. وتعاقب Google ذلك بنشاط عبر آلية «النقرة المؤكدة»
• أخطاء التنفيذ: قد يضخم تنفيذ وسم إعلاني غير صحيح أو إطلاق البكسلات مرتين أو مشكلات التخزين المؤقت المقاييس. فعلى سبيل المثال، إذا وضع ناشر شيفرة إعلان داخل div مخفي يُحمَّل في كل صفحة لكنه لا يُعرض أبدًا، فهذا يشكل زيارات غير صالحة تقنية

علم الكشف: المقاربات الخوارزمية والحدود الأكاديمية

المعركة ضد الزيارات غير الصالحة سباق تسلح. فمع استخدام المحتالين للذكاء الاصطناعي التوليدي ومحاكاة السلوك، أصبحت القوائم السوداء البسيطة متقادمة. وتحول القطاع نحو نماذج التعلم الآلي (ML) المعقدة ونظرية الرسوم البيانية.

من الكشف الحتمي إلى الكشف العشوائي

كان الكشف التقليدي حتميًا: إذا كان عنوان IP في قائمة سوداء فاحظره. وإذا قال User-Agent «Bot» فاحظره.

أما الكشف الحديث فهو عشوائي (احتمالي): يحلل الانحرافات عن القاعدة. فمثلًا، إذا كان الإنسان ينقر عادةً على إعلان بعد مدة بقاء من 2 إلى 5 ثوانٍ، لكن مجموعة محددة من المستخدمين تنقر باستمرار عند 0.3 ثانية، يضع النظام علامة على ذلك بوصفه شاذًا.

الكشف القائم على الرسوم البيانية: بروتوكول «EvilHunter»

قدمت دراسة بارزة مقاربة جديدة لكشف «مزارع النقرات»: مواقع مادية يعمل فيها عمال منخفضو الأجر أو رفوف مؤتمتة من الأجهزة على النقر على الإعلانات.

التحدي: تستطيع الأجهزة المنفردة في مزرعة النقرات محاكاة السلوك البشري بفعالية (تغيير User-Agent وتبديل عناوين IP).

الحل: يتجاهل EvilHunter الفرد وينظر إلى المجتمع. فهو ينشئ «رسمًا بيانيًا للأجهزة» استنادًا إلى خصائص الاتصال. وحتى لو بدّلت الأجهزة عناوين IP، فإنها غالبًا ما تتشارك بنى شبكية أساسية (شبكات فرعية) أو أنماط استخدام تطبيقات.

الآلية:

• مُعيِّن سجل الجهاز: يربط معرّفات الأجهزة الفريدة بسجلات العروض
• تكوين العناقيد: يستخدم أنماط «أفضل التطبيقات» لتجميع الأجهزة. فإذا نزّل 500 جهاز كلها تطبيق المصباح الغامض نفسه وزارت المواقع الثلاثة نفسها بالترتيب نفسه، فإنها تشكل «عنقودًا مشبوهًا»
• التصويت بالأغلبية: إذا وُسم عدد يتجاوز عتبة من الأجهزة في عنقود بأنه احتيالي، يُعاد وسم العنقود كله بأنه احتيالي

النتائج: في الاختبارات البحثية، أفاد هذا النهج التجميعي بدقة واسترجاع عاليين، وحدد أعدادًا كبيرة من الأجهزة الاحتيالية فاتت المصنِّفات الفردية.

التحليل متعدد الوسائط: «AgentDroid»

يصعب كشف احتيال تطبيقات الجوال بشدة لأن منطق الاحتيال مخفي داخل شيفرة التطبيق المترجمة (APK). ويستخدم إطار «AgentDroid» نظام وكلاء متعددين لتحليل التطبيقات.

تفكيك المهام: بدل نموذج ذكاء اصطناعي ضخم واحد، يوظف AgentDroid وكلاء متخصصين:

• محلل الأيقونة: يتحقق مما إذا كانت أيقونة التطبيق تحاكي تطبيقًا شائعًا (مثل WhatsApp مزيف)
• مدقق الشهادة: يتحقق من التوقيع الرقمي للمطور
• محلل النص: يقرأ وصف التطبيق بحثًا عن تناقضات (مثل تطبيق «آلة حاسبة» يطلب أذونات GPS)

الاستدلال التعاوني: «يصوّت» هؤلاء الوكلاء على احتمال الاحتيال. وهذا يحاكي فريق أمن بشريًا يتعاون فيه خبير في الشيفرة وخبير في الواجهة وخبير قانوني لاتخاذ قرار. ويقلل هذا النهج الإيجابيات الكاذبة تقليلًا ملحوظًا مقارنة بأنظمة النموذج الواحد.

النماذج التأسيسية في الاحتيال: بنية «ALF»

يمثل نموذج «Advertiser Large Foundation» (ALF) أحدث ما وصل إليه تطبيق بنى Transformer (مثل تلك الموجودة في GPT-4) على كشف الاحتيال.

المفهوم: كما تتعلم النماذج اللغوية الكبيرة بنية اللغة، يتعلم ALF بنية «سلوك المعلنين». وهو مُدرَّب مسبقًا على ملايين اللقطات للمعلنين، بما فيها أصولهم الإبداعية (صور ونصوص) وسجل الفوترة وأنماط النقرات.

التعلم التقابلي: يستخدم ALF التعلم التقابلي لإسقاط المعلنين المشروعين والاحتياليين في فضاء تضمين مشترك. ويتعلم أن «معلني التجزئة المشروعين» لهم توقيع رياضي محدد في هذا الفضاء، بينما يتجمع «تجار الشحن المباشر العابرون» بصورة مختلفة.

الأثر: أظهر ALF زيادة كبيرة في الاسترجاع لكشف مخالفات السياسات مقارنة بخطوط الأساس السابقة، مما يشير إلى أن النماذج التأسيسية الكبيرة اتجاه واعد لكشف الزيارات غير الصالحة.

عدم تماسك الجلسة: إطار COSEC

اقترح باحثو Microsoft إطار COSEC (عدم التماسك السياقي للجلسة) لكشف احتيال إعلانات البحث.

الفكرة: لدى المستخدمين الحقيقيين جلسات بحث «متماسكة». فقد يبحث مستخدم عن «أفضل أحذية الجري»، ثم «Nike مقابل Adidas»، ثم ينقر على إعلان Nike. وهذه سردية متماسكة.

توقيع الاحتيال: غالبًا ما يكون لدى الروبوت أو عامل النقرات جلسات «غير متماسكة». فقد يبحث عن «محامي ورم الظهارة المتوسطة»، وينقر على إعلان، ثم يبحث فورًا عن «رحلات رخيصة إلى لاس فيغاس»، ثم «خدمات السباكة». ولا توجد صلة دلالية بين هذه الإجراءات.

المنهجية: يستخدم COSEC مصنِّفًا تسلسليًا لتحليل المسافة الدلالية بين الاستعلامات المتتالية. وتضع «درجات عدم التماسك» العالية علامة على الجلسة بأنها غير بشرية، محققةً دقة عالية في الاختبارات المنشورة.

الأثر الاقتصادي والتشغيلي: «الضريبة الخفية» للإنترنت

يركز الخطاب حول الزيارات غير الصالحة غالبًا على الخسارة المباشرة في الإنفاق الإعلاني، أي الأموال المدفوعة مقابل ظهورات مزيفة. غير أن الآثار الثانوية والثالثية أشد إضرارًا بالصحة طويلة الأمد للأعمال على الأرجح.

الهدر المالي المباشر

الأرقام مذهلة. فقد قدّر تحليل قطاعي نشرته MediaPost نحو 63 مليار دولار أمريكي من الإنفاق الإعلاني العالمي المهدر على الزيارات غير الصالحة في 2025، بمتوسط 8.51% من النقرات المدفوعة، أي نحو نقرة من كل 12. ولوضع ذلك في سياقه، فهذا مبلغ ينافس الناتج المحلي الإجمالي لدول متوسطة الحجم، ضاع على زيارات لم تكن يومًا عميلًا حقيقيًا.

• الإنفاق المهدر على الوسائط: كل دولار يُنفق على الزيارات غير الصالحة هو دولار لا يُنفق على اكتساب عميل. وبالنسبة إلى الشركات الصغيرة والمتوسطة (SMBs) التي تعمل غالبًا بهوامش أضيق، قد يكون هذا الهدر وجوديًا، إذ يستهلك حصة كبيرة من ميزانية رقمية محدودة
• كابوس «الاسترداد»: بالنسبة إلى الناشرين، تؤدي الزيارات غير الصالحة إلى خصم إيرادات. فتخصم Google AdSense وشبكات أخرى الأرباح بأثر رجعي («clawbacks») إذا اعتُبرت الزيارات غير صالحة لاحقًا. فقد يرى ناشر أرباحًا قدرها 5,000 USD عن يناير، ليُخصم منها 2,000 USD في فبراير بسبب «النشاط غير الصالح»

تسميم البيانات: التهديد الاستراتيجي

أخطر أثر للزيارات غير الصالحة هو إفساد سلامة البيانات.

• الإسناد المنحرف: إذا نقرت شبكة روبوتات على الإعلانات ثم «حوّلت» (عبر ملء نماذج مزيفة)، فستمنح نماذج الإسناد قيمة عالية لمصدر الزيارات الاحتيالي. وسيحسّن المسوّقون، إذ يرون عائدًا مرتفعًا على الاستثمار، باتجاه الاحتيال، فيخصصون ميزانية أكبر للقنوات نفسها التي تستنزفهم
• تلوث نمذجة الجمهور المشابه: تستخدم منصات مثل Meta وGoogle جماهير أولية للعثور على مستخدمين «مشابهين». وإذا احتوى الجمهور الأولي على روبوتات (التي لديها غالبًا سجلات تصفح قوية وإن كانت مزيفة)، فستبحث الخوارزميات عن مزيد من الروبوتات التي تُظهر سلوكيات مماثلة. وهذا ينشئ حلقة تغذية راجعة من الاحتيال تدمر أداء الحملة من الداخل
• فشل اختبارات A/B: تعتمد الاختبارات المقسمة على افتراض توزيع عشوائي للمستخدمين الصالحين. وإذا جذب أحد المتغيرين عددًا غير متناسب من الروبوتات (ربما بسبب كلمة رئيسية محددة مثل «مجاني» أو «اربح»)، تبطل نتائج الاختبار، مما يؤدي إلى قرارات منتج خاطئة

معاناة الناشر: تدهور البنية التحتية وSEO

الزيارات غير الصالحة ليست مشكلة تقنيات إعلان فحسب؛ بل هي مشكلة بنية تحتية وSEO.

• تكاليف البنية التحتية: تستهلك أحجام الزيارات العالية من الروبوتات عرض نطاق الخادم وقدرة المعالجة. ويدفع الناشر لـAWS أو مزود الاستضافة عن كل جيجابايت من البيانات المنقولة، أي أنه يدفع حرفيًا ثمن الاحتيال عليه
• عقوبات SEO: تستخدم محركات البحث «Core Web Vitals» (السرعة والاستقرار) عوامل ترتيب. وسيقدم الخادم المثقل بزيارات الروبوتات الصفحات بصورة أبطأ للمستخدمين الحقيقيين، مما يضر بالترتيب. وعلاوة على ذلك، تنحرف إشارات المستخدم مثل «زمن البقاء» و«معدل الارتداد» بشدة بفعل الروبوتات. فإذا ارتد الروبوت فورًا (معدل ارتداد 100%) أو بقي مدة طويلة بصورة مصطنعة (معدل ارتداد 0%)، فإنه يشير إلى RankBrain من Google بأن جودة المحتوى ضعيفة أو غير ذات صلة، مما قد يؤدي إلى تراجع الترتيب العضوي

تقارير ميدانية: الكلفة البشرية للزيارات غير الصالحة

تقيس البيانات المشكلة كميًا، لكن التجربة البشرية تصفها نوعيًا. ويكشف تحليل مجتمعات الناشرين عن الكلفة العاطفية والتشغيلية للزيارات غير الصالحة.

«الصندوق الأسود» لحظر AdSense

يبلغ الناشرون كثيرًا عن تلقي بريد إلكتروني عام يفيد بأن «الإعلانات قُيّدت على واحد أو أكثر من مقاطع الفيديو الخاصة بك بسبب زيارات غير صالحة».

• غياب سبل الانتصاف: نادرًا ما تكشف Google والمنصات الأخرى عن مقاطع الفيديو أو الصفحات المحددة التي تسببت في المشكلة، متذرعةً بالحاجة إلى حماية خوارزميات الكشف لديها. وهذا يترك الناشرين في وضع كافكاوي يُعاقبون فيه على جريمة لا يستطيعون تحديدها
• نموذج «مذنب حتى تثبت براءته»: كثيرًا ما تخصم المنصات الإيرادات أولًا وتطرح الأسئلة لاحقًا. وأبلغ أحد الناشرين بأن RPM (الإيراد لكل ألف ظهور) لديه انخفض من 13.50 إلى 1.12 USD بسبب تصفية الزيارات غير الصالحة، مما أدى فعليًا إلى وقف تحقيق الدخل من قناته دون حظر رسمي

دراسة حالة: عقوبة «النقرة المؤكدة»

توضح آلية محددة تستخدمها Google AdSense دقة إدارة الزيارات غير الصالحة. تُطبَّق عقوبة «النقرة المؤكدة» (أو «النقرتين») حين تكتشف خوارزميات Google معدلًا مرتفعًا من النقرات العرضية على موقع ناشر للجوال.

المحفز: إعلانات موضوعة قريبة جدًا من أزرار «التالي» أو أشرطة التنقل أو المحتوى الذي «يقفز» (يُعاد تدفقه) أثناء التحميل. وهذا يجعل المستخدمين ينوون النقر على رابط لكنهم ينقرون عن غير قصد على إعلان يُحمَّل تحت إبهامهم.

الآلية: تفرض Google طبقة «هل تريد زيارة الموقع؟» على نقرات الإعلانات. ويجب على المستخدم النقر على الإعلان ثم النقر على زر ثانٍ لتأكيد رغبته في زيارة المعلن.

الأثر: تنهار نسبة النقر إلى الظهور (CTR)، غالبًا بنسبة من 50 إلى 80%. وتتراجع الإيرادات تبعًا لذلك.

الخلاصة: هذه زيارات غير صالحة تقنيًا (قصد عرضي/غير صالح)، لكنها ليست خبيثة. إنها إخفاق في تجربة المستخدم. والحل ليس برنامج أمان، بل تغييرات CSS: إضافة حشوة حول الإعلانات، واستخدام حاويات بارتفاع ثابت لمنع انزياح التخطيط، وضمان تمييز بصري واضح بين المحتوى والإعلانات.

تحول نموذج الذكاء الاصطناعي التوليدي

غيّر ظهور الذكاء الاصطناعي التوليدي (GenAI) والنماذج اللغوية الكبيرة (LLMs) مشهد التهديد جذريًا، مما أنشأ ما يسميه الخبراء «موجة مد» من الاحتيال. فقد انهارت عتبة الدخول لإنشاء احتيال متطور.

مواقع «المصنوعة للإعلان» (MFA): انفجار GenAI

مواقع «المصنوعة للإعلان» (MFA) هي مواقع ويب أُنشئت حصرًا للمراجحة في الإنفاق الإعلاني. ويتيح GenAI للمحتالين إنشاء آلاف من هذه المواقع فورًا.

• المحتوى الآلي: يستطيع نموذج لغوي كبير توليد 10,000 مقال عن مواضيع عالية تكلفة النقرة (مثل «ورم الظهارة المتوسطة» و«تأمين العملات المشفرة») في بضع ساعات. وهذه المقالات سليمة نحويًا تمامًا وتجتاز مرشحات «الجودة» الأولية، لكنها بلا قيمة للبشر
• نموذج المراجحة: يشتري المحتال زيارات رخيصة (غالبًا زيارات روبوتات ممزوجة بزيارات نوافذ منبثقة منخفضة الجودة) بسعر 0.01 USD للزائر ويحقق الربح منها عبر إعلانات برمجية بسعر 0.05 USD للزائر، ويحتفظ بالفرق. ويقدَّر أن مواقع MFA تستنزف مليارات الدولارات سنويًا من المنظومة
• كثافة الإعلانات: غالبًا ما تتضمن هذه المواقع تحديثات إعلانية عدوانية ومشغلات فيديو «لاصقة» تتبع المستخدم، لتعظيم الظهورات في الجلسة الواحدة

الهويات الاصطناعية والتزييف العميق

يستطيع GenAI إنشاء هويات اصطناعية: مستخدمين مزيفين بوجوه وأصوات وسجلات تصفح مولّدة بالذكاء الاصطناعي لا يمكن تمييزها إحصائيًا عن البشر الحقيقيين.

• تجاوز KYC: يُستخدم التزييف العميق الآن لتجاوز فحوص «اعرف عميلك» (KYC) على منصات التقنية المالية والشبكات الإعلانية. فيستطيع المحتال توليد فيديو لـ«شخص» يومئ برأسه ويدير وجهه لاجتياز فحص الحيوية، مما يتيح له فتح حسابات مشروعة لإطلاق حملات إعلانية أو غسل الأموال
• الاحتيال الحواري: تستطيع روبوتات الدردشة التي تقودها النماذج اللغوية الكبيرة التفاعل مع فرق المبيعات أو روبوتات الدعم. فهي تملأ نماذج العملاء المحتملين وترد على رسائل المتابعة بالبريد الإلكتروني وتجري حتى محادثات SMS. وهذا يهدر موارد المبيعات البشرية على عملاء محتملين مزيفين عاليي الإتقان

وكلاء الذكاء الاصطناعي: تعريف «غير الصالح»

ندخل عصرًا يتصفح فيه وكلاء الذكاء الاصطناعي (مثل روبوتات التسوق المستقلة) الويب نيابةً عن البشر.

المشكلة الفلسفية: هل وكيل الذكاء الاصطناعي الذي يحجز رحلة «زيارات غير صالحة»؟ تقنيًا هو غير بشري. لكن القصد معاملاتي. وهذا يطمس الخط الفاصل بين الزيارات غير الصالحة والنشاط التجاري المشروع. فإذا استخدم مستخدم ذكاءً اصطناعيًا «للعثور على أفضل سعر لأحذية Nike»، وزحف الذكاء الاصطناعي إلى 50 موقعًا، فهل تكون تلك الظهورات الخمسون غير صالحة؟ ستصنفها إرشادات MRC الحالية في معظمها زيارات غير صالحة، لكن الواقع الاقتصادي يوحي بالحاجة إلى فئة جديدة: الزيارات الصالحة غير البشرية.

آليات الدفاع: التخفيف الاستراتيجي

يتطلب الدفاع ضد الزيارات غير الصالحة استراتيجية «الدفاع المتعمق»، تُراكِب المعايير التقنية واليقظة التشغيلية وضوابط قائمة على السياسات.

معايير التنفيذ التقني (حزمة IAB)

قدّم IAB Tech Lab عدة معايير لا غنى عنها لحماية المخزون الحديث:

• ads.txt (البائعون الرقميون المصرّح لهم): ملف نصي يُستضاف على نطاق الناشر (مثل nytimes.com/ads.txt) يسرد من يُصرَّح له ببيع مخزونه. وهذا يمنع انتحال النطاق، حيث يدّعي محتال أنه يبيع مخزون NYT. وإذا لم يرَ المشتري معرّف البائع في ملف ads.txt، فإنه لا يقدم عرضًا
• sellers.json: ملف تستضيفه منصات جانب العرض (SSPs) يكشف هوية الناشر. ويتيح للمشترين رؤية اسم الكيان الذي يدفعون له، بدل مجرد معرّف معتم
• كائن SupplyChain: يتيح هذا المعيار للمشترين رؤية كل «قفزة» اجتازها طلب العرض. فإذا مر طلب عرض عبر 15 وسيطًا قبل وصوله إلى المعلن، فهذا مشبوه للغاية (وعلى الأرجح مراجحة). ويمكن للمشترين حظر المسارات ذات القفزات الكثيرة

الحظر قبل العرض مقابل الحظر بعده

• الحظر قبل العرض: يحدث قبل أن يدفع المعلن ثمن الظهور. وتستخدم منصات جانب الطلب (DSPs) تقييمًا فوريًا لتقييم المستخدم/الجهاز. وإذا دلت الدرجة على خطر احتيال عالٍ، فإن DSP ببساطة لا تقدم عرضًا. وهذه أكفأ حماية
• المراقبة بعد العرض: تتضمن تحليل الظهور بعد وقوعه. ورغم أن الأموال أُنفقت بالفعل، فإن التحليل بعد العرض يوفر بيانات أعمق (حركات الفأرة والوقت على الموقع وأحداث اللمس) لا تتوفر في الإطار الزمني بالميلي ثانية للعرض الفوري. وتُستخدم هذه البيانات لتحديث قوائم الحظر والمطالبة بالمبالغ المستردة (clawbacks)

ضوابط جانب الناشر

يجب على الناشرين إدارة مصادر زياراتهم وواجهاتهم بنشاط لتجنب العقوبات:

• تقسيم الزيارات: ينبغي للناشرين الفصل الصارم بين الزيارات العضوية والزيارات المدفوعة في تحليلاتهم. فشراء «زيارات رخيصة» لتعزيز الأرقام أسرع طريق إلى حظر الحساب، لأن هذه الزيارات تقودها الروبوتات دائمًا تقريبًا
• التحصين التقني:
  • Cloudflare/WAF: استخدم جدران حماية تطبيقات الويب لإخضاع عناوين IP المشبوهة للتحقق عبر CAPTCHA قبل أن تتمكن من تحميل الصفحة (والإعلانات)
  • تحديد سقف التكرار: حدّد عدد الإعلانات المعروضة لمستخدم واحد في الجلسة. فالمستخدم الذي يشاهد 200 صفحة في دقيقة واحدة روبوت على الأرجح؛ ويمنع تحديد سقف الإعلانات هذا الروبوت من توليد 200 ظهور غير صالح

ضوابط جانب المعلن

• قوائم الاستبعاد: تحديث قوائم استبعاد المواضع بانتظام. ويشمل ذلك مواقع MFA المعروفة وفئات التطبيقات ذات معدلات الاحتيال المرتفعة (مثل تطبيقات «المصباح» وألعاب «سوليتير») ونطاقات IP المرتبطة بمراكز البيانات
• المزايدة القائمة على القيمة: الدفاع الأمثل هو التوقف عن التحسين باتجاه النقرات. فالروبوت يستطيع النقر، لكنه (عادةً) لا يستطيع الشراء. وبتحسين الحملات باتجاه ROAS (العائد على الإنفاق الإعلاني) والتحويلات المؤكدة، يوقف المعلنون تمويل الاحتيال بصورة طبيعية لأن زيارات الروبوتات تحقق عائدًا قدره 0 USD

ما يخطئ فيه القطاع: الخرافات مقابل الواقع

الخرافة 1: «زياراتي بشرية بنسبة 100%.»
الواقع: لا يوجد موقع بشري بنسبة 100%. فحتى أكثر المواقع أمانًا فيها روبوتات جمع بيانات وزواحف بحث وزيارات غير صالحة عرضية. والهدف هو الإدارة، لا الاستئصال التام لـGIVT، بل الاستئصال بلا تسامح لـSIVT. والناشرون الذين يزعمون أن لديهم 0% من الزيارات غير الصالحة لا يبحثون بجدية كافية على الأرجح.

الخرافة 2: «الزيارات غير الصالحة مجرد تكلفة ممارسة الأعمال.»
الواقع: معاملة الزيارات غير الصالحة كضريبة تتجاهل الضرر الاستراتيجي لتسميم البيانات. فمعدل احتيال قدره 10% لا يهدر 10% من الميزانية فحسب؛ بل قد يضلل الـ90% المتبقية بتشويه الخوارزميات المستخدمة في الاستهداف والمزايدة.

الخرافة 3: «الارتفاعات الكبيرة في الزيارات أخبار سارة.»
الواقع: الارتفاعات المفاجئة غير المبررة في الزيارات (خصوصًا الزيارات المباشرة أو الزيارات بمعدل ارتداد 100%) توقيع كلاسيكي لهجمات الروبوتات، لا للانتشار الفيروسي. وبلا تحقق، تكون هذه الارتفاعات التزامات لا أصولًا. وينبغي للناشرين التحقيق فورًا في الارتفاعات التي لا ترتبط بمحتوى جديد أو دفعة تسويقية.

الخرافة 4: «المراجعة اليدوية كافية.»
الواقع: لا يستطيع المراجعون البشر كشف SIVT الحديثة. فشبكة روبوتات تستخدم وكلاء سكنيين ومتصفحات بلا واجهة تبدو مطابقة تمامًا للإنسان في سجلات الخادم القياسية. ويتطلب الكشف تحليل تباين التوقيت بالميلي ثانية وترويسات حزم الشبكة والعشوائية في سلوك المستخدم، وهذا مستحيل على المحللين البشر.

كيف تؤثر الزيارات غير الصالحة في موقعك وتحليلاتك

إلى جانب الإنفاق الإعلاني المهدر، تشوّه الزيارات غير الصالحة أيضًا الإشارات التي يعتمد عليها موقعك، من أداء الصفحات إلى التحليلات التي تستخدمها للحكم على الحملات.

Core Web Vitals وزمن الاستجابة

تقيس Core Web Vitals (CWV) من Google تجربة المستخدم:

• LCP (Largest Contentful Paint): تضع زيارات الروبوتات الكثيفة حملًا على الخادم. فإذا كان الخادم مشغولًا بالرد على 5,000 روبوت، فسيقدم الصفحة بصورة أبطأ للإنسان الحقيقي الوحيد. وهذا يزيد زمن LCP، مما قد يخفض ترتيب الموقع مباشرةً
• CLS (Cumulative Layout Shift): كما نوقش مع «النقرة المؤكدة»، تسبب التخطيطات غير المستقرة نقرات عرضية. وتضر أيضًا بـSEO. والموقع المحسَّن لمنع النقرات العرضية (أبعاد ثابتة لمواضع الإعلانات) سيحقق طبيعيًا درجات أفضل في مقاييس CLS

نظافة التحليلات (GA4 مقابل Google Ads)

من نقاط الارتباك الشائعة لدى متخصصي SEO التباينات في البيانات.

التباين: قد يرى استراتيجي 1,000 نقرة في Google Ads لكن 600 جلسة فقط في Google Analytics 4 (GA4).

السبب: تصفّي Google Ads النقرات غير الصالحة قبل المحاسبة. فإذا كانت 400 نقرة روبوتات، تتجاهلها Google Ads. غير أن GA4 ربما سجّل هذه الروبوتات الـ400 جلساتٍ (أو استبعدها بطريقة مختلفة). وعلى العكس، قد ينقر المستخدمون على إعلان لكنهم يغادرون قبل تحميل الموقع (ارتداد مرتفع)، فتُسجَّل نقرة بلا جلسة. وفهم هذه الفروق ضروري لتقارير دقيقة.

تفوق المحتوى بوصفه دفاعًا

إنشاء «محتوى مفيد» (E-E-A-T) دفاع ضد التصنيف كموقع MFA. فمواقع MFA تعتمد على محتوى هزيل وعام. وبالاستثمار في محتوى عميق يقوده الخبراء، يشير الناشرون إلى المستخدمين والمعلنين معًا بأنهم بيئة متميزة. ويستخدم المعلنون بصورة متزايدة «مقاييس الانتباه» (زمن الظهور في العرض ونظر العين إلى الشاشة) لشراء الوسائط. ويولّد المحتوى عالي الجودة انتباهًا حقيقيًا لا تستطيع الروبوتات محاكاته بفعالية.

آفاق المستقبل: التفرد في التحقق

حين يصبح الذكاء الاصطناعي قادرًا على محاكاة الأثر الرقمي البشري بإتقان، سيفشل «اختبار تورنغ» لزيارات الإعلانات. وننتقل نحو «تفرد في التحقق» لا يكفي فيه التحليل السلوكي وحده.

إثبات تشفيري للإنسانية

يكمن المستقبل على الأرجح في الإثبات التشفيري. فتقنيات مثل World ID أو شهادة العتاد على مستوى الجهاز (مثل رموز الوصول الخاصة Private Access Tokens من Apple) ستضمن المستخدم تشفيريًا.

الآلية: بدل تحليل السلوك (الذي يمكن تزييفه)، يسأل الموقع الجهاز: «هل أنت بيئة عتاد آمنة (Secure Enclave) يملكها إنسان؟» فيرد الجهاز برمز تشفيري موقَّع من الشركة المصنعة (Apple/Google). وهذا يثبت الإنسانية دون كشف الهوية، فيحفظ الخصوصية ويقضي على الروبوتات.

الضغط التنظيمي والشفافية

بدأت الحكومات تدرك حجم الاحتيال الإعلاني. وقد تطالب اللوائح قريبًا الشبكات الإعلانية بالكشف عن سلسلة التوريد الدقيقة لكل ظهور. ويصبح نموذج «الصندوق الأسود» الحالي، حيث تتبخر الأموال في شبكات إعادة بيع معتمة، غير قابل للاستمرار قانونيًا. ونتوقع لوائح «اعرف عملك» (KYB) أكثر صرامة على الناشرين الداخلين إلى المنظومة البرمجية.

الخلاصة

الزيارات غير الصالحة ليست إزعاجًا ثابتًا؛ بل هي منظومة ديناميكية متطورة من الافتراس الخوارزمي. وهي تزدهر في عتمة سلسلة التوريد البرمجية وتتكيف بسرعة الذكاء الاصطناعي. وبالنسبة إلى الأطراف المعنية في الاقتصاد الرقمي (الناشرين والمعلنين ومتخصصي SEO)، انتهى عصر «ثق لكن تحقق»؛ ونحن في عصر «تحقق، ثم ثق».

ويتطلب التخفيف تحولًا في النموذج: من النظر إلى الزيارات غير الصالحة بوصفها بندًا في الميزانية إلى النظر إليها بوصفها تهديدًا للأمن السيبراني يُفسد الذكاء ذاته الذي تُتخذ على أساسه القرارات التجارية. ومن خلال التطبيق الصارم للمعايير (ads.txt وتصفية SIVT)، واعتماد كشف متقدم قائم على التعلم الآلي (التعلم بالرسوم البيانية والتحليل متعدد الوسائط)، وإعادة تصميم جوهرية لهياكل الحوافز، يستطيع القطاع استعادة نزاهة الظهور الرقمي.