Ungültigen Traffic erkennen: Ratgeber zur IVT-Abwehr

Einleitung: die Verifizierungskrise der digitalen Wirtschaft

Das Ökosystem der digitalen Werbung beruht auf einem grundlegenden Wertaustausch: Werbetreibende kaufen Aufmerksamkeit, Publisher liefern Zielgruppen. Diese Transaktion stützt sich auf eine Währung aus Kennzahlen: Impressionen, Klicks, Conversions und Sichtbarkeit. Doch diese Währung steht unter Beschuss. Eine weit verbreitete, ausgefeilte und sich ständig weiterentwickelnde Fehlentwicklung, bekannt als ungültiger Traffic (IVT), hat die Lieferkette infiziert und eine Kluft zwischen gemeldeten Kennzahlen und tatsächlichem wirtschaftlichem Wert geschaffen. IVT ist nicht bloß ein technisches Ärgernis, sondern eine strukturelle Krise, die die Tragfähigkeit des offenen Webs bedroht. Eine Branchenanalyse schätzt, dass allein 2025 rund 63 Mrd. USD an weltweiten Werbeausgaben für ungültigen Traffic verschwendet wurden.

Im Kern ist ungültiger Traffic definiert als jede Aktivität, die nicht von einem echten Nutzer mit echtem Interesse am Inhalt oder an der Anzeige ausgeht. Diese Definition ist einfach, umfasst aber ein riesiges Spektrum an Verhaltensweisen, von harmlosen Suchmaschinen-Crawlern bis zu kriminellen Botnetzen, die gebaut wurden, um Milliarden aus Marketingbudgets abzuzweigen. Indem die programmatische Werbung den Kauf und Verkauf von Medien automatisiert hat, hat sie den Werbebetrug unbeabsichtigt industrialisiert und ein Wettrüsten zwischen Erkennungsalgorithmen und gegnerischen Netzwerken ausgelöst.

Dieser Bericht ist eine umfassende Analyse von IVT auf akademischem Niveau. Er zerlegt die Taxonomie des Betrugs, die informatischen Grundlagen der Erkennung, die wirtschaftlichen Folgen für alle Beteiligten und die neue Bedrohungslage durch generative KI.

Warum ungültiger Traffic für Marketer wichtig ist

Für Marketer und Werbetreibende ist IVT oft eine unsichtbare Variable, die Daten unbemerkt verzerrt. Marketingentscheidungen beruhen auf Analysedaten; sind die Eingangsdaten fehlerhaft, weil nicht menschlicher Traffic sie vergiftet, ist auch das strategische Ergebnis beeinträchtigt. Mehr Traffic wird traditionell gefeiert, doch im Zusammenhang mit IVT kann ein plötzlicher Anstieg Vorbote einer AdSense-Sperre oder einer zerstörten Conversion-Rate sein. IVT zu verstehen, ist nicht mehr nur Sache von Betrugsanalysten, sondern eine Pflichtkompetenz für alle, die für digitales Wachstum verantwortlich sind.

Eine strenge Taxonomie des ungültigen Traffics

Um ungültigen Traffic wirksam zu bekämpfen, braucht es zuerst eine strenge Taxonomie. Die Branche unter Führung des Media Rating Council (MRC) teilt IVT nach Erkennungsaufwand und Absicht hinter dem Traffic in zwei Kategorien: General Invalid Traffic (GIVT) und Sophisticated Invalid Traffic (SIVT).

General Invalid Traffic (GIVT): die Hintergrundstrahlung

GIVT ist die „Hintergrundstrahlung“ des Internets. Er besteht meist aus nicht menschlichem Traffic, der sich selbst zu erkennen gibt oder einfache Muster zeigt, die sich mit Routinelisten und standardisierten Parameterprüfungen leicht filtern lassen. Er ist oft harmlos, hat aber keinerlei Werbewert.

Bekannte Crawler und Spider

Das Internet ist auf Bots angewiesen. Suchmaschinen wie Google (Googlebot) und Bing (Bingbot) setzen Crawler ein, um Webinhalte zu indexieren. Diese Agenten geben ihre Identität in der Regel im User-Agent-Header an. Für SEO sind sie unverzichtbar, müssen aber konsequent aus den Impressionszahlen von Anzeigen ausgeschlossen werden. Zeigen die Serverprotokolle eines Publishers 10.000 Zugriffe, von denen 4.000 von Googlebot stammen, wäre es Betrug, diese 4.000 Zugriffe zu monetarisieren.

Rechenzentrums-Traffic

Gemeint ist Traffic von IP-Adressen, die Hosting-Anbietern gehören (z. B. Amazon AWS, Google Cloud, Microsoft Azure) und nicht privaten Internetanbietern (ISPs) oder Mobilfunknetzen. Der MRC schreibt vor, Traffic von bekannten großen Hosting-Anbietern herauszufiltern. Die Logik ist probabilistisch: Es ist höchst unwahrscheinlich, dass ein menschlicher Nutzer die Website eines Schuhhändlers von einem Server-Rack in einem AWS-Rechenzentrum aus besucht. Die Verbreitung von VPNs und Unternehmens-Proxys macht diese Kategorie allerdings unschärfer und führt gelegentlich zu Fehlalarmen.

Unregelmäßige Muster und „faule“ Bots

Mancher GIVT wird allein anhand heuristischer Auffälligkeiten erkannt:

• Automatische Aktualisierung: Eine Webseite, die sich alle 10 Sekunden neu lädt, um neue Anzeigenimpressionen zu erzeugen
• Doppelte Klicks: Ein Nutzer klickt innerhalb einer Millisekunde zweimal auf eine Anzeige, was mit menschlicher Reaktionszeit physisch unmöglich ist

Sophisticated Invalid Traffic (SIVT): Klicks als Waffe

SIVT steht für Traffic als Waffe. Er ist von Natur aus schwer zu erkennen, weil er aktiv versucht, menschliches Verhalten nachzuahmen, Geräte-Fingerabdrücke zu manipulieren und Standard-Sicherheitsprotokolle zu umgehen. Die Erkennung erfordert fortgeschrittene Analysen, Bestätigung über mehrere Datenpunkte und erheblichen menschlichen Einsatz.

Botnetze und Residential Proxys

Botnetze sind Netzwerke gekaperter Verbrauchergeräte („Zombies“), die von einem Command-and-Control-Server gesteuert werden. Anders als Rechenzentrums-Traffic stammt Botnetz-Traffic von legitimen Residential-IPs (z. B. einem gehackten smarten Kühlschrank oder einem Laptop mit Malware). Signaturbasiertes Blockieren ist dadurch wirkungslos. Diese Bots lassen sich so programmieren, dass sie Websites besuchen, Inhalte scrollen und Anzeigen anklicken und dabei ein „stimmiges“ Sitzungsprofil erzeugen, das einen menschlichen Nutzer imitiert.

Ad Stacking und Pixel Stuffing

Dies sind Formen des Sichtbarkeitsbetrugs:

• Ad Stacking: Betrüger legen in einem einzigen Anzeigenplatz mehrere Anzeigen übereinander. Nur die oberste ist für den Nutzer sichtbar, doch alle darunterliegenden lösen ein Impressions-Pixel aus, sodass mehreren Werbetreibenden ein einziger Platz berechnet wird
• Pixel Stuffing: Eine Anzeige wird auf einen Rahmen von 1x1 Pixel verkleinert, sodass sie mit bloßem Auge unsichtbar ist, technisch aber auf der Seite „lädt“ und eine Impression erfasst

Domain-Spoofing

Bei dieser Technik wird die Art des Inventars falsch dargestellt. Eine minderwertige Website (z. B. eine Piraterie-Seite) sendet eine Gebotsanfrage an eine Anzeigenbörse und gibt sich als Premium-Website aus (z. B. nytimes.com). Werbetreibende zahlen hohe Aufschläge für vermeintlich markensicheres Inventar, und ihre Anzeigen laufen dann auf der minderwertigen Seite. Die ads.txt-Initiative wurde eigens entwickelt, um diesen Angriffsweg zu bekämpfen.

Betrug in mobilen Apps: SDK-Spoofing und Click Injection

Im mobilen Ökosystem findet der Betrug im Code der Anwendung statt:

• SDK-Spoofing: Angreifer dekompilieren legitime Apps, um zu verstehen, wie sie mit Attributionsservern kommunizieren. Anschließend senden sie per Skript (über Server) gefälschte „Installation abgeschlossen“-Signale an den Attributionsanbieter. Der Werbetreibende zahlt für eine Installation, die nie stattgefunden hat, auf einem Gerät, das es nicht gibt
• Click Injection: Eine bösartige App auf dem Smartphone eines Nutzers erkennt, wenn eine andere, legitime App heruntergeladen wird. Sie löst unmittelbar vor Abschluss der Installation einen Klick aus und stiehlt so die „Last-Click“-Attribution für eine Installation, die sie nicht erzeugt hat

Die Grauzone: versehentlicher und technischer IVT

Nicht jeder ungültige Traffic ist böswillig. Ein erheblicher Teil entsteht durch schlechtes UX-Design (User Experience) oder Implementierungsfehler, doch die wirtschaftliche Wirkung, verschwendete Ausgaben, ist dieselbe wie bei Betrug.

• Versehentliche Klicks: Oft verursacht durch „Wurstfinger“-Fehler auf Mobilgeräten oder aufdringliche Anzeigenplatzierungen. Ein „Layout Shift“ (gemessen als Cumulative Layout Shift, CLS) kann zum Beispiel Inhalte genau in dem Moment nach unten schieben, in dem ein Nutzer tippen will, sodass er stattdessen eine Anzeige anklickt. Google bestraft das aktiv über den Mechanismus „Confirmed Click“
• Implementierungsfehler: Falsch eingebundene Anzeigen-Tags, doppelt ausgelöste Pixel oder Caching-Probleme können Kennzahlen aufblähen. Platziert ein Publisher etwa einen Anzeigencode in einem versteckten div, das auf jeder Seite geladen, aber nie angezeigt wird, ist das technischer IVT

Die Wissenschaft der Erkennung: algorithmische Ansätze und Forschungsfronten

Der Kampf gegen IVT ist ein Wettrüsten. Seit Betrüger generative KI und Verhaltensemulation einsetzen, sind einfache Sperrlisten überholt. Die Branche hat sich komplexen Modellen des maschinellen Lernens (ML) und der Graphentheorie zugewandt.

Von deterministischer zu stochastischer Erkennung

Die traditionelle Erkennung war deterministisch: Steht eine IP auf einer Sperrliste, wird sie blockiert. Steht im User-Agent „Bot“, wird blockiert.

Die moderne Erkennung ist stochastisch (probabilistisch): Sie analysiert Abweichungen von der Norm. Klickt ein Mensch zum Beispiel üblicherweise nach 2–5 Sekunden Verweildauer auf eine Anzeige, ein bestimmter Nutzer-Cluster aber konstant nach 0,3 Sekunden, markiert das System dies als Anomalie.

Graphbasierte Erkennung: das Protokoll „EvilHunter“

Eine wegweisende Studie stellte einen neuen Ansatz zur Erkennung von „Klickfarmen“ vor, also physischen Orten, an denen Niedriglohnkräfte oder automatisierte Geräte-Racks Anzeigen anklicken.

Die Herausforderung: Einzelne Geräte einer Klickfarm können menschliches Verhalten wirksam nachahmen (wechselnde User-Agents, rotierende IPs).

Die Lösung: EvilHunter ignoriert das einzelne Gerät und betrachtet die Gemeinschaft. Es erstellt einen „Gerätegraphen“ auf Basis von Konnektivitätsmerkmalen. Selbst wenn Geräte ihre IPs rotieren, teilen sie oft dieselbe Netzwerkinfrastruktur (Subnetze) oder dieselben App-Nutzungsmuster.

Funktionsweise:

• Log-Device-Mapper: Ordnet eindeutige Geräte-IDs den Gebotsprotokollen zu
• Clusterbildung: Gruppiert Geräte anhand ihrer „Top-App“-Nutzungsmuster. Laden 500 Geräte alle dieselbe obskure Taschenlampen-App herunter und besuchen dieselben drei Websites in derselben Reihenfolge, bilden sie einen „verdächtigen Cluster“
• Mehrheitsentscheid: Wird ein Schwellenwert an Geräten in einem Cluster als betrügerisch markiert, wird der gesamte Cluster als betrügerisch eingestuft

Ergebnisse: In Forschungstests erreichte dieser Ensemble-Ansatz eine hohe Präzision und Trefferquote und identifizierte eine große Zahl betrügerischer Geräte, die einzelne Klassifikatoren übersehen hatten.

Multimodale Analyse: „AgentDroid“

Betrug in mobilen Apps ist notorisch schwer zu erkennen, weil die Betrugslogik im kompilierten Anwendungscode (APK) versteckt ist. Das Framework „AgentDroid“ nutzt ein Multi-Agenten-System zur Analyse von Apps.

Aufteilung der Aufgaben: Statt eines einzigen riesigen KI-Modells setzt AgentDroid spezialisierte Agenten ein:

• Icon-Analyst: Prüft, ob das App-Symbol eine beliebte App imitiert (z. B. ein gefälschtes WhatsApp)
• Zertifikatsprüfer: Verifiziert die digitale Signatur des Entwicklers
• Textanalyst: Liest die App-Beschreibung auf Widersprüche (z. B. eine „Taschenrechner“-App, die GPS-Berechtigungen verlangt)

Gemeinsame Schlussfolgerung: Diese Agenten „stimmen“ über die Wahrscheinlichkeit von Betrug ab. Das ahmt ein menschliches Sicherheitsteam nach, in dem ein Code-Experte, ein UI-Experte und ein Rechtsexperte gemeinsam entscheiden. Im Vergleich zu Systemen mit nur einem Modell reduziert dieser Ansatz Fehlalarme deutlich.

Foundation Models gegen Betrug: die „ALF“-Architektur

Das Modell „Advertiser Large Foundation“ (ALF) steht für den neuesten Stand bei der Anwendung von Transformer-Architekturen (wie in GPT-4) auf die Betrugserkennung.

Konzept: So wie LLMs die Struktur der Sprache lernen, lernt ALF die Struktur des „Werbetreibenden-Verhaltens“. Es ist auf Millionen von Momentaufnahmen von Werbetreibenden vortrainiert, einschließlich ihrer Creatives (Bilder, Texte), ihrer Abrechnungshistorie und ihrer Klickmuster.

Kontrastives Lernen: ALF nutzt kontrastives Lernen, um legitime und betrügerische Werbetreibende in einem gemeinsamen Embedding-Raum abzubilden. Es lernt, dass „legitime Händler“ in diesem Raum eine bestimmte mathematische Signatur haben, während sich „unseriöse Dropshipper“ anders gruppieren.

Wirkung: ALF zeigte im Vergleich zu früheren Baselines eine deutlich höhere Trefferquote bei der Erkennung von Richtlinienverstößen und weist auf Large Foundation Models als vielversprechende Richtung für die IVT-Erkennung hin.

Inkohärente Sitzungen: das COSEC-Framework

Forscher von Microsoft schlugen COSEC (Contextual Session Incoherence) zur Erkennung von Betrug bei Suchanzeigen vor.

Die Erkenntnis: Echte Nutzer haben „kohärente“ Suchsitzungen. Ein Nutzer sucht vielleicht nach „beste Laufschuhe“, dann nach „Nike vs Adidas“ und klickt dann auf eine Nike-Anzeige. Das ist ein stimmiger Ablauf.

Die Betrugssignatur: Ein Bot oder Klickarbeiter hat oft „inkohärente“ Sitzungen. Er sucht etwa nach „Anwalt Mesotheliom“, klickt auf eine Anzeige, sucht sofort nach „günstige Flüge Las Vegas“ und dann nach „Sanitärdienst“. Zwischen diesen Aktionen besteht kein inhaltlicher Zusammenhang.

Methodik: COSEC nutzt einen sequenziellen Klassifikator, um den semantischen Abstand zwischen aufeinanderfolgenden Suchanfragen zu analysieren. Hohe „Inkohärenzwerte“ markieren die Sitzung als nicht menschlich und erreichten in veröffentlichten Tests eine hohe Präzision.

Die wirtschaftlichen und operativen Folgen: die „versteckte Steuer“ des Internets

Die Diskussion über IVT dreht sich oft um den direkten Verlust von Werbeausgaben, also das Geld für gefälschte Impressionen. Die Folgen zweiter und dritter Ordnung schaden der langfristigen Gesundheit eines Unternehmens aber womöglich noch mehr.

Direkte finanzielle Verschwendung

Die Zahlen sind erschreckend. Eine von MediaPost berichtete Branchenanalyse schätzte rund 63 Mrd. USD an weltweiten Werbeausgaben, die 2025 für ungültigen Traffic verschwendet wurden, bei durchschnittlich 8,51 % der bezahlten Klicks, also etwa 1 von 12. Zum Vergleich: Diese Summe kommt dem BIP mittelgroßer Staaten nahe und ging an Traffic verloren, der nie ein echter Kunde war.

• Verschwendetes Mediabudget: Jeder Dollar, der in IVT fließt, fehlt bei der Kundengewinnung. Für kleine und mittlere Unternehmen (KMU), die oft mit geringeren Margen arbeiten, kann diese Verschwendung existenzbedrohend sein und einen erheblichen Teil eines begrenzten Digitalbudgets aufzehren
• Der Albtraum der Rückforderung: Für Publisher führt IVT zu Umsatzabzügen. Google AdSense und andere Netzwerke ziehen Einnahmen nachträglich ab („Clawbacks“), wenn Traffic später als ungültig eingestuft wird. Ein Publisher sieht vielleicht 5.000 USD Einnahmen für Januar, nur um im Februar wegen „ungültiger Aktivität“ 2.000 USD abgezogen zu bekommen

Datenvergiftung: die strategische Bedrohung

Die heimtückischste Folge von IVT ist die Beschädigung der Datenintegrität.

• Verzerrte Attribution: Klickt ein Botnetz auf Anzeigen und „konvertiert“ dann (über gefälschte Formulareinträge), weisen Attributionsmodelle der betrügerischen Traffic-Quelle einen hohen Wert zu. Marketer sehen einen hohen ROI, optimieren auf den Betrug hin und schichten mehr Budget genau in die Kanäle, die sie ausbluten lassen
• Verunreinigte Lookalike-Modelle: Plattformen wie Meta und Google nutzen Seed-Zielgruppen, um „ähnliche“ Nutzer zu finden. Enthält die Seed-Zielgruppe Bots (die oft umfangreiche, wenn auch gefälschte Browserverläufe haben), suchen die Algorithmen nach weiteren Bots mit ähnlichem Verhalten. So entsteht eine Betrugs-Rückkopplungsschleife, die die Kampagnenleistung von innen heraus zerstört
• Gescheiterte A/B-Tests: Split-Tests setzen eine zufällige Verteilung gültiger Nutzer voraus. Zieht eine Variante unverhältnismäßig viele Bots an (etwa wegen eines bestimmten Keywords wie „gratis“ oder „gewinnen“), sind die Testergebnisse wertlos und führen zu falschen Produktentscheidungen

Die Not der Publisher: Infrastruktur und SEO-Verschlechterung

Ungültiger Traffic ist nicht nur ein Ad-Tech-Problem, sondern ein Infrastruktur- und SEO-Problem.

• Infrastrukturkosten: Große Mengen Bot-Traffic verbrauchen Serverbandbreite und Rechenleistung. Ein Publisher zahlt AWS oder seinem Hosting-Anbieter jedes übertragene Gigabyte, bezahlt also buchstäblich dafür, betrogen zu werden
• SEO-Abstrafungen: Suchmaschinen nutzen „Core Web Vitals“ (Geschwindigkeit, Stabilität) als Rankingfaktoren. Ein von Bot-Traffic überlasteter Server liefert Seiten an echte Nutzer langsamer aus und schadet so dem Ranking. Zudem werden Nutzersignale wie „Verweildauer“ und „Absprungrate“ von Bots stark verzerrt. Springt ein Bot sofort ab (100 % Absprungrate) oder bleibt künstlich lange (0 % Absprungrate), signalisiert das Googles RankBrain, dass der Inhalt minderwertig oder irrelevant ist, was zu Einbußen im organischen Ranking führen kann

Berichte aus der Praxis: die menschlichen Kosten von IVT

Daten beziffern das Problem, die Erfahrungen der Menschen machen es greifbar. Die Analyse von Publisher-Communities zeigt die emotionale und operative Belastung durch IVT.

Die „Blackbox“ der AdSense-Sperren

Publisher berichten häufig, eine allgemein gehaltene E-Mail erhalten zu haben: „Die Anzeigen in einem oder mehreren Ihrer Videos wurden aufgrund ungültiger Zugriffe eingeschränkt.“

• Keine Handhabe: Google und andere Plattformen legen selten offen, welche Videos oder Seiten das Problem verursacht haben, und verweisen darauf, ihre Erkennungsalgorithmen schützen zu müssen. Publisher landen so in einer kafkaesken Lage, in der sie für ein Vergehen bestraft werden, das sie nicht identifizieren können
• Das Prinzip „schuldig bis zum Beweis der Unschuld“: Plattformen ziehen oft zuerst Einnahmen ab und stellen später Fragen. Ein Publisher berichtete, dass sein RPM (Revenue per Mille) durch IVT-Filterung von 13,50 USD auf 1,12 USD fiel, was seinen Kanal ohne formelle Sperre faktisch demonetarisierte

Fallstudie: die Strafe „Confirmed Click“

Ein bestimmter Mechanismus von Google AdSense zeigt, wie differenziert der Umgang mit IVT ist. Die Strafe „Confirmed Click“ (oder „Two-Click“) wird verhängt, wenn Googles Algorithmen auf der mobilen Website eines Publishers eine hohe Rate versehentlicher Klicks feststellen.

Der Auslöser: Anzeigen, die zu nah an „Weiter“-Schaltflächen, Navigationsleisten oder Inhalten platziert sind, die beim Laden „springen“ (umbrechen). Nutzer wollen dann einen Link anklicken, treffen aber versehentlich eine Anzeige, die unter ihrem Daumen geladen wird.

Der Mechanismus: Google blendet bei Anzeigenklicks eine Abfrage „Website besuchen?“ ein. Der Nutzer muss die Anzeige anklicken und dann über eine zweite Schaltfläche bestätigen, dass er den Werbetreibenden besuchen will.

Die Auswirkung: Die Klickraten (CTR) brechen ein, oft um 50–80 %. Die Einnahmen sinken entsprechend.

Die Erkenntnis: Technisch ist das IVT (versehentliche bzw. ungültige Absicht), aber nicht böswillig. Es ist ein UX-Versagen. Die Lösung ist keine Sicherheitssoftware, sondern CSS-Änderungen: Abstand um Anzeigen herum, Container mit fester Höhe, um Layout-Verschiebungen zu verhindern, und eine klare visuelle Trennung zwischen Inhalt und Anzeigen.

Der Paradigmenwechsel durch generative KI

Das Aufkommen generativer KI (GenAI) und großer Sprachmodelle (LLMs) hat die Bedrohungslage grundlegend verändert und das ausgelöst, was Experten eine „Flutwelle“ des Betrugs nennen. Die Einstiegshürde für ausgefeilten Betrug ist eingestürzt.

Made-for-Advertising-Websites (MFA): die GenAI-Explosion

„Made for Advertising“-Websites (MFA) sind Websites, die einzig dazu erstellt werden, Werbeausgaben per Arbitrage abzuschöpfen. Mit GenAI können Betrüger Tausende solcher Websites im Handumdrehen aufsetzen.

• Automatisierte Inhalte: Ein LLM kann in wenigen Stunden 10.000 Artikel zu Themen mit hohem CPC (z. B. „Mesotheliom“, „Krypto-Versicherung“) erzeugen. Diese Artikel sind grammatikalisch einwandfrei und bestehen einfache „Qualitäts“-Filter, bieten Menschen aber keinerlei Mehrwert
• Das Arbitrage-Modell: Der Betrüger kauft billigen Traffic (oft Bot-Traffic gemischt mit minderwertigem Pop-under-Traffic) für 0,01 USD pro Besucher und monetarisiert ihn über programmatische Anzeigen mit 0,05 USD pro Besucher; die Differenz behält er. Schätzungen zufolge zweigen MFA-Websites jährlich Milliarden Dollar aus dem Ökosystem ab
• Anzeigendichte: Diese Websites setzen oft auf aggressive Anzeigenaktualisierungen und „klebende“ Videoplayer, die dem Nutzer folgen, um die Impressionen pro Sitzung zu maximieren

Synthetische Identitäten und Deepfakes

GenAI kann synthetische Identitäten erschaffen: gefälschte Nutzer mit KI-generierten Gesichtern, Stimmen und Browserverläufen, die statistisch nicht von echten Menschen zu unterscheiden sind.

• Umgehung von KYC: Deepfakes werden inzwischen genutzt, um „Know Your Customer“-Prüfungen (KYC) auf Fintech-Plattformen und in Werbenetzwerken zu umgehen. Ein Betrüger kann ein Video einer „Person“ erzeugen, die nickt und den Kopf dreht, um eine Lebenderkennung zu bestehen, und so legitime Konten eröffnen, um Werbekampagnen zu starten oder Geld zu waschen
• Konversationeller Betrug: LLM-gesteuerte Chatbots können mit Vertriebsteams oder Support-Bots interagieren. Sie können Lead-Formulare ausfüllen, Folge-E-Mails beantworten und sogar SMS-Unterhaltungen führen. Das verschwendet menschliche Vertriebsressourcen auf täuschend echte gefälschte Leads

KI-Agenten: was „ungültig“ eigentlich bedeutet

Wir treten in eine Ära ein, in der KI-Agenten (z. B. autonome Shopping-Bots) im Auftrag von Menschen im Web surfen.

Das philosophische Problem: Ist ein KI-Agent, der einen Flug bucht, „ungültiger Traffic“? Technisch ist er nicht menschlich. Die Absicht ist jedoch transaktional. Das verwischt die Grenze zwischen IVT und legitimer kommerzieller Aktivität. Bittet ein Nutzer eine KI, „den besten Preis für Nike-Schuhe zu finden“, und die KI durchsucht 50 Websites: Sind diese 50 Impressionen ungültig? Nach den aktuellen MRC-Richtlinien würden sie weitgehend als IVT eingestuft, doch die wirtschaftliche Realität spricht für eine neue Kategorie: Non-Human Valid Traffic (nicht menschlicher, gültiger Traffic).

Abwehrmechanismen: strategische Schadensbegrenzung

Die Abwehr von IVT erfordert eine Strategie der gestaffelten Verteidigung („Defense in Depth“), die technische Standards, operative Wachsamkeit und regelbasierte Kontrollen übereinanderlegt.

Technische Implementierungsstandards (der IAB-Stack)

Das IAB Tech Lab hat mehrere Standards eingeführt, die für den modernen Inventarschutz unverzichtbar sind:

• ads.txt (Authorized Digital Sellers): Eine Textdatei auf der Domain eines Publishers (z. B. nytimes.com/ads.txt), die auflistet, wer sein Inventar verkaufen darf. Das verhindert Domain-Spoofing, bei dem ein Betrüger behauptet, NYT-Inventar zu verkaufen. Findet der Käufer die ID des Verkäufers nicht in der ads.txt-Datei, bietet er nicht
• sellers.json: Eine von Supply-Side-Plattformen (SSPs) bereitgestellte Datei, die die Identität des Publishers offenlegt. Käufer sehen so den Namen des Unternehmens, das sie bezahlen, statt nur einer undurchsichtigen ID
• SupplyChain Object: Mit diesem Standard sehen Käufer jeden „Hop“, den eine Gebotsanfrage genommen hat. Hat ein Gebot 15 Zwischenhändler durchlaufen, bevor es den Werbetreibenden erreichte, ist das höchst verdächtig (und wahrscheinlich Arbitrage). Käufer können Pfade mit zu vielen Hops blockieren

Pre-Bid- vs. Post-Bid-Blockierung

• Pre-Bid-Blockierung: Sie greift, bevor der Werbetreibende für die Impression zahlt. Demand-Side-Plattformen (DSPs) bewerten Nutzer bzw. Gerät in Echtzeit. Deutet die Bewertung auf ein hohes Betrugsrisiko hin, bietet die DSP einfach nicht. Das ist der effizienteste Schutz
• Post-Bid-Monitoring: Dabei wird die Impression analysiert, nachdem sie stattgefunden hat. Das Geld ist zwar schon ausgegeben, doch die Post-Bid-Analyse liefert tiefere Daten (Mausbewegungen, Verweildauer, Touch-Ereignisse), die im Millisekundenfenster eines Echtzeitgebots nicht verfügbar sind. Mit diesen Daten werden Sperrlisten aktualisiert und Erstattungen (Clawbacks) eingefordert

Kontrollen auf Publisher-Seite

Publisher müssen ihre Traffic-Quellen und ihre Benutzeroberfläche aktiv steuern, um Strafen zu vermeiden:

• Traffic-Segmentierung: Publisher sollten organischen und bezahlten Traffic in ihren Analysen strikt trennen. „Billigen Traffic“ zu kaufen, um die Zahlen aufzubessern, ist der schnellste Weg zur Kontosperre, denn dieser Traffic ist fast immer Bot-getrieben
• Technische Härtung:
  • Cloudflare/WAF: Setzen Sie Web Application Firewalls ein, um verdächtige IPs mit CAPTCHAs zu prüfen, bevor sie die Seite (und die Anzeigen) laden können
  • Frequency Capping: Begrenzen Sie die Zahl der Anzeigen, die einem Nutzer pro Sitzung gezeigt werden. Ein Nutzer, der 200 Seiten in einer Minute aufruft, ist wahrscheinlich ein Bot; eine Begrenzung verhindert, dass dieser Bot 200 ungültige Impressionen erzeugt

Kontrollen auf Werbetreibenden-Seite

• Ausschlusslisten: Listen mit Placement-Ausschlüssen regelmäßig aktualisieren. Dazu gehören bekannte MFA-Websites, App-Kategorien mit hohen Betrugsraten (z. B. „Taschenlampen“-Apps, „Solitaire“-Spiele) und IP-Bereiche von Rechenzentren
• Wertbasiertes Bieten: Die wirksamste Abwehr besteht darin, nicht mehr auf Klicks zu optimieren. Ein Bot kann klicken, aber (in der Regel) nichts kaufen. Wer Kampagnen auf ROAS (Return on Ad Spend) und geprüfte Conversions optimiert, entzieht dem Betrug automatisch das Geld, denn Bot-Traffic bringt 0 USD Ertrag

Was die Branche falsch versteht: Mythen und Realität

Mythos 1: „Mein Traffic ist zu 100 % menschlich.“
Realität: Keine Website ist zu 100 % menschlich. Selbst die sichersten Websites haben Scraper-Bots, Such-Crawler und beiläufigen IVT. Das Ziel ist, GIVT zu steuern statt ihn vollständig zu beseitigen, SIVT dagegen ohne jede Toleranz zu eliminieren. Publisher, die 0 % IVT behaupten, schauen vermutlich nicht genau genug hin.

Mythos 2: „IVT gehört eben zu den Geschäftskosten.“
Realität: Wer IVT als Steuer betrachtet, übersieht den strategischen Schaden durch Datenvergiftung. Eine Betrugsrate von 10 % verschwendet nicht nur 10 % des Budgets; sie kann die übrigen 90 % fehlleiten, weil sie die Algorithmen für Ausrichtung und Gebote verzerrt.

Mythos 3: „Starke Traffic-Spitzen sind gute Nachrichten.“
Realität: Plötzliche, unerklärliche Traffic-Spitzen, vor allem bei direktem Traffic oder Traffic mit 100 % Absprungrate, sind eine klassische Signatur von Bot-Angriffen, kein viraler Erfolg. Ohne Verifizierung sind diese Spitzen Risiken, keine Gewinne. Publisher sollten Spitzen, die mit keinem neuen Inhalt und keiner Marketingaktion zusammenhängen, sofort untersuchen.

Mythos 4: „Manuelle Prüfung reicht aus.“
Realität: Menschliche Prüfer können modernen SIVT nicht erkennen. Ein Botnetz mit Residential Proxys und Headless-Browsern sieht in Standard-Serverprotokollen genau wie ein Mensch aus. Die Erkennung erfordert die Analyse von Zeitabweichungen im Millisekundenbereich, von Netzwerkpaket-Headern und der Entropie im Nutzerverhalten, was für menschliche Analysten unmöglich ist.

Wie ungültiger Traffic Ihre Website und Ihre Analysen beeinflusst

Über verschwendete Werbeausgaben hinaus verzerrt IVT auch die Signale, auf die Ihre eigene Website angewiesen ist, von der Seitenleistung bis zu den Analysen, mit denen Sie Kampagnen bewerten.

Core Web Vitals und Latenz

Googles Core Web Vitals (CWV) messen die Nutzererfahrung:

• LCP (Largest Contentful Paint): Starker Bot-Traffic belastet den Server. Ist der Server damit beschäftigt, 5.000 Bots zu antworten, liefert er die Seite an den 1 echten Menschen langsamer aus. Das erhöht die LCP-Zeit, was das Ranking der Website direkt verschlechtern kann
• CLS (Cumulative Layout Shift): Wie beim „Confirmed Click“ beschrieben, verursachen instabile Layouts versehentliche Klicks. Sie schaden auch der SEO. Eine Website, die versehentliche Klicks verhindert (feste Abmessungen für Anzeigenplätze), schneidet automatisch auch bei den CLS-Werten besser ab

Saubere Analysedaten (GA4 vs. Google Ads)

Ein häufiger Grund für Verwirrung bei SEOs sind Datenabweichungen.

Die Abweichung: Ein Stratege sieht vielleicht 1.000 Klicks in Google Ads, aber nur 600 Sitzungen in Google Analytics 4 (GA4).

Die Ursache: Google Ads filtert ungültige Klicks vor der Abrechnung heraus. Waren 400 Klicks Bots, verwirft Google Ads sie. GA4 hat diese 400 Bots aber möglicherweise als Sitzungen erfasst (oder anders ausgeschlossen). Umgekehrt klicken Nutzer manchmal auf eine Anzeige, verlassen die Seite aber, bevor sie geladen ist (hohe Absprungrate), sodass ein Klick, aber keine Sitzung erfasst wird. Diese Differenzen zu verstehen, ist für genaue Berichte entscheidend.

Überlegene Inhalte als Verteidigung

„Hilfreiche Inhalte“ (E-E-A-T) zu erstellen, schützt vor einer Einstufung als MFA-Website. MFA-Websites setzen auf dünne, generische Inhalte. Wer in tiefgehende, von Experten verfasste Inhalte investiert, signalisiert Nutzern wie Werbetreibenden, dass er ein Premium-Umfeld bietet. Werbetreibende kaufen Medien zunehmend nach „Attention Metrics“ (Sichtdauer, Blick auf den Bildschirm). Hochwertige Inhalte erzeugen echte Aufmerksamkeit, die Bots nicht wirksam simulieren können.

Ausblick: die Verifizierungs-Singularität

Sobald KI die digitalen Spuren von Menschen perfekt nachahmen kann, versagt der „Turing-Test“ für Anzeigen-Traffic. Wir bewegen uns auf eine „Verifizierungs-Singularität“ zu, in der Verhaltensanalyse allein nicht mehr ausreicht.

Kryptografischer Nachweis des Menschseins

Die Zukunft liegt wahrscheinlich im kryptografischen Nachweis. Technologien wie World ID oder Hardware-Attestierung auf Geräteebene (z. B. Apples Private Access Tokens) bürgen kryptografisch für den Nutzer.

Der Mechanismus: Statt das Verhalten zu analysieren (das sich fälschen lässt), fragt die Website das Gerät: „Bist du eine sichere Hardware-Enklave im Besitz eines Menschen?“ Das Gerät antwortet mit einem kryptografischen Token, das vom Hersteller (Apple/Google) signiert ist. Das beweist das Menschsein, ohne die Identität preiszugeben, und schützt so die Privatsphäre, während Bots ausgeschlossen werden.

Regulierungsdruck und Transparenz

Regierungen erkennen allmählich das Ausmaß des Werbebetrugs. Vorschriften könnten Werbenetzwerke bald verpflichten, die genaue Lieferkette jeder Impression offenzulegen. Das heutige „Blackbox“-Modell, in dem Geld in undurchsichtigen Reseller-Netzwerken verschwindet, wird rechtlich unhaltbar. Wir erwarten strengere „Know Your Business“-Vorschriften (KYB) für Publisher, die in das programmatische Ökosystem einsteigen.

Weiterführende Ressourcen

Fazit

Ungültiger Traffic ist kein statisches Ärgernis, sondern ein dynamisches, sich ständig weiterentwickelndes Ökosystem algorithmischer Raubzüge. Er gedeiht in der Undurchsichtigkeit der programmatischen Lieferkette und passt sich mit der Geschwindigkeit der KI an. Für alle Akteure der digitalen Wirtschaft, Publisher, Werbetreibende und SEOs, ist die Ära von „Vertrauen, aber prüfen“ vorbei; wir sind in der Ära von „Prüfen, dann vertrauen“.

Die Schadensbegrenzung erfordert einen Paradigmenwechsel: IVT nicht mehr als Posten im Budget zu sehen, sondern als Cybersicherheitsbedrohung, die genau die Informationen kompromittiert, auf denen Geschäftsentscheidungen beruhen. Durch die konsequente Anwendung von Standards (ads.txt, SIVT-Filterung), den Einsatz fortgeschrittener ML-basierter Erkennung (Graph Learning, multimodale Analyse) und eine grundlegende Neugestaltung der Anreizstrukturen kann die Branche die Integrität der digitalen Impression zurückgewinnen.