Er dette dødsstødet for Open Web Programmatic?

Indhold

• Resumé
• 1 Internettet har skiftet karakter
  • 1.1 Krydsningspunktet er allerede sket
  • 1.2 Agentic-trafik vokser eksplosivt
  • 1.3 Klassiske bots vs. browsing-agenter
• 2 Den skjulte regning: hvad én dansk kampagne afslørede
  • 2.1 Hvad der reelt forårsager gapet
  • 2.2 Hvorfor dette er agent-problemet i miniature
• 3 Problemet på 1400 millisekunder
  • 3.1 To tidslinjer, der aldrig mødes
  • 3.2 Hvorfor dette er en begrænsning og ikke en kapacitetsmangel
  • 3.3 Den svindende undtagelse og et vigtigt forbehold
  • 3.4 Hvorfor bid request'en ikke kan se en bot
• 4 Auktionen er næsten blind, og agenten ser præcis ud som dig
  • 4.1 En bevidst smal kanal
  • 4.2 Agenten overtager brugeren
  • 4.3 Det empiriske ankerpunkt: FP-Agent
• 5 Hvorfor efterfølgende kontrol ikke løser det
  • 5.1 Efterfølgende genanalyserer køberne de samme tynde data
  • 5.2 Learning-loop-forsvaret — og dets manglende afslutning
  • 5.3 Et net af konkurrerende sandheder
• 6 Pengene flyder én vej — sandheden ligger i den anden ende
  • 6.1 Detektionskapacitet og fakturaautoritet befinder sig forskellige steder
  • 6.2 Underskuddet, der lander i midten
  • 6.3 Fem virkelige opsætninger, ét mønster
  • 6.4 Hvorfor dette forstærkes i agentisk skala
• 7 En lang stavelse uden forsvar
• 8 Hvem vinder, hvis intet ændrer sig: Google og de walled gardens
  • 8.1 Præcision om, hvad der er ved at dø
  • 8.2 Driften, skridt for skridt

• 9 Standarder vil ikke redde den åbne auktion
  • 9.1 Det nuværende landskab
  • 9.2 Den fælles begrænsning
• 10 Indvendinger — det stærkeste argument mod denne paper
  • 10.1 “Vi ejer begge sider af vores pipe — vores DSP og SSP afstemmer internt”
  • 10.2 “Skala slår dig — vi ser mønstre tværs af milliarder af impressions”
  • 10.3 “Learning loop'en lukker gapet over tid”
  • 10.4 “Annoncører vil ikke betale for jeres friktion”
• 11 Kunne økosystemet selv fixe det?
  • 11.1 Et to-trins bud: signal nu, bekræft senere
  • 11.2 Rigere realtidssignaler
  • 11.3 Regulering, der tvinger agent-selvidentifikation igennem
  • 11.4 Vente og se
• 12 STEP Network's eksperiment: måling af det blinde vindue
  • 12.1 Hypoteser
  • 12.2 Opsætning
  • 12.3 Trafik- og sessionsdesign
  • 12.4 Målepunkter
  • 12.5 Etik og afgrænsning
  • 12.6 Resultater
• 13 Hvordan en levedygtig arkitektur må se ud
• 14 Konklusion: så — er det slut med open web programmatic?
• Kilder
• Appendiks A
• Appendiks B

Executive Summary

I mere end 15 år er annoncering på det åbne web blevet købt og solgt ud fra én antagelse: at de besøgende på websites er mennesker. Den antagelse er ved at bryde sammen — og den del af markedet, der er mindst i stand til at absorbere skaden, er den uafhængige open auction, som finansierer størstedelen af det åbne web.

Tre fakta rammesætter problemet. Mere end halvdelen af al trafik på internettet er nu automatiseret snarere end menneskelig (Cloudflare Radar, 2026). Trafik fra AI-agenter — software, der browser, sammenligner og køber på en persons vegne — voksede 7.851% på et år (HUMAN Security, 2026). Og da forskere testede syv udbredte AI-browsing-agenter, genkendte et førende kommercielt bot-forsvar kun én af dem; en efterfølgende adfærdsanalyse fangede alle syv (Wang et al., 2026).

Én dansk kampagne viser, hvordan pengesiden af dette ser ud i praksis:

Denne artikels påstand, sagt ligeud: open auction beslutter og fakturerer hurtigere, end sandheden kan nå frem, og faktureringskæden kan ikke bære en korrektion baglæns.

De fire trin:

1. Auktionen er slut, før den besøgende har rørt siden. Købere skal prissætte og svare inden for 200–1.400 ms. De signaler, der afslører en AI-agent — hvordan den scroller, taster og bevæger musen — opstår først sekunder senere. Beslutningen er låst fast, før beviset findes.
2. Auktionen ser næsten intet, og efterfølgende kontrol bruger de samme sparsomme data. Den eneste information, købere modtager, før de beslutter, er en kort teknisk besked, “bid request”'en, og en agent, der kører i en persons egen browser, arver alt i den: cookies, logins, netværksadressen. Hvert felt læser “human”. Det adfærdsmæssige bevis, der kunne afsløre agenten, forbliver på udgiverens side og når aldrig frem til køberne — hverken i realtid eller efterfølgende.

3. Pengene flyder én vej; sandheden befinder sig i den anden ende. Penge bevæger sig ned gennem en kæde af mellemled (annoncør → buying platform → marketplace → udgiver), og hvert led afregner på optællinger foretaget inden for det blinde vindue. Udgiveren, som ved mest om trafikken, har ingen indflydelse på fakturaen. Da vi kortlagde de fem opsætninger, der bruges i praksis, kunne kun én rette fejl automatisk i bagkant: Googles egen end-to-end-vej. Den åbne vej, som de fleste udgivere er afhængige af, har slet ingen korrektionskanal, og kløfter på 5–15% mellem optællinger er normale (STEP Network, 2026; se kildenoten i 6.3).
4. Hvis intet ændrer sig, er vinderen Google og de øvrige walled gardens. Inden i én virksomheds stack afstemmes optælling, validering og fakturering automatisk. Når købere holder op med at stole på open auction, flytter de dertil af selvopholdelsesdrift — og det åbne web bliver lejer i en andens hus.

For at bevæge sig fra argument til evidens gennemførte STEP Network et kontrolleret eksperiment i juni 2026: scriptet, menneskelignende browsertrafik — mærket usynligt før auktionen, så alle lags rapporter kunne segmenteres på det. Den blev sendt gennem levende udgiversider med en fuld programmatic stack, og hvert leds rapporter blev trukket to gange: dagen efter trafikken og igen efter det 30-dages korrektionsvindue. Hver eneste syntetiske impression, der klarede auktionen, blev købt og faktureret som human; en måned senere havde ad serveren stille og roligt genberegnet 1,95% af trafikken — og den korrektion nåede ikke frem til noget andet regnskab i kæden (metode og resultater i kapitel 12).

Dette er bevidst en problemartikel. Kapitel 13 opstiller de principper, som enhver levedygtig afløser skal opfylde, og bemærker, at STEP Network aktivt udvikler en sådan model sammen med danske udgivere og med DAMA-gruppen (Danish Advertiser and Media Alliance).

1. Internettet har ændret karakter

Bot-trafik er ikke noget nyt. Crawlere, scrapere og simple scripts har eksisteret lige så længe som selve webbet, og branchen har opbygget modne værktøjer imod dem: user-agent-lister, IP-omdømme, detektion af headless browsere, tekniske fingeraftryk. Det nye er hastigheden og karakteren af forandringen. Dette er generelt også det, vi ville betegne som Invalid Traffic (IVT) (HUMAN Security, n.d.).

1.1 Krydspunktet er indtruffet

Den 3. juni 2026 udtalte Cloudflares medstifter og CEO, at automatiseret trafik nu udgør 57,5% af alle HTTP-forespørgsler til webindhold, mod 42,5% fra mennesker — det første sådanne krydspunkt i internettets historie, og det indtraf omkring 18 måneder tidligere end hans egen forudsigelse, med agentic AI som den primære drivkraft (Cloudflare Radar, 2026; Prince, 2026). Ét metodisk forbehold er vigtigt: dette måler HTTP-forespørgsler til HTML-indhold, ikke tid brugt — mennesker dominerer stadig målt på engagement. Men for annonceøkosystemet er forespørgsler netop den relevante enhed: sidevisninger udløser auktioner, og impressions faktureres på baggrund af denne funktionalitet, ikke menneskeligt engagement.

1.2 Agentic trafik vokser eksplosivt

HUMAN Securitys 2026 State of AI Traffic & Cyberthreat Benchmark Report, baseret på mere end én billiard digitale interaktioner analyseret i 2025, dokumenterer forskydningen:

• Automatiseret trafik voksede 23,5% år over år — otte gange hurtigere end menneskelig trafik (3,1%).
• AI-drevet trafik voksede 187% i månedligt volumen gennem 2025 og toppede med 3,61 gange januar-niveauet i oktober.
• Trafik fra AI-agenter og agentic browsere voksede 7.851% år over år.
• 2,3% af al agentic aktivitet foregår nu på checkout-sider — agenter læser ikke længere bare webbet, de handler på det.
• Mere end 95% af den AI-drevne trafik i 2025 var koncentreret inden for detail/e-handel, streaming/medier og rejser. Medier befinder sig i epicentret.

Afgørende er det, at væksten domineres af browserbaserede agenter — agenter, der opererer inde i rigtige browsere, i mange tilfælde brugerens egen — frem for datacenter-bots. I HUMAN Securitys (2026) rapportering stod to agentic browsere alene for to tredjedele af den observerede agentic trafik, og browseragenter udgjorde omkring 71% af al agentic aktivitet i april. Denne detalje afgør alt, hvad der følger herefter: den hurtigst voksende trafikklasse arver et virkeligt menneskes tekniske identitet.

1.3 Klassiske bots vs. browsende agenter

Hele det eksisterende forsvar mod Invalid Traffic (IVT), inklusive branchens fælles botlister og crawler-registre, blev bygget til venstre kolonne i tabellen ovenfor. Den højre kolonne er den, der vokser med firecifrede rater. Under rammeværket fra MRC, Media Rating Council, hvis Invalid Traffic Detection and Filtration Guidelines sætter branchestandarden for identifikation og filtrering af invalid trafik (Media Rating Council, n.d.-a, n.d.-b), er det per definition SIVT: Sophisticated Invalid Traffic, som kræver adfærdsanalyse med flere datapunkter frem for opslag i lister. Resten af denne rapport undersøger, om open auction er i stand til den analyse. Svaret, vil vi argumentere for, er nej — af hensyn til timing og informationsarkitektur, ikke teknologi.

2. Den skjulte regning: hvad én dansk kampagne afslørede

Før teorien, beviserne — med tallene angivet præcist, for de er slående nok uden overdrivelse.

I et nyligt dansk projekt (herefter DAMA-casen) sammenlignede DAMA Working Group — et dansk annoncør- og mediesamarbejde (dama.media) — linje for linje, hvad udgiverens ad server verificerede mod, hvad det kreativt-hostende lag talte, for de samme kampagner, på samme inventory (DAMA Working Group, 2026; anonymiserede linjedata i Appendix A):

• På de berørte opsætninger talte det kreative lag 1,8–2,3 gange de impressions, ad serveren havde verificeret — det vil sige 80–130% flere.
• Og kontrollen, der beviser pointen: én identisk formateret opsætning viste slet ingen afvigelse (1,00×). Uoverensstemmelsen er arkitektonisk — den afhænger af, hvordan kæden er koblet sammen, ikke af tilfældigheder.

Samme kampagne. Samme inventory. To optællinger — og fakturaen følger den højeste.

2.1 Hvad der reelt forårsager forskellen

Det ville være belejligt at fremlægge disse tal som direkte bevis på bot- eller agenttrafik. Det er de ikke, og dette paper vil ikke foregive andet. Mekanismen er mere jordnær og, for den argumentation der følger, mere fordømmende.

Udgiverens ad server filtrerer invalid trafik løbende og efter serveringen og rapporterer netto (Google, n.d.-b). Creative-hosting-laget tæller i det øjeblik dets creative-filer affyres — før annoncen overhovedet er blevet renderet med succes — anvender ringe til ingen filtrering, og rapporterer brutto (DAMA Working Group, 2026). Og fordi verifikations- og målingstags fysisk eksekverer inde i den renderede creative, overtager alle nedstrøms parter automatisk den brutto optælling. Ingen kanal rapporterer ad serverens fradrag til nogen af dem.

2.2 Hvorfor dette er agentproblemet i miniature

Læst korrekt beviser DAMA-casen noget mere fundamentalt end nogen enkelt bot-rate: kæden kan ikke enes om, hvad én impression er — selv for almindelig trafik, selv når ingen forsøger at bedrage nogen. Forskellige led tæller på forskellige tidspunkter, filtrerer på forskellige punkter og fakturerer efter deres egne tal, uden nogen mekanisme til at afstemme dem.

Læg nu agentisk trafik til. En ikke-deklareret agents impressions lander præcis i denne kløft: talt brutto af de lag, der måler og fakturerer, filtreret — hvis overhovedet — kun af det lag, ingen afregner efter. I dag er defekten en måleteknisk gene. I agentisk skala bliver den hullet, hvorigennem syntetisk trafik faktureres: usynligt og uden nogen kontraktlig ejer. De følgende kapitler forklarer, hvorfor forskellen ikke kan lukkes fra efterspørgselssiden, og hvorfor dens økonomi bryder sammen, i takt med at agenttrafikken vokser.

3. 1400-millisekund-problemet

Dette kapitel indeholder whitepaperets centrale argument. Alt andet følger af det.

3.1 To tidslinjer, der aldrig mødes

Overvej hvad der sker, i rækkefølge, når en besøgende — menneske eller agent — lander på en side, der monetariseres gennem header bidding. Auktionsinfrastrukturen (Prebid og lignende) affyrer bid requests til demand-partnere. Hver demand-side platform skal prissætte og svare inden for et vindue, typisk på 200–1400 ms. Auktionen afgøres, den vindende creative overdrages til ad serveren, og impressionen serveres og tælles — alt sammen inden for cirka det første sekund eller to af sidens liv. Overvej nu, hvornår beviserne kommer. De signaler, der ifølge aktuel forskning faktisk kan skelne en sofistikeret agent fra et menneske, er adfærdsmæssige: scroll-hastighed og rytme, tastecadence, mikrobevægelser med musen, interaktionsdybde, opholdstid, renderingsfuldførelse. Ingen af disse findes på auktionstidspunktet. De begynder at akkumulere sig sekunder efter, at impressionen er blevet serveret, og de bliver først statistisk pålidelige over sessionen — eller over mange sessioner.

Endnu et faktum trækker evidenstidslinjen yderligere ud: ad server'ens egne tal er foreløbige. Google dokumenterer, at Ad Managers rapporteringsdata kan blive justeret i op til cirka 30 dage, hvor statistikker typisk låses måned for måned (Google, n.d.-g); i omsætningsmæssige termer angiver Google, at omsætningen først er endelig, når registreringer er “behandlet og verificeret senest den 2. i måneden” (Google, n.d.-c). Selv systemets egen grundsandhed foreligger først uger efter det millisekund, hvor pengene blev bundet.

3.2 Hvorfor dette er en begrænsning, ikke et kapacitetsproblem

Det er fristende at læse dette som et teknologiproblem: detektionsmodeller vil blive bedre, signaler vil blive rigere, vinduet vil blive udnyttet bedre. Det rammer forbi pointen. Auktionsvinduet kan ikke udvides på nogen meningsfuld måde — latenstid er brugeroplevelse, og brugeroplevelse er omsætning. Og evidensen kan ikke ankomme tidligere — adfærd, der ikke er sket endnu, kan ikke måles. De to tidslinjer er fastlagt af henholdsvis fysik og økonomi, og de overlapper ikke.

3.3 Den indsnævrende undtagelse og et vigtigt forbehold

Two forbehold holder argumentet præcist. For det første fanges usofistikeret automatisering — deklarerede crawlere, headless browsere, datacenter-IP'er — i dag af liste- og reputationsbaseret filtrering inden for vinduet, og vil fortsat blive fanget. Denne klasse kaldes GIVT, General Invalid Traffic (Media Rating Council, 2020, Section 1.1.2). Argumentet handler om den voksende klasse, der ikke gør: agenter i rigtige browsere med nedarvet menneskelig identitet. For det andet kan en tilstrækkeligt sløset agent (ensartet timing, ingen jitter) lække hints tidligt. Men sløsethed er en fejl, agenter retter, og udviklingstrajektoriens retning peger én vej: mod adfærdsmæssig uadskillelighed inden for vinduet. Undtagelsen indsnævres hvert kvartal; begrænsningen er permanent.

3.4 Hvorfor bid request'en ikke kan se en bot

Der findes kun én pålidelig måde at skelne en sofistikeret agent fra et menneske: fingerprinting, specifikt de adfærdsmæssige fingeraftryk (tastning, scroll, mus), som næste kapitel undersøger. Det afgørende faktum for auktionen er, at ingen af disse fingeraftryk findes i bid request'en. OpenRTB, det meddelelsesformat alle auktioner, der benytter Prebid, rejser igennem, definerer et fast sæt felter: device, geo, et user-objekt, IP, user agent, placement og en håndfuld identifikatorer (IAB Tech Lab, 2016). Der findes ikke et felt, der bærer en live adfærdsmæssig signatur, fordi adfærden ved bid-tidspunktet endnu ikke er sket (kapitel 3). En køber, der evaluerer en bid request, har derfor intet fingerprint-niveau at vurdere: request'en er udhungret af design, ikke ved forglemmelse.

4. Auktionen er næsten blind, og agenten ser ud præcis som dig

4.1 En bevidst snæver kanal

Timingproblemet forstærkes af et informationsproblem. Bid request'en — den eneste evidens, efterspørgselssiden overhovedet modtager, før den skal beslutte sig — er en bevidst begrænset kanal, designet til hastighed: IP-adresse, user agent, device-signaler, cookie/ID-oplysninger, placement og page-metadata. Nogle få dusin felter. Den blev aldrig designet til at bære bevis for menneskelighed, fordi menneskelighed var standarden, da protokollen blev designet.

Sæt det op mod, hvad udgiverens side observerer over en session: fuld page- og render-kontekst, scroll- og pointer-adfærd, interaktionsdybde, sessionshistorik, login-status, first-party adfærdsmæssige baselines pr. bruger. Udgiveren og dens ad server opererer med adskillige størrelsesordener mere evidens — og alt sammen ankommer efter auktionen.

Tabel 1. Hvad bid request'en kan bære, sammenlignet med hvad kun den renderede side afslører — informationsasymmetrien i den åbne auktion.

4.2 Agenten nedarver brugeren

Her er, hvad der gør kanalens fattigdom fatal snarere end blot begrænsende. De hurtigst voksende agenter opererer i brugerens egen browser, eller i miljøer, brugeren har godkendt. En sådan agent nedarver brugerens cookies og ID'er, logins og sessioner, IP-adresse og device — i stigende grad endda betalingsoplysninger, en forudsætning for agenter, der handler på brugerens vegne. Ethvert felt, bid request'en kan bære, læser derfor “kendt menneske”. Der er intet for et pre-bid-filter at filtrere på: agentens tekniske identitet er brugerens tekniske identitet.

Dette afskaffer også den intuitive løsning. Login skelner mennesker fra anonyme bots — men ikke brugeren fra brugerens egen agent. En agent, der læser en artikel på vegne af en logget-ind abonnent, fremstår som en autentificeret, kendt bruger med fuld historik. Fravær af first-party cookies kan flagge ny headless-automatisering, men dette signal eroderer netop i takt med, at agent-browsing bevæger sig ind i brugerens egen browser.

En accelerator på kort sigt bør nævnes. Det første store spike i agentisk browsing vil sandsynligvis komme, når Google ruller sin agentiske søgeoplevelse ud i stor skala — en agent, der besøger, læser og opsummerer sider på brugerens vegne. Inden for Googles egen stack kan denne trafik genkendes og afstemmes (kapitel 8). Det ligefremme spørgsmål for alle andre er: Man kan gå ud fra, at Google gør rede for sine egne agenter inden for sit eget økosystem — men hvad med resten af internettet, hvor de samme agenter ankommer som almindelige, loggede-ind browser-sessioner uden noget, der adskiller dem fra det menneske, hvis browser de kører i? Udeklareret crawling er heller ikke hypotetisk. Cloudflare har offentligt beskyldt Perplexity for at bruge stealth, udeklarerede crawlere til at omgå websites' explicitte no-crawl-direktiver på titusinder af domæner (Cloudflare, 2025), og Reddit sagsøger både Anthropic og Perplexity, sammen med tre data-scraping-firmaer, for storskala-indsamling af dets indhold uden tilladelse (CNBC, 2025). Indhold hentes allerede i stor skala imod udgivernes deklarerede præferencer; udeklarerede agentiske besøg vil heller ikke gøre opmærksom på sig selv.

4.3 Det empiriske ankerpunkt: FP-Agent

I maj 2026 offentliggjorde forskere fra UC Davis det første kontrollerede måle-studie af AI-browsing-agenter: FP-Agent: Fingerprinting AI Browsing Agents (Wang et al., 2026). Syv af markedets mest udbredte agenter, samt menneskelige brugere, udførte hverdagsopgaver — flybooking, shopping, foruminteraktion — på et instrumenteret website, der indsamlede både tekniske og adfærdsmæssige fingerprints. To fund er relevante her:

1. Browser-fingerprints er svage. Tekniske identitetssignaler — grundlaget for det klassiske forsvar, og den eneste type signal en bid request kan bære — gav begrænset diskriminerende styrke.
2. Adfærdsmæssige fingerprints er tydelige. Skrivetempo, scroll-mønstre og musebevægelser adskilte hver enkelt agent fra mennesker og fra hinanden — signaler, der kun eksisterer efter render, kun på siden.

Studiets case-eksempel gør pointen operationel: et førende kommercielt bot-forsvar, der sidder foran omtrent en femtedel af nettet, identificerede 1 ud af de 7 agenter. Den adfærdsbaserede klassifikator identificerede alle 7. Det er ikke en leverandørfejl. Det er tidsbegrænsningen fra kapitel 3 udtrykt som en detektionsrate: identitetsbaseret detektion på request-tidspunktet er strukturelt bagud, og de signaler, der virker, findes dér, hvor auktionen aldrig kigger.

5. Hvorfor efterfølgende kontrol ikke løser problemet

Branchens standardsvar på kapitel 3 og 4 er: “vi ved godt, at realtid er svært — derfor filtrerer vi post-bid.” Exchanges og demand-platforme udfører rent faktisk post-auktion-analyse af invalid traffic, og supply-platforme trækker identificeret invalid traffic (IVT) fra publisher-udbetalinger i efterhånden. Dette kapitel forklarer, hvorfor denne praksis, som den er arkitekteret i dag, ikke kan lukke hullet — og hvorfor at hævde det reelt er at give køb på argumentet.

5.1 Bagefter genanalyserer køberne den samme tynde data

Det afgørende spørgsmål er ikke, hvornår analysen kører, men hvilke data den kører på. Downstream post-bid-filtrering analyserer de data, den downstream-part er i besiddelse af: bid request-felter, win/loss-logs, aggregerede request-mønstre, listeopslag. Den er aldrig i besiddelse af det adfærdsmæssige bevis efter render — scroll, indtastning, mus, dwell, render — fordi det bevis genereres på publisherens side og aldrig transmitteres ind i bidstrømmen. Hvis intet diskriminerende signal kan sendes i realtid, findes der intet diskriminerende signal for demand-siden at postanalysere. At køre gårsdagens udsultede signaler gennem en bedre model i nat skaber ikke bevis, der aldrig blev indsamlet.

Dette er den præcise betydning af DAMA-diskrepansen: downstream-lag talte op til 2,3 gange så meget, som ad serverens post-bid-klassificering — oplyst af den publisher-side virkelighed — havde verificeret. Kun den ene side havde beviset.

5.2 Læringsloop-forsvaret — og dets manglende afslutning

Den mere sofistikerede version af branchens svar er: “post-bid-analyse fodrer et læringsloop; vi bliver bedre til request-tidspunkt-beslutninger over tid.” Tre ting er forkerte ved dette som en redning af den åbne auktion. For det første træner loopet på de forkerte data (se ovenfor). For det andet er modstanderen ikke statisk: agenter trænes på menneskelig adfærd og bliver bedre til at efterligne den, så request-tidspunkt-signaturer forfalder lige så hurtigt, som modellerne lærer dem. For det tredje, og afgørende, lukker et læringsloop kun sig selv, hvis dets korrektioner er bindende: hvis hver eneste impression, der senere identificeres som ugyldig, udløste en automatisk, fuld korrektion af penge og rapportering, ville loopet disciplinere sig selv. I en kæde af uafhængige virksomheder gør det ikke det, af de økonomiske årsager, der beskrives i kapitel 6. Et læringsloop uden bindende afregning er en undskyldning med en køreplan.

5.3 Et net af konkurrerende sandheder

Læg resten af kæden oveni, og billedet bliver endnu mørkere. Mellem annoncør og publisher sidder ikke blot en demand-platform og en supply-platform, men også verifikationsleverandører, creative-serving-leverandører, målings- og attributionsleverandører, som hver især sampler forskellige punkter i transaktionen, hver anvender forskellige metoder og tærskler, og hver producerer et forskelligt invalid-traffic-tal for den samme kampagne. Én leverandør flager 20%, en anden 12%; demand-siden foretrækker det ene tal, supply-siden det andet; publisherens ad server så en tredje virkelighed. Ingen af disse sandheder er bindende for nogen af de andre. Der findes ingen voldgiftsmand, ingen escrow og ingen kontraktlig mekanisme, hvorved den mest informerede måling — den på publisher-siden — vinder.

6. Pengene flyder én vej — sandheden befinder sig i den anden ende

Kapitel 3–5 fastslog en informationsasymmetri. Dette kapitel fastslår, hvorfor asymmetrien er økonomisk fatal: afregningsarkitekturen peger den forkerte vej.

6.1 Detektionsevne og fakturaautoritet befinder sig forskellige steder

Ranger kæden efter bevis, og rækkefølgen er: publisher og ad server først (fuld virkelighed efter render), exchange og supply-platform dernæst (request-mønstre i stor skala), demand-platform sidst (en udsultet bid request). Ranger kæden efter afregningsautoritet, og rækkefølgen vendes om: annoncøren betaler demand-platformen, demand-platformen betaler supply-platformen, supply-platformen betaler publisheren — hvert led afregner på optællinger foretaget inden for det blinde vindue.

Parten med mindst information træffer den bindende finansielle beslutning. Parten med mest information har ingen autoritet over fakturaen. Denne ene inversion er den strukturelle forrådnelse i open web programmatic. Alt andet — svindelrater, diskrepanstvister, verifikationsuenigheder — er nedstrøms for den.

6.2 Underskuddet, der sætter sig fast i midten

Følg, hvad der sker, når invalid trafik identificeres efter afregning, hvilket, jf. kapitel 3, er det eneste tidspunkt, det kan ske. Annoncørens platform rapporterer en markeret andel, og annoncøren anmoder om en korrektion. Demand-platformen henvender sig til supply-platformen; supply-platformen har allerede betalt publisheren næsten i realtid og har ingen deponering; publisherens egen ad server klassificerer måske trafikken anderledes fra begyndelsen. Hver part står over for den samme menu: absorbere tabet (margindestruktion), trække det tilbage fra næste led (relationsdestruktion) eller bestride målingen (forsinke, til spørgsmålet dør). I praksis fratrækker supply-platforme den invalid trafik, de kan opdage, fra publisherens udbetalinger — uundgåeligt baseret på det udsultede signalsæt — og de dybere korrektioner forplanter sig simpelthen ikke. Underskuddet sætter sig fast midt i kæden, og resttabet lander på den eneste part, der ikke har nogen tilbage at sende regningen til:

6.3 Fem virkelige opsætninger, ét mønster

Påstande om “kæden” risikerer at forblive abstrakte, så vi kortlagde de fem konkrete opsætninger, STEP Network faktisk driver — hvem der tæller, hvem der fakturerer på hvis optælling, og om en korrektion nogensinde kan rejse tilbage mod pengene.

Kildegrundlag: afregningsmekanikken er verificeret mod leverandør- og standarddokumentation (Google, n.d.-a, n.d.-e, n.d.-f, n.d.-i; IAB Tech Lab, 2016, 2022); typiske afvigelser afspejler branchens erfaring og STEP Networks egne målinger, herunder DAMA-casen og den kreativ-host-relaterede overtælling, der beskrives nedenfor (DAMA Working Group, 2026; STEP Network, 2026).

Der springer to mønstre i øjnene. Først: jo tættere en vej forløber på én virksomheds stack, desto bedre forplanter korrektioner sig: fuldautomatisk inde i Googles egen vej, ikke-eksisterende i den åbne header bidding-vej, som dette paper handler om. For det andet: i hver enkelt opsætning splejser det kreative hosting-lag endnu en optælling ind (brutto, i det væsentlige ufiltreret, taget i det øjeblik dets template affyres), og fordi verifikationstags eksekverer inde i dets rendering, overtager alle nedstrøms parter den bruttooptælling. Det er præcis den DAMA-mekanisme, der er beskrevet i kapitel 2.

Selve protokollen indrømmer, at der ikke findes en fælles definition. I OpenRTB er win-notice (nurl) eksplicit ikke fakturerbar, og billing-notice (burl) affyres i henhold til hver enkelt exchanges egen politik for fakturerbare hændelser: “fakturerbar” defineres af den part, der sender fakturaen — ikke af nogen fælles standard (IAB Tech Lab, n.d., 2016, 2022).

En yderligere forvridning findes inde i selve auktionen, før nogen impression overhovedet er talt: bydere selvrapporterer, om deres bud er brutto eller netto for gebyrer, og hvis udgiveren ikke fastholder per-bidder-justeringsfaktorer, vinder bruttobydere over nettobydere ved lige reel værdi — så den bogførte pris og den udbetalte pris divergerer i selve konstruktionen (Prebid.org, n.d.; Sovrn, n.d.).

6.4 Hvorfor dette forstærkes i agentisk skala

Ved lave enkeltcifrede SIVT-rater kan kæden absorbere friktionen: afvigelser bogføres som tab, tvister er sjældne, lækagen er indregnet i prisen. Væksttakterne fra kapitel 1 fjerner den trøst. I takt med at den agentiske andel af open web-trafikken stiger, stiger den ikke-verificerbare andel af hver bruttooptælling med den — og en prismodel denomineret i impressions, afregnet inde i det blinde vindue, har ingen mekanisme til at justere. CPM'er kan ikke bare falde for at kompensere: udgiverens omkostninger skalerer ikke ned med trafikkvaliteten, købere vil ikke vidende byde på ikke-verificerbart inventar til nogen pris, og kontrakter lover menneskelig opmærksomhed, som kæden ikke kan dokumentere. Et marked, der ikke kan afstemme sine egne optællinger, bliver omprissat af sine købere — eller forladt af dem.

7. En lang svans uden forsvar

En indsigelse er værd et kort kapitel for sig selv: “udgivere kan forsvare sig selv ved porten.” Det er rigtigt, at en udgiver kan indsætte pre-auction-forsvar — challenge flows, sofistikeret gating, tilpasset adfærdsbaseret scoring koblet ind i sin ad serving. De mest ressourcestærke udgivere i verden gør en del af dette i dag.

Men det åbne web er ikke fem megaudgivere. Det er en lang svans, der løber fra store nationale huse til lokale nyhedssider, vertikale medier og nichefællesskaber — og det er præcis den svans, den åbne auktion skulle monetarisere. For den lange svans er forsvar på portniveau uden for rækkevidde tre gange over: investeringen i teknik og datavidenskab er uoverkommelig; de adfærdsbaserede baselines kræver en trafikskala, som en enkelt lille udgiver ikke har; og ethvert forsvar aggressivt nok til at stoppe sofistikerede agenter vil, hvis det anvendes naivt, også blokere reelle læsere — indtægter en lille udgiver ikke kan undvære. Challenge walls beskatter desuden hver legitim besøgende for at fange de få.

Resultatet er et open web i to lag: en håndfuld udgivere, der delvist kan forsvare sig selv, og en lang svans, der strukturelt ikke kan — og som arver problemets fulde kraft uden nogen af redskaberne. Ethvert troværdigt svar på diagnosen i dette paper skal fungere for svansen, ikke kun for hovedet. Et forsvar, der kræver skala, må derfor bygges kollektivt — et punkt vi vender tilbage til i kapitel 13.

8. Hvem vinder, hvis intet ændres: Google og de walled gardens

Dette kapitel er scenarieanalyse — STEP Networks vurdering af markedets drift, hvis den strukturelle fejl efterlades uadresseret. Det er en observation om arkitektur og incitamenter, ikke om nogen virksomheds hensigt.

8.1 Præcision om, hvad der er ved at dø

Det er vigtigt at være præcis, fordi protokollen ikke er offeret. OpenRTB, meddelelsesformatet, vil fortsætte med at clearere impressions, også inde i vertikalt integrerede stacks. Hvad de foregående kapitler fordømmer, er en specifik arkitektur bygget ovenpå den: den uafhængige åbne auktion: header bidding, infrastrukturen fra Prebid-æraen, og det open web-monetiseringslag, hvor uafhængige demand-platforme, exchanges og supply-platforme handler tværs af virksomhedsgrænser på blind-vindue-optællinger.

En vertikalt integreret operatør deler ikke denne arkitekturs fatale fejl. I praksis betyder det Google (DV360 der køber gennem AdX ind i Google Ad Manager) og, i deres egne lukkede miljøer, de øvrige walled gardens: Meta, Amazon og TikTok. En operatør, der ejer udgiverens ad server, exchange'en og buy-side'en, observerer post-render-sandheden (sidekontekst, rendering, interaktion) på udgiverens side af sin egen stack, kan fodre den (med informationstab, men meningsfuldt) ind i sine egne købsbeslutninger, og kan afstemme invalid trafik mod fakturering inde i én ledger, som automatiske krediteringer snarere end tvister mellem virksomheder. Alt, hvad den åbne kæde strukturelt ikke kan gøre, gør en integreret stack internt som en selvfølge. Timing-begrænsningen gælder stadig i selve auktionens øjeblik, men den afregningskorrektion, som den åbne kæde ikke kan udføre, udfører én virksomheds ledger uden videre. Vores scenariekortlægning bekræfter det fra Googles egen dokumentation: i den rene Google-vej forplanter fjernelser af invalid trafik og krediteringer sig automatisk til begge sider, med et resterende gap på omkring 1–2%, mens den åbne header bidding-vej overhovedet ikke har nogen korrektionskanal (se 6.3).

8.2 Driften, trin for trin

1. TTilliden til den åbne auktion eroderer, i takt med at den agentiske andel vokser og DAMA-lignende afvigelser mangedobles: købere ser open-auction-tal, de ikke kan afstemme, og SIVT-eksponering, de ikke kan kvantificere.
2. Demand migrerer derhen, hvor ledger og signaler allerede lever sammen. At købe inde i en integreret stack giver ét system of record, intern IVT-kreditering og adgang til udgiverside-signaler. Annoncørerne flytter sig ikke af præference, men af selvbeskyttelse.
3. Uafhængige mellemmænd bliver lejere. Når uafhængige veje udtyndes, står exchanges og supply-platforme over for en rationel fristelse: at koble sig ind i den dominerende stacks server-side marketplace, hvor den integrerede operatørs udgiverside-signaler — det post-render-bevis, de aldrig kunne opnå i den åbne auktion — måske delvist løser deres valideringsproblem for dem. De overlever — inde i en andens auktion, på en andens betingelser, med en andens indblik i deres demand. Header bidding, open webbets store rebalanceringsbedrift fra 2010'erne, mister sit økonomiske fundament.
4. Kontrollen forlader det åbne internet. Prissætningsmagt, valideringsstandarder og definitionen af en fakturerbar impression bliver da fastlagt inde i én stack. Udgivere forhandler fra inde i en andens hus. Det åbne web går ikke i sort — det bliver et administreret miljø.

Ironien er skarp: den uafhængige åbne auktion blev bygget netop for at give udgivere og købere et alternativ til platformsafhængighed. Et uløst tillidsproblem i den auktion risikerer nu at levere markedet tilbage til platformen — mere fuldstændigt end før, fordi migrationen denne gang retfærdiggøres som risikostyring mod fraud. Arkitektur, ikke dyd, afgør vinderen.

9. Standarder vil ikke redde den åbne auktion

2026 er året, hvor branchens standardiseringsorganer tog den agentiske dagsorden seriøst. Arbejdet er nødvendigt og velkomment — og det er afgørende at være præcis om, hvad det adresserer, og hvad det ikke adresserer.

9.1 Det nuværende landskab

• Standarder for content-monetisering (IAB Tech Labs CoMP, v1.0 marts 2026): et framework, der kræver, at AI-systemer har kommercielle aftaler med udgivere, før de crawler eller bruger indhold — adgangskontrol, licensiering, afregning (IAB Tech Lab, 2026d). Det styrer, hvordan erklærede AI-systemer betaler for indhold. Det udfører ikke realtids-agentidentifikation, auktionsverifikation eller IVT-klassifikation, og så vidt vi er bekendt, har ingen af de store AI-aktører offentligt forpligtet sig til det på tidspunktet for udgivelsen.
• Standarder for agentiske transaktioner (IAB Tech Labs Agentic Roadmap og RTB-framework, januar 2026; relaterede agentiske protokoller demonstreret live i maj 2026): referenceimplementeringer og frameworks, der lader købende og sælgende agenter handle inden for og sideløbende med den eksisterende infrastruktur (IAB Tech Lab, 2026a, 2026b, 2026c).
• Åbne agent-til-agent-protokoller (en brancheskoalitions Ad Context Protocol, lanceret oktober 2025, som bygger på MCP og A2A): standardisering af, hvordan købende og sælgende agenter opdager inventar, forhandler betingelser og eksekverer kampagner — ofte uden for den klassiske bidstream, asynkront, med human-in-the-loop-godkendelse (AgenticAdvertising.org, n.d.).

Det er værd at bemærke, at udgiversidens holdning allerede skifter fra blocklister til allowlister — fra “bloker det kendte dårlige” til “tillad kun det kendte gode” — en markant filosofisk U-vending for det åbne web, og en implicit indrømmelse af, at detektion har tabt.

9.2 Den fælles begrænsning

10. Indsigelser — den stærkeste sag mod dette paper

En diagnose så skarp inviterer modstand, og modstanden bør besvares i sin fulde styrke snarere end som karikatur. Nedenfor følger de fire stærkeste indsigelser, vi forventer fra mellemmandssiden af markedet — formuleret som deres fortalere ville formulere dem — og vores svar.

10.1 “Vi ejer begge sider af vores pipe — vores DSP og SSP afstemmer internt”

Indsigelsen: en mellemmand, der driver både en demand- og en supply-platform, har en tæt intern feedback-loop: den ser begge ender af sine transaktioner, fodrer resultater fra den ene side ind i den anden, og justerer bidding-adfærd dagligt.

Svaret: at eje to led i kæden begrænser problemet med afregning mellem virksomheder, men rører ikke ved bevisproblemet. Begge led opererer stadig på signaler fra bid-request-æraen; ingen af dem observerer den post-render-adfærdsmæssige realitet, som genereres på udgiverens side og aldrig kommer ind i pipe'en. Intern afstemning af to udhungrede datasæt producerer et konsistent tal — ikke et sandt et. DAMA-casen er modeksemplet i produktion: internt konsistente nedstrøms-optællinger, der løber op til 2,3 gange højere end ad serverens post-render-klassifikation. Vores eget kontrollerede forsøg genskaber fejlen fra ende til ende: helt syntetiske impressions blev købt og faktureret som menneskelige, og den ene korrektion, ad serveren senere foretog, nåede ingen anden ledger i kæden (kapitel 12).

10.2 “Skalering slår dig — vi ser mønstre på tværs af milliarder af impressions”

Indvendingen: store mellemled behandler milliarder af requests dagligt på tværs af tusindvis af publishers; cross-network mønstergenkendelse fanger, hvad ingen enkelt publisher — eller nogen national koalition — nogensinde kunne se isoleret.

Svaret: skalering er afgørende over for usofistikeret automatisering, og vi forventer, at mellemled fortsat vinder den kamp. Men cross-network skalering aggregerer de signaler, netværket bærer — og netværket bærer bid requests. Over for en agent, hvor hvert eneste felt på request-tidspunktet fremstår som et kendt menneske på en boligforbindelse, er en milliard sultede observationer en milliard kopier af den samme blindhed. Skalering multiplicerer beviser; den skaber ikke beviser, der aldrig blev indsamlet. Det empiriske ankerpunkt står fast: det bedst ressourcerede request-time forsvar, der er målt til dato, fangede 1 ud af 7 agenter.

10.3 “Læringssløjfen lukker gabet over tid”

Indvendingen: post-bid-analyse gentræner løbende request-time-modeller; detektionsraterne forbedres kvartal for kvartal; gabet er midlertidigt.

Svaret: tre fejl, i stigende rækkefølge. Sløjfen trænes på de forkerte data (Kapitel 5). Modparten er ikke stationær — agenter bliver bedre til at imitere lige så hurtigt, som modeller bliver bedre til at diskriminere, og agentens asymptote er perfekt uskelnelighed inden for vinduet. Og en læringssløjfe virker kun, hvis dens korrektioner er bindende: så længe flagget trafik giver anledning til partielle, forhandlede, forsinkede justeringer i stedet for automatiske fulde korrektioner, er sløjfens egne træningslabels korrumperet af det kommercielle incitament til at underflagge. Et ufalsificerbart løfte om fremtidig forbedring er ikke en arkitektur.

10.4 “Annoncører vil ikke betale for din friktion”

Indvendingen: efterfølgende validerede settlement betyder forsinket afstemning, make-goods og forlænget levering. Performance-buyers vil have denne uges inventory denne uge; de vil vælge billig, øjeblikkelig, probabilistisk inventory frem for verificeret, langsommere inventory.

Svaret: dette er den stærkeste indvending, og det er et spørgsmål om prisdannelse, ikke arkitektur. Den holder kun, så længe buyers ikke kan se forskellen mellem de to produkter. I det øjeblik den ikke-verificerbare andel af open-auction inventory bliver kvantificeret — hvilket er præcis, hvad vores eksperiment i Kapitel 12 er begyndt at måle — bliver “billigt og øjeblikkeligt” til “nedsat pris for en målt fejlrate”, og effektiv omkostning pr. verificeret menneskelig kontakt bliver den sammenlignelige metrik. Nogle buyers vil stadig vælge volumen. De buyers, der finansierer kvalitetsjournalistik, vil ikke bevidst finansiere syntetiske øjne til nogen CPM — når de først kan se det.

11. Kan økosystemet selv løse problemet?

Denne rapport standser bevidst før en erklæring om, at problemet er uløseligt. Flere løsninger er reelt tænkelige, og en grundig vurdering kræver, at hver af dem tages alvorligt, før man når frem til en konklusion. Argumentet er ikke, at der ikke findes en løsning — det er, at ingen af de tilgængelige løsninger sandsynligvis vil komme, og skalere, hurtigt nok til at følge udviklingen i agentisk adfærd. Vi undersøger fire.

11.1 Et to-trins bud: signal nu, bekræft senere

Den mest lovende tekniske idé bevarer realtidsauktionen, men opdeler beslutningen i to. Et første bud afgøres inden for 200–1400 ms-vinduet på de tilgængelige signaler; en anden, asynkron udveksling — sekunder eller minutter senere, når adfærdsmæssig evidens efter rendering foreligger — bekræfter, justerer eller ugyldiggør impressionen og afstemmer prisen. I praksis ville protokollen få tilføjet et deferred-settlement-lag, som tidsbegrænsningen i Kapitel 3 ellers ikke kan rumme.

Dette er levedygtigt og værd at forfølge — det peger faktisk i samme retning som principperne i Kapitel 13. Men to forhindringer er alvorlige. For det første kræver det, at hele kæden i fællesskab indfører en ny settlement-semantik: hver demand-platform, supply-platform og verifikationsleverandør skal understøtte foreløbig prisfastsættelse og bindende efterfølgende revision, på tværs af virksomhedsgrænser og kontrakter. Det er en flerårig standardiserings- og integrationsindsats, ikke en feature. For det andet afhænger selv en perfekt to-trins-protokol stadig af, at anden-trins-evidensen er tilgængelig for den part, der prissætter — hvilket for open auction betyder, at publisher-side adfærdssignaler skal overføres nedstrøms, netop det, bid requesten aldrig blev bygget til at bære. Idéen flytter problemet tættere på en løsning; den opløser det ikke, og den kommer ikke hurtigt.

11.2 Rigere realtidssignaler

En snævrere version: berig selve bid requesten — publisher-side risikoscorer, first-party adfærdsmæssige baselines, sessionskontekst — så demand-siden har mere at basere beslutningen på inden for vinduet. Dette hjælper på margenen, og STEP Network anbefaler det (Kapitel 13). Men det støder på asymptoten fra Kapitel 4: en agent, der opererer i brugerens egen browser, producerer en session, der for publisheren i stigende grad ligner brugerens egen. Et rigere signal hæver barren; det lukker ikke et gab, der bliver smallere, efterhånden som agenter forbedres. Det køber tid, ikke en løsning.

11.3 Regulering, der tvinger agenter til selv-identifikation

Den mest vidtrækkende mulige løsning er ikke teknisk, men politisk. Hvis lovgivere — som reaktion på de bredere risici ved et agentisk internet, hvor annoncesvindel kun er én af dem — krævede, at AI-agenter erklærede sig selv, ville detektionsproblemet delvist opløses: en erklæret agent kan trivielt filtreres fra. Dette er et plausibelt udfald på mellemlangt sigt, og de trusler, som den nye agentiske virkelighed udgør, gør en form for regulatorisk reaktion sandsynlig.

Men tre huller består selv i det optimistiske tilfælde. For det første timing: lovgivning bevæger sig i år, agentisk kapabilitet i kvartaler; reglen kommer først, efter at skadeskurven har bøjet af. For det andet håndhævelse kun over for de samarbejdsvillige: selv hvis de største vestlige modeludbydere (som Google, OpenAI og Anthropic) tilslutter sig en identifikationsordning, binder det ikke udbydere uden for de regulerende jurisdiktioner. Agentvirksomheder baseret i Kina, Indien eller andre steder uden for rækkevidde har ingen forpligtelse til at overholde reglerne, og en boligbaseret browseragent bærer intet flag. For det tredje det modstridende bundniveau: i det øjeblik identifikation bliver obligatorisk, bliver manglende overholdelse selve definitionen på en dårlig aktør, og dårlige aktører er netop dem, der ikke vil identificere sig selv. Regulering kan rydde op blandt det compliant flertal. Den kan ikke identificere den agent, der har al mulig grund til at forblive skjult.

11.4 Vent og se

Den sidste mulighed er ikke at gøre noget strukturelt — at antage, at økosystemet under kommercielt pres udvikler sit eget middel i tide, sådan som det har tilpasset sig tidligere udfordringer. Vi tager denne mulighed alvorligt i stedet for at afvise den. Markeder finder faktisk veje uden om friktion, og incitamenterne til at løse verificerbar levering er reelle på alle sider.

Men væddemålet er asymmetrisk. Hvis økosystemet retter sig selv, og en publisher i mellemtiden har opbygget verificerbart settlement, har publisheren tabt lidt — de sidder med et bedre produkt. Hvis økosystemet ikke retter sig selv i tide, og en publisher har ventet, er efterspørgslen allerede migreret til den lukkede auktion (Kapitel 8), og uafhængigheden er væk. Givet hastigheden i den agentiske udvikling sammenholdt med hastigheden i tværindustriel koordinering er vores vurdering, at selvkorrektion med tilstrækkelig hastighed er usandsynlig — og at prisen for at tage fejl om at vente er langt højere end prisen for at tage fejl om at handle.

12. STEP Networks eksperiment: måling af det blinde vindue

FP-Agent-studiet målte agenter mod et generelt forsvar på et instrumenteret site. Det åbne spørgsmål for annonceøkonomien er skarpere: når syntetisk trafik rammer rigtige sider med en rigtig programmatisk stack, hvor meget bliver da fanget af de led, der afgør pengene — inden for auktionsvinduet, eller på noget tidspunkt før fakturaerne er endelige? Der fandtes intet offentligt, empirisk svar. I juni 2026 gennemførte STEP Network testen.

12.1 Hypoteser

• H1: Syntetisk browsingtrafik genereret med en rigtig, headful browser på en almindelig slutbrugerforbindelse bliver ikke klassificeret som ugyldig af de lag, der afgør pengene, og bliver derfor købt, talt og faktureret som menneskelig.
• H2: Den klassificering af ugyldig trafik, der rent faktisk finder sted, sker hos publisherens ad server — og ankommer først i det udskudte korrektionsvindue, efter at pengene allerede er flyttet sig.
• H3: Korrektioner foretaget af ad serveren i efterhånden forplanter sig ikke til nedstrøms ledgers: de nedstrøms optællinger — og de fakturaer, der hviler på dem — forbliver uændrede. Dette er den settlement-inversion fra Kapitel 6, reproduceret under kontrollerede betingelser.

12.2 Opsætning

Rigtig browser, menneskelignende adfærd, almindelig forbindelse. Trafikken blev genereret ved browserautomatisering (Playwright), der styrede en fuld, headful build af Google Chrome — ikke en headless eller udstrippet browser — fra én fysisk maskine på en almindelig dansk forbindelse. Én vedvarende browserprofil pr. site accepterede consent-væggen én gang og akkumulerede cookies på tværs af sessioner, så trafikken fremstod som en tilbagevendende, samtykkende besøgende. Ti scriptede flows imiterede menneskelig læsning: forsideindgange, sektionsdyk, artikel-klikkæder, søgninger på siten, lange læsninger med uregelmæssige scroll-rytmer og randomiserede opholdstider, multi-tab browsing og en mobil-emuleringsvariant. Flow-rækkefølgen blev blandet mellem sessioner, og browseren blev fuldstændig genstartet hver fjerde til femte flow, så trafikken fremstod som mange korte, adskilte besøg. Ingen to sessioner var identiske, og ingen annonce blev nogensinde klikket.

Live sider, fuld produktionsstack, lukket demand-loop. I stedet for et syntetisk testsite blev trafikken kørt mod tre live danske publisher-sites i STEP Networks portefølje, med ejernes tilladelse: Google Ad Manager som ad server og sitenes produktions-header-bidding-opsætning, med demand leveret gennem en fastprisaftale (DKK 50 CPM) private deal hos en stor europæisk supply-side-platform, købt af en dedikeret kampagne på samme leverandørs demand-side-platform og finansieret af vores eget budget. Hvert led — ad server, SSP, DSP — talte den samme inventory, og ingen ekstern annoncør kunne blive faktureret.

Kontrolleret ground truth, labelet før auktionen. Hver session injicerede et key-value-label ved document-start — før sidens egen annoncestack initialiserede — ind i både ad serverens sideniveau-targeting og header-bidding-wrapperens first-party data, så labelet landede på den første auktion og alle efterfølgende annonceanmodninger. Labelet gør den syntetiske trafik præcist segmenterbar i hvert lags rapportering og sikrer, at den udelukkes fra kundens KPI'er og fakturering. Uanset hvad kæden gør ved dette segment, gør den det ved inventory, der per konstruktion er 100% syntetisk.

Design med to træk. Fordi ad serverens egne tal forbliver foreløbige i op til omtrent 30 dage (Google, n.d.-c, n.d.-g; Kapitel 3), blev hver rapport trukket to gange: én gang dagen efter trafikken kørte (18–19. juni 2026), og igen fire uger senere (15. juli 2026), efter at udskudt analyse af ugyldig trafik havde haft hele korrektionsvinduet til rådighed. Forskellen mellem de to træk måler udskudt detektion i hvert lag; forskellen mellem lagene måler, om korrektioner forplanter sig.

12.3 Trafik- og sessionsdesign

12.4 Målepunkter

• Pr. link: ad requests talt af ad serveren under labelen; bid requests, bid responses, impressions og omsætning hos SSP'en (på deal-niveau); indkøbte impressions og forbrug hos DSP'en (på kampagneniveau) — for præcis den samme trafik.
• Realtidsdetektion: om noget led blokerede, nedskrev eller markerede den labelede trafik før eller ved afregning.
• Forsinket detektion: ændringen i hvert leds tal mellem de to udtræk — hvor stor en del af korrektionsvinduet hvert led rent faktisk brugte.
• Propagering: om en korrektion foretaget i ét led viste sig i noget andet leds tal — den kontrollerede pendant til DAMA-afstemningsgabet.

12.5 Etik og omfang

Testen var designet til ikke at pålægge tredjeparter nogen omkostninger: kun autoriseret inventar, en lukket deal-loop med STEP's eget budget på både køber- og sælgersiden, trafik labelet præcist, så den kan udelukkes fra klient-KPI'er og aldrig faktureres til nogen ekstern annoncør, ingen interaktion med noget kreativt materiale, og volumener afmålt langt under noget, der kunne forstyrre produktionssystemer. Partnere, hvis efterspørgsel kunne blive berørt, blev informeret på forhånd. Resultater er anonymiseret på leverandørniveau. Omfang: display på det åbne web, på én SSP-DSP-sti; apps og CTV er uden for scope, og agent-matrix-udvidelsen (hostede agenter og forbrugerorienterede agentiske browsere) er fremtidigt arbejde.

12.6 Resultater

Trafikken kørte den 17. juni 2026. Tabellen viser, hvad hvert led talte for det labelede segment — dagen efter, og efter det 30-dages korrektionsvindue; de fulde udtræk på pull-niveau er gengivet i Appendix B.

Alt, der klarede auktionen, blev faktureret. 3.114 fuldstændigt syntetiske impressions blev købt gennem aftalen, talt som gyldige og afregnet: annoncørsiden betalte 179 DKK for dem, og udgiversiden bogførte 145 DKK: to priser for de samme impressions, hvor spændet udgør kædens gebyrer, uden noget invalid-traffic-fradrag noget sted undervejs. Hverken SSP'en eller DSP'en blokerede, nedskrev eller markerede nogen af trafikken i realtid, på trods af en signatur (scriptet automatisering, én maskine, én forbindelse, ingen annonceinteraktion), der er langt mere grov end de browsende agenter i kapitel 4.

Udskudt detektion: annonceserveren korrigerede 1,95%; afregningslagene korrigerede intet. En måned senere havde annonceserverens udskudte analyse af ugyldig trafik fjernet 389 af de 19.962 mærkede impressions — 1,95% — hvilket på vores eget inventar bekræfter, at annonceserverens tal er foreløbige (Kapitel 3), og at dens udskudte analyse rent faktisk fanger noget, som auktionsvinduet overså. Alle tal hos SSP'en og DSP'en var identiske til sidste ciffer: nul udskudt korrektion, nul tilbageførsel, fire uger efter trafik, der var syntetisk pr. konstruktion.

Korrektionen forplantede sig ikke. Den ene justering, der faktisk fandt sted — hos annonceserveren — nåede ingen anden hovedbog i kæden. SSP'ens fakturerede impressions, indtægterne på udgiversiden og forbruget på annoncørsiden stod alle uændret. Laget, der opdagede fejlen, korrigerede kun sine egne rapporter; de lag, der fakturerer, så aldrig korrektionen. Dette er Kapitel 6's inversion, gengivet fra ende til anden under kontrollerede betingelser.

Fire forbehold holder resultatet præcist. For det første er scriptet automatisering den mindst sofistikerede klasse i FP-Agent-taksonomien — hvilket gør resultatet til et konservativt bundniveau: trafik, der var lettere at fange end en moderne browsing-agent, blev faktureret fra ende til anden. For det andet tæller lagene forskellige enheder (annonceservermetrikken her er ad impressions; SSP'en og DSP'en afregner på impressions), så de 1,95% er ikke direkte en andel af fakturerede impressions. For det tredje er enhver realtidsfiltrering fra annonceserveren usynlig i et to-træks design — det første træk var allerede nettet af den; fundet vedrører, hvad afregningslagene gjorde, hvilket var intet. For det fjerde er dette én SSP-DSP-vej ved beskeden volumen. Ingen af disse forbehold svækker fundet om forplantning: uanset hvad et hvilket som helst lag fjernede, så intet andet lag det nogensinde.

Det blinde vindue, målt: alle overlevende syntetiske impressions faktureret; 1,95% korrigeret en måned senere, hos det ene lag, der ikke sender fakturaer; ingen af den korrektion når nogen hovedbog, der gør. Kapitel 13 opstiller, hvordan afregning må se ud, for at detektion overhovedet skal betyde noget.

13. Hvordan en levedygtig arkitektur må se ud

Denne artikel er bevidst en diagnose, ikke et produktsalgsargument. Men en diagnose af denne strukturelle karakter indebærer designkrav til, hvad der kommer næste gang, og de kan formuleres klart. Enhver afregningsarkitektur for en agentbaseret åben web skal opfylde fem principper:

1. Validering og fakturaautoritet inden for samme grænse. Den part, der observerer sandheden efter rendering, må være den part — eller stå inden for grænsen af den part — der udsteder og kan korrigere fakturaen. Inversionen beskrevet i Kapitel 6 er sygdommen; dette er dens modsætning.
2. Afregning på verificeret menneskelig rækkevidde, ikke tal fra det blinde vindue. Realtidseksekvering kan og bør fortsat eksistere — hastighed er ikke fjenden. Men den fakturerbare enhed skal være det, som post-render-bevis verificerer, hvor levering forlænges eller kompenseres, indtil den kontraktlige menneskelige rækkevidde er opnået. Betal for det, der er bevist, ikke for det, der blev talt i mørket.
3. Korrektioner, der er bindende og automatiske. Ugyldig trafik identificeret i efterhånden skal justere penge og rapportering ved kontrakt og som standard — ikke gennem forhandling mellem uafhængige hovedbøger. En korrektion, der kræver en tvist, er ikke en korrektion; det er en nedskrivning under opsejling.
4. Adfærdsmæssig evidens indfanget, hvor den findes. Adfærdsmæssig instrumentering på udgiversiden — den eneste signalklasse med påvist diskriminerende kraft mod agenter — skal blive et førsteklasses, reviderbart input til afregning, ikke et forældreløst analyselag.
5. Kollektiv skala for den lange hale. Adfærdsmæssige baselines, detektionsinfrastruktur og forhandlingsstyrke kræver alle en skala, som individuelle udgivere — især den lange hale fra Kapitel 7 — ikke har alene. Forsvaret skal bygges og drives kollektivt, ellers vil det kun eksistere for markedets top.

Læsere vil bemærke, hvad disse principper stiltiende udelukker: enhver arkitektur, hvor uafhængige mellemled afregner på tal fra bid-request-æraen på tværs af virksomhedsgrænser. De vil også bemærke, hvad principperne peger hen imod — transaktionsmodeller, hvor købende agenter handler direkte med udgiversiden, eksekveringen forbliver automatiseret, og afregningen sker mod udgiverens verificerede levering. De fremvoksende agentbaserede protokoller (Kapitel 9) gør sådanne modeller teknisk praktiske for første gang.

STEP Network udvikler aktivt en arkitektur langs disse linjer sammen med danske udgivere & DAMA.

14. Konklusion: så — er dette dødens time for open web-programmatic?

Ikke for protokollen, og ikke for automatisering. OpenRTB vil fortsat afregne impressions i morgen tidlig, og realtidseksekvering er værd at bevare. Det, der dør, er en specifik arkitektur: den uafhængige åbne auktion — header bidding og det åbne web-monetiseringslag bygget derpå — hvor virksomheder, der aldrig ser sandheden efter rendering, afregner bindende fakturaer på tal skabt inden for et blindt vindue på 200–1400 millisekunder.

Diagnosen er strukturel og tredelt. Auktionen lukker, før beviset findes — en tidsbegrænsning, som tænkelige løsninger (et to-trins bud, rigere signaler, regulering) kan nive i, men som ifølge Kapitel 11 næppe kan lukkes i det tempo, agenter udvikler sig. Bid-requesten kan ikke bære bevis for menneskelighed, og en agent i brugerens egen browser arver alt, hvad requesten kan bære — så downstream-filtrering, i realtid eller “post-bid”, analyserer blindhed med tilbagevirkende kraft. Og fakturakæden løber imod sandheden: den bedst informerede part har ingen afregningsautoritet, korrektioner kan ikke forplante sig baglæns på tværs af uafhængige hovedbøger, og resttabet lander hos annoncøren. DAMA-casen viser resultatet i produktion; vækstraterne for agentbaseret trafik garanterer, at det forstærkes.

Standarder vil regulere de samarbejdende agenter og er velkomne. De vil ikke retroaktivt indføre sandhed i det blinde vindue. Vertikalt integrerede stakke vil afstemme internt og opsuge den flyttende efterspørgsel — hvilket netop er advarslen: hvis det åbne web ikke kan blive enige om, hvad en gyldig impression er, vil en indhegnet auktion i stedet afgøre det, og den uafhængighed, som header bidding vandt i 2010'erne, vil blive opgivet i svindelrisikostyringens navn.

Vejen ud er ikke at vente på bedre detektion inden for en begrænset tidshorisont, ej heller at satse forretningen på, at økosystemet redder sig selv i tide. Det er at flytte afregningsgrænsen derhen, hvor beviset findes: eksekvering i realtid, validering efter rendering, fakturering på verificeret menneskelig rækkevidde, korrektioner bindende i kraft af konstruktionen, drevet kollektivt, så den lange hale forsvares og ikke kun toppen. Hvis økosystemet rent faktisk retter sig selv, har en udgiver, der har bygget dette, ikke tabt noget og sidder med et bedre produkt. Hvis det ikke gør (det mere sandsynlige tilfælde), har den udgiver, der ventede, allerede tabt efterspørgslen til den indhegnede auktion. Det åbne webs svar på det agentbaserede internet bør bygges af udgivere, bevidst, nu.

Appendiks A — DAMA-data (anonymiseret)

Tabellen nedenfor er de anonymiserede linjedata bag DAMA-casen. Udgiver- og annoncøridentiteter er fjernet; antal og forholdstal er som målt. “Ad server” er udgiverens ad server-optælling (verificeret, efter filtrering for invalid traffic); “creative layer” er kreativ-hostingskabelonens egen optælling (gross, taget ved tag fire). Bemærk de tre rene linjer på 1,00×: samme format, forskellig opsætning, ingen forskel — discrepansen er arkitektonisk.

Forholdstal beregnet ud fra den underliggende kampagneeksport; den fulde eksport er tilgængelig for verifikation under NDA.

Appendiks B — eksperimentdata (anonymiseret)

Tabellerne nedenfor reproducerer pull-niveau-dataene bag det kontrollerede eksperiment i kapitel 12. Hver rapport blev eksporteret to gange fra den respektive platforms egen rapportering: Pull 1 den 18.–19. juni 2026, dagen efter trafikken kørte, og Pull 2 den 15. juli 2026, efter det 30-dages korrektionsvindue. Trafikken kørte den 17. juni 2026. Ad server-rapporten dækker 17.–18. juni (Europe/Berlin); SSP- og DSP-rapporterne dækker 17.–19. juni. Vendor-identiteter er anonymiseret i overensstemmelse med 12.5; valutaen er DKK gennem hele dokumentet.

B.1 Ad server (Google Ad Manager) — samlede ad requests fordelt på ground-truth-label

B.2 SSP — deal-niveau-eksport (17.–19. juni 2026)

B.3 DSP — eksport på kampagneniveau (17.–19. juni 2026)

Alle 3.114 impressions blev registreret den 17. juni 2026 i både SSP's og DSP's daglige opgørelser. Deal'en blev transaktioneret til en fast pris på 50 DKK CPM; den DSP-side effektive CPM (57,50) og den SSP-side effektive CPM (46,50) omslutter denne pris — forskellen udgør kædens gebyrer, anvendt på tællinger, som intet lag nogensinde har korrigeret for invalid traffic. De underliggende eksporter er tilgængelige til verifikation under NDA.