Attribution von AI-Traffic: So messen Sie Besuche, die Analytics nicht erfasst

AI kann einen Besuch beeinflussen, lange bevor eine Analytics-Plattform eine Sitzung erfasst. Eine Person fragt vielleicht einen AI Assistant nach Optionen, liest eine zitierte Seite und öffnet dann Ihre Website in einem In-App-Browser oder sucht später nach Ihrem Namen. Damit wird die Attribution von AI-Traffic ebenso zu einer Messfrage wie zu einer Frage der Kundengewinnung.

Diese Lücke ist relevant, weil die Nutzung von AI inzwischen zum Alltag gehört. Eine Umfrage des Pew Research Center ergab, dass Anfang 2025 34% der Erwachsenen in den USA ChatGPT genutzt hatten – ungefähr doppelt so viele wie 2023. Ein Bericht des Reuters Institute ergab jedoch, dass nur 4% der Befragten in 27 Märkten immer oder häufig von AI Assistants zu den Originalquellen weiterklicken. Wenn Sie nur sichtbare AI-Verweise zählen, entgeht Ihnen, wie AI Menschen dabei hilft, Ihre Marke zu entdecken und sich später für sie zu entscheiden.

Was bedeutet die Attribution von AI-Traffic? Sie ordnet einen Websitebesuch, eine Suche, einen Lead oder einen Verkauf einer früheren Interaktion mit AI zu und gibt dabei den Grad der Sicherheit an. Dazu gehören eindeutige Verweise von AI Assistants ebenso wie der weniger sichtbare Einfluss, der sich später als Direct-Traffic oder Markensuche zeigt.

Ein Referrer bezeichnet Informationen, die ein Browser zur Identifizierung der verlinkenden Seite übermitteln kann. Der HTTP Referer-Header ermöglicht diese Übergabe. Browser, Datenschutzeinstellungen, Weiterleitungen, Apps und In-App-Webviews können ihn jedoch entfernen. Fehlt er, kann Analytics eine eingegebene URL nicht zuverlässig von einem durch AI unterstützten Besuch unterscheiden.

Deshalb ist Direct eine Sammelkategorie und keine Erklärung. Darunter können eingegebene URLs, Lesezeichen, nicht getaggte E-Mail-Links, Dokumentlinks, durch Datenschutzeinstellungen geschützte Klicks, Weiterleitungen und AI-Klicks ohne Referrer fallen.

Der erste praktische Schritt besteht darin, Beobachtung und Interpretation voneinander zu trennen. Sie können die Quelle und das Medium erfassen, die Ihre Analytics-Daten erhalten, und ein Attributionslabel erst dann ergänzen, wenn ein weiteres Signal es stützt. So bleibt das Reporting transparent und Ihr Team muss nicht raten.

Attribution wird erst dann glaubwürdig, wenn der von Ihnen kontrollierte Traffic eindeutig gekennzeichnet ist. Eine nicht getaggte E-Mail, bezahlte Platzierung, ein QR-Code, eine Affiliate-Platzierung oder ein Social-Media-Profil können die Direct-Daten verfälschen. Dieselben Mechanismen verschleiern AI-Besuche: Viele Anzeigenformate übermitteln keinen Referrer und erscheinen als Direct. Der Verlust des Referrers ist also eine bekannte Einschränkung der Webmessung und kein Beweis für eine bestimmte Quelle.

SparkTraffic, eine Plattform, die echte, geografisch ausgerichtete Websitebesucher vermittelt, weist seine Kunden darauf hin, dass viele Anzeigenformate keinen Referrer übermitteln und unter Direct landen. Die AI-Traffic-Seite zeigt die AI-Quellen, bei denen dieselben Mechanismen Besuche verschleiern können. Das erinnert daran, zunächst saubere Kampagnendaten zu schaffen, bevor eine nicht erklärte Sitzung einem AI Assistant zugeschrieben wird.

Ein sinnvoller Schritt ist, jeden von Ihnen kontrollierten Link mit UTM-Parametern zu versehen – darunter Newsletter, bezahlte Medien, Partnerlinks, Creator-Briefings, PDFs, QR-Codes, Vertriebsansprache und Social-Media-Profile. UTM-Parameter sind Werte, die einer URL hinzugefügt werden und Kampagnenquelle, Medium und Namen kennzeichnen. Sie funktionieren, weil die Kennzeichnungen in der Landingpage-URL enthalten sind, auch wenn kein Referrer übermittelt wird.

Es lohnt sich, das Benennungssystem kurz zu halten und zu dokumentieren. Sie können für jeden Publisher einen Quellnamen, für jeden Platzierungstyp ein Medium und einen Kampagnennamen verwenden, der das Angebot oder den Zeitraum bezeichnet.

Prüfen Sie nach jedem Launch außerdem die endgültige Landingpage-URL und kontrollieren Sie eine Live-Sitzung in GA4. So erkennen Sie fehlerhafte Tags, bevor Kampagnenbesuche fälschlich als Direct eingestuft werden. Bei datenschutzsensiblen Websites sollte die Erfassung in Analytics nur die Einwilligungs- und Aufbewahrungseinstellungen verwenden, die Ihre rechtlichen Anforderungen vorsehen, insbesondere wenn GDPR gilt.

Ja, der Einfluss von AI kann sich unter Direct und in der Markensuche zeigen. Ein sichtbarer AI-Verweis ist der einfache Fall: Eine Person klickt auf einen zitierten Link und der Assistant oder Browser übermittelt einen erkennbaren Referrer. In der Praxis können AI-Apps und In-App-Browser den HTTP-Referrer entfernen. Der nächste Besuch erscheint dann als Direct, obwohl die Person wenige Minuten zuvor einen Assistant genutzt hat.

Das andere Muster ist eine zeitverzögerte Handlungsabsicht. Jemand liest eine AI-Antwort, schließt die App und gibt später Ihre Domain ein oder sucht nach Ihrem Unternehmen oder Produkt. Analytics erfasst dann eine Direct-Sitzung oder eine Organic Search-Sitzung für eine Markenanfrage, nicht aber einen durch AI unterstützten Besuch.

Ein Anstieg der Direct-Sitzungen beweist nicht, dass AI dafür verantwortlich ist. Ein sinnvoller Ansatz ist, nach einer Häufung von Signalen zu suchen: Direct-Sitzungen auf Produkt-, Preis-, Vergleichs- oder ausführlichen Ratgeberseiten nehmen zu, Markenanfragen steigen im selben Zeitraum und keine nicht getaggte Kampagne oder technische Änderung erklärt die Verschiebung.

Search Console kann den fehlenden Kontext liefern. Sie können Markenimpressionen, Klicks und Anfragethemen aus einem Zeitraum vor und nach der Veröffentlichung von AI-Zitaten für Ihre Inhalte oder dem Start einer AI-relevanten Kampagne vergleichen. Ein Anstieg der Markensuche zusammen mit mehr Direct-Einstiegen auf tiefer liegenden Seiten ist eine plausible Hypothese, die Sie testen können. Solange Ihnen die Besucher nicht mitteilen, wie sie auf Sie aufmerksam wurden, bleibt sie jedoch eine Schlussfolgerung.

Eine Pew-Analyse von Google-Suchen zeigt, warum Klickdaten allein unvollständig sind. Bei 8% der Besuche mit einer AI-Zusammenfassung klickten Suchende auf ein herkömmliches Suchergebnis, verglichen mit 15% ohne eine solche Zusammenfassung. Bei nur 1% der Besuche klickten sie auf einen Link in der Zusammenfassung. Weniger sichtbare Klicks bedeuten nicht weniger Entdeckungsmomente. Ihre Messung sollte daher auch die spätere Nachfrage nach Ihrer Marke einbeziehen, statt Klicks auf Verweise als vollständige Geschichte zu betrachten.

Dark AI-Traffic ist der Anteil der durch AI beeinflussten Aktivitäten, den sich mit standardmäßigen Verweisberichten nicht zuverlässig identifizieren lässt. Der Besuch erreicht Ihre Website, doch der ursprüngliche Kontext fehlt. Die Bezeichnung sollte Unsicherheit ausdrücken und keine Erlaubnis schaffen, jeden unbekannten Besuch AI zuzuschreiben.

Ein einfacher Bericht auf Seitenebene ist ein guter Ausgangspunkt. Sie können Direct-Sitzungen filtern und Landingpages, Gerätetyp, Land, Status als neuer oder wiederkehrender Nutzer sowie Conversion-Ereignisse auflisten. Eine plötzlich auftretende Gruppe von erstmaligen mobilen Besuchern, die über die URL eines ausführlichen Ratgebers einsteigt, verdient eine genauere Prüfung, denn eine solche Seite wird seltener als Lesezeichen gespeichert.

Prüfen Sie anschließend die Erklärungen, die sich überprüfen lassen. Dazu gehört ein Abgleich mit den Kampagnenkalendern für E-Mails, Offline-Aktionen, Links in Dokumenten, App-Releases, Weiterleitungen, Änderungen am Einwilligungsbanner und Aktualisierungen des Trackings. Sofern verfügbar und rechtlich zulässig, können Sie auch Serverprotokolle vergleichen.

Das Ergebnis sollte eine Beobachtungsliste sein, keine unbelegte Quelldimension. Sie könnten ein Segment als „möglicher AI-Einfluss“ kennzeichnen, wenn es einen Direct-Einstieg auf eine tiefer liegende Seite, einen neuen Nutzer und einen entsprechenden Anstieg der Markensuche umfasst. Berichten Sie die Größe dieses Segments mit einem expliziten Hinweis zum Sicherheitsgrad. So erhalten Entscheidungsträger eine handlungsrelevante Sicht, ohne dass die Kausalität übertrieben dargestellt wird.

Ein dreistufiges Modell weist jedem AI-bezogenen Besuch den passenden Sicherheitsgrad zu. So gehen nützliche Signale nicht verloren, nur weil sie nicht den Anforderungen an einen gemessenen Verweis entsprechen.

Gemessener Traffic verfügt über eine erkennbare Quelle eines AI Assistants oder einen URL-Parameter, der den Assistant identifiziert. In GA4 kann der native Kanal AI Assistant passende Verweise von Assistants klassifizieren; ein Teil des AI-Traffics kann weiterhin als Referral oder Direct erscheinen, wenn kein Referrer übermittelt wird. Sie können diese Sitzungen nach Landingpage, Interaktion, Conversion und Anteil neuer Nutzer auswerten, wie jeden anderen Akquisitionskanal auch.

Diese Stufe ist die geeignete Grundlage für Aussagen zur Kanalleistung, da sie beobachtbar ist. Prüfen Sie, ob Inhalte, auf die Assistants verlinken, den weiterführenden Informationsbedarf der Nutzer decken. Ein schneller Absprung kann darauf hindeuten, dass die Zusammenfassung die grundlegende Frage beantwortet hat, während Ihrer Seite konkrete Belege oder nächste Schritte fehlten.

Für abgeleiteten Traffic gibt es stützende Belege, aber keinen Nachweis auf Quellenebene. Vereinbarte Signale können dabei helfen: Direct-Einstieg auf eine tiefer liegende Seite, zeitgleicher Anstieg der Markensuche, ein zeitlicher Zusammenhang mit der AI-Sichtbarkeit und keine überzeugendere alternative Erklärung. Sie können das Segment mit einer einfachen Einstufung wie niedrig, mittel oder hoch bewerten, statt die Schätzung in eine exakte Kanalsumme umzuwandeln.

Der Nutzen dieser Stufe ist richtungsweisend. Sie kann zeigen, dass sichtbare Verweise die Nachfrage unterschätzen, und darauf hinweisen, welche Inhalte eine menschliche Prüfung verdienen. Wer damit eine genaue Rendite belegen oder ohne Test die Zuordnung anderer Kanäle verschieben will, riskiert unbelegte Attribution.

Bei der Attribution durch Selbstauskunft geht es darum, was Menschen als beeinflussend angeben. Ein praktischer Schritt ist, ein kurzes optionales Feld in ein Lead-Formular, eine Umfrage beim Bezahlvorgang oder ein Kundengespräch einzubauen: „Wie haben Sie zum ersten Mal von uns erfahren?“ Die Antwortmöglichkeiten können Suchmaschine, Kollegin oder Kollege, soziale Medien, AI Assistant, Veranstaltung und Sonstiges sowie ein Freitextfeld umfassen.

Diese Methode funktioniert, weil sie nach Erinnerungen und Einflüssen fragt, die Browser nicht übermitteln können. Eine neutrale Frage, bei der „AI Assistant“ nach den anderen Optionen erscheint, ist hilfreich, da suggestive Formulierungen die Antworten verzerren können. Prüfen Sie Freitextantworten am besten jeden Monat und ordnen Sie sie einheitlich zu.

Gemeinsam ergeben die Stufen ein klareres Bild: Gemessener Traffic zeigt, was der Browser übermittelt hat, abgeleiteter Traffic macht ein überprüftes Muster sichtbar und selbstauskunftsbasierter Traffic liefert die menschliche Erklärung. Diese Unterscheidung unterstützt fundierte Entscheidungen, ohne vorzugeben, jeder Weg ließe sich beobachten.

Ein einzelner monatlicher Ausschlag reicht selten aus, um ein Ergebnis zuzuordnen. Saisonale Effekte, eine Erwähnung in den Medien, eine Produkteinführung oder eine nicht getaggte Kampagne können Direct und Markensuche gleichzeitig verändern. Vergleichen Sie einen Zeitraum vor und nach dem Ereignis und dokumentieren Sie mögliche Störfaktoren.

Eine Korrelationsanalyse kann ein praktischer Ausgangspunkt sein. Erstellen Sie dazu eine wöchentliche Tabelle mit gemessenen AI-Verweisen, Direct-Sitzungen auf tiefer liegenden Seiten, Markenimpressionen und -klicks aus der Search Console, Conversions, wichtigen Kampagnen und Veröffentlichungsdaten von Inhalten. Bewegen sich mehrere Signale nach einem Anstieg der AI-Sichtbarkeit wiederholt gemeinsam, haben Sie eine prüfenswerte Hypothese, aber noch keinen Beweis für einen ursächlichen Zusammenhang.

Eine Kontrollgruppe stärkt die Beweislage. Sie können beispielsweise vergleichbare Seiten schrittweise veröffentlichen oder bewerben, während eine ähnliche Gruppe für einen festgelegten Zeitraum unverändert bleibt. Vergleichen Sie anschließend die Veränderungen bei der Markennachfrage, Direct-Einstiegen auf tiefer liegenden Seiten und Conversions zwischen den beiden Gruppen. Die Kontrollgruppe bietet einen Maßstab für normale Schwankungen, wobei die Themen der Inhalte ausreichend ähnlich sein müssen, damit der Vergleich fair ist.

Auch hier ist eine am Menschen orientierte Messung wichtig. Erwähnungen durch einen Assistant bringen wenig, wenn die daraus resultierenden Besucher auf dünne Inhalte, unklare Aussagen oder irrelevante Angebote stoßen. Menschen können AI nutzen, um ihre Recherche zu beginnen. Vertrauen entsteht jedoch, wenn Ihre Website originelle Details, transparente Quellen und einen sinnvollen nächsten Schritt bietet.

Die Sitzungsquelle beschreibt den Besuch, den Analytics erfasst hat. Dabei kann es sich um den letzten sichtbaren Schritt einer längeren Journey handeln. Um den früheren Zusammenhang zu erkennen, können Sie in GA4 First user default channel group als Dimension für den Erstkontakt verwenden und mit der Channel Group auf Sitzungsebene sowie den Conversion-Ergebnissen vergleichen. So sehen Sie, ob eine Person erstmals über Organic Search, Referral, Direct oder eine Klassifizierung als AI Assistant kam, bevor sie später über einen anderen Kanal zurückkehrte.

Eine kleine Exploration für neue Nutzer und Conversions kann hilfreich sein. Fügen Sie First user default channel group, session default channel group, Landingpage und ein Conversion-Ereignis hinzu und vergleichen Sie anschließend die Pfade für Seiten, die Ihrer Einschätzung nach von Assistants ausgespielt werden. Diese Ansicht bewahrt die erste beobachtete Akquisitionsmethode und berücksichtigt zugleich, dass spätere Sitzungen eine andere Quelle haben können.

Es ist besser, Direct-Sitzungen nicht über eine weit gefasste benutzerdefinierte Regel einem AI-Kanal zuzuordnen. Dadurch würde ein ehrliches „unbekannt“ durch eine unbelegte Antwort ersetzt. Führen Sie stattdessen ein Segment für möglichen Dark AI-Traffic außerhalb Ihrer offiziellen Kanalsummen und dokumentieren Sie die Kriterien in den Berichtshinweisen, damit andere Analysten die Ansicht nachvollziehen können.

Die Attribution von AI-Traffic verbessert sich durch regelmäßige Wiederholung, nicht durch ein einmaliges Dashboard. Ein monatlicher Review kann das Team auf die Belege fokussieren und zugleich Teams aus den Bereichen Content, Paid Media und Vertrieb eine gemeinsame Begriffswelt bieten.

Es geht nicht darum, jeden unbekannten Besuch in eine Erfolgsgeschichte über AI umzudeuten. Ziel ist es, Direct besser interpretierbar zu machen, Markensuchen als mögliche zeitverzögerte Reaktion zu erkennen und den Sicherheitsgrad ehrlich darzustellen. Mit getaggten Links, Kontext auf Seitenebene, Belegen aus Selbstauskünften und gemessenen Daten zum Erstkontakt können Sie nachvollziehen, wie AI zu realen menschlichen Journeys beiträgt, ohne Einfluss mit Beweis zu verwechseln.