Атрибуция трафика из AI: как измерить посещения, которые не видит аналитика

AI может повлиять на посещение задолго до того, как аналитическая платформа зарегистрирует сеанс. Человек может попросить AI-ассистента предложить варианты, прочитать страницу, на которую тот сослался, а затем открыть ваш сайт во встроенном браузере или позже поискать название вашей компании. Поэтому атрибуция трафика из AI — это не только задача привлечения, но и задача измерения.

Этот пробел важен, потому что использование AI стало привычным. Согласно опросу Pew Research Center, в начале 2025 года ChatGPT пользовались 34% взрослых жителей США — примерно вдвое больше, чем в 2023 году. Однако, как показал отчёт Reuters Institute, лишь 4% респондентов в 27 странах всегда или часто переходят от AI-ассистентов к первоисточникам. Если учитывать только видимые переходы из AI, вы не увидите, как AI помогает людям узнать о вашем бренде и позже сделать выбор в его пользу.

Что такое атрибуция трафика из AI? Это связь посещения сайта, поискового запроса, лида или продажи с более ранним взаимодействием с AI с указанием степени уверенности. Сюда входят как явные переходы от ассистентов, так и менее заметное влияние, которое позднее проявляется в виде трафика Direct или брендового поиска.

Реферер — это информация, которую браузер может передать, чтобы указать страницу, содержащую ссылку. Заголовок HTTP Referer обеспечивает эту передачу, однако браузеры, настройки конфиденциальности, переадресации, приложения и встроенные веб-просмотры могут его удалять. Без него аналитика не может надёжно отличить введённый вручную URL от посещения, которому предшествовало взаимодействие с AI.

Именно поэтому Direct — это категория, а не объяснение. В неё могут попадать введённые вручную URL, закладки, ссылки в письмах без UTM-меток, ссылки в документах, переходы с защитой конфиденциальности, переадресации и переходы из AI без реферера.

Первый практический шаг — отделить наблюдение от интерпретации. Вы можете фиксировать источник и канал, которые получает аналитика, и присваивать метку атрибуции только при наличии подтверждающего сигнала. Это делает отчётность прозрачной и помогает команде не строить догадки.

Атрибуция становится убедительной только тогда, когда трафик, который вы контролируете, имеет чёткие метки. Письмо без UTM-меток, платное размещение, QR-код, партнёрская ссылка или ссылка в профиле соцсети могут создавать шум в Direct. Те же механизмы затрудняют выявление посещений из AI: многие форматы рекламы не передают реферер и попадают в Direct. Поэтому потеря реферера — известное ограничение веб-измерений, а не доказательство конкретного источника.

SparkTraffic — платформа, предоставляющая реальных посетителей сайта с геотаргетингом — объясняет своим клиентам, что многие форматы рекламы не передают реферер и попадают в Direct. На её странице о трафике из AI перечислены источники AI, в которых те же механизмы могут скрывать посещения. Это полезное напоминание: сначала настройте корректные данные кампаний, а уже потом относите необъяснённый сеанс к переходам от AI-ассистента.

Практический шаг — добавлять UTM-параметры ко всем ссылкам, которые вы контролируете: в рассылках, платных медиа, партнёрских материалах, заданиях для авторов, PDF-файлах, QR-кодах, письмах отдела продаж и профилях в соцсетях. UTM-параметры — это значения, добавляемые к URL, чтобы указать источник, канал и название кампании. Они работают потому, что метки передаются в URL целевой страницы, даже если реферер отсутствует.

Система именования должна быть краткой и задокументированной. Используйте одно название источника для каждого издателя, один канал для каждого типа размещения и название кампании, указывающее на предложение или период.

После каждого запуска можно также проверить конечный URL целевой страницы и один активный сеанс в GA4. Так вы обнаружите некорректные метки до того, как посещения из кампании будут ошибочно отнесены к Direct. На сайтах, где особенно важна конфиденциальность, сбор аналитических данных должен соответствовать требованиям законодательства к настройкам согласия и срокам хранения, особенно если применяется GDPR.

Да, влияние AI может проявляться в Direct и в брендовом поиске. В явном случае человек нажимает на цитируемую ссылку, а ассистент или браузер передаёт распознаваемый реферер. На практике приложения AI и встроенные браузеры могут удалять HTTP-реферер, поэтому следующее посещение попадает в Direct, хотя человек воспользовался ассистентом всего несколько минут назад.

Другой сценарий — отложенное намерение. Человек может прочитать ответ AI, закрыть приложение, ввести ваш домен или позже найти название вашей компании либо продукта. Тогда аналитика зарегистрирует сеанс Direct или Organic Search по брендовому запросу, а не посещение, которому предшествовало взаимодействие с AI.

Рост общего трафика Direct не доказывает, что его вызвал AI. Полезно искать совокупность сигналов: число сеансов Direct на страницах продуктов, цен, сравнений или подробных руководств растёт; в тот же период увеличивается число брендовых запросов; при этом сдвиг нельзя объяснить кампанией без UTM-меток или техническими изменениями.

Search Console поможет добавить недостающий контекст. Можно сравнить показы, клики и тематику брендовых запросов до и после периода, когда ваш контент начали цитировать в AI или когда проводилась кампания, связанная с AI. Рост брендового поиска в сочетании с увеличением числа переходов Direct на внутренние страницы — обоснованная гипотеза для проверки, но это всё ещё вывод, а не доказанный факт, если только люди сами не расскажут, как нашли вас.

Анализ поисковых запросов Google, проведённый Pew, показывает, почему одних данных о кликах недостаточно. Пользователи нажимали на обычный результат в 8% посещений, когда в выдаче было AI-резюме, и в 15% — когда его не было; на ссылку в самом резюме они нажимали лишь в 1% посещений. Снижение числа видимых кликов не означает, что люди реже узнают о вашем бренде. Поэтому измерения должны учитывать последующий спрос на бренд, а не считать переходы по ссылкам всю историю целиком.

Скрытый трафик из AI — это часть активности, на которую повлиял AI, но которую стандартная отчётность по источникам перехода не может определить с достаточной уверенностью. Посещение сайта зафиксировано, но исходный контекст утрачен. Эта метка должна обозначать неопределённость, а не давать повод относить к AI все неизвестные посещения.

Отправной точкой может стать простой отчёт на уровне страниц. Можно отфильтровать сеансы Direct и перечислить целевые страницы, тип устройства, страну, статус нового или вернувшегося пользователя, а также события конверсии. Если группа новых пользователей мобильных устройств внезапно переходит по длинному URL руководства, стоит изучить это подробнее: такой адрес вряд ли часто сохраняют в закладках.

Затем исключите объяснения, которые можно проверить. Полезно изучить календарь кампаний: рассылки, офлайн-промоакции, ссылки в документах, выпуски приложений, переадресации, изменения баннера согласия и обновления отслеживания. При наличии соответствующих данных и законных оснований можно сравнить журналы сервера.

Результатом должен стать список для наблюдения, а не неподтверждённое измерение источника. Например, можно пометить сегмент как «возможное влияние AI», если в нём есть переход Direct на внутреннюю страницу, новый пользователь и совпадающий по времени рост брендового поиска, а затем указать его размер с явной оговоркой об уровне уверенности. Это поможет руководителям принимать решения, не преувеличивая причинно-следственную связь.

Трёхуровневая модель присваивает каждому связанному с AI посещению соответствующую степень уверенности. Она не позволяет полезным сигналам потеряться лишь потому, что они не соответствуют критериям измеренного перехода.

Измеренный трафик имеет распознаваемый источник — AI-ассистент — или параметр URL, указывающий на ассистента. В GA4 встроенный канал AI Assistant может классифицировать соответствующие источники перехода от ассистентов; часть трафика из AI всё равно может попадать в Referral или Direct, если реферер не передаётся. Эти сеансы можно анализировать по целевой странице, вовлечённости, конверсиям и доле новых пользователей так же, как любой другой канал привлечения.

Этот уровень — надёжная основа для выводов об эффективности канала, поскольку он основан на наблюдаемых данных. Полезно проверить, отвечает ли контент, на который ссылаются ассистенты, на следующий вопрос пользователя. Быстрый уход со страницы может означать, что краткое резюме ответило на базовый вопрос, а на вашей странице не хватило конкретных доказательств или дальнейших шагов.

Для предполагаемого трафика есть подтверждающие сигналы, но нет доказательств на уровне источника. В качестве ориентира можно использовать согласованный набор сигналов: переход Direct на внутреннюю страницу, одновременный рост брендового поиска, совпадение по времени с повышением видимости в AI и отсутствие более убедительного альтернативного объяснения. Вместо того чтобы превращать оценку в точную цифру канала, можно присвоить сегменту простой уровень уверенности — низкий, средний или высокий.

Ценность этого уровня — в понимании направления изменений. Он может показать, что видимые переходы не отражают весь спрос, и подсказать, какой контент стоит проверить вручную. Если без теста заявлять о точной окупаемости или перераспределять заслуги с других каналов, атрибуция рискует оказаться неподтверждённой.

Атрибуция по самоотчётам основана на том, что люди говорят о влиянии на их выбор. Практический вариант — добавить короткое необязательное поле в форму лида, опрос при оформлении заказа или интервью с клиентом: «Как вы впервые узнали о нас?» Среди вариантов могут быть поисковая система, коллега, социальные сети, AI-ассистент, мероприятие и другое, а также поле для свободного ответа.

Этот метод работает, потому что позволяет узнать о воспоминаниях и влиянии, которые браузер передать не может. Лучше использовать нейтральную формулировку и помещать «AI-ассистент» после других вариантов: наводящие формулировки могут искажать ответы. Полезно ежемесячно просматривать ответы в свободной форме и классифицировать их единообразно.

Вместе эти уровни дают более ясную картину: измеренный трафик показывает, какие данные передал браузер; предполагаемый — выявленную и проверенную закономерность; самоотчёты — объяснение самих людей. Такое разделение помогает принимать обоснованные решения о качестве, не делая вид, будто можно наблюдать каждый путь.

Одного месячного всплеска редко достаточно, чтобы связать с ним результат. Сезонность, упоминание в СМИ, выпуск продукта или кампания без UTM-меток могут одновременно изменить показатели Direct и брендового поиска. Можно сравнить период до события и после него, а также задокументировать факторы, способные повлиять на результат.

Корреляционный анализ может стать практической отправной точкой. Например, можно составить еженедельную таблицу измеренных переходов из AI, сеансов Direct на внутренних страницах, показов и кликов по брендовым запросам в Search Console, конверсий, крупных кампаний и дат публикации контента. Если несколько сигналов неоднократно меняются одновременно после роста видимости в AI, это гипотеза, которую стоит проверить, а не доказательство причинной связи.

Контрольная группа повышает убедительность данных. Например, можно поэтапно публиковать или продвигать одну группу сопоставимых страниц, оставив похожую группу без изменений на определённый период. Затем сравните изменения брендового спроса, переходов Direct на внутренние страницы и конверсий между группами. Контрольная группа служит ориентиром для обычной динамики, хотя тематика контента должна быть достаточно похожей, чтобы сравнение было корректным.

Важно также ориентироваться на потребности людей. Оптимизация ради упоминаний в ответах ассистента мало что даст, если посетители попадут на страницы с поверхностным содержанием, неясными утверждениями или нерелевантными предложениями. Люди могут начинать поиск информации с AI, но доверие возникает, когда сайт предлагает оригинальные подробности, прозрачные источники и полезный следующий шаг.

Источник сеанса описывает посещение, которое увидела аналитика, и может отражать лишь последний видимый шаг более длинного пути. Чтобы проследить более раннюю связь, используйте в GA4 измерение First user default channel group для анализа первого касания и сравнивайте его с группой каналов сеанса и результатами конверсий. Это позволит увидеть, пришёл ли человек впервые через Organic Search, Referral, Direct или классификацию AI Assistant, а позднее вернулся через другой канал.

Полезно создать небольшое исследование для новых пользователей и конверсий. Добавьте First user default channel group, session default channel group, целевую страницу и событие конверсии, а затем сравните пути для страниц, которые, по вашему мнению, показывают ассистенты. Такой вид сохраняет способ привлечения, зафиксированный при первом посещении, и при этом учитывает, что источником последующих сеансов может быть другой канал.

Не стоит принудительно переводить сеансы Direct в канал AI с помощью широкого пользовательского правила. Так честное «неизвестно» заменяется неподтверждённым ответом. Вместо этого можно выделить сегмент возможного скрытого трафика из AI за пределами официальных итоговых показателей каналов и включить критерии его формирования в примечания к отчёту, чтобы другой аналитик мог воспроизвести результаты.

Атрибуция трафика из AI улучшается благодаря регулярной работе, а не разовой панели мониторинга. Ежемесячный анализ помогает команде опираться на факты и вырабатывать общий язык для специалистов по контенту, платным медиа и продажам.

Цель — не превращать каждое неизвестное посещение в историю об успехе AI. Цель — сделать Direct понятным, распознавать брендовый поиск как возможную отложенную реакцию и честно указывать степень уверенности. Размеченные ссылки, контекст на уровне страниц, данные, полученные от самих пользователей, и измеренные данные о первом касании помогут понять, как AI участвует в реальных путях людей, не смешивая влияние с доказательством.