Jak mierzyć ruch z chatów AI?

Mierzenie ruchu z chatów AI – przegląd źródeł 

W raportach analitycznych coraz częściej pojawia się ruch z chatów AI – choć trzeba przyznać, że nie zawsze jest go w nich łatwo zauważyć. W większości przypadków jego źródłem są linki znajdujące się w odpowiedziach generowanych przez modele językowe.

Zdj. 1. Ruch z AI w zależności od konkretnego narzędzia. Źródło: opracowanie własne 

Jednak to, jak wygląda ruch z AI (od strony technicznej), zależy od konkretnego narzędzia. Przyjrzyjmy się więc, jak działają w praktyce najpopularniejsze chatboty AI:

ChatGPT 

ChatGPT w wersji z dostępem do internetu potrafi podawać linki do stron, z których czerpie informacje. Zwykle pojawiają się one pod odpowiedzią w formie źródeł lub są wplecione w sam tekst. Kliknięcie w taki link może przekierować użytkownika na Twoją stronę,  ale w narzędziach analitycznych taki ruch najczęściej trafi do kategorii „direct”, ponieważ ChatGPT nie przekazuje referrera.

Perplexity.ai

Perplexity prezentuje odpowiedzi jako zwięzłe streszczenia i od razu pokazuje przypisy źródłowe – bardzo często z blogów, stron produktowych czy artykułów eksperckich. Użytkownik może kliknąć w źródło i przejść na stronę, jednak efekt analityczny będzie podobny: brak referrera, brak UTM-a, znowu „direct”.

Google SGE (Search Generative Experience)

Google SGE generuje AI-podsumowania wyników wyszukiwania, często z linkami do wybranych stron. I choć wygląda to jak klasyczne SEO, kliknięcia z tych fragmentów nie zawsze pojawiają się w raportach jako „organic”. Zdarza się, że również wpadają do „direct”, szczególnie w wersjach testowych SGE.

Microsoft Copilot (Bing Chat)

Copilot integruje AI z wyszukiwarką Bing i także podpowiada linki, często z informacją o źródle. Tu również występuje problem – kliknięcia otwierane są w nowej karcie lub oknie przeglądarki, co sprawia, że ślad po źródle się urywa i znowu mamy ruch „znikąd”.

Dlaczego analizy źródeł ruchu AI to wyzwanie? 

Raportowanie ruchu z chatów AI  jest trudne przede wszystkim ze względu na brak referrera, czyli informacji o tym, skąd użytkownik trafił na stronę. Efekt? W Google Analytics 4 taki ruch zostaje oznaczony jako „direct/none”, czyli trafia do tego samego worka co ręczne wpisanie adresu w pasku przeglądarki. Trudno zatem stwierdzić, czy ruch faktycznie pochodzi z chatbota. Chyba że przyjrzymy się temu uważniej – o czym więcej w kolejnych sekcjach. Śledzenie użytkowników z chatów AI utrudnia jednak nie tylko brak referrera. Problemy wynikają też z tego, że linki generowane przez sztuczną inteligencję nie zawierają parametrów UTM. W praktyce oznacza to, że ruchu nie da się jednoznacznie przypisać do konkretnej kampanii, źródła czy medium. Bardzo często więc niektóre wizyty z chatów AI mylone są (bo też do złudzenia przypominają) z ruchem organicznym. Problem stanowią też wizyty wpadające do kategorii „direct”. Tracking użytkowników z chatów AI utrudniają też oni sami. Często bowiem kopiują linki z odpowiedzi chatbota i wklejają je w nowej karcie przeglądarki. Dla analityki internetowej takie wejście wygląda jak „znikąd”, czyli direct. Takie zachowanie jest intuicyjne, ale z punktu widzenia pomiarów – całkowicie nietransparentne.

Jak analizować ruch z AI chatów? Metody identyfikacji

Wiedząc, że klasyczna analityka często gubi ruch z AI, czas sprawdzić, jaki miernik będzie skuteczny, choćby częściowo. Tych jest kilka, a poniżej znajdziesz omówienie tych najskuteczniejszych i najpopularniejszych. Więc, jak analizować ruch z AI chatów?

Monitorowanie nagłych skoków w ruchu direct

Jeśli zauważysz nagły wzrost wejść typu „direct” na konkretne podstrony, a nie prowadzisz w tym czasie żadnej kampanii – może to być sygnał, że chatbot AI właśnie polecił Twój link. Jest to wysoce prawdopodobne szczególnie gdy taki spike dotyczy wpisów blogowych, poradników czy stron produktowych.

Analiza zachowania użytkownika

Analizy źródeł ruchu AI  powinny też objąć badanie zachowań użytkowników. Niektóre ich działania mogą bowiem sugerować, że ruch pochodzi z chatów sztucznej inteligencji, a nie przypadkowych odwiedzin. Jakie to są?

• sesje 1-stronicowe z wejściem na konkretne, specjalistyczne treści,

• wejścia z nietypowych lokalizacji  lub urządzeń,

• krótkie wizyty zakończone konkretną akcją (np. pobranie pliku PDF, kliknięcie w CTA, rozpoczęcie czatu, zakup).

Własne systemy tagowania (workaroundy)

Znając ograniczenia ogólnodostępnych narzędzi analitycznych, możesz też z próbować przechytrzyć system i:

• dodawać niestandardowe parametry do linków, np. ?source=chatgpt – część modeli AI zachowuje te linki tak, jak je „widzi” w treści,

• wstawiać linki UTM-owe do najważniejszych treści w FAQ, poradnikach czy bazach wiedzy. Jeśli chatbot wciągnie je do odpowiedzi, kliknięcia będą lepiej mierzalne.

Te rozwiązania co prawda nie gwarantują sukcesu, ale dają szansę na wyłapanie części odwiedzin.

Mierzenie ruchu z chatów AI – narzędzia zewnętrzne 

Skoro klasyczne narzędzia analityczne, takie jak Google Analytics 4, często nie pozwalają na skuteczne raportowanie ruchu z chatów AI, warto sięgnąć po wsparcie z zewnątrz. Istnieje kilka platform analitycznych, które oferują lepszy wgląd w tzw. dark traffic, czyli ruch bez jednoznacznie określonego źródła. Dzięki nim można lepiej zrozumieć, skąd naprawdę pochodzą odwiedziny i które treści są „podawane dalej” przez chatboty.

Parse.ly

Popularne w branży wydawniczej narzędzie, które pozwala śledzić źródła ruchu w czasie rzeczywistym, w tym także te nieoczywiste. Parse.ly analizuje m.in. zachowanie użytkownika, popularność konkretnych artykułów oraz wzrosty ruchu z tzw. nieznanych źródeł.

Matomo 

Open-source’owe narzędzie, które daje pełną kontrolę nad danymi analitycznymi. Umożliwia śledzenie wejść, nawet jeśli nie mają referrera, a także tworzenie zaawansowanych segmentów użytkowników, co może pomóc w identyfikacji ruchu z AI na podstawie zachowań.

Plausible Analytics

Lekki, szybki i przyjazny dla prywatności system analityczny, który bardzo czytelnie prezentuje uproszczone dane. Choć nie ma wszystkich funkcji GA4, może pomóc w wykrywaniu wzorców nagłych wejść, które typowo pojawiają się po publikacji treści zyskujących uwagę AI.

Simple Analytics

Kolejna alternatywa, skupiająca się na prostocie i przejrzystości. Oferuje możliwość identyfikowania tzw. direct traffic anomalies, które mogą być efektem wejść z chatbotów.

Jak korzystać z narzędzi zewnętrznych do analizy źródeł ruchu AI?

Zewnętrzne narzędzia do mierzenia ruchu z AI nie są jeszcze doskonałe – musisz więc liczyć się z możliwością błędów i przekłamań. Dla większej pewności warto testować kilka rozwiązań równolegle i porównywać wyniki.

Jak przygotować stronę na ruch AI?

Raportowanie ruchu z chatów AI będzie prostsze, jeśli strona internetowa na odwiedziny z tych źródeł będzie gotowa. Bardzo ważnym krokiem w jej przygotowaniu jest dostosowanie treści do specyfiki zapytań trafiających do chatów AI.  Content przyjazny AI to natomiast obszerne i precyzyjne materiały, takie jak FAQ, artykuły eksperckie czy porównania, które odpowiadają na konkretne pytania użytkowników. Dobrym sposobem na przewidywanie potencjalnych pytań i formułowanie odpowiedzi jest testowanie własnych treści w narzędziach takich jak ChatGPT. Pozwala to zidentyfikować luki oraz dopracować materiały pod kątem intencji użytkowników, co w efekcie zwiększa widoczność i skuteczność strony w ekosystemie AI. Ich tworzenie powinno iść w parze z optymalizacją snippetów oraz implementacją struktur danych zgodnych ze standardem schema.org. Ułatwi to AI szybkie i trafne wyciąganie informacji z witryny.  Mówiąc o przygotowaniu strony do ruchu z chatbotów, warto też zadać sobie pytanie: jak wyniki z chatów wpływają na witrynę. Wbrew obawom wielu osób, odpowiedź na to pytanie jest jak najbardziej pozytywna.  Śledzenie użytkowników z chatów AI pokaże, które treści najbardziej interesują użytkowników, a gdzie potrzebne są dodatkowe wyjaśnienia. Mierniki ruchu AI  pozwolą więc lepiej dostosować strukturę strony, uprościć ścieżki zakupowe i poprawić konwersję.

Przyszłość mierzenia ruchu z chatów AI

Coraz więcej firm poszukuje sposobów na dokładne i skuteczne mierzenie ruchu z chatów AI. Autorskie rozwiązania i pierwsze testy prowadzą już takie technologiczne giganty jak Google i Microsoft. Opierają się one na innowacyjnych mechanizmach oznaczania i raportowania mierników ruchu z chatów AI, które mają umożliwić precyzyjne śledzenie źródeł i zachowań użytkowników korzystających z asystentów opartych na sztucznej inteligencji. W praktyce oznacza to rozwój dedykowanych tagów referralowych „from AI” oraz integracji API, które pozwalają na odróżnienie ruchu generowanego przez interakcje z modelami językowymi od tradycyjnych kanałów wejścia, takich jak wyszukiwarki czy media społecznościowe. Coraz częściej AI jest traktowana jako nowa, autonomiczna przeglądarka, w której użytkownicy nie tylko otrzymują odpowiedzi, ale też podejmują decyzje i kierują się do konkretnych serwisów. Ta zmiana wymusza rewizję strategii marketingowych, aby skutecznie docierać do odbiorców, konieczne będzie uwzględnianie AI jako odrębnego kanału ruchu, z własnymi metrykami i specyfiką zachowań. Dla marketerów oznacza to nowe wyzwania, ale też ogromne możliwości precyzyjniejszego targetowania, personalizacji komunikacji oraz optymalizacji kampanii.