Чому AI-трафік зникає у «direct»

Коли ChatGPT цитує твій URL, користувач переходить за посиланням. Браузер у багатьох випадках не передає referrer (залежить від реалізації переходу за посиланням, браузера, налаштувань користувача). GA4 трактує сесію як direct/none. AI-citation, який згенерував клік — невидимий у звіті.

По нашому портфелю до інструментації 60–80% AI-трафіку падало в direct/none. Після інструментації цифра падає нижче 15% — решта коректно атрибутується до LLM, prompt-кластера і (з нормальною аналітичною інтеграцією) кінцевої конверсії.

Якщо не інструментуєш — не доведеш, що engagement працює. Ми втратили два ранніх engagement, бо клієнт не бачив pipeline lift у своєму дефолтному GA4-дашборді.

UTM-стратегія

Кожен цитований у AI URL потребує унікального UTM-варіанта, який LLM може підхопити. Два патерни:

Патерн A: тегаємо канонічний URL. Додай ?utm_source=ai-search&utm_medium=organic&utm_campaign=[cluster] до канонічного URL більшості сторінок. Ризик: засмічуєш URL, які люди шарять.

Патерн B: server-side rewriting. Коли запит приходить без UTM — підсунути referrer (або заголовки з ознакою LLM-походження, де доступно) і записати UTM у сесію. Чистіше, але потребує серверних можливостей.

Ми тримаємо Патерн B на Scale і Enterprise engagement (там є інженерна потужність), Патерн A — на Growth.

UTM source на кожен LLM: chatgpt, perplexity, claude, gemini, copilot. UTM medium: ai-search. UTM campaign: ім’я prompt-кластера (mica-licensing, crypto-vasp-eu, observability-kubernetes).

Серверний dedup проти direct

Патерн B ловить більшу частину. Решта — сесії без referrer, сценарії з ad-блокером, мобільні кліки, де браузери знімають усе — підбираються серверним endpoint, який дедюпить direct-сесії проти активних URL з prompt-кластерів.

Імплементація: коли сторінка /services/[slug] завантажується без UTM і без referrer, відбувається server-side check «чи цей URL зараз цитується у будь-якій відстежуваній відповіді LLM?» Якщо так — позначаємо сесію як ai-search-attributed. Якщо ні — лишаємо як direct.

Ці останні 5–10% recovery й роблять дашборд повністю точним. Без цього у виконавчому синку 15–20% AI-сесій усе ще йдуть як direct, і C-level знецінює engagement.

Дашборд, який закриває кейс

Три цифри, один графік, одне рішення:

  • AI-attributed сесій на тиждень — сумарні візити, цитовані з будь-якого LLM
  • AI-attributed конверсії на тиждень — ліди / реєстрації / покупки з цих сесій
  • AOV (або LTV-проксі) AI-cohort — середній чек або signup-to-paid конверсія cohort, проти paid baseline

Графік: тижневі AI-attributed конверсії, шестимісячний rolling. Рішення, яке C-level приймає на основі цього графіка — масштабуватися, тримати, або поставити на паузу.

Хороший engagement на шостому місяці показує, як AI-attributed конверсії ростуть, плюс AOV lift над baseline. Поганий — плоску конверсію при зростаючій видимості. Це означає, що prompt-кластер обраний неправильно і цілі треба перепрошити.

Як виглядає «добре» в цифрах

По нашому портфелю на шостому місяці Scale engagement:

  • 8–22% organic-attributed сесій приходять з AI-джерел
  • AI-cohort AOV зазвичай 1,4–2× від paid-search baseline (доведено на кейсі D2C luxury — $487 проти $312)
  • Conversion rate на AI-cohort 0,8–1,3× від organic (трохи нижче за direct organic, бо покупець раніше у воронці)

AOV lift — той важіль, який цікавить C-level. І саме тому Performance pricing працює для SaaS і premium e-commerce: AI-cohort це cohort з вищим LTV, а бонус виплачується проти citation, що женуть саме її.

Що варто зробити цього кварталу

Якщо у тебе вже працює AEO-програма без інструментації — стопай усе, заштовхуй UTM-стратегію цього тижня. Engagement іде, але дані невидимі.

Якщо AEO-програми ще немає — Starter не включає attribution. Це Growth-and-up deliverable. Причина: attribution без активного citation pipeline нічого вимірюваного не дає, і ми не білимо за неї на Starter.

Якщо ти на Scale або Enterprise правильного тіру — архітектура атрибуції включена за замовчуванням. Дашборд у твоєму тижневому звіті з четвертого тижня.