Как отследить трафик из ChatGPT и других ИИ-поисковиков

Отследить переходы из ChatGPT можно тремя способами: смотреть referral-трафик по домену chatgpt.com в GA4 или Яндекс Метрике, размечать все упоминания бренда UTM-метками там, где это возможно, и сверять полученные цифры со сквозной аналитикой по факту оплат. Стандартные системы веб-аналитики видят такой трафик лишь частично — ИИ-поисковики передают referrer не всегда и не единообразно, поэтому часть переходов оседает в разделе «прямые заходы». Дальше разберём, как выцепить эти данные и построить рабочий отчёт.

Почему это вообще проблема

ChatGPT, Perplexity, Gemini и Copilot дают ответы со ссылками на источники, но техническая реализация перехода у каждого своя. Часть систем передаёт referrer корректно, часть — обрезает или подменяет его, часть открывает ссылку в контексте, где referrer теряется вовсе (например, при переходе из мобильного приложения или встроенного браузера). В результате в GA4 и Яндекс Метрике вы видите три разных картины одного и того же явления: честный referral-трафик с доменом источника, «прямые заходы» (direct/none), которые на самом деле пришли из ИИ-ответа, и трафик, помеченный как органический поиск, потому что пользователь сначала спросил у ChatGPT, а потом вручную вбил название бренда в Google.

Для CMO это не абстрактная методологическая проблема, а вопрос P&L. Если заметная доля целевого трафика (по разным оценкам, речь может идти о единицах — первых десятках процентов, и доля растёт по отраслям неравномерно) приходит через ИИ-поисковики и не учитывается, вы недооцениваете эффективность контента, неправильно считаете CAC по каналам и рискуете закрыть бюджет на то, что на самом деле работает. Отдельно от этого стоит вопрос видимости бренда в самих ответах ИИ — это тема оптимизации под генеративные системы, и здесь стоит отдельно посмотреть geo-aeo-optimizaciya: без базовой видимости в ответах ИИ отслеживать в аналитике будет попросту нечего.

Есть и вторая сторона вопроса — управленческая. Если руководитель отдела контента приходит с цифрой «трафик из ChatGPT вырос», а вы не можете ни подтвердить, ни опровергнуть её собственными данными, разговор о бюджете превращается в спор мнений вместо разбора фактов. Именно поэтому задача отслеживания ИИ-трафика — это не техническая настройка для аналитика, а часть системы принятия решений, которой должен владеть маркетинг-директор: без неё вы либо переплачиваете за каналы, которые дают меньше, чем кажется, либо недоинвестируете в контент, который реально приводит платящих клиентов.

Способ 1: смотреть referral-трафик по доменам ИИ-систем

Самый простой и при этом недооценённый метод — прямой просмотр источников трафика по доменам. В GA4 идите в отчёт «Отчёты → Привлечение → Трафик» (Traffic acquisition) и ищите среди session source значения chatgpt.com, chat.openai.com, perplexity.ai, gemini.google.com, copilot.microsoft.com, bing.com/chat.

Ключевые нюансы:

• ChatGPT в вебе и в мобильном приложении может передавать referrer по-разному — приложение чаще теряет его.
• Perplexity исторически отдаёт referrer стабильнее остальных, поэтому по нему легче всего проверить гипотезу «трафик из ИИ вообще есть».
• В Яндекс Метрике аналогичный отчёт — «Источники, сводка», где нужно вручную добавить нужные домены в сегмент, так как встроенной группировки «ИИ-поисковики» пока нет ни в одной популярной системе аналитики.
• Обязательно проверяйте отчёт за последние 3–6 месяцев в динамике, а не разово — доля такого трафика растёт быстро, и то, что было незаметно весной, может быть заметно уже сейчас.

Если у вас нестандартная аналитика или вы уже устали от ограничений GA4 (сэмплирование данных, задержки, блокировки в РФ), это хороший повод сравнить варианты — обзор есть в статье analogi-google-analytics.

Отдельно стоит проверить настройки автоматического определения каналов (default channel grouping). По умолчанию многие системы аналитики относят неизвестные домены к категории «referral» или «other», а не показывают их отдельной строкой — из-за этого вы можете видеть трафик с домена chatgpt.com в общем списке источников, но не замечать его, если не смотрите отчёт достаточно детально. Полезная привычка — раз в месяц выгружать полный список source/medium без фильтров и глазами искать в нём незнакомые домены: часто именно там находятся источники, которые не попали ни в один заранее настроенный сегмент.

Способ 2: UTM-метки там, где вы контролируете ссылку

Referrer от ChatGPT вы не контролируете — модель сама решает, как оформить ссылку в ответе. Но есть места, где вы управляете ссылкой напрямую, и туда стоит закладывать метки заранее:

1. Ссылки в собственном блоге и на сайте, которые могут попасть в обучающую выборку или в индекс, откуда ИИ берёт данные для ответа.
2. Ссылки в профилях на сторонних площадках (отзовики, каталоги, Wikipedia-подобные ресурсы, профильные форумы), которые часто цитируются генеративными системами как источник.
3. Ссылки, которые вы сами публикуете в материалах, ориентированных на индексацию ИИ-поисковиками — карточки товаров, структурированные FAQ, сравнительные таблицы.

Проблема в том, что ИИ-системы нередко «очищают» UTM-параметры при формировании ссылки в ответе или сокращают URL. Поэтому метод работает частично: считайте его дополнительным сигналом, а не основным источником данных. Если метка долетела — это подтверждённый факт перехода из конкретного материала, и такие случаи стоит фиксировать как кейсы для команды контента.

Способ 3: сверка с прямыми заходами и сквозной аналитикой

Самая честная оценка масштаба явления — это не отчёт по источникам, а поведенческий анализ прямых заходов. Смотрите на сегмент direct/none и ищите в нём аномалии:

• Рост доли direct-трафика без роста офлайн-активности, наружной рекламы или email-рассылок, которые обычно и формируют прямые заходы.
• Посадочные страницы, на которые «прямой» трафик не должен заходить логически — глубокие страницы блога, карточки конкретных услуг, а не главная.
• Поведенческие метрики этого сегмента: если прямые заходы на нетипичные страницы показывают конверсию и вовлечённость на уровне органического поиска, а не хуже (как обычно бывает у «мусорного» direct-трафика), это косвенный признак осознанного перехода из ответа ИИ.

Разовые проверки полезны, но управляемый процесс требует связки данных фронта с CRM и оплатами — иначе вы видите визиты, но не видите, во что они превращаются в деньги. Здесь без сквозной аналитики не обойтись: она позволяет провести конкретного лида от первого визита (в том числе гипотетически атрибутированного к ИИ-источнику) до оплаты и посчитать реальный ROMI канала, а не просто число сессий. Подробно логика построения такой системы разобрана в статье skvoznaya-analitika.

Полезный дополнительный источник сигнала — опрос самих клиентов на этапе оформления заявки или сделки: простое поле «откуда вы о нас узнали» с вариантом «спросил у ChatGPT / другого ИИ-помощника» даёт качественную оценку, которая не зависит от того, передал браузер referrer или нет. Это не заменяет аналитику, но хорошо калибрует её: если доля таких ответов заметно выше доли, которую показывает GA4, — это сигнал, что вы теряете часть трафика технически, а не что канала не существует.

Таблица: как распознают трафик из разных ИИ-систем

Таблицу стоит держать под рукой у аналитика и обновлять раз в квартал — поведение референсов у ИИ-систем меняется вместе с их обновлениями чаще, чем у классических поисковиков.

Как собрать это в один регулярный отчёт

Разовая проверка ничего не даст — нужен процесс, который живёт в системе отчётности наравне с остальными каналами:

• Заведите отдельный сегмент или представление, объединяющее известные домены ИИ-источников, и выведите его в дашборд как самостоятельный канал, а не сваливайте в «прочее».
• Раз в месяц сверяйте динамику этого сегмента с ростом direct-трафика на нетипичные страницы — рост обоих одновременно почти всегда означает, что вы недосчитываете реальный масштаб.
• Свяжите этот сегмент с CRM через сквозную аналитику, чтобы видеть не сессии, а выручку и долю в пайплайне — без этого разговор с советом директоров о «трафике из ChatGPT» превращается в вкусовщину.
• Оцените, оправдана ли инвестиция в отдельную настройку такого учёта, тем же способом, каким вы оцениваете любое внедрение технологий в маркетинг — через расчёт отдачи, а не через энтузиазм. Логика расчёта — в материале roi-vnedreniya-ii.

Отдельный вопрос — кто в команде за это отвечает. На практике задача обычно распадается между веб-аналитиком (настройка сегментов и отчётов), контент-командой (какие материалы вообще могут цитироваться ИИ-системами) и CMO, который сводит эти данные в единую картину для совета директоров. Если закрепить эту ответственность за одним человеком без остальных, отчёт либо получится технически точным, но бесполезным для бизнес-решений, либо красивым, но не выдержит проверки цифрами.

Частые ошибки

• Считать «прочее» и direct единым мусорным ведром. В этих сегментах прячется реальный, часто платёжеспособный трафик из ИИ-ответов — не разбирая его, вы теряете видимость целого канала.
• Опираться только на UTM-метки. ИИ-системы нередко обрезают или упрощают ссылки при формировании ответа, поэтому метки долетают не всегда — это дополняющий, а не основной источник данных.
• Делать выводы по одному месяцу. Доля ИИ-трафика меняется резко из-за обновлений моделей и алгоритмов цитирования — нужна динамика минимум за квартал.
• Путать видимость в ответах ИИ с трафиком от неё. Бренд может часто упоминаться в ответах ChatGPT без единого клика на сайт — это разные метрики, и обе важны, но по-разному.
• Не доводить трафик до выручки. Без сквозной аналитики вы получаете красивое число сессий, но не можете объяснить руководству, почему на это стоит выделять бюджет.
• Игнорировать мобильные приложения ИИ-сервисов. Именно там чаще всего теряется referrer, и именно там сосредоточена растущая доля запросов пользователей.

FAQ

Можно ли точно посчитать весь трафик из ChatGPT?

Нет, точного числа не будет ни у одной компании — часть переходов теряется из-за отсутствия referrer, особенно в мобильных приложениях. Реалистичная задача — получить оценку с понятной погрешностью и отслеживать её динамику, а не гнаться за абсолютной точностью.

В GA4 нет отдельного канала для ИИ-трафика, что делать?

Создайте собственный сегмент или пользовательский канал, объединив известные домены (chatgpt.com, chat.openai.com, perplexity.ai, gemini.google.com, bing.com/chat) в одну группировку через настройки каналов или explore-отчёты.

UTM-метки работают в ссылках из ответов ChatGPT?

Частично. Если ссылка ведёт с уже проставленной меткой и модель её не обрезает при формировании ответа, метка долетит и отчёт покажет корректный источник. Гарантии здесь нет, поэтому опираться только на этот метод рискованно.

Как отличить трафик из ChatGPT от обычных прямых заходов?

По косвенным признакам: посадочная страница нетипична для прямого захода (глубокая статья, карточка услуги), нет очевидной офлайн-причины (наружка, email, устные рекомендации), а поведенческие метрики сессии близки к органическому трафику, а не к «мусорному» direct.

Стоит ли атрибутировать продажи трафику из ИИ-поисковиков так же, как обычному SEO?

Да, если вы можете довести визит до сделки через CRM. Модель атрибуции здесь работает по тем же принципам, что и для любого другого канала — важна не природа источника, а честная связь клика с итоговой выручкой.

Почему в Яндекс Метрике данные по ИИ-трафику отличаются от GA4?

Разные системы по-разному обрабатывают referrer и по-разному группируют источники по умолчанию. Для сопоставимых цифр нужно вручную настроить одинаковые сегменты доменов в обеих системах и сравнивать не абсолютные числа, а динамику.

Нужно ли специально готовить сайт под трафик из ИИ-поисковиков?

Да, если вы хотите не только измерять этот трафик, но и влиять на его объём. Это отдельная задача оптимизации контента под цитируемость в генеративных ответах, которая с измерением связана, но решается другими инструментами.

Если хотите не просто разово разобраться с отчётом по ИИ-трафику, а выстроить систему аналитики и маркетинга, которая выдерживает проверку цифрами перед советом директоров, — приходите на интенсив Marketing OS: там как раз про то, как считать, что реально работает, и не тратить бюджет на красивые, но пустые метрики.