Ruch z asystentów AI wygląda w raportach niepozornie. Kilkadziesiąt sesji miesięcznie, czasem kilkaset, w porównaniu z organikiem to margines. Problem w tym, że ten margines bardzo rzadko jest przypadkowy. Ktoś zadał asystentowi konkretne pytanie, dostał odpowiedź z odwołaniem do twojej strony i świadomie w nie kliknął. To zupełnie inny profil intencji niż przeciętna wizyta z długiego ogona.
Kłopot zaczyna się przy wycenie. Standardowe raporty pokazują ten ruch jako mały kanał o przeciętnej konwersji, więc w podsumowaniu miesiąca ląduje w wierszu „inne”. Poniżej pokazujemy, jak przypisać mu realną wartość: gdzie w ścieżce się pojawia, jak zniekształca odczyty w kanale direct i brandowym oraz jakich metod pomiaru używać, gdy próbka jest za mała na klasyczną analizę.
Dlaczego last click zaniża wartość ruchu z AI
Model last click przypisuje całą wartość konwersji ostatniemu źródłu przed transakcją. Asystent AI z definicji rzadko jest tym ostatnim punktem. Użytkownik pyta o porównanie narzędzi, dostaje trzy rekomendacje z odnośnikami, wchodzi na jedną stronę, czyta, wychodzi. Wraca dwa dni później wpisując nazwę marki w wyszukiwarkę albo bezpośrednio w pasek adresu. W raporcie konwersję zgarnia organic brand lub direct, a asystent nie dostaje nic.
To ta sama mechanika, która przez lata zaniżała wartość treści poradnikowych i porównawczych. Różnica polega na tym, że przy AI luka jest głębsza z dwóch powodów. Po pierwsze, część asystentów nie przekazuje pełnego nagłówka odsyłającego albo używa domen pośredniczących, więc sesja bywa klasyfikowana jako bezpośrednia już na wejściu. Po drugie, znaczna część odpowiedzi jest konsumowana bez kliknięcia: użytkownik zapamiętuje markę, ale nigdy nie odwiedza witryny w tej sesji.
Wniosek praktyczny jest prosty. Jeżeli oceniasz ten kanał wyłącznie po liczbie sesji i współczynniku konwersji z ostatniego kliknięcia, prawie na pewno go niedoszacujesz. Zanim zaczniesz cokolwiek liczyć, upewnij się, że w ogóle poprawnie go izolujesz, bo bez czystej segmentacji dalsze modele nie mają na czym pracować. Opisaliśmy to szczegółowo w tekście o tym, jak wyodrębnić ruch z ChatGPT w GA4.
Gdzie w ścieżce najczęściej pojawia się asystent
Z obserwacji ścieżek wielokanałowych wyłania się dość powtarzalny wzorzec. Asystent pojawia się głównie w dwóch momentach, a niemal nigdy w trzecim.
- Faza rozpoznania: użytkownik nie zna jeszcze kategorii rozwiązania i prosi o wyjaśnienie problemu lub o listę możliwych podejść. Tu asystent zastępuje dawną sesję czytania trzech artykułów blogowych.
- Faza porównania: użytkownik ma już krótką listę i pyta o różnice, cenniki, ograniczenia, opinie. To najcenniejszy moment, bo obecność marki w odpowiedzi realnie zawęża zbiór rozważanych opcji.
- Faza domknięcia: praktycznie nieobecna. Nikt nie pyta asystenta o zgodę na finalizację zakupu. Konwersja domyka się w wyszukiwarce, w mailu albo bezpośrednio.
Ta asymetria ma bezpośrednie przełożenie na wybór modelu atrybucji. Skoro asystent systematycznie zajmuje pierwsze i środkowe pozycje w ścieżce, a nigdy ostatnią, to każdy model faworyzujący koniec ścieżki będzie go strukturalnie karał. Nie jest to szum losowy, który uśredni się przy większej próbce, tylko stałe obciążenie.
Wpływ na wzrost ruchu direct i brandowego
Najbardziej wiarygodny ślad obecności w odpowiedziach AI widać nie w samym kanale AI, tylko obok niego. Jeżeli marka zaczyna być cytowana w asystentach, po kilku tygodniach zwykle rosną trzy rzeczy naraz: liczba wyszukiwań brandowych, udział wejść bezpośrednich oraz liczba sesji zaczynających się od strony innej niż strona główna.
Ten trzeci sygnał jest niedoceniany, a bywa najczystszy. Wejście bezpośrednie na adres podstrony poradnikowej, której nikt nie wpisuje z pamięci, to niemal na pewno efekt wcześniejszego kontaktu z odnośnikiem w odpowiedzi asystenta, zakładki albo skopiowanego adresu. Warto wydzielić taki segment i obserwować jego trend miesiąc do miesiąca.
Przy analizie ruchu brandowego trzeba jednak uważać na kanibalizację płatną, bo kampanie potrafią przejąć część wzrostu i zamaskować jego prawdziwe źródło. Mechanizm i sposób jego ograniczenia opisaliśmy przy okazji tego, jak Performance Max zjada budżet na ruch brandowy. Bez uporządkowania tej warstwy przypiszesz asystentom wzrost, który w rzeczywistości jest tylko przesunięciem między kanałami płatnym i organicznym.
Modele atrybucji przydatne przy małym wolumenie
Modele oparte na danych wymagają setek konwersji miesięcznie na ścieżkę, więc przy ruchu z AI zwykle odpadają. Zostają rozwiązania prostsze, ale przy niskim wolumenie bardziej stabilne.
| Model | Co pokazuje | Kiedy stosować |
|---|---|---|
| First click | Rolę kanału w inicjowaniu ścieżki | Gdy chcesz wykazać, że asystent generuje popyt, a nie tylko go zbiera |
| Liniowy | Równy udział wszystkich punktów styku | Domyślny punkt odniesienia przy krótkich ścieżkach (2 do 4 punktów) |
| Position based (40/20/40) | Wzmocnienie początku i końca ścieżki | Gdy ścieżka ma 3 lub więcej punktów, a asystent otwiera ją najczęściej |
| Assisted conversions | Liczbę konwersji, w których kanał uczestniczył bez domknięcia | Najprostszy sposób pokazania niedoszacowania w modelu last click |
Praktyczne podejście wygląda tak: raportuj równolegle last click i first click, a różnicę między nimi traktuj jako oszacowanie dolnej granicy wpływu kanału. Jeśli asystenty dają dwie konwersje w last click i czternaście w first click, dyskusja przestaje dotyczyć tego, czy kanał ma wartość, a zaczyna dotyczyć jej wielkości. Formalne definicje poszczególnych modeli znajdziesz w dokumentacji Google Analytics dotyczącej atrybucji.
Pomiar przyrostowy i testy geograficzne
Atrybucja odpowiada na pytanie, komu przypisać zasługę za konwersje, które i tak wystąpiły. Pomiar przyrostowy odpowiada na trudniejsze pytanie: ile konwersji by nie było, gdyby kanału zabrakło. Przy ruchu z AI ta druga perspektywa jest cenniejsza, bo pozwala pominąć spór o model.
Klasyczny test polega na zmianie widoczności w wybranym regionie i porównaniu wyniku z regionem kontrolnym. W przypadku asystentów AI nie masz suwaka budżetu, więc zamiast wyłączać kanał, testuje się interwencje po stronie treści: publikację lub gruntowną aktualizację zestawu stron porównawczych w jednym języku albo dla jednego rynku, przy niezmienionej reszcie. Następnie porównuje się dynamikę ruchu brandowego i bezpośredniego między rynkiem testowym a kontrolnym.
Zanim zaplanujesz taki eksperyment, policz wymagany czas trwania. Przy małych wolumenach różnica rzędu kilkunastu procent bywa nie do wykrycia w rozsądnym horyzoncie, a wtedy test tylko zużywa kwartał i kończy się wnioskiem „brak istotności”. Metodę kalkulacji pokazaliśmy w tekście o tym, ile trwa test A/B przy 5000 sesji miesięcznie.
Wskaźniki zastępcze, gdy danych jest za mało
W większości wdrożeń próbka nie wystarcza na wnioskowanie statystyczne. To nie powód, żeby rezygnować z pomiaru, tylko żeby zmienić jednostkę obserwacji z konwersji na widoczność. Sensowny zestaw wskaźników zastępczych wygląda następująco.
- Udział cytowań: dla stałego zestawu 20 do 50 pytań z twojej kategorii sprawdzasz cyklicznie, jak często marka pojawia się w odpowiedzi. Kluczowa jest niezmienność listy pytań między pomiarami.
- Pozycja w odpowiedzi: wymieniona jako pierwsza rekomendacja czy jako czwarta w wyliczeniu. Różnica w klikalności jest tu duża.
- Poprawność opisu: czy asystent trafnie podaje cennik, zakres usług i wyróżniki. Błędny opis to problem treściowy, nie widocznościowy, i naprawia się go inaczej.
- Głębokość sesji z tego źródła: liczba stron i czas na stronie w porównaniu ze średnią witryny. Zwykle wypada wyraźnie powyżej średniej i to sam w sobie jest argument.
- Udział wejść bezpośrednich na podstrony: opisany wcześniej sygnał pośredni.
Te wskaźniki nie zastąpią atrybucji przychodowej, ale są mierzalne od pierwszego miesiąca i pozwalają zauważyć zmianę trendu, zanim pojawi się jakikolwiek sygnał konwersyjny. Pomiar udziału cytowań warto zautomatyzować, bo ręczne odpytywanie asystenta co miesiąc szybko staje się niewykonalne. Pokazaliśmy takie podejście przy okazji łączenia Search Console, GA4 i WordPressa przez MCP.
Jak przedstawić to zarządowi lub klientowi
Największym błędem w raportowaniu tego kanału jest obiecywanie precyzji, której nie ma. Jeżeli w slajdzie pojawi się liczba „przychód z AI: 41 800 zł”, pierwsze pytanie będzie dotyczyło metody, a drugie tego, dlaczego w innym raporcie ta kwota jest inna. Zaufanie do całej analizy znika w dwie minuty.
Skuteczniejsza struktura jest trzywarstwowa. Warstwa pierwsza to fakty twarde: liczba sesji, ich jakość, konwersje w modelu last click. Warstwa druga to oszacowanie z widełkami: wkład w modelu first click i liczba konwersji wspomaganych, opisane wprost jako przedział, a nie jako pojedyncza liczba. Warstwa trzecia to wskaźniki wyprzedzające: udział cytowań i pozycja w odpowiedziach, przedstawione jako trend, nie jako wartość bezwzględna.
Dodaj do tego jedno zdanie o kierunku ryzyka. Jeżeli udział cytowań spada, a ruch jeszcze nie, masz kwartał na reakcję. Ten sposób prezentacji broni się także wtedy, gdy wolumen jest mały, bo nie sprzedaje wyniku finansowego, tylko pozycję konkurencyjną w kanale, który dopiero się formuje. Przy okazji porządkowania raportów warto sprawdzić, czy nie masz też klasycznych rozbieżności między systemami, opisanych w tekście o tym, dlaczego GA4 pokazuje mniej konwersji niż Google Ads.
Podsumowanie
Ruch z asystentów AI ocenia się dziś tak, jak dwadzieścia lat temu oceniano treści poradnikowe: po ostatnim kliknięciu, czyli w sposób z góry skazany na zaniżenie. Minimalny zestaw, od którego warto zacząć, to czysta segmentacja źródła, równoległy raport first click i last click, stała lista pytań kontrolnych do pomiaru cytowań oraz segment wejść bezpośrednich na podstrony. To cztery elementy możliwe do wdrożenia w jeden dzień roboczy, a razem dają obraz nieporównanie bliższy rzeczywistości niż pojedyncza liczba sesji w wierszu „inne”.
FAQ
Czy ruch z asystentów AI da się w ogóle wiarygodnie zmierzyć?
Da się zmierzyć jego wolumen i jakość, natomiast przypisanie mu konkretnego przychodu jest oszacowaniem, nie pomiarem. Najuczciwsze podejście to raportowanie przedziału między modelem last click a first click i opisanie go wprost jako widełki.
Dlaczego część wizyt z asystentów ląduje w kanale direct?
Bo nie zawsze przekazywany jest pełny nagłówek odsyłający, a niektóre odpowiedzi kierują przez domeny pośredniczące. Sesja bez rozpoznanego źródła jest domyślnie klasyfikowana jako bezpośrednia, dlatego warto obserwować udział wejść direct na podstrony inne niż strona główna.
Jaki model atrybucji wybrać przy kilkudziesięciu sesjach miesięcznie?
Modele oparte na danych wymagają zbyt dużej próbki. Przy takim wolumenie sprawdza się zestawienie first click z last click oraz raport konwersji wspomaganych, ewentualnie model position based, jeśli ścieżki mają trzy lub więcej punktów styku.
Ile trzeba czekać, żeby zobaczyć efekt obecności w odpowiedziach AI?
Wskaźniki widocznościowe, czyli udział cytowań i pozycja w odpowiedzi, reagują zwykle w ciągu 4 do 8 tygodni od aktualizacji treści. Efekt w ruchu brandowym i bezpośrednim pojawia się później, najczęściej w horyzoncie jednego lub dwóch kwartałów.
Czy warto budować osobny dashboard dla tego kanału?
Osobny dashboard rzadko ma sens przy małym wolumenie, bo generuje wrażenie precyzji, której nie ma. Lepiej dodać do istniejącego raportu jeden segment źródłowy i jedną sekcję ze wskaźnikami cytowań aktualizowanymi miesięcznie.