Трафик из ChatGPT, Perplexity, Copilot и других AI-интерфейсов пока легко переоценить и так же легко пропустить. Его объём часто небольшой, атрибуция неполная, а влияние на выбор не всегда видно в отчётах.
Я бы относилась к LLM-трафику как к раннему сигналу: не как к новому главному каналу, но и не как к шуму, который можно оставить за скобками.
Почему этот трафик может быть интересным
Пользователь, который пришёл из AI-интерфейса, часто уже задал системе конкретный вопрос. Он мог попросить сравнить варианты, объяснить критерии выбора, посоветовать сервис или найти решение под ситуацию.
Если после этого он переходит на сайт, визит может быть теплее обычного информационного клика. Человек уже получил короткое объяснение и пришёл уточнять детали.
8 апреля 2026 года VentureBeat писал о кейсе, где LLM-referred traffic конвертировался на уровне 30–40%. Это яркая цифра, но использовать её как норму рынка рано. В статье речь идёт об опыте одной компании, а не о большой рыночной выборке для всех ниш.
Поэтому AI-переходы стоит смотреть не только по объёму, но и по качеству.
Что смотреть в отчётах
Первый уровень — источники. Если аналитика видит переходы из ChatGPT, Perplexity, Claude, Copilot или других AI-интерфейсов, их лучше вынести в отдельный сегмент.
В список источников можно добавить chatgpt.com, perplexity.ai, copilot.microsoft.com, claude.ai, gemini.google.com и другие домены, которые уже встречаются в ваших отчётах. Список придётся обновлять: интерфейсы меняются, реферальные данные передаются неровно. Считать его исчерпывающим не стоит, потому что часть AI-влияния вообще не будет передаваться как понятный referral.
Дальше стоит смотреть шире сессий:
- какие страницы получают такие переходы;
- сколько времени люди проводят на сайте;
- какие формы заполняют;
- возвращаются ли позже через брендовый поиск или прямой заход;
- отличаются ли заявки по качеству;
- есть ли продажи или другие целевые действия.
Маленький поток может быть важным, если он приводит людей с понятным намерением. Большой поток может быть слабым, если пользователи приходят случайно и сразу уходят.
Где аналитика будет слепнуть
Тут начинается неприятная часть: не всё AI-влияние видно как реферал.
Человек мог спросить ChatGPT, получить рекомендацию, запомнить бренд и через два дня зайти напрямую. Или увидеть бренд в AI-ответе поисковой системы, а потом найти его через обычный поиск. В отчёте это будет прямой трафик или брендовый поиск, хотя первый контакт произошёл раньше.
Картина распадается на три слоя. Часть переходов придёт как referral из AI-интерфейсов. Часть появится как direct или брендовый поиск. Ещё часть останется без связи с AI в стандартной атрибуции: человек увидел ответ, не кликнул, но позже вернулся к бренду другим маршрутом.
Поэтому LLM-трафик нельзя оценивать только по последнему переходу. Лучше смотреть шире:
- растёт ли брендовый поиск;
- меняется ли прямой трафик;
- появляются ли новые страницы входа;
- приходят ли в заявки формулировки из AI-ответов;
- спрашивают ли пользователи о сравнении, которое раньше не всплывало.
Это не идеальная атрибуция. Но обычная атрибуция в этой зоне всё равно пожимает плечами.
AI-влияние может быть видимым переходом, косвенным визитом через поиск или прямой заход, либо полностью слепой зоной для стандартной аналитики.
Минимальный план на две недели
Начать можно без сложной инфраструктуры. Две недели нужны не для больших выводов, а чтобы собрать первый слой наблюдений.
- Создайте отдельный сегмент AI referrals в GA4, Метрике или вашей BI-системе.
- Заведите список доменов-источников: ChatGPT, Perplexity, Copilot, Claude, Gemini и другие AI-интерфейсы, которые важны для вашей аудитории.
- Раз в неделю смотрите визиты, страницы входа, вовлечённость, заявки и возвраты через direct или брендовый поиск.
- Сравнивайте этот сегмент с обычным органическим и прямым трафиком: по глубине, конверсиям, повторным визитам и страницам входа.
- Отдельно отмечайте аномалии: резкий рост переходов с одной страницы, заявки с новым формулированием потребности, всплеск брендового поиска после появления бренда в AI-ответах.
Через две недели не стоит делать вывод о перспективности канала. Цель этапа — понять, видите ли вы такие переходы вообще, какие страницы они затрагивают и есть ли первые признаки качества. Такой план даёт не точную атрибуцию, а наблюдаемую зону там, где раньше был туман.
Пример, как может выглядеть первый слой наблюдения за AI-трафиком: источники, страницы входа, заявки и возвраты.
Как руками проверить AI-видимость
Отчёты покажут только часть картины. Поэтому рядом с аналитикой нужен ручной visibility-аудит: он показывает, участвует ли бренд в ответах, даже если переходов на сайт мало.
Соберите список вопросов, по которым пользователь может получить рекомендацию: «какую школу программирования выбрать», «лучшие курсы фронтенд-разработки», «как научиться программировать с нуля», «что выбрать: Python или JavaScript».
Проверьте, что отвечают разные AI-интерфейсы. Фиксируйте, упоминают ли бренд, конкурентов, какие критерии выбора называют и какие ссылки дают.
Через месяц такую проверку можно повторить. Если бренд начал появляться чаще, но прямых переходов мало, это всё равно может быть важным сигналом. Значит, бренд попал в слой предварительного выбора.
Я бы завела отдельную таблицу ручной проверки. В ней достаточно нескольких колонок:
- дата проверки;
- запрос;
- AI-интерфейс;
- есть ли бренд в ответе;
- какая роль у бренда: источник, один из вариантов, короткое упоминание или отсутствие;
- кого из конкурентов назвали;
- какую страницу процитировали или дали в ссылке;
- есть ли искажение позиционирования;
- какой вывод для контента, продукта или продаж.
Эта таблица помогает увидеть, где бренд уже участвует в объяснении категории, а где его место занимают конкуренты или случайные источники.
Дальше выводы можно переводить в задачи. Если AI-интерфейсы не упоминают бренд по важным запросам — проверьте, есть ли на сайте страницы, которые прямо отвечают на эти вопросы. Если бренд упоминается, но позиционирование искажено — усилите страницы с описанием продукта, сравнением и критериями выбора. Если AI цитирует старые или случайные материалы, обновите их и свяжите с более подходящими посадочными страницами.
Как не обмануть себя
Главная ошибка — объявить LLM-трафик новым каналом роста после первых десяти визитов. Вторая ошибка — списать его как ерунду, потому что визитов пока мало.
Лучше держать среднюю позицию. Смотреть, фиксировать, сравнивать качество, не делать больших выводов по маленькой выборке.
Особенно аккуратно стоит обращаться с конверсиями. Если у вас из ChatGPT пришли пять человек и двое оставили заявку, это не значит, что канал конвертит в 40%. Это значит, что появились первые интересные визиты. За ними нужно наблюдать.
Тут полезно заранее договориться, как вы будете интерпретировать данные. Если AI-трафика мало, смотрите на качество визитов и повторяемость сигналов. Если визитов стало больше, сравнивайте их с другими источниками по страницам входа, заявкам и возвратам. Если прямых переходов почти нет, но бренд чаще появляется в ответах, это тоже результат: пользовательский путь мог начаться до клика.
Что считать хорошим результатом
На раннем этапе хороший результат — не обязательно рост трафика.
Хороший результат может выглядеть так:
- бренд начал появляться в ответах по важным вопросам;
- AI-интерфейсы цитируют ваши объясняющие страницы;
- пользователи приходят на страницы с высоким намерением;
- заявки из этого сегмента выглядят качественнее среднего;
- растёт брендовый поиск вокруг темы.
LLM-трафик пока не стоит превращать в очередную модную метрику ради отчёта. Но как сигнал изменения пользовательского пути он уже заслуживает отдельной строки в аналитике: рядом с органикой, брендовым спросом и прямым трафиком.