AI 搜尋流量怎麼統計：GA4 與引用判斷方法（2026）
AI 搜尋流量不會完整出現在一個報表裡。本文講清 Search Console、GA4、著陸頁和品牌詞該怎麼合起來看。
AI 搜尋流量不會完整出現在一個報表裡。本文講清 Search Console、GA4、著陸頁和品牌詞該怎麼合起來看。
AI 搜尋流量現在最麻煩的，不是“有沒有”，而是“看不清”。一邊是 Google 說，AI features 的表現已經算進 Search Console；另一邊是很多站長開啟 GA4，卻發現來自 ChatGPT、Copilot、Gemini、Perplexity、Claude 的流量要麼很少，要麼斷斷續續，要麼乾脆落進 direct / unknown。結果大家都在問同一個問題：AI 搜尋流量到底該怎麼看，怎麼記，怎麼判斷它有沒有價值。
這個問題到了 2025 年以後，已經不是邊緣話題了。Google 在 AI features and your website 文件裡明確寫了：AI Overviews 和 AI Mode 的表現會計入 Search Console 的整體 Web 搜尋資料。與此同時，Ahrefs 在 2025 年連續發了幾篇實測文章，包括 AI assistants are breaking web analytics、AI search traffic conversions、AI search traffic by page type，把現實問題說得很清楚：AI 搜尋流量會被低估、會被混入傳統 organic、也會因為 referrer 丟失而被錯誤歸因。
所以這篇文章不講“AI 搜尋很重要”這種空話。只講企業站現在真正要落地的幾件事：哪些流量你能直接看到，哪些天生看不清；Search Console 和 GA4 各自能回答什麼問題；為什麼 AI 搜尋流量經常被低估；怎麼用頁面型別、著陸頁、品牌詞、轉化路徑和日誌，把一團糊的資料儘量還原成可判斷的決策資訊。
這句話要先釘住。很多人會本能地想把 AI 搜尋流量看成一個像 `Organic Search`、`Paid Search` 那樣獨立清楚的渠道。但現實裡並不是。
所以 AI 搜尋流量統計這件事，從一開始就不是“找到一個現成報表”這麼簡單。更現實的做法是把它拆成兩部分看：
一旦把這兩部分混在一起，判斷就會很亂。因為它們的可見性天生不一樣。
| AI 流量來源 | 更適合用什麼看 | 最大難點 |
|---|---|---|
| Google AI Overviews / AI Mode | Search Console Web | 不會單獨拆出來 |
| ChatGPT / Copilot / Perplexity / Claude 等 | GA4 + 日誌 + referrer | referrer 丟失和歸因不穩 |
Google 對這個問題的官方口徑，其實已經很明確了。在 AI features and your website 文件裡，Google 直接寫明瞭兩件事：
這兩句話的含義非常大。第一，它意味著你別指望在 GSC 裡直接看到一個新標籤叫“AI Overviews 點選”。第二，它也意味著如果你只看 GA4 而不看 GSC，會天然漏掉 Google 自家 AI features 的那部分整體變化。
換句話說，Google 官方已經在提示你：AI 搜尋測量不是替換老工作流，而是要在老工作流上加一層新的判斷方法。
這裡最常見的誤解是：“如果 AI 搜尋真的帶來了訪問，GA4 應該一眼就能看到。”現實沒這麼整齊。Ahrefs 在 generative engines are breaking web analytics 裡做了很直接的測試：不同 AI 助手、不同入口、不同產品形態，對 referrer 的處理並不一致。有的網頁端會傳 referrer，有的桌面端不會；有的深度研究模式會丟；有的歷史階段還會因為產品改動突然消失又恢復。
這就意味著兩件事：
所以如果你某天發現來自某個 AI 助手的流量突然歸零，不要立刻下結論說“這個渠道沒價值了”。先懷疑 tracking 再懷疑需求，往往更穩。
這個問題其實是 AI 搜尋時代最容易把人搞亂的一點。因為 GSC 和 GA4 本來就不是一套完全相同的統計邏輯。前者更接近“Google 搜尋系統記錄到的搜尋展示與點選”，後者更接近“你的站點收到併成功記錄到的訪問行為”。兩者原本就不會百分百一致。到了 AI features 時代，這個差異會更明顯。
原因包括：
所以以後別再追求“GSC 點選數必須和 GA4 會話一模一樣”。這在 AI 搜尋時代更不現實。更該看的，是趨勢、頁面型別和轉化質量。
更實用的工作流通常不是一上來問“AI 搜尋總流量多少”，而是先按來源拆開。最少拆成這三類：
這一步很重要。因為如果你直接想得到一個單一總數，後面所有判斷都會被“到底算不算進來”絆住。反而是先把來源拆開，再分別判斷，更接近現實。
| 來源層 | 能不能直接看 | 建議看什麼 |
|---|---|---|
| Google AI features | 不能單獨直接拆 | GSC Web 趨勢 + 頁面變化 |
| 帶 referrer 的 AI 助手訪問 | 相對能 | GA4 source/medium / referral |
| 不帶 referrer 的 AI 助手訪問 | 不能穩定直接看 | 著陸頁、品牌詞、異常 direct 變化、日誌 |
既然 Google 沒有把 AI Overviews 和 AI Mode 單獨拆給你，那最有價值的問題就不是“我今天拿到了多少 AI Overviews 點選”，而是：
也就是說，對 Google 自家的 AI features，你更該做的是“結構化觀察”，而不是幻想拿到一個完美獨立渠道。
這是很多企業站現在最值得立刻改的一點。因為 AI 搜尋流量在渠道層不總是清楚，但在著陸頁層，常常會更快露出訊號。Ahrefs 的 AI search traffic by page type 資料就給了一個很有用的參考：他們的 AI 搜尋流量大頭並不落在部落格，而是首頁、產品頁和免費工具頁。
這說明一個重要問題：如果你只盯內容頁，很可能會誤判 AI 搜尋價值。對企業站來說，更合理的做法是把著陸頁先按型別拆開：
先看哪一類頁開始吃到疑似 AI 搜尋帶來的新增訪問、品牌確認、微轉化和詢盤，而不是一上來只看部落格閱讀量。
這個問題在 2025 年後已經有了更清楚的現實依據。Ahrefs 在 AI search traffic conversions 裡給出的結論非常值得注意：AI 搜尋流量總量不大，但轉化效率可能顯著高於傳統 organic。這不是說所有站都一定一樣，而是提醒你：AI 搜尋流量不該只按會話量判斷。
更合適的判斷維度通常是：
所以，如果以後做 AI 搜尋報表，最好把 `Sessions` 放在前面，但不要讓它成為唯一指標。AI 搜尋流量很可能是“量小但值錢”，而不是“量大才值錢”。
這是最現實的問題。答案不是“精確還原”，而是“建立儘量可信的近似判斷”。常見做法包括：
這類方法都不是完美統計，但能幫助你從“完全看不見”變成“至少能判斷方向”。對企業站來說，這已經非常有用。
很多團隊一上來就想在 GA4 裡建一個完美的 AI Search channel。這個目標太理想化。更現實的做法，通常是先建一層觀察檢視，把能識別的 AI assistant referral 先單獨看出來，再和一些輔助訊號放一起看：
先把“確定能看到的部分”看清，再對“不確定但可能存在的部分”做輔助判斷。這樣比空想一個 100% 完整渠道更有用。
| 工具 | 更適合看什麼 | 不適合強行看什麼 |
|---|---|---|
| Search Console | Google Web 搜尋整體變化、查詢與頁面趨勢 | 獨立 AI features 精確拆分 |
| GA4 | 會話、著陸頁、轉化、頁面型別、已識別 referral | 完整無損的 AI 助手總量 |
| 日誌 | 訪問與抓取異常、來源變化、頁面熱區 | 替代商業歸因 |
分工一旦清楚，判斷會簡單很多。最怕的是用錯工具：想讓 GSC 給你 AI 助手 referral，或者想讓 GA4 精準拆出 Google AI Overviews 點選。這兩邊都不現實。
這個順序的好處是：先看大的結構變化，再看渠道細節，最後才看商業價值。這樣不會一上來就被 referrer 丟失帶偏。
不是所有頁面都一樣。按目前 2025 年後的外部資料和 Google 官方口徑，更值得重點看的通常是：
對企業站來說，這其實是好事。因為這意味著 AI 搜尋價值不一定全壓在部落格流量上，更可能落到更接近轉化的位置。也正因為如此，這篇的重點才不是“AI 搜尋流量有沒有”，而是“它具體落在哪，值不值錢”。
這裡面最危險的是第 4 條和第 7 條。前者會低估高價值小流量，後者會把判斷徹底做壞。
2026 年看 AI 搜尋流量，最不現實的目標就是追求一個 100% 準確、無遺漏、平臺統一、渠道獨立的數字。這個目標現在做不到。更現實也更值錢的目標，是建立一套足夠可信的判斷框架：哪些變化來自 Google 的 AI features，哪些來自外部 AI assistants，哪些頁面型更吃到價值，哪些轉化更值得關注。
只要你能把這些問題看清，哪怕拿不到一個完美總數，也已經比只盯著 GA4 渠道報告強很多。AI 搜尋時代，真正重要的不是“有沒有一個漂亮數字”，而是“你能不能據此做出更對的頁面和資源決策”。
對企業站來說，AI 搜尋流量統計最容易死在“想做得太完美”。更現實的辦法，是先把週報搭起來。最實用的週報面板，通常只要 5 塊：
這 5 塊一旦固定下來，你就不會每天都在追一個“到底有多少 AI 搜尋流量”的完美答案，而是能穩定判斷：哪些地方在變，哪些地方值得繼續觀察，哪些變化很可能只是歸因層面的噪音。
| 面板 | 最想回答的問題 | 更適合用什麼看 |
|---|---|---|
| GSC Web 總覽 | Google AI features 是否改變整體搜尋表現 | Search Console |
| 頁面組趨勢 | 哪類頁開始吃到 AI 搜尋價值 | GSC + GA4 |
| AI referral | 哪些 AI 平臺能被穩定識別 | GA4 |
| Direct 異常 | 有沒有被低估的 AI 訪問 | GA4 |
| 轉化質量 | 這些訪問值不值錢 | GA4 / CRM |
很多人知道 referrer 會丟之後，下一步就會想：那我把 direct 增量都當成 AI 搜尋流量不就行了。這個判斷太粗，也很危險。因為 direct 本身就混著很多東西：
所以更穩的用法是：把 direct 增量當“線索層”。也就是先看它有沒有在某類頁面異常抬升，再去看同一時間的品牌詞、GSC 點選、頁面型別分佈和轉化路徑有沒有一起變化。只有多訊號疊在一起，判斷才更像樣。
這是 B2B 企業站尤其要注意的。因為 AI 搜尋帶來的訪問，不一定像傳統 SEO 那樣先讀很多部落格再慢慢轉化。很多時候，它更像“被引用後先確認品牌”，或者“直接跳到產品頁、服務頁、首頁做第一輪篩選”。
所以對 B2B 站來說，最值得看的不是單純訪問量，而是這個組合：
如果三者一起在動，即使你拿不到一個完美的 AI 搜尋渠道數字，也基本可以判斷：AI 搜尋已經在影響你的買家路徑了。這裡其實也能和我們站裡的 B2B SEO、SEO vs SEM 這類更偏業務的文章串起來。
這也是很多團隊容易著急的地方。你今天在 GA4 裡看到 ChatGPT referral，明天沒了；Perplexity 某段時間很穩定，後來又變了；Copilot 在不同入口的行為不一樣。這個時候，最不該做的就是強行要求所有平臺都按同一口徑穩定傳 referrer。現實不是這樣。
更合理的做法是把它們分層：
一旦分層，你的預期就會更健康。不是所有平臺都得被統計得一模一樣，只要能形成“確定層 + 推斷層”的組合，就已經足夠支援業務決策。
不要再只用一個轉化率去壓所有問題。更合適的做法，是給 AI 搜尋流量設三層價值判斷：
這樣做的好處是，你不會因為“今天沒表單提交”就誤判 AI 搜尋沒用，也不會因為“今天多了幾個訪問”就高估它。尤其對 B2B 企業站，很多時候 AI 搜尋更像前置影響，不是最後一跳。
這 5 個錯裡，前兩個最常見。因為它們會讓你從一開始就看偏。
只要這 5 步能穩定跑起來，AI 搜尋流量統計這件事就已經從“完全看不清”，變成“雖然不完美，但足夠做決策”。這就是現階段最該追求的狀態。
很多人看 GSC，還是停留在“點選漲了還是跌了”。可 AI 搜尋時代，更值錢的往往是查詢結構變化。比如：
這類結構變化，比單獨一個總點選數字更適合解釋 AI 搜尋的影響。因為 AI features 經常改變的不是“有沒有展示”，而是“使用者在看到摘要後還會不會繼續點”。所以 GSC 的價值不只是給你一個數字，而是幫你看查詢行為是不是變了。
這也是很多團隊最容易做反的一步。很多人一開口就是“要不要先建個 AI 渠道維度”。但對於企業站來說，先建頁面分組往往更有用。因為 AI 搜尋的價值，經常會先在頁面型別層表現出來，而不是先在渠道層完整顯現。
更實用的頁面分組通常至少有：
一旦分組建好，後面無論你看已識別 AI referral，還是看 direct 異常，還是看 GSC 頁面趨勢，都會順很多。因為你終於不再是在一鍋 URL 裡找訊號，而是在有業務意義的頁面層裡找變化。
| 頁面組 | 為什麼值得重點看 | 更可能承接什麼價值 |
|---|---|---|
| 首頁 | 品牌確認入口 | 品牌認知、回訪、後續瀏覽 |
| 服務頁 | 高商業意圖著陸 | 詢盤、聯絡、演示請求 |
| 產品頁 | AI 引用後最容易進入比較 | 高意圖瀏覽、規格確認 |
| 工具頁 | 外部 AI 特別容易推薦工具類資源 | 註冊、留資、品牌信任 |
| 部落格頁 | 解釋型與問答型內容承接 | 前期觸達、教育、內部導流 |
這是很多企業站現在會漏看的一個點。使用者在 AI 搜尋裡看到你，不一定馬上點你；就算點了，也不一定馬上轉化。但這並不代表這次觸達沒價值。一個很常見的後續動作是：使用者先記住你，再去搜你的品牌詞，或者直接回訪首頁、產品頁、案例頁。
所以以後判斷 AI 搜尋的影響，不要只看“有沒有直接點選”。更要看品牌詞有沒有同步被帶起來，首頁和高信任頁有沒有獲得後續訪問，品牌相關查詢的點選和展示有沒有結構性抬升。這些都比單純盯渠道更接近真實業務影響。
這點非常重要。B2B 採購鏈路長，決策慢，資訊確認環節多。AI 搜尋在這條路徑裡，很多時候更像一個“前置信任加速器”，而不是最後點選渠道。使用者可能在 AI 摘要裡先看到你，被引用過一次，對品牌有初步認知，然後後續再回來查案例、查引數、查報價。
這意味著兩個判斷要改：
對 B2B 站來說，更值得看的往往是：
如果這些都在動，哪怕 AI 搜尋渠道統計本身仍然不完美，它也已經在業務路徑裡起作用了。
這個問題本身就說明大家對歸因已經很焦慮了。現實是，大多數 AI 搜尋訪問不是你能控制 UTM 的。你不能要求 ChatGPT、Google AI Mode、Perplexity 按你的渠道命名來跳轉。所以“給 AI 搜尋單獨打 UTM”不是一個真正的通用解法。
更現實的方法還是兩種：
也就是說，別把精力花在幻想一個統一的 AI UTM 方案上。那不是當前最有效的方向。
管理層通常不需要一個技術上並不完美的總數，他們更需要知道三件事：
所以如果你以後要做內部彙報，建議把話術從“我們有多少 AI 搜尋流量”改成“我們目前能確認的 AI 搜尋訊號有哪些、價值落在哪些頁面、下一步該怎麼繼續觀察”。這種說法更穩，也更接近事實。
AI 搜尋流量統計最成熟的狀態，通常不是拿到一個漂亮且確定的絕對值，而是建立一個“可信區間”。也就是：
一旦你能這樣分層，整個決策會健康很多。因為團隊終於知道哪裡是確定資訊，哪裡是機率判斷，哪裡只是觀察方向。比起拿一個看似精確、其實很虛的數字去做決策，這種做法反而更可靠。
Google 在 2025 年之後給 Search Console 連續加了幾項更偏分析工作的更新，比如 weekly and monthly views、AI-powered configuration、以及新的 Search Console Insights。這些變化本身不是“AI 搜尋流量統計工具”，但它們會讓你更容易做趨勢判斷、頁面分組觀察和週期對比。
這也是為什麼後面 Tianwen 其實很適合單獨再寫一篇 `Search Console 週報工作流`。因為 AI 搜尋流量統計這件事，最後一定會落到一個穩定週報上，而不是落在單篇文章裡的幾句概念解釋上。
如果你已經能穩定回答這 5 個問題，那你的 AI 搜尋測量體系就已經比大多數只盯渠道報表的網站強很多了。剩下的，不是再去追一個絕對精確的數字，而是繼續讓判斷變得更穩、更快、更能指導頁面資源分配。