AI 流量歸因完整指南，用 GA4、Server Log、Referrer 拆解 ChatGPT、Perplexity、AI Overview 帶來的流量

本文重點

• GA4 預設將 ChatGPT 流量誤判為推薦或直接來源，導致無法正確評估 AI 搜尋的商業效益。
• 設定正則表達式建立 GA4 自訂頻道群組，攔截 chatgpt 等來源，即可獨立拆分 AI 流量。
• 分析伺服器日誌的 User-Agent，能捕捉 GA4 遺漏的來源並辨識 AI 爬蟲活躍度。
• 主動在結構化資料中埋設 UTM 參數，能克服跨裝置遺漏風險，達成 100% 流量歸因。

隨著生成式 AI 成為搜尋新入口，精準的AI 流量歸因已經是現代 SEO 的核心挑戰。當使用者從 ChatGPT 或 Perplexity 點擊連結來到網站，這些數據往往會被混在一般的推薦流量中，導致我們難以評估 GEO（生成式引擎優化） 的成效。本篇指南將帶你透過 GA4 自訂頻道群組、Server Log 與 UTM 參數，精準追蹤並拆解各大 AI 引擎帶來的真實流量。

一、為什麼 AI 流量在 GA4 預設報表裡是黑洞

AI 流量在預設報表中會被判定為一般推薦流量（Referral）或直接流量（Direct），導致行銷人員無法直接看出 AI 帶來的實際效益，這是目前 GA4 預設歸因模型最大的盲區。

（一）GA4 將 chatgpt.com 與 perplexity.ai 歸進 Referral 混在一般推薦流量裡

當使用者在網頁版 ChatGPT 或 Perplexity 點擊參考來源連結時，瀏覽器會帶有來源網域的 HTTP Referrer 資訊。GA4 接收到這些資訊後，預設會將其歸類為 Referral（推薦流量）。這意味著 Perplexity 流量會與其他一般部落格、論壇的外部連結點擊混在一起，無法在預設的「Organic Search」中獨立呈現。此外，如果使用者是透過 ChatGPT App 版點擊連結，部分流量甚至會遺失 Referrer，直接被歸類為 Direct（直接流量）。

（二）AI Overview 的點擊在 GSC 曝光之外，AI Mode 的數據還沒回到 GSC

根據 GSC AI Overviews 資料說明，目前 AI Overviews 的曝光與點擊數據，是直接與傳統網頁搜尋結果混合計算的。這代表我們無法在 Google Search Console 中單獨拉出 AI Overview 流量。同時，隨著 Google AI Mode 介紹 中提到的全新 AI 搜尋體驗逐步上線，這些在 AI 模式下發生的互動數據，目前也尚未提供專屬的維度供網站管理員分析，形成數據追蹤上的斷層。

二、AI 流量歸因的三大資料來源

要精準追蹤 AI 流量，必須交叉比對 GA4 推薦來源、伺服器日誌（Server Log）以及主動標記的 UTM 參數，才能拼湊出完整的 AI 流量輪廓。

（一）GA4 的 Referrer 與 Source/Medium 重組

GA4 是我們觀察使用者進站後行為（如停留時間、轉換率）的主力工具。透過撈取 page_referrer 或 source 維度，我們可以找出包含 chatgpt、perplexity 等字串的來源。這是最基礎的 GA4 AI 流量追蹤方式，適合用來評估人類使用者點擊 AI 引擎引用的連結後，在網站上產生的實際商業價值。

（二）Server Log 與 Cloudflare Analytics 的 User-Agent 與 Referrer 雙重比對

Server Log 記錄了每一次 HTTP 請求，是最原始且無法被瀏覽器阻擋的數據來源。透過分析 Server Log AI 流量，我們可以捕捉到 GA4 漏掉的隱藏 Referrer，並區分出 AI 爬蟲（Bot）與真實人類的造訪。根據 Cloudflare AI Audit Analytics 的數據，網站管理者可以清楚看見各家 AI 模型的抓取頻率，這對於理解網站內容被 LLM 收錄的程度至關重要。

（三）utm 補件，從外部主動標記 AI 推薦來源

被動等待 Referrer 會有遺漏風險，特別是在跨裝置或 App 環境下。從外部主動標記 utm AI 來源是確保 100% 歸因的最有效解法。這包含在提供給 AI 爬蟲的特定文件或結構化資料中，預先埋設帶有 utm_source=ai 的連結，當 AI 生成回答並引用這些連結時，就能無痛將流量正確歸因。

三、在 GA4 把 AI 流量從 Referral 拆出來

透過建立「自訂頻道群組」，我們可以在 GA4 報表中獨立出一個「AI Search」頻道，不再讓 AI 流量與一般部落格推薦混淆。

（一）建立自訂頻道群組「AI Search」的正則表達式

根據 GA4 自訂頻道群組官方說明，管理員可以從「管理」>「資料顯示」>「頻道群組」中建立全新的頻道。我們需要建立一個名為「AI Search」的頻道，並設定條件為「來源符合規則運算式（Regex）」。

建議使用的正則表達式如下： .*(chatgpt|perplexity|claude|gemini|poe|phind).*

設定完成後，GA4 就會自動將符合這些來源的流量歸入「AI Search」頻道。如果有特定 AI 服務的內部跳轉造成歸因干擾，也可以參考 GA4 Referral exclusion 的設定，將不必要的金流或驗證網域排除。

（二）自訂維度與探索報表，逐個 LLM 拆解工作階段

除了頻道群組，我們還需要知道具體是哪一個 LLM 帶來最多流量。在 GA4 的「探索」報表中，可以拉出「工作階段來源 / 媒介」作為維度，並套用包含上述 AI 引擎名稱的過濾器。這樣就能清晰比較 ChatGPT 與 Perplexity 兩者在「參與工作階段佔比」與「轉換率」上的差異。

（三）GA4 中辨識 ChatGPT、Perplexity、Claude 流量的 referrer 對照表

為確保 GA4 自訂頻道群組設定正確，以下是目前主流 AI 引擎的 Referrer 特徵對照：

AI 引擎 / 平台	常見 Referrer 網域 / Source 來源
ChatGPT	chatgpt.com, openai.com, android-app://com.openai.chatgpt
Perplexity	perplexity.ai, android-app://ai.perplexity
Claude	claude.ai
Poe	poe.com
Phind	phind.com

只要掌握這些 ChatGPT referrer 與其他 AI 平台的來源特徵，就能在 GA4 中精準攔截並重新歸類。

四、Server Log 過濾與 AI 流量的精準計算

分析伺服器日誌能幫助我們捕捉 GA4 因隱私阻擋或 JavaScript 未執行而漏掉的數據，精準判斷 AI 爬蟲的活躍程度。

（一）Cloudflare Logs、Vercel Logs、Nginx access log 的過濾範本

無論是使用哪種伺服器架構，過濾 User-Agent 是辨識 AI 爬蟲的第一步。根據 Cloudflare Logs 與 Vercel Logs 的日誌結構，我們可以使用日誌分析工具（如 Datadog、Kibana 或簡單的 grep 指令）來篩選特定的 User-Agent 字串。

常見的 AI 爬蟲 User-Agent 包含：

• ChatGPT-User（ChatGPT 聯網搜尋時使用的爬蟲）
• PerplexityBot（Perplexity 抓取網頁內容的爬蟲）
• ClaudeBot（Anthropic 的資料抓取爬蟲）
• Google-Extended（Google 用於訓練 AI 模型的爬蟲）

（二）Bot 流量與人類流量的判別關鍵

在 Server Log 中，我們必須區分「AI 爬蟲抓取資料（Bot）」與「人類點擊引用連結進站（Human）」。

• Bot 流量：User-Agent 會顯示為上述的爬蟲名稱，通常會大量請求 HTML 文件，但不會加載 CSS、JS 或圖片，也不會觸發 GA4。
• 人類流量：User-Agent 是正常的瀏覽器（如 Chrome、Safari），但 HTTP Referrer 會顯示為 chatgpt.com 或 perplexity.ai。這群人是真正閱讀了 AI 回答後，點擊參考來源進站的潛在客戶。

五、用 utm 補件強化 AI 流量歸因

主動在提供給 AI 爬取的資料中加上 UTM 參數，可以大幅降低歸因流失率，確保每一筆 AI 帶來的流量都能被正確記錄。

（一）在 llms.txt、Schema、FAQ 等地方補上 utm 範本

AI 爬蟲在抓取網頁時，會優先解析純文字與結構化資料。我們可以在 llms.txt 規範的 llms.txt 檔案中，將所有提供給 AI 的重點連結加上 ?utm_source=ai-agent&utm_medium=llms-txt。同樣地，在部署 Schema JSON-LD 範本 時，FAQ Schema 或 Article Schema 內的 URL 屬性，也可以帶上專屬的 UTM 參數。當 AI 引擎直接引用這些 URL 給使用者點擊時，GA4 就能無縫接收歸因數據。

（二）社群外掛、新聞稿、Press release 的 AI 引用 utm 策略

當企業發布新聞稿或透過社群外掛分享內容時，這些外部節點往往是 AI 引擎建立 RAG（檢索增強生成）資料庫的重要來源。在這些外部發布的連結中預埋 utm_source=pr&utm_medium=ai-citation，一旦這些新聞稿被 ChatGPT 或 Perplexity 總結並提供給使用者，我們就能明確知道這筆流量是源自於哪一次的公關操作被 AI 放大效應。

六、AI 流量歸因儀表板與每月檢視節奏

建立自動化儀表板能大幅減少每月撈取數據的時間，透過視覺化圖表，可以一眼看出 AI 流量的成長趨勢與轉換貢獻。

（一）Looker Studio 整合 GA4、GSC、Cloudflare 三方資料

利用 Looker Studio 強大的資料混合（Data Blending）功能，我們可以打造專屬的 Looker Studio AI 儀表板。具體作法是將 GA4 中設定好的「AI Search」自訂頻道數據作為主軸，混合 GSC 的品牌字曝光趨勢（作為 AI Overviews 影響的間接指標），並匯入 Cloudflare Analytics 的 Bot 抓取次數。這樣就能在一個畫面中，同時監控「AI 爬蟲收錄狀況」與「真實人類進站流量」。

（二）每月應該看的四個 AI 流量指標

1. AI Search 流量佔比：觀察 ChatGPT 與 Perplexity 帶來的流量佔整體 Organic 流量的比例是否逐月上升。
2. AI 流量轉換率（CVR）：比較 AI Search 與傳統 Organic Search 的轉換率。通常來自 AI 的流量因為已經在對話中確認過意圖，轉換率會相對較高。
3. AI Bot 抓取頻率：從 Server Log 觀察 ChatGPT-User 等爬蟲的抓取次數，頻率下降可能意味著網站內容在 AI 引擎中的新鮮度降低。
4. 長尾關鍵字點擊變化：雖然 GSC 無法單獨拉出 AI Overview 流量，但如果發現某些資訊型長尾關鍵字的「曝光暴增但點擊率大幅下降」，通常就是該查詢被 AI Overview 直接滿足的強烈訊號。

七、FAQ

（一）Q1: GA4 為什麼有時候抓不到 ChatGPT 的 Referrer？

當使用者透過 ChatGPT 的 iOS 或 Android 應用程式點擊連結時，由於作業系統的隱私限制與 App 內建瀏覽器的跳轉機制，HTTP Referrer 經常會在過程中遺失。此時 GA4 只能將這些流量歸類為 Direct（直接流量）。這也是為什麼我們需要搭配 UTM 補件策略來盡可能回收這些數據。

（二）Q2: AI Overview 流量該如何單獨拉出來看？

目前 Google Search Console 並未提供單獨篩選 AI Overviews 流量的官方維度，所有數據皆與一般網頁搜尋混合。現階段的替代方案是透過 GSC 觀察特定「問句型關鍵字（如：如何、是什麼）」的點擊率（CTR）變化，或者利用第三方排名追蹤工具來標記哪些關鍵字觸發了 AI Overviews，藉此間接推估流量影響。

（三）Q3: 在 robots.txt 封鎖 AI 爬蟲會影響 AI 流量嗎？

會。如果在 robots.txt 中封鎖了 ChatGPT-User 或 PerplexityBot 等爬蟲，這些 AI 引擎就無法即時抓取你的網站內容。當使用者的提問需要最新資訊時，AI 就無法將你的網站作為參考來源進行引用，這將直接導致你失去來自這些 AI 平台的推薦點擊流量。