Attribution in der KI-Suche: Wie Traffic-Quellen sauber zugeordnet werden

1. Warum KI-Traffic so oft im Direct-Kanal verschwindet

Analytics-Tools ordnen einen Besuch nur dann einer bestimmten Quelle zu, wenn der Browser beim Seitenwechsel einen Referrer-Header mitschickt. Fehlt dieser Header, etwa weil eine Anwendung ihn technisch unterdrückt oder ein Link in einer App-Umgebung geöffnet wird, landet der Besuch automatisch im Sammelbecken Direct, obwohl der eigentliche Ursprung ein Klick auf einen KI-generierten Quellenlink war.

Für Marken bedeutet das eine systematische Unterschätzung des tatsächlichen KI-Suchmaschinen-Traffics in Standardberichten. Wer nur auf die vorgefertigten Kanalgruppen von Google Analytics vertraut, sieht einen Anstieg im Direct-Traffic, ohne zu erkennen, dass ein erheblicher Teil davon aus Klicks auf ChatGPT- oder Perplexity-Antworten stammt.

2. Das Referrer-Verhalten der großen KI-Systeme im Detail

Perplexity überträgt beim Klick auf eine Quellenangabe in aller Regel einen sauberen Referrer mit der Domain perplexity.ai, was die Erkennung vergleichsweise einfach macht. ChatGPT verhält sich uneinheitlicher: Klicks auf Quellenlinks in der Web-Version über chatgpt.com liefern häufig einen Referrer, während die mobile App und eingebettete In-App-Browser den Header oft unterdrücken, sodass der Besuch als Direct erscheint.

Microsoft Copilot sendet in der Regel einen Referrer mit der Domain bing.com, was zunächst gut erscheint, aber ein eigenes Problem mit sich bringt: Dieser Referrer lässt sich ohne zusätzliche Parameter nicht von klassischem, organischem Bing-Suchtraffic unterscheiden. Google AI Overviews wiederum erscheinen innerhalb der normalen Google-Suchoberfläche, ihr Traffic vermischt sich deshalb fast vollständig mit dem klassischen organischen Google-Traffic und lässt sich in der Search Console bestenfalls über auffällige Anfragemuster grob eingrenzen.

3. Warum das Problem strukturell ist, nicht nur ein Konfigurationsfehler

Viele KI-Antwort-Oberflächen sind als native Apps oder als eingebettete In-App-Browser umgesetzt, die aus Datenschutz- und Sicherheitsgründen bewusst keinen oder nur einen stark reduzierten Referrer übertragen. Zusätzlich verstärken moderne Browser-Datenschutzfunktionen wie eine standardmäßig strikte Referrer-Policy diesen Effekt, sodass selbst bei technisch korrekt implementierten Links Informationen verloren gehen können.

Diese Rahmenbedingungen liegen außerhalb der Kontrolle einzelner Websitebetreiber. Eine hundertprozentige Attribution ist mit den heute verfügbaren Standardwerkzeugen deshalb nicht erreichbar, was jedoch nicht bedeutet, dass gar keine belastbare Annäherung möglich wäre, sofern man mehrere Datenquellen kombiniert statt sich auf eine einzelne zu verlassen.

4. Eine eigene Channel-Gruppe für KI-Traffic in GA4 anlegen

In GA4 lässt sich über benutzerdefinierte Kanalgruppen eine eigene Kategorie für KI-Traffic erstellen, die auf Basis der Referrer-Domain filtert. Eine Regel, die Sitzungen mit Quellen wie perplexity.ai, chatgpt.com oder copilot.microsoft.com zusammenfasst, macht den vorhandenen, aber im Standardbericht verstreuten KI-Traffic in einem eigenen Kanal sichtbar und vergleichbar mit klassischem organischem und Social-Traffic.

Wichtig ist dabei, die Regel regelmäßig zu pflegen, weil neue KI-Suchsysteme und neue Domains laufend hinzukommen und alte sich ändern können. Eine einmal erstellte, danach nie wieder aktualisierte Kanalregel verliert innerhalb weniger Quartale spürbar an Genauigkeit, weil sich die Landschaft der KI-Suchoberflächen schneller weiterentwickelt als viele andere Traffic-Quellen.

// GA4: Beispiel-Definition für eine benutzerdefinierte Kanalgruppe "KI-Suche"
{
  "channel_name": "KI-Suche",
  "condition": "sessionSource MATCHES_REGEX '(perplexity\\.ai|chatgpt\\.com|copilot\\.microsoft\\.com|gemini\\.google\\.com)'",
  "priority": 1
}

5. Warum klassische UTM-Parameter bei KI-Traffic kaum funktionieren

Bei Social Media kann eine Marke eigene UTM-Parameter in Bio-Links oder Post-Links setzen, weil sie die Links selbst erstellt und veröffentlicht. Bei KI-Suchmaschinen fehlt diese Kontrolle vollständig: Ein Sprachmodell generiert den Quellenlink selbst, meist als reine, parameterfreie Ziel-URL, ohne dass ein Websitebetreiber Einfluss darauf nehmen kann, wie oder ob dieser Link mit Zusatzparametern versehen wird.

Kontrolle behält man dagegen an den Stellen, an denen man selbst Inhalte für die Zitation vorbereitet, etwa bei strukturierten FAQ-Antworten mit Schema.org-Markup, bei Autor:innen-Bios mit eigenen Landingpages oder bei eigens für Zitierzwecke veröffentlichten Datenblättern. Solche Seiten können mit stabilen, sprechenden URLs versehen werden, die sich später in Log-Dateien und Analytics eindeutig von generischem Traffic unterscheiden lassen, auch wenn ein klassischer UTM-Parameter dabei nicht durchgereicht wird.

6. Server-Log-Analyse als notwendige Ergänzung zu Analytics

Da Referrer-basierte Analytics-Tools KI-Traffic nur unvollständig erfassen, liefert eine Auswertung der Server-Logs eine wichtige zweite Perspektive. KI-Crawler wie GPTBot, ClaudeBot oder PerplexityBot identifizieren sich im User-Agent eindeutig, wodurch sich das Crawling-Volumen einzelner Seiten über die Zeit nachvollziehen lässt, unabhängig davon, ob daraus später messbarer Referral-Traffic entsteht.

Besonders aufschlussreich ist die Korrelation zwischen intensivem Crawling einer bestimmten Seite und einem zeitversetzten Anstieg des als KI-Suche klassifizierten Traffics in GA4. Steigt beispielsweise das Crawling einer neuen Produktseite durch PerplexityBot deutlich an und folgt wenige Tage später ein messbarer Anstieg im neu angelegten KI-Suche-Kanal, ist das ein starkes Indiz für einen kausalen Zusammenhang, auch ohne exakte Einzel-Session-Zuordnung.

7. Abgrenzung zur klassischen Multi-Touch-Attribution

Klassische Multi-Touch-Attributionsmodelle wie lineare Modelle oder Time-Decay-Modelle setzen voraus, dass ein Großteil der relevanten Touchpoints im Analytics-System sichtbar und einer Session zuordenbar ist. Bei KI-Suchsystemen trifft diese Voraussetzung häufig nicht zu, weil ein Nutzer mehrere Fragen und Recherche-Schritte innerhalb eines KI-Chats durchläuft, bevor überhaupt ein Klick auf einen Link erfolgt, und dieser gesamte Rechercheprozess für das eigene Analytics-System unsichtbar bleibt.

Dieses Phänomen wird häufig als Dark Funnel bezeichnet: Ein potenzieller Kunde informiert sich vollständig innerhalb einer KI-Konversation, vergleicht Optionen, stellt Rückfragen, und erst der letzte, sichtbare Schritt, etwa der Besuch der eigenen Produktseite, taucht überhaupt in den Daten auf. Ein lineares Attributionsmodell würde diesem einzigen sichtbaren Touchpoint fälschlich hundert Prozent des Verdienstes zuschreiben, obwohl der eigentliche Entscheidungsprozess größtenteils außerhalb des eigenen Trackings stattfand.

8. Ein praxistaugliches Minimal-Setup für KI-Attribution

Ein realistisches Setup kombiniert drei Bausteine: erstens eine gepflegte, regelmäßig aktualisierte Channel-Gruppe in GA4 für bekannte KI-Suchsysteme, zweitens ein laufendes Server-Log-Monitoring für die wichtigsten KI-Crawler-User-Agents, und drittens regelmäßige manuelle Stichproben-Testfragen an die relevanten KI-Systeme, um zu prüfen, ob und wie die eigene Website tatsächlich zitiert wird. Keiner dieser drei Bausteine liefert allein ein vollständiges Bild, gemeinsam ergeben sie jedoch ein belastbares Gesamtbild.

Für Magento-Shops mit begrenzten Ressourcen reicht in der Praxis meist eine monatliche Routine: Die Channel-Gruppe wird einmal im Monat auf neue KI-Domains geprüft, die Crawler-Logs werden über ein Dashboard oder ein einfaches Skript ausgewertet, und eine feste Liste von zehn bis fünfzehn typischen Kundenfragen wird testweise an ChatGPT, Perplexity und Copilot gestellt, um qualitativ zu beobachten, ob die eigenen Produkte oder Inhalte auftauchen.

9. Grenzen erkennen: Trend statt exakte Zahl

Wer eine auf die Session genaue, vollständige Attribution von KI-Suchmaschinen-Traffic erwartet, wird enttäuscht, weil die technischen Voraussetzungen dafür schlicht nicht gegeben sind und sich kurzfristig auch nicht ändern werden. Realistisch ist stattdessen ein Trendindikator: Wächst der über die eigene Channel-Regel erfasste KI-Traffic von Monat zu Monat, wächst parallel das Crawling-Volumen der relevanten Bots, und bestätigen die manuellen Stichproben eine zunehmende Zitierhäufigkeit, ist das ein verlässliches Signal für wachsende GEO-Relevanz.

Diese Erwartungshaltung sollte auch intern kommuniziert werden, insbesondere gegenüber Stakeholdern, die aus klassischem Performance-Marketing eine exakte Kosten-pro-Klick-Zuordnung gewohnt sind. Der Wert von KI-Suchmaschinen-Traffic lässt sich heute belastbar über Richtung und Größenordnung einschätzen, nicht über eine auf den Euro genaue Attribution einzelner Conversions.

10. Zusammenfassung

11. FAQ: Attribution in der KI-Suche