AI 搜尋平台如 ChatGPT 和 Perplexity 所帶來的流量，在可觀察條件下常因技術限制而被歸類為直接流量（direct traffic）或暗流量（dark traffic），導致企業在歸因分析中可能低估 AI 搜尋的實際影響。此類歸因失真源於 referrer 標記的缺失、隱私政策限制以及應用程式內部的點擊行為，使得傳統分析工具在部分場景下難以準確捕捉流量來源。本報告以 AI 搜尋流量歸因（AI referral traffic attribution）為核心議題，旨在診斷其歸因邊界，提供可觀察信號與不可判定範圍，並建議實務方法以提升辨識準確度，協助企業更冷靜地評估數位渠道效能。
AI 搜尋流量的歸因困境
AI 平台的流量之所以難以歸因，主要在於其流量傳遞機制與傳統搜尋引擎存在本質差異。當使用者透過 AI 助手獲取資訊並點擊連結時，這些點擊在部分情境下缺乏明確的 referrer 標記，導致分析工具如 Google Analytics 將其記錄為直接流量或無法辨識的暗流量。例如，使用者從 ChatGPT 的對話視窗點擊外部連結時，可觀察到 referrer 頭為空或被遮蔽，此種情況直接觸發 direct traffic 的歸類。這類歸因失真可能扭曲企業對搜尋渠道效能的評估，使得 AI 搜尋的實際影響隱藏在不可見的數據中，進而影響資源配置決策與策略規劃。
註：以上關於平台行為的描述，係基於平台公開文檔與通用 HTTP 技術規範的推論，尚待實證數據驗證。
referral、direct、dark traffic 的定義與差異
referral 流量係指來自帶有明確 referrer 標記的點擊，例如從其他網站、社群平台或搜尋引擎結果頁點擊連結而來的訪問；其可追蹤性高，因為 HTTP 請求中包含了來源資訊。direct 流量則是指使用者直接輸入網址、使用書籤或透過應用程式打開連結，沒有可辨識的外部來源，這類流量通常被視為「已知受眾」的直接訪問。dark traffic 是一個更廣泛的類別，涵蓋所有缺乏可追蹤來源的流量，在可觀察條件下可能來自隱私模式、無 referrer 的環境、應用程式內嵌瀏覽器或加密連結；在 AI 搜尋情境中，由於平台技術實作的差異，部分本應屬於 referral 的流量可能因這些因素而被歸為 direct 或 dark，從而模糊了歸因邊界。
主流 AI 平台的流量特徵與歸因挑戰
不同 AI 平台在流量傳遞上各有特點，這直接影響歸因的可行性與挑戰程度。基於平台公開文檔與通用技術規範，可觀察到以下特徵：ChatGPT 的點擊多數發生在應用程式內部，referrer 頭可能被遮蔽或設為空值，此類流量難以追溯到 AI 平台，從而被歸類為 direct traffic。Perplexity 雖然提供引用連結，但其 referrer 資訊在隱私政策限制下可能不完整，導致歸因時僅能部分辨識來源。Bing Chat 在某些情況下會攜帶部分 UTM 參數或 referrer 標記，但並非所有點擊都帶有完整標記，這增加了追蹤的不一致性。這些平台間的技術差異意味著企業需要針對每個場景採取定制化的追蹤策略，例如在 Bing Chat 中監控特定參數，而在 ChatGPT 中依賴間接信號如使用者代理分析。
註：上述平台行為描述，係基於公開技術文檔與可觀察條件的推論，非經過正式研究驗證的統計數據。
可觀察信號與不可判定範圍
在診斷 AI 搜尋流量時，某些信號可以觀察，而另一些則無法準確判定，這構成了歸因的核心邊界。可觀察信號包括來源 URL 中的 UTM 參數（如 utm_source=chatgpt）、HTTP referrer 頭（例如 referrer 為 per plexity.ai）、以及使用者代理字串中標識的 AI 平台特徵（如 "ChatGPT" 字樣）。這些信號可以通過網頁分析工具直接捕捉，幫助將流量歸類為 referral。然而，不可判定範圍包括應用程式內的直接點擊、隱私模式下的訪問、以及部分平台內嵌瀏覽器的行為，這些場景下 referrer 通常缺失或偽裝，導致流量被歸為 dark traffic。此外，伺服器端重定向或緩存機制也可能干擾原始來源的辨識。
| 信號類型 | 可觀察信號 | 不可判定範圍 |
|---|---|---|
| 來源標記 | URL 參數如 utm_source=perplexity | APP 內點擊無參數 |
| HTTP 頭 | Referrer 頭明確指向 AI 平台域 | 隱私限制導致 referrer 為空 |
| 使用者代理 | UA 字串包含 AI 應用程式標識 | 瀏覽器偽裝或限制標識 |
| 點擊上下文 | 外部連結帶有追蹤標記 | 應用程式內嵌瀏覽器點擊 |
| 伺服器日誌 | 原始請求中的 referrer 記錄 | 重定向或緩存行為干擾 |
這些邊界顯示，歸因並非絕對，而是基於可獲取信號的機率性判斷。企業在實際操作中，應優先依賴可觀察信號進行初步分類，並對不可判定範圍保持謹慎解讀，以避免過度自信的結論。
實務檢測方法：提升歸因準確度
儘管 AI 搜尋流量的歸因存在限制，企業仍可透過多種方法提升準確度，從部分捕捉流量來源。部署 UTM 參數是基本步驟，例如在推廣 AI 相關內容時使用特定來源標記（如 utm_source=ai-chat），以確保點擊帶有可追蹤標識。分析伺服器日誌可以補充前端分析工具的不足，因為日誌記錄更原始的 HTTP 請求，可能包含被前端工具過濾的 referrer 資訊。在 Google Search Console 中設定過濾器，可以分離來自 AI 平台的點擊數據，幫助識別趨勢。此外，結合多工具驗證，如使用 SimilarWeb 監測流量模式或 Semrush Sensor 追蹤搜尋可見度，可以交叉驗證歸因結果。然而，這些方法僅能部分解決問題，企業必須接受無法完全歸因的現實，並將焦點轉向混合測量框架。
例如，在實務中，可以定期審查伺服器日誌中的 referrer 頭，並與 Google Analytics 數據對比，以識別暗流量的潛在來源。同時，監控 AI 平台的官方文件更新，如 ChatGPT 或 Perplexity 的隱私政策變化，可以幫助調整追蹤策略。這些步驟結合了技術實作與持續監測，有助於在不確定性中提升決策品質。
產業影響與行動建議
歸因失真對企業數位策略有深遠影響，可能導致錯誤判斷搜尋渠道的投資回報率，例如低估 AI 搜尋帶來的轉換價值，從而錯失優化機會。為應對此挑戰，建議企業建立混合測量框架，結合行為數據、問卷調查和模型估算，以多角度驗證流量來源。例如，可以定期進行使用者來源調查，直接詢問訪客如何發現網站，或使用統計模型推估 AI 流量的轉換貢獻，基於歷史數據和相對規模進行推斷。此外，參考產業報告如搜尋可見度指標分析，可以獲取更多趨勢洞察，並調整資源配置。企業應避免依賴單一指標如 direct traffic 百分比，而是採用整合性方法，例如將 AI 流量視為一個潛在類別，在分析中標記為「未歸因但可能來自 AI」，從而更務實地評估其影響。
在行動層面，從今天開始，企業可以實施以下步驟：首先，在所有 AI 相關推廣中強制使用 UTM 參數；其次，每季度審查伺服器日誌與分析工具的差異；最後，建立一個跨部門團隊，定期討論歸因挑戰並更新策略。這些措施不僅能提升數據準確性，還能培養組織對數位測量的批判性思維，從而在 AI 搜尋時代保持競爭優勢。
為什麼 AI 搜尋流量常被誤歸類為 direct traffic？
AI 搜尋流量在可觀察條件下常被誤歸類為 direct traffic，主要因為 AI 平台如 ChatGPT 在應用程式內部點擊連結時，referrer 頭可能被遮蔽或缺失，導致分析工具無法識別外部來源，從而將其記錄為直接輸入網址的訪問。這種技術限制使得原本屬於 referral 的流量被錯誤分類。
如何區分 referral、direct 和 dark traffic？
referral 流量來自帶有明確 referrer 標記的點擊，可通過 HTTP 頭辨識；direct 流量是使用者直接輸入網址或使用書籤，無外部來源；dark traffic 則涵蓋所有缺乏可追蹤來源的流量，可能來自隱私限制或無 referrer 的環境。在 AI 搜尋中，這三者的邊界模糊，需依賴 UTM 參數和使用者代理等信號進行診斷。
哪些 AI 平台在歸因上最具挑戰性？
ChatGPT 在歸因上最具挑戰性，因為其點擊多數發生在應用程式內部，referrer 頭可能被完全遮蔽，導致流量難以追溯；Perplexity 雖有引用但 referrer 不明確；Bing Chat 部分參數可追蹤但仍有限。相較之下，ChatGPT 的歸因難度最高，需要更多間接方法如日誌分析。
有什麼實務方法可以提升 AI 流量的歸因準確度？
實務方法包括部署 UTM 參數在推廣連結中、分析伺服器日誌以捕捉原始 referrer 資訊、在 Google Search Console 設定過濾器分離 AI 來源點擊，以及結合多工具如 SimilarWeb 進行交叉驗證。這些步驟能部分提升準確度，但企業需接受完全歸因的局限性。
企業應該如何調整策略以應對 AI 流量歸因問題？
企業應建立混合測量框架，結合行為數據、問卷調查和模型估算，而非依賴單一指標。例如，定期進行使用者來源調查、參考產業報告如AI 搜尋流量遷移分析，並在分析中標記未歸因流量為潛在 AI 來源，從而更務實地評估影響並調整資源配置。