你的 GA 偵測到的 AI 流量，可能是被低估 10 倍的數字？

你的 GA 偵測到的 AI 流量，可能是被低估 10 倍的數字？

重點摘要

Similarweb 在六月公布了一份研究《The Downstream Impact of AI Visibility》。他們不靠模型估算、也不靠問卷回憶，而是直接拿 2025 下半年（七到十二月）半年的真實用戶上網足跡（clickstream，自願加入的用戶讓研究者經同意把同一個人跨網站、跨天的足跡串起來），追蹤真實用戶被 ChatGPT 推薦之後，接下來七天到底去了哪裡。研究鎖定美國桌機用戶，橫跨金融、旅遊、美妝三個產業共六個品牌，另有一份 2026 年 1 月的補充問卷（原研究沒有公布 panel 的確切人數）。

被 ChatGPT 推薦的品牌，七天內被造訪的機率，是未被推薦對手的 2.5 倍。

2.5 倍夠大，但更關鍵的數字是 8.8%。受 AI 影響的這批訪客，只有 8.8% 是從 AI referral 這條通道進來的，而 AI referral 正好是你 Google Analytics（GA4）、你儀表板上唯一量得到 AI 的那一格。

你儀表板上那格 AI referral，只是露出水面的 8.8%

你現在能量到的 AI 流量，大概只是真實值的十分之一。先說清楚這份研究講的「受 AI 影響」是什麼：panel 觀察到某個人向 ChatGPT 提問、AI 在回答裡推薦了某個品牌，而且他提問時自己沒先提過這品牌（排除本來就認識的人），接下來七天內他造訪了那個品牌。能對應到這一整串的，才算「受 AI 影響」。

Similarweb 把這群受 AI 影響的訪客拆開看通路來源，AI referral 只占 8.8%，搜尋占 55.9%、直接輸入占 19.9%、推薦連結占 13.5%。換句話說，AI 真正帶來的人，有九成走的是別條路進來的，而你的報表把他們全算成了「搜尋」或「直接流量」。

對照組更有說服力。沒受 AI 影響的訪客，通路分布是另一個樣子。

明明只有被 AI 推過的人才算「受影響」，為什麼對照組那群「沒受影響」的人，也有 5.0% 走 AI referral？「沒受 AI 影響」並不代表這些人從沒碰過 AI，只是 panel 沒辦法把他們這趟造訪對應到某一次被研究追蹤的品牌推薦。關鍵在研究怎麼定義「受影響」：它要的是能追到某一次具體的推薦，而非單純看你用過 AI 沒。所以對照組裡照樣有 5.0% 走 AI referral，那是用了 AI、卻追不到被測推薦的人，屬於這條通道的基準雜訊。

關鍵在對比：明明是確定被 AI 推過的那群人，AI referral 也只有 8.8%，比基準線高不到四個百分點。連我們明知被 AI 影響的人，這格都幾乎沒反應。直接拿 AI referral 這格判斷成效，等於把 AI 帶來的流量低估一大截。

真正的痕跡在搜尋那一列。受 AI 影響那群人，搜尋占 55.9%，比對照組的 40.4% 高出一截。AI 的影響力沒留在你以為它會留的地方，它溢到了搜尋。

真正的主通道是品牌搜尋：先問 AI，隔幾天用品牌名回 Google 搜

那條看不見的主通道，是「先問 AI、後用品牌名搜尋」。用戶在 ChatGPT 問了一輪、記住了某個品牌名，過幾天真的要行動時，他不會回去翻對話紀錄，而是直接打開 Google 搜那個品牌名，從 organic search 點進你的網站。

這條路占了 55.9%，是 AI referral 那格的六倍以上。問題在於，當他從品牌搜尋回來，你的 GA4 只看得到「他從搜尋來」，看不到「他三天前是被 AI 推薦的」。整段 AI 的功勞，在歸因的最後一哩被洗成了 SEO 的功勞。

這也是為什麼這批人特別值錢。受 AI 影響的訪客平均逛 12 頁、停 11.8 分鐘；沒受影響的只逛 6.5 頁、停 5.6 分鐘。被 AI 先篩過、帶著明確意圖回來的人，黏著度差不多是一般訪客的兩倍。

AI 推薦是零和：推薦換邊，流量就整碗倒給對手

研究設計的關鍵在這裡：讓同產業品牌兩兩對打，再互換推薦對象跑一次。三組都是同產業的死對頭，下面是它們的造訪率。

規律一致：誰被推薦，誰就贏，而且輸的那方流量是實打實掉的。AI 能見度是一場零和遊戲，你沒拿到的那次推薦不會憑空消失，它直接進了對手的口袋。

六組情境全部指向同一個方向：被推薦的那一方，下游造訪率都贏過對手。2.5 倍是這六組合起來的平均，不是挑出來的單一亮點。

金融組差距最大，Capital One 被推薦時自己拿到 14.2%，同一時間 AmEx 只剩 3.8%，反過來 AmEx 被推薦時也只到 7.2%。研究自己點出，這種絕對數字的落差，可能來自兩個品牌本來的知名度就不在同一個水平。美妝組差距最小，Sephora 跟 Ulta 互推時，落敗那方都還能吃到 3% 到 4%，沒被清空。

我的解讀是，AI 推薦放大的是既有的品牌落差，不是把對手拉回同一條起跑線。你本來就比對手有名，被推薦時吃到的增量更大；兩家勢均力敵的，換邊的殺傷力反而有限。

二十世紀的廣告主，早就用店面造訪量過看不見的電視廣告

SparkToro 創辦人 Rand Fishkin 給了一個類比：這份研究「幾乎是二十世紀廣告主衡量看板、電視、廣播效果方式的翻版，他們當年就是用店面造訪或銷售的 lift 來量」。lift 就是相對於沒被推薦的對照組，多出來的那段增量，2.5 倍講的就是這個 lift。

這句話的重量在於，它幫 AI 能見度找回了一個正確的位置。過去大家把「被 AI 提到」當品牌曝光，是個說不清成效、只能喊喊聲量的東西。Fishkin 的意思是，它其實更像 performance channel，有可量測的下游流量結果，只是你得用對的方法去量，就像當年沒人能在電視機裡裝追蹤碼，卻照樣用 store visit lift 把電視廣告的效果算了出來。

把 AI 當聲量看，你會一直糾結那格 8.8% 為什麼這麼小。把它當帶量通道看，你才會去追那 2.5 倍的 lift 兌現在哪裡。

先修好量測、守住品牌字，別在有偏誤的儀表板上加預算

先別急著重配預算，先把量測機制建置好，再守住品牌字。Similarweb 這份數據說的不是「快去把預算加大押在 AI 搜尋」，是「你現在用來判斷 AI 有沒有用的那個儀表板，本身是有偏誤的」。在一個有偏誤的儀表板上加預算，只是把錯誤放大。

具體有三件事可以先做：

被 AI 帶來的流量一直都在，只是它走品牌搜尋那條暗路，被你的報表記在了別人帳上。而這條暗路帶回來的人格外值錢：他們黏著度差不多是一般訪客的兩倍，轉換率也更高。我寫過為什麼 AI 推薦進來的訪客，轉換率是一般流量的 4 倍，講的就是被 AI 先篩過、帶著明確意圖回來的人，不只更黏、買單也更快。

資料來源