Jak mierzyć ruch z LLM (AI) w Google Analytics 4? Kompleksowy poradnik

Czym jest ruch na stronie pochodzący z LLM (AI)?

Ruch z dużych modeli językowych (LLM), takich jak ChatGPT, Perplexity czy Gemini, to nie wizyty botów – to realni użytkownicy, którzy trafili na Twoją stronę po kliknięciu w link udostępniony im przez chatbota. W praktyce wygląda to tak:

• użytkownik zadaje pytanie np. w Perplexity, 
• otrzymuje odpowiedź wraz z linkiem źródłowym, 
• decyduje się w niego kliknąć –  stając się tym samym gościem na Twojej stronie.
  

Jak ruch z LLM wygląda od strony technicznej w Google Analytics 4?

Taki ruch zbiera się w Google Analytics 4 podobnie jak każdy inny referral – jako przejście z zewnętrznej strony internetowej. Jeśli w przeglądarce użytkownika obecny jest referrer (czyli zapisywany przez przeglądarkę adres strony internetowej, z której użytkownik trafił na Twoją witrynę poprzez kliknięcie linku), GA4 ma możliwość przypisania wizyty do konkretnego źródła – w tym przypadku do konkretnego LLM-a. W panelu GA4 wygląda to w ten sposób:

I tu pojawia się pewne ograniczenie: GA4 nie posiada gotowej grupy kanałów dedykowanej dla LLM-ów, jak ma to miejsce w przypadku np. Organic Search, Paid Search czy Direct. Oznacza to, że jeśli chcemy analizować ten nowy typ ruchu w jednym miejscu, musimy sami utworzyć dodatkowy kanał. 

Jeśli nie wiesz, jak to zrobić — jesteś w dobrym miejscu! Wszystko krok po kroku opisane jest poniżej. Zanim jednak przejdziemy do praktyki, warto jeszcze zatrzymać się chwilę w teorii, czyli…

Po co mierzyć ruch pochodzący z dużych modeli językowych (LLM) w GA4?

Ruch z LLM-ów to nadal realni użytkownicy, którzy wpadają do tego samego kanału co osoby trafiające na stronę np. z artykułów sponsorowanych. Cechuje się jednak zupełnie inną genezą — zdecydowanie warto więc wyróżnić ich „z tłumu”. 

Co konkretnie daje nam monitorowanie ruchu z LLM?

• możliwość porównywania zmian ruchu w czasie – możesz obserwować wzrosty lub spadki liczby sesji pochodzących z chatbotów LLM.
• pośrednie wnioskowanie o widoczności marki w AI – częstsze sesje z LLM-ów mogą świadczyć o tym, że Twoje treści są cytowane lub rekomendowane przez modele językowe.
• mierzenie efektów optymalizacji pod cytowanie przez AI – możesz sprawdzić, czy np. inny styl pisania, czy struktura contentu zwiększa liczbę przejść z LLM-ów.
• oddzielenie LLM-ów od innych źródeł ruchu – dzięki temu unikniesz zafałszowanych danych w raportach np. dla kanału Referral czy Direct.

To relatywnie prosta konfiguracja, która może przynieść nową wartość w raportach – szczególnie w kontekście SEO i brand awareness.

Jak stworzyć własny kanał zbierający ruch z LLM w GA4? Instrukcja krok po kroku

1. Otwórz ustawienia grupy kanałów
   Przejdź do: Administracja > Grupy kanałów (sekcja „Wyświetlanie danych”).

2. Utwórz nową kopię domyślnej grupy kanałów (lub grupy, której aktualnie używasz)
   Przy wybranej grupie kanałów kliknij ikonę trzech kropek, a następnie wybierz opcję „Kopiuj, aby utworzyć nowe”.

3. Nazwij nową grupę i dodaj opis
   Zadbaj o przejrzystość – nie używaj identycznej nazwy jak wcześniej. Możesz też dodać opis, który pomoże później zidentyfikować cel tej konfiguracji.

4. Dodaj nowy kanał i nazwij go

Nadaj mu nazwę np. „Ruch LLM”, „LLM Traffic” lub „Narzędzia AI” – w zależności od preferencji.

5. Zdefiniuj warunek przypisania ruchu do kanału

Wybierz warunek: „Źródło” oraz  „pasuje do wyrażenia regularnego”

Wprowadź formułę zawierającą adresy LLM-ów, które chcesz śledzić. Dobrym pomysłem jest skorzystanie z gotowych list dostępnych w sieci (np. na LinkedIn lub w blogach branżowych), a potem rozbudowywanie ich na podstawie rzeczywistych danych z Twojego GA4.

Przykład reguły:
chatgpt.com|openai.com|claude.ai|perplexity|copy.ai|jasper.ai|copilot.microsoft.com|gemini.google.com|deepseek.com

6. Ustaw nową grupę jako główną (opcjonalnie)

Jeśli chcesz, aby nowy kanał pojawiał się automatycznie w raportach, możesz oznaczyć swoją grupę jako domyślną.

Po zapisaniu konfiguracji – Twój nowy kanał pojawi się w GA4 i zacznie przypisywać ruch zgodnie z podanymi regułami.

Uwaga!

Warto pamiętać, że zbieranie danych do nowego kanału rozpocznie się od momentu wdrożenia i nie obejmie danych historycznych.

Czarna dziura danych: dlaczego LLMy mogą być nierozpoznane przez Google Analytics 4?

Wróćmy na chwilę do podstawowej zasady pomiaru źródła odesłań: jeśli w przeglądarce użytkownika widoczny jest referrer – możemy rozpoznać źródło ruchu. 

Analogicznie więc: jeśli referrer nie jest obecny – sesja zostaje niesklasyfikowana lub przypisana do kanału Direct.

I dokładnie tak samo działa to w przypadku chatbotów AI. LLM-y potrafią wygenerować link do Twojej strony, ale nie zawsze robią to w sposób, który GA4 potrafi poprawnie odczytać. Gdy nie zostanie dodany żaden parametr UTM (czyli fragment adresu URL zawierający informacje o źródle ruchu np. kampanii, medium czy nazwie platformy) – ruch staje się niewidoczny jako pochodzący z AI. To tzw. dark traffic, czyli „ciemny” ruch, który może pochodzić z różnych źródeł bez ich doprecyzowania (ciekawostką jest to, że do tej kategorii zaliczamy również niekiedy linki, którymi dzielimy się ze sobą na czatach). 

Najważniejsze pytanie brzmi więc:

Kiedy LLM-y decydują się na dodanie linku bez UTM? Czy da się temu zapobiec?

To trudne do przewidzenia i zależy od wielu zmiennych. Za Maciejem Lewińskim (Newsletter; 27.02.2025) można wymienić kilka prawidłowości:

• jeśli użytkownik prosi chatbota o link bezpośrednio – LLM częściej generuje go bez UTM-ów,
• wrażliwe tematy (np. zdrowie, finanse, prywatność) zwiększają szansę na pominięcie parametrów UTM,
• gdy link prowadzi do dużego wydawcy lub portalu informacyjnego – LLM chętniej dodaje UTM.

Jeśli chcesz zwiększyć szansę, że Twój link zostanie podany przez AI z UTM, pokazuj chatbotom dobry przykład. Oznaczaj swoje linki UTM-ami wszędzie, gdzie tylko to możliwe – w kampaniach czy newsletterach. Modele językowe często uczą się przez „czytanie” źródeł, więc będą wtedy bardziej skłonne stosować podobną praktykę dla Twojej strony.

Jakiego ruchu pochodzącego z AI nie da się zmierzyć w GA4?

Choć może się to wydawać nieintuicyjne, nie każdy ruch rozpoczęty przez narzędzia AI da się jednoznacznie zidentyfikować w Google Analytics 4. W rzeczywistości wiele z tych wizyt na dzień dzisiejszy pozostaje wtopione w inne kanały. 

Przez konfigurację pomiaru LLM  w GA4 opisanego w tym artykule nie zmierzysz więc:

• AI Overview od Google (AIO): mimo że AIO może skłaniać użytkownika do kliknięcia w link źródłowy, sama wizyta nie zawiera referrera ani UTM-u
• Ruchu z agentów AI poza chatbotów LLM: część AI może odwiedzać Twoją stronę jako podstawę swojej funkcjonalności. Tego typu wizyty nie są wykonywane przez człowieka, ale przez boty — a Google Analytics automatycznie je filtruje. Ruchu z tego typu narzędzi nie sprawdzimy więc bez analizy logów.

Ruch z LLM-ów w Google Analytics 4: podsumowanie i najważniejsze wnioski do zapamiętania

Szczegółowo omówiliśmy zagadnienie tego, jak ma się ruch pochodzący z LLM do pomiarów w Google Analytics 4. Kilka kluczowych punktów do zapamiętania:

• ruch ze źródłem w LLM to realni użytkownicy klikający w linki z chatbotów takich jak ChatGPT, Deepseek czy Gemini.
• domyślnie LLM nie ma własnego kanału pomiarowego w GA4, dlatego musisz utworzyć nową grupę kanałów.
• dzięki obecności kanału poświęconego LLM obserwuj, jak Twoje treści są cytowane przez AI i czy Twój brand zachęca do wejścia na stronę.
• pamiętaj o „dark traffic” – część ruchu z LLM może wpadać do kanału Direct lub Unassigned.
• na ten moment nie wszystko się da zmierzyć – AI Overviews i agenci AI spoza LLM nie są widoczni w GA4.

Źródła

https://kpplaybook.com/resources/how-to-track-traffic-from-aio-featured-snippets-paa-results-ga4/
https://piestrzynski.pl/sledzenie-ruchu-llmow-ai-na-twojej-stronie-internetowej-w-google-analytics/
https://twooctobers.com/blog/tracking-ai-traffic-in-ga4-a-step-by-step-guide/
https://www.maciejlewinski.pl/pimpmyanalytics/