Agentic-трафик — это переходы на сайт, инициированные не человеком, а искусственным интеллектом: языковой моделью, агентом или автоматизированным сервисом, который изучает веб-ресурсы для ответа пользователю. Классическая веб-аналитика считает такой визит обычным сеансом, но конверсия в привычном понимании — целевое действие на странице — при этом часто не происходит, поскольку пользователь может получить ответ, так и не открыв сайт.

Проблема измерения в том, что ценность agentic-трафика не всегда выражается в прямых заявках или покупках. Агент может процитировать данные сайта в ответе, порекомендовать компанию или привести пользователя на сайт позже, минуя прямой переход. В этой статье разберем, как отличить такой трафик от обычного, какие метрики использовать и как оценить реальный вклад AI-агентов в конверсии.

Что такое agentic-трафик и чем он отличается от обычного

Agentic-трафик создают программные агенты, которые действуют от имени пользователя: отвечают на вопросы, сравнивают товары, бронируют услуги или собирают информацию для последующего решения. В отличие от поискового бота, который индексирует страницы, такой агент моделирует поведение человека и может завершить сценарий без участия владельца сайта.

Ключевое отличие от классического визита — отсутствие гарантированного контакта с интерфейсом. Пользователь, который получил ответ от ассистента, не обязательно перейдет по ссылке, поэтому стандартные цели вроде «отправка формы» или «просмотр N страниц» не сработают. Вместо этого агент может сохранить информацию, передать ее пользователю в структурированном виде или совершить целевое действие через API.

Для владельца бизнеса это означает, что часть трафика становится «невидимой» для привычных систем аналитики. Если не учитывать agentic-трафик отдельно, можно ошибочно решить, что канал не работает, и сократить инвестиции в контент, который как раз и приносит рекомендации от AI-систем.

Почему стандартные метрики конверсии не работают

Классическая конверсия определяется как отношение числа целевых действий к числу визитов. Для agentic-трафика это отношение почти всегда будет нулевым, потому что агент не заполняет формы и не кликает по кнопкам так, как это делает человек. Даже если агент совершает действие, оно часто происходит вне сайта — через API, голосовой интерфейс или встроенный виджет.

Вторая причина — мультисессионность. Агент может изучить сайт сегодня, вернуться через неделю для уточнения данных и только потом порекомендовать компанию пользователю. В стандартной аналитике эти визиты будут выглядеть как отдельные сеансы без конверсий, хотя фактически они привели к продаже.

Третья проблема — атрибуция. Если пользователь в итоге пришел на сайт по прямой ссылке или через поиск, система засчитает конверсию последнему каналу, игнорируя влияние агента. Без специальной настройки невозможно понять, что именно рекомендация AI-ассистента стала решающим фактором.

Как идентифицировать agentic-трафик в аналитике

Первый шаг — настроить отдельный канал или сегмент для агентов. В системах веб-аналитики это делается через фильтры по user-agent, IP-адресам или поведенческим признакам: высокая скорость просмотра, отсутствие мыши, запросы к robots.txt и файлам API. Крупные AI-компании публикуют списки своих ботов, но они меняются, поэтому фильтры нужно регулярно обновлять.

Второй шаг — использовать серверную аналитику или логи. Клиентские счетчики могут не загружаться для агентов, которые не исполняют JavaScript. Серверные логи фиксируют каждый запрос независимо от поведения скриптов, что дает более полную картину.

Третий шаг — настроить отдельные цели для агентов. Например, загрузка определенного файла, обращение к API или просмотр страницы с контактными данными в течение заданного времени. Такие цели не отражают действия человека, но показывают, что агент заинтересовался предложением и, вероятно, передаст информацию пользователю.

Какие метрики использовать вместо классической конверсии

Вместо процента конверсий для agentic-трафика используйте метрику «цитируемость» — частоту, с которой AI-системы упоминают сайт в ответах пользователям. Измерить ее можно через регулярные запросы к популярным ассистентам с ключевыми вопросами из вашей ниши и фиксацией, появляется ли ссылка на ресурс в ответе.

Вторая полезная метрика — «глубина изучения». Если агент просматривает несколько страниц, скачивает прайс или обращается к структурированным данным, это сигнал, что контент релевантен запросу. В серверных логах это видно как последовательность запросов к разным разделам сайта.

Третья метрика — «косвенные конверсии». Отслеживайте, увеличивается ли число прямых переходов, брендовых запросов и визитов из поиска после того, как сайт начинают упоминать AI-ассистенты. Рост этих показателей — косвенное подтверждение того, что agentic-трафик работает на привлечение реальных пользователей.

Методы атрибуции для agentic-канала

Для корректной атрибуции используйте модель, которая учитывает все касания с брендом, а не только последнее. Например, если пользователь сначала получил ответ от AI-ассистента, затем перешел по ссылке из ответа и только потом совершил покупку, вклад агента должен быть зафиксирован как первое касание.

Настроить это можно через UTM-метки, которые агент сохраняет при переходе, или через cookie, если агент открывает сайт в браузере пользователя. Второй вариант сложнее, поскольку многие агенты работают на стороне сервера и не передают данные клиента.

Более надежный способ — использовать коллтрекинг и CRM. Если агент порекомендовал компанию, а пользователь позвонил по номеру, указанному на сайте, менеджер может уточнить источник информации. Такие данные, собранные вручную, часто точнее автоматической атрибуции.

Практические шаги для настройки измерения

Шаг 1. Создайте отдельный сегмент для агентов. В системе аналитики настройте фильтр по известным user-agent AI-ботов и IP-диапазонам. Дополнительно добавьте правило для запросов без JavaScript, чтобы не потерять агентов, которые не исполняют клиентский код.

Шаг 2. Настройте серверное логирование. Убедитесь, что логи веб-сервера хранятся не менее 90 дней и содержат полные заголовки запросов. Это позволит анализировать поведение агентов задним числом и уточнять фильтры.

Шаг 3. Определите цели для агентов. Выберите 2–3 действия, которые свидетельствуют о глубоком интересе: загрузка PDF-файла, обращение к API, просмотр страницы с ценами. Настройте их как отдельные цели в аналитике.

Шаг 4. Внедрите регулярный мониторинг цитируемости. Раз в месяц отправляйте набор типовых вопросов из вашей ниши в популярные AI-ассистенты и фиксируйте, упоминается ли сайт. Сравнивайте результаты с предыдущими периодами.

Шаг 5. Свяжите данные с CRM. Добавьте в скрипт продаж вопрос о том, откуда клиент узнал о компании. Это позволит фиксировать случаи, когда рекомендация AI-ассистента привела к сделке без прямого перехода на сайт.

Как интерпретировать полученные данные

Если вы видите рост agentic-трафика, но не наблюдаете прямых конверсий, это не означает, что канал неэффективен. Сравните динамику цитируемости с динамикой брендовых запросов и прямых переходов: если оба показателя растут, агенты работают на узнаваемость и доверие.

Обратите внимание на страницы, которые агенты изучают чаще всего. Если это страницы с ценами, условиями доставки или техническими характеристиками, значит, контент отвечает на конкретные вопросы покупателей. Усиление таких разделов повысит вероятность того, что агент порекомендует именно ваш ресурс.

Сопоставьте данные по agentic-трафику с данными о продажах за тот же период. Если рост упоминаний в AI-системах совпадает с ростом выручки, можно говорить о корреляции, даже если прямую причинно-следственную связь установить сложно. Для более точной оценки используйте эксперименты: временно усильте контент для агентов и сравните результаты с контрольным периодом.

Ограничения и риски измерения

Главное ограничение — неполнота данных. Не все агенты идентифицируют себя, часть использует обычные user-agent браузеров, чтобы избежать блокировок. Из-за этого реальный объем agentic-трафика может быть выше, чем показывают фильтры.

Второй риск — ложная атрибуция. Рост брендовых запросов может быть вызван другими факторами: рекламой, упоминаниями в СМИ или рекомендациями знакомых. Чтобы снизить этот риск, сравнивайте динамику с контрольной группой регионов или сегментов, где AI-продвижение не проводилось.

Третий риск — переоценка значимости цитируемости. Упоминание в ответе AI-ассистента не гарантирует переход пользователя на сайт. Поэтому цитируемость следует рассматривать как промежуточный показатель, а не как конечную цель.

Часто задаваемые вопросы

Можно ли считать agentic-трафик конверсией, если пользователь не заходил на сайт? Нет, в классическом понимании конверсия — это целевое действие на сайте. Для agentic-трафика корректнее использовать метрики цитируемости и косвенных конверсий, которые отражают влияние на решение пользователя.

Какие инструменты подходят для отслеживания agentic-трафика? Подойдут серверные логи, системы веб-аналитики с настраиваемыми фильтрами и специализированные сервисы для мониторинга упоминаний в AI-системах. Важно комбинировать несколько источников данных.

Как часто нужно обновлять фильтры для агентов? Регулярно, не реже одного раза в квартал, поскольку AI-компании меняют user-agent и IP-адреса своих ботов. Следите за официальными списками и дополняйте фильтры вручную.

Что делать, если agentic-трафик растет, а продажи нет? Проанализируйте, какие страницы изучают агенты и насколько они соответствуют коммерческим запросам. Возможно, контент отвечает на информационные вопросы, но не содержит данных, необходимых для принятия решения о покупке.

Заключение

Измерение конверсий из agentic-трафика требует смены подхода: вместо процента целевых действий на сайте нужно оценивать цитируемость, глубину изучения и косвенные сигналы в виде роста брендовых запросов. Настройте серверное логирование и отдельные сегменты для агентов, внедрите регулярный мониторинг упоминаний в AI-системах и свяжите эти данные с CRM.

Практический вывод: не отказывайтесь от канала, если прямые конверсии равны нулю. Сравнивайте динамику agentic-трафика с динамикой продаж и узнаваемости, а для повышения эффективности усиливайте контент, который отвечает на конкретные вопросы покупателей. Такой подход позволит оценить реальный вклад AI-агентов и принимать обоснованные решения о развитии этого канала.