UTM-метки для трафика из AI-ответов — это параметры URL, которые фиксируют источник перехода, когда пользователь пришёл на сайт после упоминания бренда или ссылки в ответе нейросети (ChatGPT, Perplexity, Яндекс Нейро, Google AI Overviews). Технически это те же utm_source, utm_medium и utm_campaign, но с отдельными значениями, которые позволяют не смешивать AI-переходы с обычным органическим поиском и реферальным трафиком.

Проблема в том, что большинство AI-систем передают ссылки без меток, а часть переходов маскируется под прямой заход или под обычный реферал. Без отдельной схемы разметки и корректной атрибуции такие визиты растворяются в общем отчёте, и оценить вклад GEO-канала становится невозможно. Ниже — рабочая логика настройки: какие значения использовать, как связать их с аналитикой и как избежать типичных ошибок атрибуции.

Почему AI-трафик не попадает в стандартные отчёты

Нейросетевые интерфейсы в большинстве случаев не проставляют UTM-метки автоматически. Ссылка в ответе выдаётся в чистом виде, поэтому система аналитики определяет переход как прямой, как переход из поиска или как реферал с домена AI-платформы — в зависимости от того, как устроен редирект и какой заголовок Referer передаёт браузер.

Второй фактор — обезличивание источника. Часть AI-клиентов открывает ссылки через собственный прокси или встроенный браузер, из-за чего теряется и Referer, и клиентские параметры. В результате визит может выглядеть как прямой заход, хотя фактически он пришёл из ответа нейросети.

Третий фактор — смешение с классическим поиском. Если AI-ответ формируется внутри поисковой выдачи (например, AI Overviews или Яндекс Нейро), переход может наследовать разметку поисковой системы. Без собственного контура меток отличить такой визит от обычного органического перехода невозможно.

Базовая схема UTM-меток для AI-источников

Схема строится на трёх обязательных параметрах. utm_source обозначает конкретную AI-платформу, utm_medium — тип канала, utm_campaign — кампанию или контекст размещения. Этого достаточно, чтобы отделить AI-трафик от остальных источников на уровне отчёта.

Для utm_medium имеет смысл использовать единое значение, например ai_answer или ai_referral. Единый medium позволяет одной группой в отчёте собрать все AI-переходы, а разные source — разложить их по платформам. Если задавать medium произвольно для каждой платформы, сводный отчёт придётся собирать вручную.

Для utm_source используйте стабильные короткие идентификаторы: chatgpt, perplexity, yandex_neo, google_ai, copilot. Важно зафиксировать список заранее и не менять написания — chatgpt и chat_gpt в отчёте превратятся в два разных источника.

Для utm_campaign подойдёт привязка к типу контента или странице, которая цитируется: например, ai_blog_utm или ai_landing_lead. Это даёт возможность сравнивать, какие материалы чаще становятся источником AI-переходов. Если трафик ведёт на посадочную страницу под конкретную задачу, полезно заранее продумать её структуру — лендинг для лидогенерации удобнее размечать по кампаниям, чем универсальную страницу.

Как размечать ссылки, которые цитируют нейросети

Ключевой принцип: метка должна быть в самой ссылке, которую видит AI-система. Если вы публикуете материал, на который может ссылаться нейросеть, размечайте исходящие ссылки внутри этого материала, а не только внешние размещения.

Практика такая: для каждой страницы, которую вы хотите отслеживать как источник AI-переходов, создайте канонический URL с метками и используйте его в текстах, документации, справочных материалах и структурированных данных. Тогда при цитировании ссылка уходит вместе с параметрами.

Отдельно стоит размечать внутренние переходы между смысловыми блоками сайта. Если AI-система цитирует одну страницу, а пользователь затем уходит на связанную, вторая страница должна сохранять источник. Для этого используйте сквозную передачу параметров при переходах внутри сайта.

Не размечайте метками ссылки в навигации, хлебных крошках и служебных элементах. Это создаёт дубли URL, размывает отчётность и усложняет индексацию. Метки — инструмент измерения кампаний, а не постоянный атрибут структуры сайта.

Атрибуция: как связать AI-переход с конверсией

Атрибуция — это правило, по которому система аналитики приписывает конверсию одному или нескольким источникам. Для AI-трафика корректная модель критична, потому что путь пользователя часто длиннее одного визита: он видит ответ в нейросети, затем возвращается через поиск или напрямую.

Модель последнего клика (last click) в этом случае почти всегда недооценивает AI-канал. Если пользователь пришёл из ответа нейросети, изучил материал, а конверсию совершил на следующий день через прямой заход, last click отдаст результат прямому трафику.

Модель первого клика (first click) даёт противоположный перекос: она приписывает AI-источнику конверсии, которые фактически были закрыты другим каналом. Для обзорной оценки вклада AI-канала first click полезен, но как единственная модель он искажает картину.

Практичный вариант — позиционная модель или модель с распределением по нескольким точкам касания. Она учитывает и первое знакомство с брендом через AI-ответ, и последующее взаимодействие. Если аналитика не поддерживает такие модели, минимальный рабочий вариант — сравнивать отчёты по first click и last click параллельно и смотреть на расхождение.

Отдельно настройте сохранение источника в пользовательских свойствах или в CRM. Тогда при повторном визите без меток система сможет связать пользователя с исходным AI-источником. Это особенно важно для проектов с длинным циклом сделки, где путь от первого касания до заявки занимает недели.

Пошаговая настройка

Шаг 1. Зафиксируйте справочник значений. Составьте таблицу: платформа, utm_source, utm_medium, шаблон utm_campaign. Согласуйте её со всеми, кто создаёт ссылки, чтобы исключить расхождения в написании.

Шаг 2. Настройте параметры в системе аналитики. Добавьте utm_medium = ai_answer (или выбранное значение) в список каналов и задайте для него правила группировки. Без этого AI-переходы попадут в общий реферальный или органический отчёт.

Шаг 3. Разметьте ссылки в материалах-источниках. Для каждой страницы, которую вы продвигаете как источник экспертизы, подготовьте размеченный URL и используйте его в публикациях, документации и структурированных данных.

Шаг 4. Настройте сквозную передачу параметров. Убедитесь, что при переходах внутри сайта метки не теряются, а при необходимости сохраняются в cookie или пользовательских свойствах. Для сайтов со сложной структурой это требует аккуратной работы с шаблонами — внутренняя оптимизация сайта в таких случаях включает и корректную обработку параметров URL.

Шаг 5. Выберите модель атрибуции. Настройте позиционную модель или, если она недоступна, ведите параллельный учёт по first click и last click. Зафиксируйте выбранную модель в регламенте, чтобы отчёты были сопоставимы между периодами.

Шаг 6. Проверьте отчётность. Через две-четыре недели после запуска убедитесь, что AI-переходы отображаются отдельной группой, а конверсии распределяются предсказуемо. При расхождениях скорректируйте справочник значений, а не модель атрибуции.

Типичные ошибки

Первая ошибка — использовать utm_source для обозначения типа контента вместо платформы. Тогда в отчёте смешиваются платформы и форматы, и понять, какая нейросеть даёт трафик, невозможно.

Вторая ошибка — размечать все внутренние ссылки. Это создаёт дубли страниц, размывает вес и усложняет анализ поведения. Метки нужны только на входах, которые вы измеряете.

Третья ошибка — игнорировать Referer. Даже без UTM-меток часть AI-переходов можно отследить по домену источника в Referer. Если этот отчёт не настроен, вы теряете данные о визитах, которые пришли по немаркированным ссылкам.

Четвёртая ошибка — оценивать AI-канал только по last click. Это систематически занижает его вклад и приводит к неверным решениям о распределении бюджета между каналами.

Пятая ошибка — отсутствие единого регламента. Когда разные специалисты создают ссылки с разными значениями, отчёт превращается в набор несопоставимых сегментов. Регламент важнее, чем выбор конкретных значений.

Как встроить измерение AI-трафика в общую аналитику

AI-канал не существует отдельно от остальных источников. Его данные нужно сопоставлять с органическим поиском, контекстной рекламой и реферальным трафиком, чтобы видеть реальную картину распределения.

Практичный подход — вести отдельный сегмент AI-трафика в основных отчётах и одновременно смотреть на его долю в общем объёме. Если доля растёт, а конверсия остаётся стабильной, канал заслуживает отдельного бюджета на контент и оптимизацию. Если доля растёт, а конверсия падает, стоит проверить качество посадочных страниц и релевантность ответов, которые цитируются.

Для проектов, где AI-трафик ведёт на страницы с длинным циклом принятия решения, полезно заранее продумать структуру сайта под разные сценарии — корпоративный сайт с продуманной архитектурой проще размечать по кампаниям и сегментам, чем набор разрозненных страниц.

Отдельно стоит учитывать, что AI-системы постепенно меняют формат выдачи ссылок. Схема меток должна быть достаточно гибкой, чтобы добавлять новые платформы без пересборки всей отчётности. Именно поэтому единый utm_medium и фиксированный справочник source работают лучше, чем произвольные значения.

Частые вопросы

Нужны ли отдельные UTM-метки для каждой нейросети? Да, utm_source должен различать платформы, иначе вы не увидите, какая из них даёт трафик и конверсии. При этом utm_medium стоит оставить единым, чтобы все AI-переходы собирались в одну группу отчёта.

Что делать, если нейросеть передаёт ссылку без меток? Настройте отчёт по Referer: домены AI-платформ в источнике перехода позволяют отследить часть немаркированных визитов. Полностью заменить UTM это не сможет, но даст дополнительный срез данных.

Какая модель атрибуции подходит для AI-трафика лучше всего? Позиционная модель или распределение по нескольким касаниям, поскольку путь пользователя из AI-ответа часто включает повторные визиты. Если такие модели недоступны, сравнивайте first click и last click параллельно.

Можно ли размечать UTM-метками внутренние ссылки сайта? Не рекомендуется: это создаёт дубли URL и размывает отчётность. Метки нужны на входах из внешних источников, а внутри сайта источник следует передавать через cookie или пользовательские свойства.

Вывод

Настройка UTM-меток для AI-трафика сводится к трём решениям: единый utm_medium для всех AI-источников, фиксированный справочник utm_source по платформам и модель атрибуции, которая учитывает несколько точек касания. Без этих трёх элементов AI-переходы либо растворяются в общем отчёте, либо приписываются неверному каналу.

Практическое следствие для читателя: начните со справочника значений и настройки отдельного канала в аналитике — это даёт базовую видимость AI-трафика уже в первые недели. Модель атрибуции и сквозную передачу параметров можно доработать позже, когда появится достаточно данных для сравнения моделей. Если сайт только готовится к работе с новыми каналами, разумно сразу закладывать разметку в структуру — редизайн сайта удобный момент, чтобы привести URL, шаблоны и аналитику к единому стандарту.