Die Zahlen von Adobe und BrightEdge wirken widersprüchlich: weniger als 1% AI-Referral-Traffic gegenüber etwa 15% AI-Agent-Aktivität. Beide können stimmen, weil sie unterschiedliche Ebenen messen. Browser-Referrer und Server-Requests sind nicht dasselbe.
Last-Click funktioniert schlecht, wenn AI vor dem letzten Klick wirkt. Ein Nutzer recherchiert auf Perplexity, vergleicht in ChatGPT und kauft Tage später über Brand Search. GA4 schreibt Organic Search den Umsatz zu. Der eigentliche Einfluss lag aber früher.
Vier Muster dominieren: AI-Einfluss landet in Direct, Agent-Requests führen kein JavaScript aus, AI-Referrer werden unvollständig erkannt, und plattformübergreifende Recherche erzeugt Null-Attribution. Bei App-Marken sehen MMPs wie AppsFlyer zusätzlich den Web-Upstream nicht.
Die Antwort ist Layered Attribution. AI Exposed, AI Referred, AI Assisted, AI Last-Touch, Agent Checkout und MMP Confirmed haben unterschiedliche Beweisstärken. Jede Ebene ist nützlich, solange ihre Grenzen klar bleiben.
Zusätzlich müssen Observed Growth, Comparable Growth und Coverage Expansion getrennt werden. Wenn Edge Lite plötzlich 15x mehr AI-Requests zeigt, heißt das nicht automatisch 15x Nachfrage. Es kann auch bedeuten, dass bisher unsichtbare Requests sichtbar wurden.
Praktisch bedeutet die Grenze von Last-Click-Attribution: Das Thema darf nicht als isolierte Content-Initiative behandelt werden. Produktdaten, AI-Antworten, Agent-Requests, Besuche, Verhalten und Bestellungen müssen als eine Beweiskette gelesen werden. Nur dann kann ein Team entscheiden, ob Budget, Datenarbeit oder technische Integration der nächste Engpass ist.
Genauso wichtig ist methodische Disziplin. AI Search und Agentic Commerce sind messbar, aber noch nicht reif wie klassische Paid-Media-Kanäle. Prompt Sampling, Referrer, Server Logs und Shopify Orders haben jeweils blinde Flecken. Gute Messung trennt deshalb harte Belege, plausible Assistenzsignale und reine Korrelation.
FAQ
Q1: Warum sieht GA4 AI zu klein?
A: Wegen unsichtbarer Server-Requests, unvollständiger Referrer-Erkennung und AI-induzierter Brand Search.
Q2: Was ist Layered Attribution?
A: Ein Modell, das AI-Einfluss nach Beweisstärke in mehrere Ebenen trennt.
Q3: Ist AI ROAS heute exakt berechenbar?
A: Nicht als perfekte Einzelzahl. Besser ist eine belastbare Baseline je Ebene.
Q4: Ersetzt CitationGraph AppsFlyer?
A: Nein. Es ergänzt MMPs um AI-Upstream-Signale.