“AI-Quellen haben diesen Monat X Besuche und Y Umsatz gebracht.” Der Satz klingt sauber. Er ist aber oft zu sauber. In ihm werden mehrere unterschiedliche Tatsachen miteinander vermischt: eine AI-Antwort erwähnt die Marke, ein Agent ruft Seiten ab, ein Mensch klickt auf eine AI-Empfehlung, dieser Mensch zeigt Kaufverhalten, und ein Auftrag lässt sich später zuordnen. Das sind verschiedene Beweisstufen.
Das größte Risiko in AI Attribution ist nicht, zu wenig Daten zu haben. Es ist, die vorhandenen Daten falsch zu stapeln.
Die fünf AIAA-Schichten
Answer beschreibt die Sichtbarkeit in AI-Antworten. Eine Marke wird genannt, eine Seite wird zitiert, Produktinformationen werden in einer Antwort verarbeitet. Das ist Exposure, aber noch kein Besuch.
Request beschreibt maschinische Aktivität. Ein AI Agent ruft Produktseiten, Preise, Inventar oder Policies direkt ab. Server- und Edge-Logs sind hier wichtiger als Web-Analytics. Trotzdem ist ein Request kein menschlicher Intent.
Visit beschreibt den menschlichen Besuch. Ein Nutzer klickt aus ChatGPT, Perplexity, Gemini oder einem anderen AI-Erlebnis auf die Website. Das ist wertvoller als ein reiner Request, aber noch keine Conversion.
Commerce beschreibt Verhalten mit Kaufabsicht: Produktansicht, Warenkorb, Checkout, Anfrage, Demo-Buchung. Hier wird AI-Sichtbarkeit erstmals operativ relevant für Growth Teams.
Attribution beschreibt den belastbaren Nachweis. Referrer, Session, Order und CRM-Daten lassen erklären, warum ein Umsatz einer AI-Quelle zugerechnet werden darf.
Bereich | Datenquelle | Kernmetriken | Frequenz |
|---|---|---|---|
Answer | AI-Antwort-Sampling, SOV-Monitoring | Markenmentions, Zitiergenauigkeit, Wettbewerbsvergleich | Wöchentlich |
Request | Edge-Logs, Server-Logs | Agent-Requests, Pfadverteilung, Agent-Typen | Täglich |
Visit | First-party JS, GA4 AI Assistants | AI-Sessions, Landing Pages, Verhalten | Täglich |
Commerce | Commerce-Plattform + First-party-Daten | AI-PDP-Views, Warenkorbquote, Checkout-Rate | Täglich |
Attribution | Session-Order-Join | AI-attributierte Orders, Revenue, AOV | Wöchentlich |
Schicht | Gewicht | Begründung |
|---|---|---|
Answer | 0.2 | Sichtbarkeit aus Stichproben; kein direkter Besuch |
Request | 0.3 | Server-seitig sichtbar, aber schwacher Intent-Beweis |
Visit | 0.5 | Menschlicher Besuch, aber noch keine Conversion |
Commerce | 0.8 | Klare kaufnahe Handlung |
Attribution | 1.0 | Revenue und AI-Beweis sind verbunden |
Diese Struktur verhindert, dass AI Contribution zu einer einzigen Zahl geglättet wird. Wenn nach dem Anschluss von Edge Logs die Requests stark steigen, kann das Messabdeckung sein, nicht Marktwachstum. Wenn die AI-Erwähnungen steigen, aber die Visits nicht, liegt das Problem vielleicht bei Links, Brand Search, Produktseiten oder externen Quellen, die Modelle zitieren können.
Praktisch sollte jedes Reporting observed growth und comparable growth trennen. Observed growth zeigt alles, was heute sichtbar ist. Comparable growth vergleicht nur Datenquellen, die in beiden Perioden vorhanden waren. Ohne diese Unterscheidung wird eine bessere Messabdeckung schnell als Nachfragewachstum verkauft.
Auch die Verantwortlichkeiten unterscheiden sich. Answer gehört zu GEO und Content. Request gehört zu Infrastruktur und technischem SEO. Visit und Commerce gehören zu Growth, E-Commerce und Analytics. Attribution braucht BI, CRM, Paid Media und Finance. AIAA ist kein neues Reporting-Etikett, sondern eine operative Landkarte für Beweisqualität.
Warum Vermischung gefährlich ist
Eine Erwähnung ist kein Besuch. Ein Besuch ist kein Kauf. Ein Kauf ist nicht automatisch AI-attributierter Umsatz. Wenn diese Grenzen verschwimmen, entstehen zwei Fehler. Crawler-Spitzen werden als Nachfrage interpretiert. Und normale Umsätze werden als AI Revenue ausgewiesen, obwohl die Session-zu-Order-Verbindung fehlt.
Beides ist verführerisch, weil es im Reporting gut aussieht. Beides schwächt aber die Datenqualität. CFOs, CMOs und Growth Leads brauchen nicht die größte AI-Zahl. Sie brauchen eine Zahl, deren Beweisführung sie verteidigen können.
Ein praktisches Dashboard
Ein brauchbares AIAA-Dashboard zeigt die fünf Schichten getrennt. Es zeigt, welche Datenquelle für jede Schicht verantwortlich ist. Es markiert neue Messquellen, damit ein Sprung nach dem Anschluss von Edge Logs nicht als Marktwachstum missverstanden wird. Und es unterscheidet observed growth von comparable growth: Was wächst wirklich, wenn die Messabdeckung gleich bleibt?
Für B2B- und Commerce-Unternehmen ist diese Trennung besonders wichtig. AI Search beeinflusst häufig die frühe Recherche. Der letzte Klick kann trotzdem aus Brand Search, Direct oder Paid Retargeting kommen. Wer nur Last Click betrachtet, unterschätzt AI. Wer alles AI nennt, überschätzt AI. AIAA versucht, genau dazwischen sauber zu bleiben.
Gravity sieht GEO, Website-Evidence, Logdaten, Paid Media und CRM nicht als getrennte Silos. AI findet Fakten, Agenten lesen Seiten, Menschen besuchen die Website, und Umsatz entsteht später in anderen Systemen. Attribution muss diese Kette verbinden, ohne die einzelnen Stufen zu verwischen.
FAQ
Q1: Was ist der Unterschied zwischen AI Traffic und AI Contribution?
A: AI Traffic beschreibt Besuche. AI Contribution umfasst Sichtbarkeit, Requests, Besuche, Commerce Events und attributierbaren Umsatz.
Q2: Warum dürfen Crawler-Requests nicht mit Sessions vermischt werden?
A: Crawler sind maschinische Aktivität. Sie zeigen Aufmerksamkeit, aber keinen menschlichen Intent.
Q3: Welche Schicht ist am wichtigsten?
A: Für Board-Reporting ist Attribution am stärksten. Für Frühindikatoren sind Answer und Request wichtig.
Q4: Was ist eine typische Fehlmessung?
A: Ein neuer Log-Connector erhöht die sichtbaren Requests. Das ist oft Messabdeckung, nicht reales Wachstum.
Q5: Wie sollte man anfangen?
A: Mit einem Dashboard, das Answer, Request, Visit, Commerce und Attribution getrennt ausweist.