Adobe と BrightEdge の数字は矛盾して見えます。Adobe は AI referral を全体の 1% 未満と見ますが、BrightEdge は AI Agent 活動を約15%と見ます。これは統計誤差ではありません。ブラウザ referrer とサーバーログが別の側面を見ているのです。
GA4 の last-click は最後に訪問を発生させたチャネルへ売上を付けます。しかし AI は購入前の調査、比較、信頼形成に入ります。Perplexity で知り、ChatGPT で比較し、数日後にブランド検索で購入した場合、GA4 は Organic と記録します。実際には AI が需要を作っています。
失敗パターンは四つあります。AI 影響が Direct に入る。AI Agent request が JavaScript を実行せず GA4 に入らない。AI referrer の識別が不完全。複数 AI プラットフォームをまたぐ行動がすべてゼロ帰属になる。App を持つブランドでは AppsFlyer などの MMP も Web 側 AI 上流を見られません。
必要なのは分層帰属です。AI Exposed、AI Referred、AI Assisted、AI Last-Touch、Agent Checkout、MMP Confirmed を分けて扱う。最上位の証拠だけを待つのではなく、それぞれの層に信頼度を付けて意思決定します。
また観測成長、可比成長、カバレッジ拡張を分けなければなりません。Edge Lite 導入後に AI request が15倍になっても、AI が突然15倍になったとは限りません。以前見えなかったものが見えるようになっただけかもしれません。
実務上の要点は、last-click 帰属の限界を単発のコンテンツ施策として扱わないことです。商品データ、AI 回答での表現、Agent request、到着後の行動、注文との接続を同じ証拠線で見なければ、チームは「AI で何か起きている」以上の判断ができません。経営会議で必要なのは流行語ではなく、どの層で証拠が強く、どこが推測なのかを分けた説明です。
もう一つ重要なのは、過剰な断定を避けることです。AI 検索と Agentic Commerce の測定はまだ成熟途上であり、prompt sampling、referrer、server log、Shopify order のどれも単独では完全ではありません。だからこそ、複数の弱い証拠を雑に足すのではなく、層ごとに信頼度を置き、改善順序を決める必要があります。
補足: Last-click の代わりに証拠の強さで見る
AI 帰属では、すべてを一つの ROAS に押し込むほど誤差が大きくなります。まず、どの層の証拠なのかを明示することが必要です。
層 | 意味 | 主な証拠 | 信頼度 |
|---|---|---|---|
AI Exposed | AI 回答でブランドが見えた | Answer snapshot、SOV | 低から中。因果ではない |
AI Referred | AI 由来の到着があった | Referrer、UTM、first-party JS | 中。訪問証拠 |
AI Assisted | 購入経路に AI 到着が含まれる | Session path、multi-touch path | 中高。補助証拠 |
AI Last-Touch | AI が購入直前の到着元 | AI referrer から purchase session | 高。直接リンク |
Agent Checkout | Agent が API で実行 | UCP、ACP、API log | 最高。ただし現状は少ない |
MMP Confirmed | MMP が AI 信号を受けた | AppsFlyer、Adjust postback | 高。アプリ連携次第 |
さらに、増加の種類を分ける必要があります。計測を広げた直後の増加は、需要の増加ではなく可視化範囲の拡大かもしれません。逆に、同じ計測条件で AI assisted order が増えるなら、より強い成長シグナルです。
増加の種類 | 見え方 | 判断 |
|---|---|---|
Observed Growth | 導入後に数字が大きく増える | まず計測範囲の変化を疑う |
Comparable Growth | 同じ定義、同じ期間比較で増える | 需要または行動変化として評価しやすい |
Coverage Expansion | Edge Lite や bot detection 追加で増える | 過去に見えなかった層が見えた可能性 |
この設計なら、AI の貢献を過大にも過小にも見ません。経営には「確定売上」だけでなく、「強い訪問証拠」「補助証拠」「露出証拠」を分けて報告できます。広告費やコンテンツ投資の議論も、どの層を改善するかに落とし込めます。
日本企業で特に起きやすいのは、AI 由来の検討が指名検索や比較サイト経由に吸収されることです。ユーザーは AI で候補を絞ったあと、社内共有、稟議、価格確認、レビュー確認を挟んでから戻ってきます。この時点で GA4 の最後のクリックだけを見ると、AI の役割は消えます。だからこそ「AI が最後に連れてきたか」だけでなく、「AI が候補形成に入ったか」「Agent が商品データを読んだか」「その後の訪問が注文に近づいたか」を分けて見る必要があります。
この分け方は、AI を過剰に評価するためではありません。むしろ、まだ因果と言えないものを因果と言わないための安全装置です。露出は露出、訪問は訪問、注文接続は注文接続として扱う。そうすれば、経営は不確実性を理解したうえで投資判断ができます。
実装の順序も重要です。最初から完全な AI ROAS を作ろうとすると、定義が曖昧なまま数字だけが先に走ります。まず AI referrer と landing path を整理し、次に server log と Agent request を拾い、最後に注文との接続を作る。この順序なら、測定範囲の拡大と本当の成長を混同しにくくなります。
最終的に必要なのは、完璧なモデルではなく、誤解を減らす報告設計です。AI を一つのチャネル名として扱うのではなく、露出、到着、補助、転換を分けておけば、改善の責任範囲も明確になります。
その意味で、AI 帰属は分析部門だけの課題ではありません。コンテンツ、データ基盤、広告運用、商品運営が同じ定義を共有して初めて、数字は意思決定に使えます。
共通定義がなければ、同じ増加を別々の成功として二重計上する危険もあります。
補足: AI 帰属の再設計を実務で判断する
この論点を現場で扱う時は、AI 帰属の再設計を単なるトレンド解説としてではなく、日々の運用判断として扱う必要があります。特に見るべきなのは、last-click では見えない露出、到着、補助、転換がどの部署の責任で、どのデータに支えられ、どの頻度で更新されるかです。ここを曖昧にしたまま記事や FAQ だけを増やしても、AI が参照する証拠は安定しません。
実務では、まず「AI が何を読めるか」と「人間が何を見ているか」を分けます。商品ページの見た目が良くても、構造化データ、feed、ポリシー、レビュー、内部リンクが弱ければ Agent は自信を持って推薦できません。逆に、派手なキャンペーンをしなくても、計測範囲、比較可能成長、注文接続が揃っていれば、比較型の質問で候補に残る可能性が上がります。
次に、測定の粒度を決めます。週次では露出、Agent request、AI 由来 visit、サイト内行動、注文接続を分けて確認します。月次では、同じ定義で前月と比較できる数字だけを成長として扱います。新しいタグや Edge 計測を入れた直後の増加は、需要増ではなく観測範囲の拡大かもしれません。
最後に、改善順序を固定します。まず誤読を減らし、次に読めるデータを増やし、その後に到着後の体験を整え、最後に収益との接続を強くします。この順序を守れば、短期の数値が揺れても、チームはどの層を改善しているのかを見失いません。
この考え方は、日本語のコンテンツだけでなく、英語、韓国語、ドイツ語、フランス語、スペイン語、ポルトガル語、アラビア語の各市場にもそのまま必要です。翻訳文を置くだけでは不十分で、各市場の検索行動、比較基準、配送や返品の期待、レビュー文化に合わせて証拠を整える必要があります。
AI 帰属で最も危険なのは、弱いシグナルを強いシグナルとして報告することです。AI 回答でブランドが出たことは重要ですが、それだけでは売上の証明ではありません。AI referrer は訪問の証拠ですが、購入の理由までは示しません。注文接続は強い証拠ですが、上流で何が推薦されたかを補足しなければ説明が薄くなります。
したがって、レポートでは「推定」「補助」「確認済み」を分けて書くべきです。推定は Answer と SOV、補助は Visit と Commerce、確認済みは session-to-order join や MMP confirmed です。この区分があると、経営はリスクを理解したうえで投資判断ができます。
実装時には、同じ注文を複数の層で二重計上しないルールも必要です。たとえば AI Exposed と AI Assisted と AI Last-Touch が同じ注文に重なる場合、レポート上は階層を分けて表示し、合算売上として扱わない。これにより、AI の影響を小さく見積もり過ぎることも、大きく見せ過ぎることも避けられます。
このガバナンスがあると、コンテンツ、広告、データ、EC 運営の各チームが同じ指標を別々に主張する状況を防げます。
また、AI 関連の投資判断を「流行だからやる」ではなく、「どの証拠層を強くするためにやる」と説明できます。これが、AI 時代の帰属を経営で扱える形にする最低条件です。
この最低条件がなければ、AI の成果は過小評価と過大評価の間を揺れ続けます。
安定した定義があって初めて、AI の成長を継続的に比較できます。
これが実務上の基準線です。
FAQ
Q1: なぜ GA4 の AI 流入は小さく見えますか？
A: JS を実行しない Agent request、referrer の不完全識別、AI 影響のブランド検索化が原因です。
Q2: 分層帰属とは何ですか？
A: AI の露出、到着、支援、直接転換、Agent checkout を証拠の強さで分ける考え方です。
Q3: AI ROAS は正確に出せますか？
A: 現時点では単一値で正確に出すより、層別の基準線を作る方が安全です。
Q4: MMP とは競合しますか？
A: 競合ではなく補完です。CitationGraph は Web 側 AI 上流の証拠を MMP に渡します。