#### 氷山モデル
AIトラフィックをGA4だけで見ると、実態を大きく誤解します。GA4に表示されるのは、referrerが残り、JavaScriptが実行され、人間がクリックした一部の訪問です。しかしAI時代の接触はそれだけではありません。AIクローラーがサイトを読み、AI回答がブランドを引用し、ユーザーがクリックせずに認知を形成し、WebからAppへ移動する途中でソース情報が消えます。
つまり、GA4が見ているのは氷山の先端です。水面下には、測定されないAI接触が広がっています。MMPも同じです。アプリインストールとアプリ内イベントの測定には強い一方、AIがその前にどのような需要を作ったかは、通常のMMPデータモデルには入りません。
#### 第1層：AIクローラーリクエスト
最も大きい不可視領域は、AIクローラーやエージェントのサーバー側リクエストです。これらは人間のブラウザではなく、JavaScriptを実行しません。したがってGA4には記録されず、ページビューにもセッションにもなりません。
しかし、この接触は重要です。AIシステムは商品ページ、FAQ、比較記事、価格情報、ポリシーページを読み、回答の材料として理解します。AIがあなたのブランドを正しく説明できるか、競合比較に含めるか、引用に値すると判断するかは、この水面下の消費と関係しています。
SEOでクロールとインデックスが順位の前提であるように、AI時代には機械によるコンテンツ消費がAI回答品質の前提になります。GA4に見えないから価値がないのではなく、GA4の測定モデルがそこに届いていないだけです。
#### 第2層：referrerが失われたAI訪問
AIからの人間のクリックであっても、必ずAI流入として分類されるわけではありません。プラットフォームの遷移仕様、ブラウザ、WebView、プライバシー設定によってreferrerが失われることがあります。そうなると、GA4ではDirect、Organic、Unassignedに混ざります。
これは小さなノイズではありません。特にFinTech、暗号資産、ゲーム、SaaSのようにモバイルやアプリ遷移が絡む業界では、ユーザーの環境が多様で、sourceの欠落が起きやすい。AI起点の高意図訪問が、別チャネルの成果に見えてしまいます。
#### 第3層：GA4のチャネル分類
GA4がAI referrerを受け取れたとしても、チャネル分類が常に実務に合うとは限りません。AI Assistantsのような分類は改善ですが、企業の経営レポートにはより細かい視点が必要です。ChatGPT、Perplexity、Gemini、Copilot、AI Overview、業界特化型AIは、同じ「AI」でもユーザー意図や成果の意味が違います。
Performance Marketingの観点では、「AIかどうか」だけでは不十分です。どのAI環境から来たのか、人間クリックなのか機械接触なのか、商品検討なのかブランド比較なのか、App Installにつながる可能性があるのか。こうした分類は、汎用分析ツールだけでは粗くなりがちです。
#### 第4層：ゼロクリック引用
AI検索は、クリックのないブランド接触を増やしています。ユーザーがAIに「候補を比較して」と聞き、AIがあなたのブランドを含む詳細な回答を出す。ユーザーは読んで理解し、候補リストに入れる。しかしリンクはクリックしない。
この接触はマーケティング上、明らかに価値があります。後日ユーザーがブランド名を検索した時、その認知はすでに作られています。しかしGA4には何も残りません。Webリクエストが発生していないからです。
この問題を測るには、受動的なWeb解析だけでは足りません。AI回答の中でブランドがどれだけ引用され、どの文脈で語られ、競合とどう並べられているかを、別の方法で観測する必要があります。
#### 第5層：Web-to-Appの断絶
アプリを持つ企業にとって、商業的に最も重要なのはWeb-to-Appの断絶です。AI推薦からブランドサイトに来る。GA4はそのWeb訪問を見られるかもしれません。しかしユーザーがApp Storeへ移動し、アプリをインストールした時点で、MMP側の計測が始まります。GA4とMMPの間に溝ができます。
GA4は、そのWebセッションがインストールにつながったことを知りません。MMPは、そのインストールの前にAI影響のあるWeb訪問があったことを知りません。結果として、AIによるインストールがOrganicやBrand Searchに紛れます。
暗号資産取引所、FinTech、ゲーム、モバイルSaaSでは、この断絶は単なるレポート問題ではありません。高価値ユーザーの獲得原価、入金、KYC、初回取引、継続利用の判断に直接影響します。
#### 解決策：多層のAI可視性
氷山を可視化するには、GA4を置き換える必要はありません。GA4の上に、AIソース専用の可視性レイヤーを重ねる必要があります。
CitationGraphはEvidence Levelの考え方を採用します。まずGA4、GSC、Shopifyなど既存データを基準線として使う。次に自社ドメイン上のAIソース分類を整える。さらにサーバー側のリクエストから、人間クリックだけではないAI接触を観測する。大企業では、既存の監視基盤やBIと統合し、複数プロダクトやAPI接点にまたがるAI影響を整理します。
指標 | クライアント側のみ | サーバー側可視性あり | 倍率 |
|---|---|---|---|
可視化されたAIリクエスト | 約90件/日 | 約1,200件/日 | 14倍 |
識別できるAI Agent種類 | 3 | 8以上 | 2.7倍 |
AIクローラーリクエスト比率 | 見えない | 90%以上 | 実質無限 |
AI referral識別率 | 約40% | 約95% | 2.4倍 |
重要なのは、一度に全てを導入することではありません。各レベルは独立した価値を持ちます。GA4だけでは見えなかった領域が、サーバー側の可視性によって急に明らかになる。そこから、MMPやCRM、売上データへの信号連携を進めればよいのです。
#### MMPとの連携
多層可視性はWeb側のAI測定を改善します。しかしアプリを持つ企業では、次の課題があります。Web側で見えたAIソースを、どうMMPやアプリ内成果とつなぐか。これは単なるダッシュボード問題ではなく、AI時代のSignal Bridge問題です。
#### 実務で最初に見るべき指標
実務では、最初から完璧なAI売上帰属を求めるべきではありません。まず見るべきなのは、AI接触の種類が増えているか、AIから来た人間クリックの品質が通常流入と違うか、AIクローラーがどのページ群を読んでいるか、AI回答で引用されるページと実際のランディングページが一致しているかです。
この4つを見るだけでも、コンテンツ投資の優先順位は変わります。AIがFAQや比較ページを読んでいるのに、商品ページの構造化が弱ければ改善点は明確です。AI回答ではブランドが引用されているのに、Web-to-Appでソースが消えているなら、次に必要なのはMMP連携です。氷山を可視化する目的は、きれいなレポートを作ることではなく、次の投資判断を間違えないことです。
#### 核心論点
GA4が見るAIトラフィックは氷山の先端です。水面下にはAIクローラー、referrer欠落、ゼロクリック引用、Web-to-App断絶があります。必要なのはGA4の置き換えではなく、独立したAIソース可視性レイヤーです。
A: 必要な第一歩ですが十分ではありません。referrerが残る人間クリックしか扱えず、機械リクエストやゼロクリック引用は見えません。
A: 一部は重複します。そのため、人間クリック、機械接触、引用、Web-to-App信号を分けて扱う設計が重要です。
A: 直接ではありません。しかしAI回答品質の先行指標です。SEOにおけるクロールと同様、機械側の消費は将来の推薦や引用の前提になります。