Adobe와 BrightEdge의 수치는 서로 충돌해 보입니다. Adobe는 AI referral을 전체의 1% 미만으로 보고, BrightEdge는 AI Agent 활동을 약 15%로 봅니다. 둘 다 맞습니다. 하나는 브라우저 referrer를 보고, 다른 하나는 서버 요청을 봅니다.
GA4 last-click은 마지막 방문 채널에 매출을 줍니다. 그러나 AI는 그 이전의 조사, 비교, 신뢰 형성에 관여합니다. Perplexity에서 브랜드를 알고, ChatGPT에서 비교하고, 며칠 뒤 브랜드 검색으로 구매하면 GA4는 Organic으로 기록합니다. 실제 수요는 AI가 만들었을 수 있습니다.
실패 패턴은 네 가지입니다. AI 영향이 Direct로 들어갑니다. Agent 서버 요청은 JS를 실행하지 않아 GA4에 잡히지 않습니다. AI referrer 식별은 불완전합니다. 사용자가 여러 AI 플랫폼을 거치면 모두 제로 attribution이 됩니다. 앱 브랜드의 MMP도 Web 상류 AI 영향은 보지 못합니다.
필요한 것은 계층형 attribution입니다. AI Exposed, AI Referred, AI Assisted, AI Last-Touch, Agent Checkout, MMP Confirmed를 분리해 봐야 합니다. 가장 강한 증거만 기다리면 AI의 초기 효과를 놓칩니다.
또 관측 성장, 비교 가능 성장, 커버리지 확장을 구분해야 합니다. Edge Lite 도입 후 AI 요청이 15배가 되었다면 실제 수요가 15배가 된 것이 아니라 이전에 보이지 않던 요청을 보기 시작한 것일 수 있습니다.
실무 관점에서 last-click attribution의 한계는 단발성 콘텐츠 과제가 아닙니다. 상품 데이터, AI 답변에서의 표현, Agent 요청, 유입 이후 행동, 주문 연결을 하나의 증거선으로 봐야 합니다. 그렇지 않으면 팀은 “AI 쪽에서 뭔가 늘고 있다”는 말 이상으로 예산과 우선순위를 결정할 수 없습니다.
또 하나 중요한 점은 과도한 단정을 피하는 것입니다. AI 검색과 Agentic Commerce 측정은 아직 성숙 중입니다. prompt sampling, referrer, server log, Shopify order는 각각 장단점이 있습니다. 여러 약한 신호를 단순히 합산하기보다 계층별 신뢰도를 명확히 두고 개선 순서를 정해야 합니다.
A: JS 미실행 Agent 요청, 불완전한 referrer, 브랜드 검색으로 전환된 AI 영향 때문입니다.
A: AI 노출, 유입, 보조 전환, 직접 전환, Agent checkout을 증거 강도별로 나누는 방식입니다.
A: 단일 정확값보다 계층별 baseline을 만드는 것이 현실적입니다.
A: 대체가 아니라 보완입니다. Web AI 상류 신호를 MMP에 연결합니다.