我们先看一组数字的矛盾。
Adobe 2026 年 Q1 报告：AI 推荐流量占美国零售网站总流量不到 1%。BrightEdge 2026 年 4 月研究：AI Agent 活动占网站总流量约 15%，已达到人类有机搜索量的 88%。
同一时期，同一类网站，两个相差 15 倍的数字。
这不是统计误差。这是归因盲区。
Adobe 用的是传统分析视角——通过浏览器 referrer 和 GA4 标签识别 AI 来源。BrightEdge 用的是服务器视角——通过 User-Agent 和请求模式在服务器层面识别 AI Agent 活动。两者都是真实数据，但它们看到的是 AI 活动的不同侧面。
这个差距揭示了一个根本性问题：我们用来衡量 AI 商业影响的工具，是为了一个没有 AI 的时代设计的。
Last-Click 归因为什么在 AI 时代失效
GA4 的默认归因模型是 last-click——谁最后把用户送到你的网站，谁拿归因。这个模型在 Google Ads + 网页搜索的世界里运行了二十年。
但 AI 改变了用户的决策路径。一笔典型的 AI 影响购买是这样的：
Day 1: 用户在 Perplexity 研究 "best running shoes for flat feet" → Perplexity 引用了你的品牌评测和 Reddit 讨论 → 用户记住了你的品牌名 Day 3: 用户在 ChatGPT 问 "compare [你的品牌] vs [竞品]" → ChatGPT 推荐你的品牌，给出价格和退货政策 → 用户点击了推荐链接，浏览了你的网站 3 分钟 → 用户没有购买，关掉了页面 Day 7: 用户在 Google 搜索你的品牌名 → 点击第一条结果进入你的网站 → 完成购买
GA4 的 last-click 归因：这是一笔 Organic Search 收入。
实际发生了什么：这笔收入是 AI 在 Day 1 和 Day 3 的推荐和比较驱动的。如果 AI 没有推荐你，用户可能在 Day 1 就选择了竞品。
这不是 GA4 的 bug，而是 last-click 模型在 AI 时代的结构性盲区。
AI 归因失效的四种模式
通过分析 CitationGraph 追踪的真实数据，我们识别出四种 AI 归因失效的典型模式：
模式一：AI 影响被归类为 Direct
用户在 AI 对话中看到了你的品牌推荐，几天后直接在浏览器输入你的 URL 访问。GA4 标记为"Direct"。实际上这是 AI 驱动的品牌搜索。
这是最常见的 AI 归因黑洞。根据 CitationGraph 对多个电商站点的数据分析，部署 AI 来源追踪后，"Direct"流量中有 8-15% 可以归因到 AI 活动。
模式二：AI Agent 请求不被 GA4 计数
AI Agent 的服务端请求（如 GPTBot、PerplexityBot、ClaudeBot 抓取你的产品页面）不执行 JavaScript。GA4 完全看不到这些请求。但这些请求直接决定了 AI 是否推荐你——如果 Agent 无法抓取你的产品信息，它就无法推荐你。
BrightEdge 数据显示，这类服务端请求占网站总流量的 15%。全部是 GA4 的盲区。
模式三：GA4 AI 来源识别不完整
GA4 在 2026 年 3 月加入了"AI Assistants"渠道组。但这个识别依赖浏览器 referrer，而不同 AI 平台的 referrer 格式各异。一些 AI 推荐流量被归类到"Organic"（当 AI 嵌入到搜索引擎中时）或"Referral"（当 referrer 不在 GA4 的 AI 识别列表中时）。
更重要的是，GA4 的"AI Assistants"字段存在不一致——有时显示为 AI Assistant（单数），有时显示为 AI Assistants（复数）。这种数据层面的不一致让基于 GA4 的 AI 分析进一步失真。
模式四：跨平台碎片化导致零归因
用户在 Perplexity 研究 → Gemini 比较 → ChatGPT 确认 → 直接输入 URL。三个 AI 平台都参与了用户的购买决策，但因为最后一步是"Direct"，GA4 给所有三个 AI 平台零归因。
这种模式随着 AI 平台数量的增加只会越来越常见。StatCounter 数据显示，虽然 ChatGPT 目前占 AI 聊天机器人推荐流量的 79%，但 Gemini、Perplexity、Claude、Copilot 的份额在快速增长。用户跨平台使用的模式正在成为常态。
AppsFlyer 和 MMP 的 AI 盲区
归因问题不只存在于 GA4。对于有 App 的品牌，AppsFlyer、Adjust、Branch 等 MMP（Mobile Measurement Partner）也面临同样的 AI 盲区。
MMP 的归因模型围绕 App Install 设计：
- 用户点击广告 → 跳转 App Store → 安装 App → 打开 App → 事件归因
AI 的影响完全在这个链路之外：
- 用户在 ChatGPT 研究 → 浏览品牌官网 → 下载 App → 完成交易
MMP 归因的是"App Store 搜索"或"Direct"。AI 在 Web 端的影响——用户为什么知道你、为什么信任你、为什么搜索你的品牌名——被完全忽略。
这就是为什么我们在 AIAA 系列中强调：CitationGraph 不替代 AppsFlyer，而是补上 MMP 看不到的 AI 上游证据。CitationGraph 告诉你"AI 在 Web 端如何影响了用户"，AppsFlyer 告诉你"用户在 App 端做了什么"。两者结合才是完整的归因画面。
分层归因：AI 时代的度量框架
Last-click 的失效不意味着我们放弃归因。它意味着我们需要一个更诚实的分层模型。
归因层 | 含义 | 证据来源 | 可信度 |
|---|---|---|---|
AI Exposed | 品牌在 AI 回答中出现，可能影响用户认知 | SOV / Prompt Sampling | 低——相关性不等于因果 |
AI Referred | AI 产生了可识别的到站 session | 一方 JS / Edge Lite / GA4 | 中——有到站证据但不确定转化因果 |
AI Assisted | AI 到站出现在转化路径但不是最后一步 | GA4 多触点 / Session 路径 | 中高——有路径证据 |
AI Last-Touch | AI 是直接带来转化的最后触点 | AI Referrer → Purchase session | 高——有直接链接证据 |
Agent Checkout | AI Agent 直接通过 API 完成结账 | UCP/ACP/API 日志 | 最高——但目前场景稀少 |
MMP Confirmed | MMP 系统确认的 AI 相关转化 | AppsFlyer / Adjust postback | 高——依赖 AI source signal 回传 |
关键原则：每一层都有独立价值，不需要等到最高层才有意义。
一个品牌可能在 AI Exposed 层有大量活动（AI 频繁提到你），但在 AI Referred 层很少（用户不点击 AI 推荐链接而是自己搜索品牌名）。这不意味着 AI Exposed 没有价值——它可能正在驱动你的品牌搜索增长。
"观测增长"vs"可比增长"vs"覆盖扩展"
分层归因解决的是"什么类型的 AI 影响"。但还有一个同样重要的问题：AI 的增长数字有多少是真实的？
我们在 AIAA 系列中提出了三种增长率的区分：
观测增长（Observed Growth）：你在仪表盘上看到的原始数字变化。包括所有因素——自然需求增长、新数据源接入导致的覆盖扩展、追踪技术升级带来的可见度提升。
可比增长（Comparable Growth）：排除了覆盖扩展和追踪升级后的增长。只保留同口径、同数据源下的真实需求变化。
覆盖扩展提升（Coverage Expansion Lift）：因为接入了新数据源（如从 JS-only 升级到 Edge Lite）或升级了追踪能力而"发现"的增量。这些数据一直存在，只是之前看不到。
例如：你部署 Edge Lite 后，AI 请求量从 1,000 跳到 15,000。这不是 AI 请求增长了 15 倍——而是你之前只能看到 1/15 的 AI 活动。观测增长 1,400%，覆盖扩展提升约 1,300%，可比增长可能只有 100%。
不区分这三种增长，你会做出错误的资源分配决策。
GA4 AI-source Revenue：真实但需要边界
尽管 GA4 的 AI 归因不完整，GA4 的 AI-source revenue context 仍然是当前最容易获取的 AI 商业数据之一。
以 CitationGraph 追踪的电商站点为例：当前 30 天 GA4 AI-source revenue 约 $20,816，36 笔 AI 购买。这个数据是真实的——但它有明确的边界：
- 这是 GA4 source-labeled 的 AI revenue context，不是 Shopify 原生订单归因
- GA4 可能低估了 AI 贡献（因为很多 AI 影响被归到 Direct/Organic）
- 不能直接和 Shopify 总收入做除法得出"AI 贡献率"——因为分子和分母不在同一归因口径
正确的做法是把 GA4 AI-source revenue 当作一个"下限参考"——真实 AI 贡献几乎肯定高于这个数字，但你需要更多证据层（Edge Lite、Session-to-Order Join）才能看到更完整的画面。
对品牌的具体行动指南
第一步：审计你的 GA4 AI 来源识别。
检查 GA4 的"AI Assistants"渠道是否正确配置。检查是否有 AI 推荐流量被归类到"Direct"或"Referral"。确认 AI Assistant / AI Assistants 的表述是否一致。
第二步：部署一方 AI 来源追踪。
在网站上部署第一方 JS，识别浏览器 referrer 中的 AI 来源。这会立即帮你发现 GA4 遗漏的 AI 流量。
第三步：用 Edge Lite 看到服务端请求。
GA4 只能看到执行 JavaScript 的浏览器访问。AI Agent 的服务端请求（占总流量 15%）需要 Edge Lite 或 Log Bridge 才能看到。
第四步：建立分层归因基线。
不要试图立刻算出一个精确的"AI ROAS"。先建立每一层的基线数据：AI Exposed 多少？AI Referred 多少？AI Assisted 多少？然后逐月追踪趋势。
第五步：向 MMP 回传 AI source signal。
如果你使用 AppsFlyer 或 Adjust，通过 Deep Link 参数或自定义事件把 AI 来源信号回传给 MMP。让 MMP 知道这个用户是 AI 驱动的 Web 访问转化来的。
下一篇预告
我们已经讨论了 Agentic Commerce 的全链路重构、B2A 基础设施、证据缺口和归因危机。最后一篇，我们把视角拉到市场竞争格局——GEO 工具、归因平台和 AI 可见度工具各自覆盖什么，谁有结构性缺口，以及 CitationGraph 为什么是唯一一个正在构建全链路覆盖的平台。
FAQ
Q1: 为什么 GA4 报告的 AI 流量远低于实际？
A: 三个原因：(1) GA4 依赖浏览器 JavaScript 执行，AI Agent 的服务端请求（约占总流量 15%）不执行 JS，GA4 完全看不到。(2) 很多 AI 推荐流量的 referrer 不在 GA4 的识别列表中，被归类到 Direct 或 Referral。(3) AI 影响的品牌搜索流量被归类为 Organic。
Q2: 分层归因和传统多触点归因有什么区别？
A: 传统多触点归因（如 GA4 的 data-driven attribution）仍然在已知渠道之间分配功劳。分层归因关注的是不同证据层级——从 AI 曝光（可能影响）到 AI 推荐到站（有到站证据）到 AI 辅助转化（有路径证据）到 Agent 结账（最强证据）。每一层有独立的证据标准和可信度。
Q3: "观测增长"和"可比增长"有什么区别？
A: 观测增长是仪表盘上的原始数字变化，包含所有因素。可比增长排除了因新数据源接入或追踪升级而产生的"覆盖扩展"。例如部署 Edge Lite 后 AI 请求量跳升 15 倍，其中大部分是覆盖扩展（之前看不到的数据现在能看到），可比增长可能只有 2 倍。
Q4: 品牌现在能精确计算 AI ROAS 吗？
A: 目前不能精确计算，因为分子（AI 贡献的收入）和分母（AI 渠道的投入）都缺乏精确数据。但可以建立分层基线——AI Exposed、AI Referred、AI Assisted 各层的趋势——逐月改善度量精度。
Q5: CitationGraph 和 AppsFlyer 的关系是什么？
A: 互补而非替代。CitationGraph 覆盖 AI 在 Web 端的上游证据（AI 推荐、AI 到站、AI 辅助的 Web 转化）。AppsFlyer 覆盖 App 端的安装归因和应用内事件。CitationGraph 把 AI source signal 回传给 AppsFlyer，让 MMP 知道 App 安装背后的 AI 影响。