Kevin Indig 实测：分析工具中难以检测到隐藏的 AI Direct 流量

Growth Memo 是一份由读者支持的出版物。若想接收新文章并支持我的工作，欢迎考虑成为免费或付费订阅者。

如果我们发现分析工具中实际上隐藏着相当数量的 AI 流量，那岂不是令人如释重负？我感觉到业界有一种强烈的信念，认为大量 AI 流量在我们的分析工具中伪装成 Direct（直接访问）或以 Direct 形式出现。我明白这种想法从何而来，因为我写过相关内容：

• 在我们的AI Mode 用户行为研究中，18% 的退出涉及用户离开 AI Mode 并直接前往另一个网站。

• 在AI 是否正在蚕食你的 SEO 转化？中，我描述了一条从 AI 答案到品牌回忆再到直接访问的潜在路径，绕过了点击。

• 在当流量下滑且 AI 不归因时，如何规划 2027中，我引用了 Similarweb 的研究，该研究显示，收到 AI 品牌推荐的用户在随后的七天内更有可能访问这些品牌的网站。这些访问大多来自 Search（55.9%，而其他访问为 40.4%），来自 Direct 的较少（19.9%，而其他访问为 38.8%）。

如果你需要向团队解释 AI 如何改变搜索行为，Premium 资源库中包含一份 AI Mode 用户行为演示文稿。

这里有一个看似合理的机制，但这个信号是否足够强大，能在我们的分析中追踪来自 AI 的 Direct 流量？算是有。而现在，我们有了一个例子。

在 Siege Media 播客的一次采访中，增长专家 Eric Wu 讨论了 Ramp 如何将其 30–40% 的直接流量识别为源自答案引擎。我与他交流后得知，他的团队检查了用户不太可能输入的长博客 URL 的 Direct 访问增长情况，过滤掉了类似电子邮件营销活动的模式，并将剩余的访问与自然搜索流量进行了比较。其中一些 Direct 流量在页面停留时间、滚动深度和点击行为上与搜索访问者高度吻合。自我报告的归因证实这些用户确实来自 AI。

这让我好奇现在是否是时候在我们的分析中检测信号了。于是，我开始寻找隐藏 AI 流量的证据。

机器人。为什么非得是机器人？

我分析了 12 个网站的 Google Analytics 4 属性，使用相同的 2026 年 8 月至 9 月的对比，并排除了主页、本地化主页根目录和未知着陆页。请注意，这 12 个网站的小样本偏向 B2B，尽管流量在 B2B 和 B2C 之间几乎平分。除 2 个网站外，所有网站都以美国为目标。

起初我非常兴奋：12 个属性中有 8 个显示直接流量从 8 月到 9 月有所增长！有些甚至超过 100%。但当我深入挖掘时，发现其中大部分直接流量实际上是自动化机器人流量。在一个网站上，GA4 记录了 409,000 次 Direct 会话，其中只有 198 次被计为有效互动。

将所有 Direct 会话的增加与仅有效互动会话进行比较，可以清楚地看到：有效互动的 Direct 流量自年初以来一直持平。在经过筛选的 1 月至 9 月样本中，Direct 总量增长了 140.9%，而有效互动的 Direct 在月度计数上变化为 −1.0%，按平均每日流量计算则为 +2.3% （按每月天数归一化后）。

结论：我尚未能检测出“隐藏”的 AI 流量，除非有像 Eric 及其 Ramp 团队那样的自我归因标识。我还发现，在这 12 个网站上平均而言，带有可识别 AI 痕迹的 Direct 会话仅占直接流量的 0.003%。

要发现机器人流量，请按天、着陆页、国家、浏览器、操作系统、浏览器版本和屏幕尺寸细分 Direct 流量，并寻找集中在具有相同浏览器配置且互动度低或无互动的访问组中的突然增长。

要找出 AI 流量，我排除了通常会获得大量直接访问的页面，例如定价或登录页面：

• 主首页、区域根域名、索引别名和未跟踪的着陆 URL。

• 订阅计划和定价页面，包括本地化变体和捐赠费用明细页面。

• 身份验证门户、用户注册、账户管理、仪表盘、Webmail 和内部应用路径。

• 产品演示请求、帮助文档、公司关于/团队页面、投资者关系、隐私政策和内部搜索结果。

• 交易流程、支付处理、购买确认、账单收据和自动系统警报。

我有种不祥的预感

我不想就此放弃。于是，我对四个品牌进行了单独分析，以测试更高的 AI 可见度是否会带来更多品牌搜索或 Direct 流量。在 632 次测试中，我将每周的 AI 可见度与这两项指标进行了比较，延迟范围从同一周到六周后。

最初的结看起来很有希望！一个网站的 AI Share of Voice 与 Direct 流量之间的相关性为 0.72，在三周延迟时达到峰值。其与品牌搜索展示次数的相关性达到 0.59。第二个网站显示 ChatGPT 提及率与 Direct 流量之间的相关性为 0.47。太棒了！

对于第一个网站，相关性在三周后达到峰值，这使得延迟反应看起来是合理的。

但但但但但，强相关性需要有意义的对比。两条线可能因为共享一个趋势而同步移动，即使其中一个并没有驱动另一个。相关性不是因果……你懂的。

为了验证，我将 AI 序列与流量序列进行了错位，故意配对不同的周，同时保持每个序列内部的顺序。如果实际的时间点携带了有用的信息，它应该优于这些错配版本。我最初的比较给了真实数据优势。我测试了七个延迟并保留了最强的相关性，但每个错配版本只在那个获胜的延迟上进行了测试。因此我重复了测试。让每个错配版本都获得相同的七次机会，并保留其最强结果。

对于两个 Direct 流量的例子：

正确的日期优于大多数替代方案。但一旦获得相同的机会进行搜索，几个错误的对齐方式产生了同样强或更强的相关性。这些关系还取决于时间段。当我将每个时间线一分为二时，第一个网站的关系集中在后半部分。第二个网站的集中在前半部分。两者都没有在两个时期都显示出一致的关系，尽管较短的窗口使这些估计不够精确。

在选定的延迟下，这些例子分别只有 17 和 35 个可用的每周观测值。这限制了我区分适度效应与普通每周波动的能力。

The 0.72 correlation looked like the golden idol, but it set off a boulder. Across 632 tests, I compared different brands, AI metrics, and traffic measures. That creates plenty of opportunities to find something impressive. Across the four brands, I couldn’t establish a reliable link between AI visibility and subsequent branded search or Direct traffic. An effect could still exist. I just couldn’t isolate it.

Now, we can still benchmark which brands AI platforms mention and cite, and how that visibility differs by market.

This week’s sponsor, Semrush, compares seven months of US and UK data across 22 industries and four AI platforms in its latest AI Visibility Index study. It shows which brands lead in each market and why a strategy built for one country won’t necessarily carry over to another.

Use the study’s practical benchmarking plan to compare your brand’s visibility in the markets you serve.

Get the free study →

Indiana, let it go

Clicks as underlying basis for attribution exist mainly as a result of availability bias. When marketing measurement evolved from exposure (scores and ratings) to brand lift (“half my advertising budget is wasted”) and eventually clicks, modern tools reporting clicks and using last-click attribution shaped our way of thinking. It also helped that initial CTRs and conversion rates were extremely high. But now that AI breaks the traditional click funnel (search -> click -> convert), we need to rethink.

I found that the amount of Direct traffic to longtail pages in my sample driven by AI is not detectable yet. We also can’t yet find a reliable relationship between AI Visibility and branded search or direct traffic. Some companies with outstanding AI growth might be able to detect this, but across 12 sites of different sectors and sizes, I couldn’t see it.

The better way to measure the impact of AI Visibility is a mix of self-reported attribution and triangulation of leading indicators. In The usefulness of attribution for AI Search, I argued for combining signals with different blind spots:

1. Where your brand appears. Track mentions and recommendations across a consistent set of relevant prompts, platforms, and markets.

2. How people discovered you. Ask new leads and customers where they first heard about you and what prompted them to visit. Capture their own words, including which AI tool they used and what they were researching.

3. What happens commercially. Connect those answers to qualified leads, purchases, and revenue. Follow the people who report AI discovery through the buying process.

As Amanda Natividad and I discussed in How to plan 2027 when traffic is down and AI won’t attribute, put exposure, customer behavior, and business outcomes on the same monthly report. If visibility rises but customers rarely mention AI, investigate whether your tracked prompts reflect how buyers actually research. If more customers report AI discovery, examine whether those customers convert and stay.

Your next leadership meeting still needs a plan, even when attribution is inconclusive. The AI Search Strategy Pitch Deck helps you structure that conversation around business priorities, experiments, and what you need to learn. Included with Growth Memo Premium.

Humbly,

Kevin