AI-браузеры и видимость без кликов: как считать трафик, если реферера больше нет

Представьте: пользователь открывает агентный браузер — скажем, Comet от Perplexity — и просит его: «Подбери эргономичное кресло для дома, бюджет 25 000 рублей, сравни пару моделей и скажи, что брать». Агент не показывает человеку поисковую выдачу. Он сам открывает десяток страниц, среди них — обзор на mysite.com/catalog, читает характеристики, сверяет цены, сопоставляет отзывы — и через минуту выдаёт короткий ответ с двумя-тремя вариантами и ссылками. Пользователь читает этот ответ прямо в окне чата. Возможно, кликает по одной из ссылок. А возможно — нет: запоминает название модели и находит её на маркетплейсе в соседней вкладке, потому что так быстрее оформить заказ.

На стороне mysite.com это выглядит так: либо не происходит вообще ничего, либо через сутки-двое в отчётах GA4 появляется заход с источником «(direct) / (none)», никак не связанный с тем, что страницу вообще кто-то читал. Ни запроса, ни реферера, ни сессии, которую можно было бы привязать к конкретному визиту агента. Для классической аналитики этого визита просто не существовало.

О «zero-click» заговорили ещё тогда, когда Google начал массово показывать расширенные ответы прямо в выдаче: пользователь получал ответ без перехода на сайт, но хотя бы показ оставался виден в Search Console. С агентными браузерами происходит закономерное ужесточение: это уже не «клика не было», а «следа не было». Zero-click превращается в zero-trace — и это не метафора, а довольно точное описание того, что видит (точнее, не видит) ваша аналитика.

Пока речь не идёт о сотнях тысяч таких визитов в день на типичный сайт — агентные браузеры только набирают массовую аудиторию. Но траектория понятна: каждый следующий релиз Comet, Copilot или встроенных агентов ChatGPT добавляет ещё один канал, в котором решение «куда пойти за информацией» принимает не человек за рулём браузера, а модель, которая просто выполняет инструкцию. Вопрос не в том, готовиться ли к этому прямо сейчас, а в том, что именно считать показателем происходящего, если привычный счётчик молчит.

Сценарий с креслом — лишь один пример, и далеко не самый показательный с точки зрения бизнеса. Та же механика работает и в B2B: менеджер закупок просит агента сравнить трёх поставщиков корпоративного софта по условиям, функциональности и отзывам — агент обходит сайты всех трёх, включая страницу с тарифами на mysite.com, и возвращает сводную таблицу внутри чата. Здесь ставка выше, чем у кресла за 25 000 рублей, а след в аналитике — ровно тот же: либо ничего, либо неопознанный прямой заход спустя какое-то время.

ИИ-браузер, или агентный браузер, — это программа, которая просматривает веб-страницы не для человека за экраном, а вместо него. Технически это обычно надстройка над LLM: модель получает задачу («найди», «сравни», «забронируй»), строит план действий и дальше сама открывает страницы, читает разметку, иногда кликает по ссылкам и заполняет формы — то есть выполняет механику, которую раньше делал только человек мышкой и клавиатурой.

Это уже не гипотетическая категория. Comet от Perplexity браузит веб по инструкции пользователя и сам решает, какие страницы открывать; ассистенты, встроенные в ChatGPT, Copilot и Gemini, всё активнее получают возможность «сходить и посмотреть», а не отвечать только по обучающим данным. Общая механика везде похожа: агент получает цель, формирует список источников, забирает содержимое и возвращает человеку уже готовый синтез, а не список ссылок.

1. Он не обязательно рендерит страницу так, как это делает браузер человека: многие агенты забирают HTML или уже очищенный текст через fetch-подобный запрос, не выполняя JavaScript — если ваш счётчик подключён через JS-тег, событие просто не сработает.
2. Заголовок Referer часто отсутствует или обезличен: это не переход по ссылке из браузерного интерфейса, а программный запрос без формальной «предыдущей страницы».
3. Один ответ агента обычно собирается сразу из нескольких источников, поэтому даже идеально залогированный отдельный визит не совпадёт с тем, что реально прочитал человек, — он получает пересказ, а не вашу страницу.

Технически агентные браузеры делятся на два подвида, и для аналитики разница существенна. Первый тип — «тонкие» агенты: они обращаются к странице примерно как обычный HTTP-клиент, забирают HTML или уже очищенный текст и ничего не рендерят. Второй тип — агенты на базе headless-браузера: они действительно выполняют JavaScript, умеют прокручивать страницу и даже кликать по элементам интерфейса, то есть технически способны вызвать срабатывание вашего счётчика. Но и тут есть нюанс: многие такие агенты по умолчанию блокируют сторонние скрипты, трекеры и рекламные сети — просто ради скорости и приватности, — так что даже «полноценный» рендеринг страницы не гарантирует, что именно аналитический тег доживёт до выполнения.

Вся модель веб-аналитики, которой мы пользуемся последние двадцать лет, держится на одном допущении: человек видит ссылку в интерфейсе — в поисковой выдаче, соцсети, на другом сайте, — кликает по ней, браузер загружает страницу вместе с JS-тегом счётчика и, если это действительно был клик, передаёт заголовок Referer с адресом предыдущей страницы. На этом допущении построены источники трафика, атрибуция каналов, воронки конверсии — вообще всё.

Агентный визит ломает эту цепочку в каждой точке сразу: ссылку видит не человек, а модель; запрос делает не браузер с интерфейсом, а программный клиент; JS-тег может не выполниться; Referer может не передаться. Аналитика не «теряет часть данных» — она в принципе не спроектирована описывать событие «ИИ-агент прочитал мою страницу и пересказал её человеку в другом интерфейсе». Это как просить счётчик уличного трафика посчитать людей, которые увидели вашу вывеску на фотографии в чужом телефоне.

Условно: если за месяц агентные браузеры совершили, скажем, пару тысяч визитов на страницы каталога, в GA4 из них может быть видно ноль, десяток «прямых» заходов без источника или случайный всплеск без очевидной причины — конкретная цифра будет зависеть от того, какой тип агентов преобладает среди ваших посетителей и какие трекеры стоят на сайте. Смысл не в точном числе, а в порядке величины: доля видимых агентных визитов в классической аналитике может быть кардинально меньше их реального количества, и никакая донастройка счётчика это не исправит, потому что проблема не в настройке, а в самой модели измерения.

Из этого не следует, что про такие визиты вообще ничего нельзя узнать. Но узнавать придётся другими методами, и точность будет принципиально ниже, чем у обычной атрибуции.

Полностью слепым сайт не становится. Часть сигналов остаётся доступной — но это уже не прямое измерение, а косвенные индикаторы, которые нужно сопоставлять руками.

Третья строка таблицы — самая практичная. Если вы отдельно отслеживаете, насколько часто бренд упоминается и цитируется в ответах ChatGPT, Perplexity, Copilot, Gemini и Google AI (разница между упоминанием и цитированием разобрана в статье «Упоминания, цитирования и обратные ссылки — в чём разница»), рост этой видимости вместе с ростом прямых заходов — довольно надёжный намёк на то, что часть «невидимого» трафика действительно приходит через ИИ-агентов, а не берётся из воздуха.

Пятая строка — метод для продвинутых: сверка User-Agent с обратным DNS-именем хоста, с которого пришёл запрос, чуть повышает доверие к логам, потому что часть добросовестных краулеров резолвится в ожидаемый домен, и это сложнее подделать, чем просто текстовую строку UA. Но метод требует отдельной настройки и регулярной сверки диапазонов, которые тоже меняются, так что для большинства сайтов это разовая проверка на период всплеска, а не постоянный процесс.

Если классическая аналитика пытается восстановить картину по огрызкам, оставшимся после события — реферер, строка в логе, всплеск прямых заходов, — есть более прямой путь: не гадать, что сделал ИИ-агент, а напрямую спросить у тех же ИИ-систем, что они отвечают, когда их об этом спрашивают.

Это ровно то, чем занимается AI Control: сервис прогоняет реальные промпты через реальные ИИ-системы — ChatGPT, Perplexity, Copilot, Gemini и Google AI — и фиксирует фактический ответ: упомянут ли бренд, на каком месте, какие источники система процитировала, как это соотносится с конкурентами по Share of Voice. Это не симуляция и не оценка «вероятности попадания» — это запись настоящего ответа настоящей модели на настоящий запрос, сохранённая с историей по датам.

На практике это обычный рабочий процесс, а не разовый эксперимент: набор промптов — вопросы, которые реальные покупатели могли бы задать ИИ-системе про вашу категорию, — заводится один раз (через Prompt Hub можно добавить их по одному или массово, импортом из файла), а дальше эти промпты регулярно прогоняются против выбранных провайдеров. Накопленная история по каждой паре «промпт × ИИ-система» показывает не разовый снимок, а тренд: стал бренд упоминаться чаще или реже, поднялся он в ответе выше конкурента или опустился, изменился ли набор источников, которые система цитирует в ответ.

Разница в том, что именно измеряется. Реферальная аналитика измеряет выход — ту долю события, которая осталась видна после того, как агент уже всё сделал, и то не всегда. Трекинг промптов измеряет вход: что отвечает модель, когда её спрашивают про вашу категорию товаров или услуг прямо сейчас, с историей того, как этот ответ меняется со временем. Первое — попытка реконструировать сломанный сигнал постфактум. Второе — прямое наблюдение за тем самым местом, где формируется рекомендация, которая потом, возможно, приведёт (а возможно, и нет) к заходу на сайт.

Нельзя точно посчитать трафик, который никогда не оставлял следа на вашем сервере. Но можно напрямую посчитать, что отвечает модель, когда её спрашивают про ваш бренд.

Та же логика объясняет, почему стоит разбираться не только в том, упоминают ли вас ИИ-системы, но и в том, как именно они выбирают источники для ответа: если понятно, по каким признакам ChatGPT, Perplexity или Gemini решают, какую страницу процитировать (механика разобрана в статье «Как ИИ-системы выбирают источники»), промпт-трекинг превращается не просто в индикатор «видно/не видно», а в обратную связь, которую можно использовать для самого контента — ровно там, где реферальная аналитика ничего подсказать не может в принципе.

Методика такого измерения подробно разобрана в статье «Как измерить видимость бренда в LLM»; общий обзор подхода — от выбора промптов до интерпретации метрик — в «Полном гайде по мониторингу ИИ-видимости».

Прежде чем переходить к трекингу промптов, стоит выжать то, что уже лежит у вас на сервере. Access-логи nginx или Apache не покажут, что именно ответил ИИ-агент пользователю, но дадут грубую прикидку активности известных ИИ-краулеров и агентов по подстрокам в User-Agent.

# Грубая прикидка активности известных ИИ-ботов/агентов за текущий лог
grep -iE 'gptbot|oai-searchbot|perplexitybot|ccbot|google-extended|ai2bot' access.log \
  | awk '{print $7}' \
  | sort | uniq -c | sort -rn | head -20

Это именно грубая прикидка, а не измерение. User-agent — просто строка, которую клиент сам о себе заявляет: добросовестные краулеры её не скрывают, но ничто не мешает агенту представиться обычным Chrome, а скрейперу — подделать строку известного бота. Плюс список подстрок устаревает быстрее, чем вы успеете его обновить: новые агенты появляются, старые меняют идентификацию. Относитесь к результату как к порядку величины («краулеров стало в разы больше за месяц»), а не как к точной цифре визитов.

for f in access.log.1 access.log.2 access.log.3; do
  echo "$f:"
  grep -icE 'gptbot|oai-searchbot|perplexitybot|ccbot|google-extended|ai2bot' "$f"
done

Такое сравнение по неделям полезнее единичного среза: разовое число почти ничего не говорит о динамике, а рост в разы между соседними периодами — уже повод присмотреться внимательнее, даже с учётом всех оговорок про подделку UA.

Сдвиг структурный, а не временный баг, который исправят следующим обновлением GA4. Разумная реакция — не паника, а пересборка набора сигналов, на которые вы смотрите.

• Не гоняйтесь за каждым User-Agent в логах и не стройте на этом отдельный KPI — это грубый индикатор активности, который легко подделать или пропустить, а не метрика, на которой можно строить отчётность перед руководством.
• Отслеживайте видимость бренда в ответах ИИ-систем напрямую через AI Control, а не пытайтесь вывести её из обрывков трафика.
• Держите в поле зрения динамику брендовых и прямых заходов как вторичный, подтверждающий сигнал — не как основной источник истины.
• Сопоставляйте рост упоминаний и цитирований (разница между ними разобрана отдельно) с динамикой Share of Voice — это даёт более целостную картину, чем любой из сигналов по отдельности.
• Примите часть потери атрибуции как структурную особенность новой среды, а не как баг, который можно починить более точной настройкой счётчика.
• Периодически пересматривайте политику robots.txt в отношении ИИ-агентов осознанно, а не по умолчанию «заблокировать всё незнакомое».
• Смотрите на всё это как на наблюдение, а не на разовый отчёт: всплеск прямых заходов или рост упоминаний в ответах ИИ-систем значит что-то только в динамике за недели и месяцы, а не как единичная цифра.