Как отслеживать лиды из ChatGPT, Perplexity и других AI-систем

У AI-трафика есть одна особенность: он может влиять на продажи, даже если в аналитике этого почти не видно. Разбираемся, как по возможности точно учитывать такие лиды.

Еще в 2024 году аналитическая компания Gartner прогнозировала, что к 2026 году объем традиционного поиска снизится на 25% из-за чат-ботов и виртуальных агентов. Сейчас точнее говорить не о «смерти поиска», а о смещении части пути клиента в AI-интерфейсы: пользователь получает ответ, сравнение или рекомендацию еще до перехода на сайт.

Для маркетинга это становится проблемой атрибуции. Покупатель может спросить LLM, кому доверить задачу, увидеть ваш бренд в коротком списке и вернуться через несколько дней уже напрямую, через брендовый поиск или органику. В CRM такой путь будет выглядеть как обычный визит, хотя выбор начался с AI-рекомендации.

Так появляется разрыв между реальным влиянием AI-поиска и тем, что попадает в отчет. Часть лидов можно отследить технически — по рефереру, UTM-метке, источнику визита или данным формы. Остальное приходится собирать по косвенным признакам: брендовый поиск, прямые заходы, атрибуция по данным опросов самих пользователей, динамике AI-видимости и вопросам отдела продаж.

Поэтому CMO нужно несколько уровней доказательности: где AI привел пользователя напрямую, где помог бренду попасть в шорт-лист, а где проявился через отложенный интерес.

AI-вклад бывает прямым, отложенным и косвенным

Перед настройкой отчетов нужно договориться о терминах. Иначе команда будет говорить о «лидах из ChatGPT», подразумевая разные явления.

• Прямой AI-переход — пользователь кликнул по ссылке в ChatGPT, Perplexity, Claude, DeepSeek, Gemini, Алисе, Нейро или другом AI-интерфейсе и попал на сайт. Такой визит можно увидеть в аналитике, если передался реферер или UTM-параметр.

• AI-assisted lead — нейросеть участвовала в выборе, но визит в аналитике пришел через другой источник. Например, человек увидел бренд в Perplexity, потом загуглил название компании в Яндексе и оставил заявку.

• Zero-click influence — пользователь получил достаточно информации в AI-ответе и не переходил на сайт на этапе исследования. Позже он мог обратиться в компанию через прямой заход, брендовый запрос, рекомендацию коллеги или звонок.

• AI-видимость — бренд регулярно появляется в ответах по коммерчески важным запросам, хотя прямых лидов из этих ответов пока мало. Это ранний сигнал: нейросети уже включают компанию в поле выбора.

Нейросеть может сразу привести пользователя на сайт или повлиять на выбор без прямого клика — тогда аналитика увидит только финальный заход.

Эти уровни нужно показывать отдельно. Если сложить их в одну цифру, отчет станет не таким полезным, а если учитывать только прямые переходы, вклад AI-поиска почти наверняка будет занижен.

Прямые AI-переходы нужно вынести в отдельный канал

Самый надежный слой атрибуции — переходы, где пользователь действительно кликнул по ссылке из AI-системы. Их нужно отделить от обычных переходов с внешних сайтов, органического поиска и прямых заходов.

В GA4 уже есть стандартный канал AI Assistants: туда могут попадать переходы из источников вроде ChatGPT, Gemini, DeepSeek, Copilot и Grok. Важно учитывать ограничение: Google AI Overviews и AI Mode относятся к органике, поэтому в отчете AI Assistants вы их не увидите отдельной строкой.

Для управленческого отчета лучше настроить свою группу каналов: в нее можно вручную добавить AI-источники, которые важны именно вашему бизнесу. В группу AI-источников можно вынести домены и источники, которые важны именно вашему бизнесу: chatgpt.com, openai.com, perplexity.ai, claude.ai, deepseek.com, gemini.google.com, copilot.microsoft.com, grok.com и другие. Список стоит пересматривать хотя бы раз в квартал: AI-интерфейсы и их домены меняются быстрее, чем привычные поисковые каналы.

В Яндекс Метрике принцип такой же: источник визита определяется по метке или рефереру. Для AI-переходов имеет смысл сделать сегмент по сайтам-источникам: chatgpt.com, perplexity.ai, claude.ai, deepseek.com, openai.com и другим доменам, которые реально встречаются в ваших данных.

Отдельно проверьте ChatGPT. Эта AI-система автоматически добавляет utm_source=chatgpt.com к referral URLs из ChatGPT search results. На практике все равно полезно проверять и UTM, и source/medium, и referrer: сценариев перехода несколько, а в отчетах они могут разъехаться.

UTM-разметка работает только там, где вы управляете ссылкой: в собственном GPT, партнерской публикации, рассылке, презентации, лендинге, PDF, QR-коде, рекламной кампании.

Метрика и CRM должны хранить именно первый AI-контакт

Отчет по визитам из AI мало что дает CMO сам по себе: важнее понять, какие лиды, сделки и деньги пришли из этих переходов.

Минимальная задача для аналитика и CRM-специалиста — передавать в карточку лида данные первого и последнего касания:

• первый источник перехода;

• первый тип трафика: поиск, переход с другого сайта, прямой заход, реклама и т. д.;

• первый сайт-источник, если он передался;

• первая страница входа;

• последний источник перехода;

• последний тип трафика;

• последний сайт-источник, если он передался;

• страница, с которой пользователь отправил заявку;

• UTM-метки, если они есть.

Важно сохранить в CRM первый источник перехода и не перезаписывать его при повторных визитах. Например, человек сначала перешел на сайт из Perplexity, а через несколько дней вернулся через поиск по названию компании. Если система перезапишет источник, в карточке останется только органика, и вклад Perplexity потеряется.

В amoCRM, Битрикс24, Roistat и других системах это решается похожим образом: для AI-источников создают отдельные поля или отдельный канал и задают правила по реферерам и UTM-меткам. Названия настроек в интерфейсах будут разными, но смысл один: если в источнике есть chatgpt.com, perplexity.ai, claude.ai, deepseek.com или другой AI-домен, такой лид должен попадать в отдельную группу.

В отчете для CMO стоит показывать не только количество заявок из AI-источников, но и их качество: сколько лидов стали квалифицированными, сколько дошли до встречи или демо, какие сделки появились в работе, есть ли закрытые продажи, отличается ли средний чек и какие страницы чаще всего приводят AI-трафик.

Если прямых переходов из нейросетей пока мало, это еще не говорит о слабости канала. AI-трафик может быть небольшим по объему, но более ценным по намерению пользователя: человек уже пришел после сравнения, рекомендации или уточняющего вопроса. Поэтому его нужно оценивать не только по числу визитов, но и по тому, как эти визиты проходят дальше по воронке.

Брендовый спрос показывает влияние без прямого клика

Иногда влияние нейросетей видно не в переходах из ChatGPT или GigaChat, а в росте брендовых запросов. Пользователь мог увидеть компанию в AI-ответе, не перейти по ссылке, а позже набрать название бренда в поиске. В отчетах такой визит будет выглядеть как переход из поиска, прямой заход или реклама по бренду.

Поэтому в отчет по AI-источникам стоит добавить отдельный блок про брендовый спрос. Смотрите, растут ли показы и клики по запросам с названием компании, появляются ли запросы вроде «бренд + отзывы», «бренд + цена», «бренд + услуга», «бренд vs конкурент», увеличиваются ли прямые заходы, переходы на главную страницу и заявки после брендового поиска.

В Google Search Console для этого можно использовать фильтры по запросам. У Google также появился фильтр брендовых запросов: он помогает отделять запросы с названием компании от общих запросов по теме в отчете об эффективности.

Брендовые запросы помогают увидеть отложенный спрос, но их нужно отделять от общих запросов по категории и проверять на другие причины роста.

В Яндекс Вебмастере брендовые запросы можно отслеживать в разделе поисковых запросов: отдельно смотрите название компании, продукты, услуги и частые варианты написания бренда. Но рост брендового спроса сам по себе еще не доказывает влияние нейросетей: люди могут чаще искать компанию после рекламы, PR-публикаций, мероприятий, активности продаж, рекомендаций, сезонного роста или действий конкурентов.

Версия про влияние AI становится сильнее, когда сходится несколько признаков: бренд чаще появляется в ответах нейросетей по коммерческим запросам, клиенты в формах и на созвонах называют ChatGPT, Perplexity, Алису, GigaChat или другой AI-сервис, брендовые запросы растут без заметного внешнего повода, а часть прямых переходов из нейросетей подтверждает эту динамику.

Так брендовый спрос становится полезным косвенным сигналом: он помогает увидеть отложенный интерес, но не превращает каждый брендовый переход в «лид из AI».

Вопрос клиенту помогает увидеть скрытое влияние нейросетей

Часть влияния нейросетей проще всего определить через прямой вопрос клиенту. Например: «Как вы впервые узнали о нас?» или «Что помогло вам выбрать нашу компанию?»

Этот способ не заменяет аналитику, но хорошо дополняет ее. Semrush в материале Attribution gap in agentic search рекомендует спрашивать клиентов об источнике, потому что часть AI-касаний не попадает в стандартные отчеты. HockeyStack в исследовании The State of First-Touch, Last-Touch, Self-Reported Attribution and Revenue разбирает более 8500 ответов B2B SaaS-компаний и показывает, что такие ответы полезно сравнивать с данными первого и последнего перехода.

На сайте вопрос лучше оставить открытым полем. Выпадающий список проще обрабатывать, но он ограничивает человека готовыми вариантами: пользователь может выбрать «поиск», хотя на самом деле сначала увидел компанию в ChatGPT. Если форма и так длинная, вопрос можно перенести на страницу благодарности или в короткий опрос после отправки заявки.

Если дополнительное поле в форме может снизить конверсию, вопрос «Как вы о нас узнали?» можно перенести на страницу благодарности.

Для отдела продаж нужен отдельный скрипт. Менеджер может спросить: «Подскажите, где вы впервые увидели нас или почему решили обратиться именно к нам?». Если клиент упоминает нейросеть, стоит попробовать уточнить: «Может быть, вы помните, это был ChatGPT, Perplexity, Алиса, GigaChat, DeepSeek или другой сервис?».

В CRM ответы надо нормализовать. Свободный текст полезен, но для отчета понадобятся единые категории:

• ChatGPT;

• Perplexity;

• GigaChat;

• Яндекс Алиса / Нейро;

• DeepSeek;

• Google AI / AI Mode / AI Overviews;

• Gemini;

• Claude;

• другой AI-сервис;

• Google / Яндекс;

• рекомендация;

• соцсети;

• мероприятие;

• СМИ;

• другое.

Этот способ тоже не дает полной картины. Клиент может назвать только то, что лучше запомнил: например, последнюю рекомендацию, последний поиск или самый яркий контакт с брендом. Поэтому ответы клиентов нужно сравнивать с данными аналитики и CRM, а не использовать вместо них.

Зато такие ответы хорошо закрывают часть пути, которую счетчики не видят: например, когда человек впервые заметил компанию в ChatGPT или Алисе, а заявку оставил уже после прямого захода или поиска по бренду.

AI-видимость показывает будущий спрос раньше лидов

AI-видимость стоит вынести в отдельный блок отчета. Это еще не лиды, но без присутствия бренда в ответах их будет сложно получить.

Нужен фиксированный промпт-сет: 20–40 коммерческих и сравнительных запросов, по которым потенциальный клиент выбирает продукт, услугу или подрядчика. Например:

• «какую CRM выбрать для отдела продаж»;

• «лучшие агентства для GEO-продвижения»;

• «сравни [бренд] и [конкурент]»;

• «кому подойдет услуга [категория]»;

• «какие есть альтернативы [бренд]»;

• «что выбрать для [задача клиента]».

По каждому промпту фиксируйте:

• упоминается ли бренд;

• есть ли ссылка на сайт;

• какие страницы цитируются;

• каких конкурентов нейросеть ставит рядом;

• правильно ли описаны продукт, цена, ограничения, география, кейсы;

• какие внешние источники влияют на ответ;

• изменилась ли тональность;

• появились ли устаревшие или неверные факты.

Для автоматизации можно использовать специализированные инструменты. В Keys.so есть Трекер ИИ, который отслеживает упоминания бренда и сайта по заданным промптам, источники ответов, тональность, конкурентов и динамику. Сейчас там доступны GigaChat, ChatGPT, DeepSeek, Яндекс Алиса, Perplexity, Google Режим ИИ, Gemini и Claude.

Можно использовать и другие инструменты, например решения Пиксель Тулс для анализа AI-видимости. Если бюджета пока нет, начните с ручной проверки по одному и тому же промпт-сету раз в неделю или раз в месяц.

Здесь важно не проводить всю работу по GEO-аудиту с начала до конца. Для регулярной работы с видимостью пригодится статья «Еженедельный мониторинг GEO», а для структуры управленческого отчета — «Шаблон отчета по AI-видимости». Здесь нам важно другое: AI-видимость помогает объяснить, откуда может появляться отложенный спрос. Если бренд стал чаще появляться в ответах нейросетей, а спустя несколько недель выросли брендовые запросы и клиенты начали упоминать AI-сервисы в формах или на созвонах, у CMO появляется общая картина: нейросети могли повлиять на выбор раньше, чем человек пришел на сайт.

Если пользователь переходит по ссылке из веб-версии DeepSeek, аналитика может увидеть источник deepseek.com. С мобильным приложением сложнее: часть таких переходов может прийти без источника и отобразиться как прямой заход.

Поэтому DeepSeek стоит добавить в отдельную группу AI-источников, а влияние мобильного приложения проверять не только по аналитике. Дополнительно смотрите ответы клиентов на вопрос «Как вы нас нашли?», данные CRM и динамику брендовых запросов.

Веб-версия DeepSeek может передать реферер, а переход из приложения иногда приходит без источника и фиксируется как прямой заход.

Серверные логи показывают, доступен ли сайт AI-системам — и видят ли его там люди

Логи не покажут, что конкретный лид пришел из ChatGPT или Яндекс Нейро, но они помогают понять другое: заходят ли AI-краулеры на сайт, какие страницы они запрашивают и не мешают ли им технические ограничения.

Для ChatGPT важно различать несколько user-agent. В документации OpenAI они описаны отдельно:

• OAI-SearchBot — краулер для поисковых функций ChatGPT;

• GPTBot — краулер, связанный с данными, которые могут использоваться для улучшения и обучения моделей;

• ChatGPT-User — user-agent для запросов, которые запускает сам пользователь, например когда ChatGPT или Custom GPT обращается к конкретной странице.

Этих ботов лучше не смешивать в отчетах. Если в логах появился GPTBot, это еще не значит, что страница используется в ChatGPT Search. А если OAI-SearchBot не встречается в логах за короткий период, это повод проверить robots.txt, CDN, WAF, серверные ограничения и полноту самих логов. Делать вывод, что ChatGPT совсем не видит сайт, по одному такому признаку рискованно.

С Яндексом логика проще: в первую очередь проверяйте обычную доступность сайта для поисковых роботов, индексацию, robots.txt, статусы страниц и технические ошибки. Нейро в поиске опирается на поисковый контур Яндекса, поэтому базовая техническая доступность сайта здесь остается обязательной.

Подробный разбор AI-краулеров и robots.txt уже есть в нашей статье «Каких AI-краулеров пускать на сайт»: они помогают понять, может ли AI-система технически добраться до ваших страниц и показать их пользователю.

Присутствие в ответах одной нейросети не гарантирует видимость в другой: AI-системы могут опираться на разные источники и по-разному понимать сайт.

Разметка помогает AI-системам понять страницу точнее

Структурированный контент помогает поисковым системам и AI-интерфейсам точнее понимать сущности, ответы, товары, услуги, FAQ, организацию, автора и другие элементы страницы. Но Schema.org не гарантирует попадание в AI-ответ. Рост трафика без изменения позиций тоже не доказывает, что страницу выбрал AI-блок.

Что делать правильно:

• внедрять Schema.org там, где она описывает реальные сущности страницы;

• держать FAQ, цены, условия, ограничения и географию в актуальном виде;

• проверять, какие страницы AI-системы цитируют в ответах;

• сопоставлять изменения видимости с логами, поисковыми запросами и CRM;

• не записывать каждый всплеск трафика в результат GEO.

Подробно о структурированных данных читайте в материале «Разметка Schema.org для AI-поиска». Если проблема в неверных фактах о компании, вам пригодится инструкция «Контентная гигиена для AI-ответов»: там показано, как собрать факт-матрицу и убрать противоречия в источниках.

Дашборд CMO собирается из пяти разных сигналов

Хороший отчет по AI-лидам не должен сводиться к одной строке вроде «ChatGPT принес 12 заявок». Для CMO важнее увидеть всю картину: где нейросети дали прямые переходы, где повлияли на интерес к бренду, а где пока видны только первые признаки такого влияния.

В отчет стоит включить пять блоков.

• Прямые переходы из нейросетей. Сколько людей пришли на сайт из ChatGPT, Perplexity, DeepSeek, Claude и других AI-сервисов, сколько из них оставили заявку, позвонили или дошли до продажи.

• Качество этих лидов. Сколько заявок оказались целевыми, сколько дошли до встречи или демо, какие сделки появились в работе, были ли продажи, отличается ли средний чек.

• Брендовый спрос. Растут ли запросы с названием компании, прямые заходы, переходы на главную страницу и поисковые запросы вроде «бренд + отзывы», «бренд + цена», «бренд vs конкурент».

• Ответы клиентов. Что люди пишут в форме «Как вы о нас узнали?» и что говорят менеджерам на созвонах. Отдельно стоит считать точные упоминания ChatGPT, Perplexity, Алисы, GigaChat и других AI-сервисов, а отдельно — общие формулировки вроде «нейросеть посоветовала».

• AI-видимость. Как часто бренд появляется в ответах нейросетей по важным для бизнеса запросам, дают ли AI-сервисы ссылки на сайт, какие страницы цитируют, каких конкурентов упоминают рядом и нет ли в ответах ошибок.

Серверные логи лучше вынести в техническое приложение к отчету. Они помогают понять, могут ли AI-системы добраться до сайта, но не показывают спрос, лиды и продажи.

Простой формат отчета для директора по маркетингу может выглядеть так:

Такой отчет удобнее защищать перед руководством: он показывает вклад AI-поиска без попытки приписать нейросетям каждую спорную заявку.

Ошибки в AI-атрибуции мешают правильно оценить канал

В отчетах по AI-лидам важно не завысить и не занизить вклад нейросетей. Чаще всего ошибки появляются в нескольких местах.

• Смотреть только прямые переходы. Если учитывать только визиты с реферерами ChatGPT, Perplexity, DeepSeek и других AI-сервисов, канал может показаться слабее, чем есть на самом деле. Часть людей видит бренд в ответе нейросети, но приходит позже через поиск или прямой заход.

• Приписывать нейросетям весь рост брендового спроса. Если брендовые запросы выросли, это еще не значит, что их дала только AI-видимость. Причиной могли быть реклама, PR, сезонность, работа продаж, рекомендации или действия конкурентов. Брендовый спрос нужно смотреть вместе с другими признаками.

• Считать визиты краулеров признаком спроса. Если в логах появился OAI-SearchBot, GPTBot или другой робот, это говорит только о техническом обращении к сайту. Такие визиты помогают проверить доступность страниц, но не показывают интерес клиентов и не считаются лидами.

• Смешивать все нейросети в одну строку. ChatGPT, Perplexity, GigaChat, Яндекс Алиса, DeepSeek, Gemini и Claude по-разному ищут информацию, цитируют источники и показывают ссылки. В общей стратегии их можно смотреть вместе, но для диагностики лучше разделять.

• Ждать точной окупаемости уже через месяц. AI-поиск часто влияет на ранний выбор: помогает человеку сравнить варианты, запомнить бренд и вернуться позже. В B2B с длинным циклом сделки этот эффект может проявиться не сразу, а через брендовые запросы, демо-заявки, ответы клиентов и рост упоминаний в AI.

• Делать выводы по одному инструменту. GA4, Метрика, CRM, Search Console, Вебмастер, инструменты мониторинга AI-видимости и опросы клиентов показывают разные части пути. Надежная картина появляется только при сопоставлении этих данных.

Читайте также:

Как маркетологу обосновать GEO и защитить бюджет перед руководством

Маркетинговый стек для бизнеса: какие сервисы выбрать в 2026 году

Еженедельный мониторинг GEO: какие изменения в AI-ответах требуют быстрой реакции