GA4로 AI 검색 트래픽을 추적하는 법

직답: GA4는 AI 검색 유입을 자동으로 '하나의 채널'로 묶어주지 않는다. ChatGPT·Perplexity·Gemini·네이버 AI 답변에서 들어온 방문자는 기본 설정의 GA4에서 일부는 Referral로, 일부는 Direct(직접)로, 일부는 아예 분류 누락된 채 흩어진다. 그래서 "AI 검색이 매출에 기여하는가"라는 질문에 숫자로 답하려면, GA4에 AI 채널을 직접 정의하고, 유입을 전환 이벤트와 연결하고, 측정의 한계까지 인지한 어트리뷰션 체계를 손으로 세팅해야 한다. 이 글은 그로스 리드의 시선에서, GA4 안에서 AI 트래픽을 식별→분류→전환→매출까지 잇는 전 과정을 단계별로 보여준다.

왜 AI 검색 트래픽은 GA4에서 '증발'하는가

먼저 직관과 다른 사실 하나. 당신의 사이트가 ChatGPT 답변에 인용되고 사용자가 그 링크를 클릭해 들어와도, GA4 기본 보고서의 어디를 봐도 "ChatGPT: 방문 312"라는 줄은 나타나지 않는다. 이건 GA4가 고장 났기 때문이 아니라, AI 검색 유입이 전통적 검색 유입과 기술적으로 다르게 흘러들어오기 때문이다.

비유하자면 이렇다. 구글 검색 유입은 이름표를 단 손님이다. 입구에서 "저는 google.com에서 'AEO 대행' 검색하고 왔어요"라고 또박또박 말해준다(리퍼러 헤더 + 검색 파라미터). 반면 AI 검색 유입의 상당수는 이름표를 떼고 들어오는 손님이다. 어디서 왔는지 묻는 입구 직원(리퍼러)에게 아무 말도 하지 않거나, 엉뚱한 주소를 댄다. GA4는 이름표가 없는 손님을 일단 '직접 방문(Direct)'이라는 미아 보관소에 넣는다.

이 '이름표 분실'이 일어나는 경로는 크게 세 가지다.

1) 리퍼러가 아예 없는 경우 (다크 트래픽)

ChatGPT 데스크톱 앱, Perplexity 앱, 또는 일부 AI 클라이언트는 외부 링크를 열 때 리퍼러 헤더를 전달하지 않거나, 앱 내부 브라우저(in-app browser)에서 새 탭으로 열며 리퍼러를 끊어버린다. HTTPS 페이지에서 다른 사이트로 이동할 때 Referrer-Policy 설정에 따라 리퍼러가 비거나, noreferrer가 붙는 일도 흔하다. 리퍼러가 비면 GA4는 출처를 알 길이 없어 (direct) / (none)으로 처리한다. 업계에서 이를 '다크 트래픽(dark traffic)'이라 부른다 — 분명히 어딘가에서 왔는데, 측정 도구의 눈에는 깜깜한 트래픽.

2) 리퍼러는 있는데 GA4가 '검색'으로 인식 못 하는 경우

Perplexity는 비교적 리퍼러를 잘 넘긴다. 그래서 GA4에 perplexity.ai가 소스로 찍힌다. 문제는 GA4가 이걸 Organic Search(자연 검색)가 아니라 Referral(추천)로 분류한다는 점이다. GA4의 기본 채널 규칙은 'google, bing, naver, yahoo…' 같은 알려진 검색엔진 목록에 매칭될 때만 Organic Search로 넣는다. perplexity.ai, chatgpt.com, gemini.google.com은 그 목록에 없으니 그냥 "어떤 사이트에서 추천 링크 타고 온 손님" 취급을 받는다.

3) 같은 엔진인데 도메인이 여러 개로 흩어지는 경우

설상가상으로 한 엔진이 여러 호스트명으로 트래픽을 보낸다. ChatGPT는 chat.openai.com, chatgpt.com 두 도메인을 거쳐왔고, 검색 기능은 별도 봇/리다이렉트를 쓴다. 구글 AI(제미나이/AI 오버뷰)는 google.com 자체에서 발생해 일반 구글 검색과 뒤섞인다. 그래서 손으로 분류 규칙을 짜지 않으면, AI 유입은 Direct·Referral·Organic Search 세 군데로 쪼개져 어느 보고서에서도 "AI"라는 이름으로 합산되지 않는다.

요약하면, 측정을 세팅하지 않은 GA4에서 "AI 검색 유입 = 0"으로 보이는 건 유입이 없어서가 아니라 분류가 없어서다. 그로스 관점에서 이건 치명적이다. 보이지 않는 채널은 예산도, 최적화도, 신뢰도 받지 못한다. 그래서 첫 번째 작업은 '없는 채널을 만들어 보이게 하는 것'이다.

1단계 — UTM으로 잡을 수 있는 건 무조건 잡는다

가장 확실한 측정은 우리가 통제하는 링크에 UTM 파라미터를 박는 것이다. 리퍼러는 손님의 자발적 신고에 의존하지만, UTM은 우리가 링크에 미리 붙여두는 지워지지 않는 이름표다. AI 검색은 우리가 링크를 심는 채널이 아니라서 전면 적용은 불가능하지만, 우리가 통제 가능한 접점에는 반드시 적용한다.

• AI 챗봇/위젯에 노출하는 우리 링크: 자사 사이트의 AI 챗봇, 또는 제휴된 답변 위젯에서 내보내는 링크
• 구조화 데이터·llms 안내문 안의 정식 URL: AI가 그대로 복사해 인용할 가능성이 있는 canonical URL
• 뉴스레터·SNS에서 AI 관련 랜딩으로 보내는 링크

UTM 5형제 중 최소 세 개는 일관된 규칙으로 채운다.

https://citeon.cloud/?utm_source=perplexity&utm_medium=ai_search&utm_campaign=geo_2026q2

utm_source   = 엔진명 (perplexity / chatgpt / gemini / naver_ai)
utm_medium   = ai_search  ← 이 값이 핵심. 모든 AI 유입을 한 medium으로 묶는다
utm_campaign = 캠페인/분기 식별자

핵심은 utm_medium=ai_search를 모든 AI 접점에 통일하는 것이다. medium을 통일해두면 GA4 채널 그룹에서 "medium에 ai_search가 포함되면 AI Search 채널"이라는 단 한 줄의 규칙으로 전부 묶인다. medium을 엔진마다 제각각(`ai`, `llm`, `chatbot`)으로 쓰면 나중에 합산이 깨진다.

❌ 약한 예 (제각각이라 합산 불가):

링크 A: utm_medium=chatbot
링크 B: utm_medium=llm
링크 C: utm_source=ai&utm_medium=referral

✅ 강한 예 (source는 갈라도 medium은 통일):

링크 A: utm_source=chatgpt&utm_medium=ai_search
링크 B: utm_source=perplexity&utm_medium=ai_search
링크 C: utm_source=naver_ai&utm_medium=ai_search

다만 냉정하게 말하면, AI가 답변에 노출하는 링크는 대부분 우리가 UTM을 붙일 수 없는 원본 URL이다. 그래서 UTM은 '잡을 수 있는 일부'를 정확히 잡는 보조 수단이고, 본 게임은 다음 단계 — 리퍼러 기반 채널 정의다.

2단계 — GA4에 'AI Search' 채널 그룹을 손으로 만든다

GA4에는 채널 그룹(Channel groups)을 직접 정의하는 기능이 있다. 관리(Admin) → 데이터 표시 → 채널 그룹에서 새 채널 그룹을 만들고, AI 엔진들을 잡아내는 규칙을 추가한다. 기본 채널 그룹은 수정할 수 없으니 맞춤 채널 그룹을 새로 만드는 게 정석이다.

이 작업의 본질은 GA4에게 "이 도메인들에서 온 손님은 검색엔진 손님과 같은 부류다"라고 사서에게 새 분류 카드를 쥐여주는 것과 같다. 도서관 비유로, 신간 코너에 들어온 책(AI 엔진)을 사서가 아직 분류 코드를 몰라 '미분류 카트'에 방치하고 있을 때, 우리가 "이건 검색·추천 서가"라고 라벨을 붙여주는 작업이다.

채널 규칙 — 새 'AI Search' 채널 정의

새 채널을 가장 위(우선순위 1순위)에 두고, 다음 조건을 OR로 묶는다. Source가 다음 중 하나에 매칭/포함되면 AI Search로 분류한다.

채널 이름: AI Search
조건 (Source matches regex):
^(chatgpt\.com|chat\.openai\.com|perplexity\.ai
|gemini\.google\.com|copilot\.microsoft\.com
|claude\.ai|bing\.com/chat|you\.com)$

또는 (Session medium = ai_search)   ← 1단계 UTM 흡수

여기서 정규식을 쓰는 이유는, 엔진이 늘어나도 패턴 한 줄에 |engine\.com만 추가하면 되기 때문이다. 그리고 이 채널을 채널 그룹의 최상단에 배치해야 한다. GA4 채널 규칙은 위에서부터 순서대로 평가하고 먼저 매칭되는 규칙이 이긴다. AI Search 규칙을 Organic·Referral보다 위에 두지 않으면, gemini.google.com 같은 소스가 위쪽의 다른 규칙에 먼저 걸려 엉뚱하게 분류된다.

❌ 약한 예: 채널 규칙을 맨 아래에 추가 → 위의 Referral 규칙이 먼저 perplexity.ai를 낚아채 AI Search 칸이 늘 0.

✅ 강한 예: AI Search 규칙을 1순위로 올림 → 어느 보고서를 열어도 'AI Search'가 독립된 줄로 집계됨.

채널 그룹은 적용 시점부터의 데이터에 반영되는 게 특징이다(소급 적용 범위에 제약이 있으니, 빨리 만들수록 비교 가능한 시계열이 길어진다). 그래서 그로스 팀에 처음 합류하면 가장 먼저 해야 할 위생 작업 중 하나가 이 채널 정의다.

Referral 도메인 목록으로도 같은 효과를 낼 수 있다

채널 그룹 수정 권한이 제한적이라면, 차선책으로 탐색(Explore) 보고서에서 세그먼트를 만들어 같은 AI 도메인 묶음을 잡아낼 수 있다. 결과를 표준 보고서에 박제하진 못하지만, 분석가가 수시로 AI 유입만 도려내 보기엔 충분하다. 세그먼트 조건도 위 정규식과 동일하게 'Session source'에 AI 도메인 패턴을 넣으면 된다.

3단계 — 'Direct에 숨은 AI'를 추정으로 끌어낸다

여기가 측정의 가장 어려운 지점이다. 리퍼러를 잃고 Direct로 들어온 AI 유입은 이름표가 없으니 '확정 분류'가 불가능하다. 하지만 그로스 분석에서 완벽한 확정 대신 합리적 추정으로 규모를 가늠하는 기법이 있다. AI 유입에 자주 동반되는 행동 신호를 묶어 '의심 세그먼트'를 만드는 것이다.

AI 답변을 통해 들어오는 방문자는 전통 검색 방문자와 행동 프로파일이 다른 경향이 있다. AI가 이미 요약을 해줬으니, 사용자는 특정 정보를 확인·심화하려는 의도로 깊은 내부 페이지에 곧장 도착하는 경우가 많다. 이 신호들을 조합한다.

• 랜딩 페이지가 홈이 아니라 깊은 콘텐츠 URL (블로그 글, 가이드, FAQ 등 — AI가 인용했을 법한 페이지)
• medium = (none) / source = (direct) 인데
• 신규 사용자(첫 방문)이고
• 체류·스크롤·특정 이벤트가 직접 북마크 방문과 다른 패턴

이걸 탐색 보고서의 세그먼트로 만들어 '추정 AI Direct'로 라벨링한다. 중요한 건 이걸 확정 수치로 보고하지 않는 것이다. "확정 AI Search 312 + 추정 AI Direct 최대 180"처럼 확정과 추정을 분리해 보고해야 신뢰가 유지된다. 그로스 리드로서 한 번 부풀린 숫자로 신뢰를 잃으면, 그다음 모든 보고가 의심받는다.

❌ 약한 예: "AI 유입이 492건입니다" (확정+추정을 뭉뚱그림)
✅ 강한 예: "AI 유입은 확정 312건, 여기에 Direct 중 깊은 콘텐츠 랜딩·신규·고체류 패턴으로 추정되는 약 150~180건이 더 있을 수 있습니다. 보수적으로는 312, 낙관적으로는 ~490으로 봅니다."

4단계 — 유입을 '전환'에 연결한다 (여기서부터가 진짜 측정)

채널을 만들었다면 절반이다. 그로스의 본업은 '얼마나 왔나'가 아니라 '와서 무엇을 했나, 그게 돈이 됐나'다. GA4는 이벤트 기반이라, 의미 있는 행동을 이벤트 → 핵심 이벤트(전환)로 정의해야 채널별 전환을 볼 수 있다.

먼저 측정할 전환을 사다리로 정리한다. AI 유입은 정보 탐색 의도가 강해 즉시 구매보다 중간 전환(리드)에서 먼저 빛나는 경우가 많다. 그래서 마이크로 전환부터 매크로 전환까지 층을 나눠 잡는다.

GA4에서 이벤트를 '핵심 이벤트'로 표시하면, 보고서에서 채널별 전환수·전환율을 바로 볼 수 있다. 그러면 "AI Search 채널의 무료진단 전환율 vs Organic Search 전환율"을 나란히 비교할 수 있다. 실제로 일부 분석에서는 AI 검색 유입의 전환율이 일반 검색 유입보다 몇 배 높게 나타나기도 하는데, 이는 AI가 사용자의 질문에 이미 1차 답을 준 뒤 "더 깊이 알아보려는" 고의도(high-intent) 사용자만 링크를 클릭하기 때문으로 해석된다. 다만 표본이 작을 때의 전환율은 출렁임이 크니 절대 수치 단정은 피해야 한다.

전환 이벤트 세팅의 실무 포인트는 generate_lead 같은 핵심 전환에 값(value)을 부여하는 것이다. 리드 1건의 추정 가치(예상 LTV × 리드→고객 전환율)를 이벤트 파라미터로 넣어두면, GA4가 채널별 '추정 매출 기여'를 자동 집계한다.

// 무료진단 신청 시 (gtag 예시)
gtag('event', 'generate_lead', {
  currency: 'KRW',
  value: 50000,              // 리드 1건 추정 가치
  lead_source_channel: 'ai_search'
});

5단계 — 매출 어트리뷰션: AI가 '첫 만남'인지 '마지막 클릭'인지

마지막 난관은 어트리뷰션 모델이다. AI 검색은 구매 여정에서 대개 윗단(발견·인지)에 위치한다. 사용자가 ChatGPT에서 "AEO 대행 어디가 좋아?"라고 물어 우리를 처음 알게 되고, 며칠 뒤 브랜드명을 직접 검색해 들어와 결제한다고 해보자.

이때 라스트 클릭(마지막 클릭) 어트리뷰션으로 보면 매출은 전부 'Organic Search(브랜드 검색)' 또는 'Direct'에 귀속되고, AI Search의 기여는 0으로 찍힌다. 정작 첫 만남을 만든 건 AI인데 말이다. 비유하면, 소개팅을 주선한 친구(AI)는 공로를 못 받고, 마지막에 프러포즈 장소를 예약한 사람(브랜드 검색)이 모든 공을 가져가는 격이다.

그래서 AI 채널의 진짜 가치를 보려면 GA4의 경로 탐색(Path exploration)·전환 경로(Conversion paths) 보고서를 함께 봐야 한다. 여기서 확인할 것:

• 어시스트(assist) 전환: AI Search가 경로 중간 어딘가에 등장한 전환의 수. 라스트 클릭에선 0이어도 어시스트로는 상당할 수 있다.
• 최초 접점(first touch): AI Search가 여정의 첫 채널이었던 비율. 발견 채널로서의 기여를 본다.
• 데이터 기반(data-driven) 어트리뷰션: GA4가 경로 전체를 보고 채널별로 부분 점수를 나눠주는 모델. 라스트 클릭의 왜곡을 줄여준다.

❌ 약한 보고: "AI Search 매출 0원이라 효과 없음, 예산 빼자."
✅ 강한 보고: "AI Search는 라스트 클릭 매출은 작지만, 전환 경로의 최초 접점 비중이 높습니다. 발견 채널로 기능하고 있고, 데이터 기반 어트리뷰션에서 채널 기여도가 라스트 클릭의 N배입니다. 인지 단계 투자 가치가 있습니다."

이것이 그로스 리드가 강조해야 할 핵심이다. AI 가시성은 그 자체가 목적이 아니라 매출과 리드라는 결과를 설명하는 2차 지표다. 측정 업계에서도 가시성을 CFO가 이해하는 언어(매출·리드)로 번역하라고 강조한다. GA4의 어트리뷰션 보고서가 바로 그 번역기 역할을 한다.

측정의 불편한 진실 — 단일 측정값을 믿지 마라

여기서 그로스 리드로서 반드시 짚어야 할 한계가 있다. AI 검색의 '노출/인용' 자체는 GA4가 측정하는 영역 밖이다. GA4는 클릭이 발생해 우리 사이트에 도착한 이후만 본다. "ChatGPT가 우리를 몇 번 인용했나"는 GA4로는 알 수 없고, 별도의 인용 모니터링이 필요하다.

게다가 AI 인용·노출 자체가 본질적으로 출렁인다. 한 연구에서는 같은 질문을 반복해도 인용 결과가 멱법칙(power-law)처럼 크게 흔들려, 단일 측정은 노이즈에 가깝고 다중 실행 + 신뢰구간으로 봐야 한다고 지적한다(arXiv:2603.08924). 심지어 temperature=0에서도 LLM 출력은 GPU 연산·배치 차이로 흔들린다 — 한 분석에서 2,350억 파라미터 모델을 1,000회 돌리니 80가지 출력이 나왔다는 보고가 있다. 즉 "이번 주 ChatGPT 인용이 줄었다"를 한 번의 측정으로 단정하면 헛다리를 짚기 쉽다.

그래서 측정 체계는 두 층으로 나눠야 한다.

두 층을 잇는 게 어트리뷰션의 핵심이다. 가시성이 올랐는데 GA4 유입·전환이 따라 오르는지, 그 시차와 상관을 보는 것. 가시성만 보면 '허영 지표'가 되고, GA4만 보면 '왜 늘었는지'를 모른다.

실전 세팅 체크리스트

1. 맞춤 채널 그룹 'AI Search' 생성 — 정규식으로 주요 엔진 도메인 + medium=ai_search 흡수, 우선순위 최상단.
2. UTM 규칙 통일 — 통제 가능한 모든 AI 접점에 utm_medium=ai_search, source는 엔진명.
3. 추정 AI Direct 세그먼트 — 깊은 콘텐츠 랜딩 + Direct + 신규 + 고체류. 확정과 분리 보고.
4. 전환 사다리 정의 — 마이크로/미드/매크로 이벤트를 핵심 이벤트로 표시, generate_lead에 value 부여.
5. 어트리뷰션 점검 — 라스트 클릭 + 최초 접점 + 데이터 기반을 함께. 경로 탐색에서 AI 어시스트 확인.
6. 가시성 측정과 연결 — 별도 인용 모니터링의 추이와 GA4 유입 추이를 같은 대시보드에 나란히.
7. 비결정성 인지 — 가시성은 반복 측정·신뢰구간으로, 단일 측정 단정 금지.

흔한 실수 5가지

• medium을 엔진마다 다르게 씀 → 합산 붕괴. ai_search로 통일.
• 채널 규칙을 맨 아래에 둠 → Referral이 먼저 낚아채 AI Search가 늘 0.
• Direct 추정치를 확정치처럼 보고 → 한 번 들키면 모든 보고 불신.
• 라스트 클릭만 보고 'AI 효과 없음' 결론 → 발견 채널의 어시스트 기여 누락.
• 가시성=매출로 직결 단정 → 가시성은 2차 지표. 유입·전환과 시차·상관으로 검증.

Citeon은 이 원리를 제품에 담았다

지금까지의 내용을 다시 보면, AI 검색 측정은 두 갈래다. (1) AI가 우리를 인용하는가(가시성, GA4 밖) (2) 그 유입이 전환·매출이 되는가(GA4 안). Citeon은 이 두 갈래를 모두 다루는 풀퍼널 대행으로 설계됐다.

가시성 쪽에서 Citeon은 ChatGPT·Gemini·Perplexity·Claude 4개 엔진의 인용을 측정(SOV, Share of Voice)한다 — GA4가 볼 수 없는 '인용 그 자체'를 잡는 선행지표다. 여기에 주간 모니터링으로 추이를 쌓아, 한 번의 측정이 아니라 흐름으로 본다(앞서 말한 비결정성 문제를 흐름으로 완화). 사이트 진단엔진은 URL을 넣으면 SEO·AEO·GEO 점수와 한국어 처방을 내고, 경쟁사 역추적으로 경쟁 브랜드가 어떤 질문에서 인용되는지 되짚는다. 그리고 이 모든 진단은 무료(₩0)로 시작할 수 있다.

GA4로 채널을 손수 세팅하는 일이 버겁다면, 먼저 "AI가 우리를 인용하고는 있는지"부터 확인하는 게 순서다. 인용이 없으면 GA4에 잡을 유입 자체가 없으니까. citeon.cloud에서 무료 AI 가시성 진단으로 우리 사이트가 4개 엔진에서 어떻게 인용되는지부터 숫자로 확인해보라. 그다음 GA4 채널을 세팅하면, 선행지표(인용)와 결과지표(유입·전환)가 같은 줄에 놓인다.

자주 묻는 질문

참고자료

• Aggarwal et al., GEO: Generative Engine Optimization (KDD 2024)
• Anthropic — Introducing Contextual Retrieval (2024)
• Lewis et al., Retrieval-Augmented Generation (2020)
• Conductor — Debunking AI Prompt Volume