AEO-Attribution-Modelle: Wie du AI-Traffic im Analytics zuordnest

AI-Traffic zerschießt klassische Attribution: ChatGPT, Perplexity und Gemini schicken Klicks, ohne dass GA4 sie als eigenen Channel erkennt. Im Standard landen sie unter "Direct", "Referral" oder verschwinden komplett. Wer das nicht fixt, sieht im Reporting eine Lücke, die mit jedem Quartal wächst.

Warum klassische Last-Click-Attribution für AEO komplett bricht

Last-Click bewertet nur den letzten Touchpoint vor der Conversion. Bei AI-Antworten ist dieser letzte Touch oft unsichtbar: Der User liest die Antwort, schließt das Tab, öffnet später Google und tippt deinen Brand-Namen ein. GA4 sieht "Organic Brand Search" oder "Direct" — ChatGPT bekommt keinen Credit, obwohl es die Kaufentscheidung getriggert hat.

Das Problem verschärft sich, weil viele LLMs den Referrer-Header strippen oder generische Hosts senden. Perplexity ist hier am sauberten und schickt fast immer einen identifizierbaren Referrer mit. ChatGPT war lange undurchsichtig, hat das aber 2025 deutlich verbessert. Gemini bleibt der schwierigste Fall, weil Google den Traffic in den eigenen Search-Properties verschmilzt.

Die Konsequenz: Wenn du AEO-Budget rechtfertigen willst, brauchst du ein eigenes Attribution-Modell, das Multi-Touch-Pfade mit AI-Touchpoints versteht. Last-Click ist für AEO genauso untauglich wie es für Display-Branding-Kampagnen schon immer war.

Welche fünf Attribution-Modelle in GA4 für AEO praxistauglich sind

GA4 bietet vier Standard-Modelle plus eines, das du selbst über BigQuery bauen kannst. Für AEO-Reporting funktionieren nicht alle gleich gut. Last-Click bevorzugt Brand-Search, First-Click überschätzt Discovery, lineare Modelle sind zu naiv. Realistisch bleiben zwei Optionen: Position-Based und Data-Driven.

Data-Driven-Attribution (DDA) verwendet Machine-Learning auf deinem eigenen Pfad-Datensatz. Das Modell lernt, dass User, die zuerst über Perplexity kommen und dann zwei Wochen später konvertieren, einen anderen AI-Lift haben als Direct-Traffic. Pflicht-Voraussetzung: mindestens 300 Conversions pro Monat im Conversion-Window — sonst trainiert das Modell auf zu wenig Daten und schwankt.

Position-Based ist die robuste Alternative für kleinere Sites. Du verteilst feste Gewichte und ignorierst, dass das Modell statisch ist. Vorteil: erklärbar gegenüber der Geschäftsführung. Nachteil: nicht adaptiv. Für AEO-Reporting in der Aufbauphase reicht das völlig — sobald du genug Volumen hast, wechselst du auf DDA.

Wie du AI-Sources in GA4 als eigenen Channel konfigurierst

Standard-Channel-Grouping in GA4 kennt keinen AI-Channel. Du musst eine Custom-Channel-Group anlegen unter Admin → Data Display → Channel Groups → Create Custom. Dort definierst du eine neue Channel-Gruppe "AI Assistants" mit Regex-Matching auf die fünf relevanten Hosts. Wichtig: Channel-Groups in GA4 wirken nur prospektiv, historische Daten werden nicht umgeschrieben.

Parallel dazu legst du eine Custom Dimension ai_source auf Event-Scope an. Dein GTM oder Server-Side-Tagger befüllt sie aus dem normalisierten Referrer. So bekommst du im Reporting eine zweite Achse: nicht nur "AI Assistants" als aggregierter Channel, sondern auch granular ChatGPT vs. Perplexity vs. Claude vs. Copilot.

Der dataLayer-Push, der das technisch trägt, sieht so aus:

// dataLayer-Push für AI-Referral mit Source-Granularität
window.dataLayer = window.dataLayer || [];
dataLayer.push({
  event: 'ai_referral',
  ai_source: 'chatgpt',         // chatgpt | perplexity | gemini | claude | copilot
  ai_referrer_host: 'chat.openai.com',
  landing_path: location.pathname,
  has_citation: true,           // true wenn Backlink in Antwort
  query_intent: 'comparison'    // navigational | informational | comparison
});

Welche zwei Hilfs-Tools die Lücken zu BigQuery schließen

GA4 alleine reicht für Multi-Touch-Pfad-Analyse nicht. Du brauchst entweder BigQuery-Export aktiv oder ein spezialisiertes AEO-Tool, das den GA4-Layer ergänzt. AEORadar und Otterly sind hier die zwei pragmatischen Optionen für DACH-Teams.

Profound und Peec spielen in einer höheren Liga und integrieren sich tiefer in Enterprise-Stacks. Wer im Mittelstand sitzt, kommt mit dem schlankeren Setup AEORadar plus GA4 plus BigQuery klar — Profound rechnet sich erst ab Marketing-Budgets über 100k jährlich. Otterly fokussiert stark auf das Prompt-Tracking und liefert nicht primär Attribution, ergänzt sich aber gut.

Pflicht für jede Lösung: Sie muss die AI-Source erkennen können, wenn der Referrer fehlt. Das passiert über User-Survey-Pop-ups ("Wo haben Sie uns gefunden?") oder über Brand-Lift-Studien, die parallel laufen. Reine Server-Log-Analyse reicht nicht, weil viele AI-Klicks ohne Referrer ankommen.

Schritt-für-Schritt Setup für die ersten 30 Tage

Das initiale Setup ist in drei Tagen machbar, wenn du GA4 schon sauber laufen hast. Plane für die Datensammlung dann mindestens 30 Tage ein, bevor du die ersten belastbaren Reports rausgibst. Mit weniger Daten ist jede Attribution-Aussage noch statistisches Rauschen.

1. Custom Dimension ai_source in GA4 anlegen und auf Event-Scope setzen.
2. Regex-Channel in GA4 erstellen: chat.openai|perplexity|gemini.google|claude.ai|copilot.microsoft als "AI Assistants" gruppieren.
3. Server-Side-Tag in GTM Server konfigurieren, der den Referrer normalisiert bevor er an GA4 geht.
4. UTM-Tags ?utm_source=chatgpt&utm_medium=ai auf prominente Citation-Targets setzen (Glossar, Vergleichsseiten).
5. BigQuery-Export aktivieren und einen täglichen Snapshot mit ai_source Granularität bauen.
6. Conversion-Pfade über Data-Driven-Attribution mit AI-Channel als Touchpoint aktivieren.

Nach 30 Tagen kannst du den ersten ehrlichen Attribution-Report rausgeben. Wichtig: Erkläre der Geschäftsführung im Reporting, dass AI-Attribution noch im Beta-Stadium ist und die Zahlen sich mit jedem GA4-Update verschieben können. Wer das vorab kommuniziert, vermeidet später Diskussionen über "warum waren letzten Monat noch 12% ChatGPT-Traffic".

Welche drei Reporting-Sünden du sofort abstellen solltest

Die häufigsten Fehler im AEO-Attribution-Reporting sind selten technisch, sondern interpretatorisch. Erstens: AI-Channel mit Organic-Search vergleichen. Das ist Äpfel mit Birnen, weil Organic Search seit 20 Jahren etabliert ist und AI-Traffic gerade erst entsteht. Vergleich gegen Organic-Brand-Search ist ehrlicher.

Zweitens: Conversion-Rates auf AI-Traffic mit zu wenig Daten ausweisen. Bei 47 Sitzungen pro Monat aus Perplexity kannst du keine seriöse Conversion-Rate berechnen — das schwankt im zweistelligen Prozentbereich allein durch Zufall. Mindestens 200 Sessions pro Quartal pro Channel-Segment, sonst gar nicht reporten.

Drittens: "AI-Traffic ist gestiegen" als Erfolg verkaufen, ohne die Citation-Quality dahinter zu zeigen. Mehr Traffic kann auch heißen, dass deine Marke in irreführendem Kontext zitiert wird. Reporting muss immer paaren: Volumen plus Citation-Sentiment plus Conversion-Pfad.

Praktisch heißt das: Position-Based jetzt, Data-Driven später

AEO-Attribution ist 2026 noch unvollständig, aber kein Greenfield mehr. Mit GA4 Custom-Channels, einer Custom Dimension ai_source, einem Position-Based-Modell und BigQuery-Export bekommst du in 30 Tagen ein Reporting, das der Geschäftsführung standhält.

Konkrete Empfehlung: Starte mit AEORadar für Prompt- und Citation-Tracking, ergänze Otterly wenn dein Brand häufig in AI-Antworten erscheint, und plane spätestens nach drei Monaten den Wechsel von Position-Based auf Data-Driven-Attribution. Das ist der pragmatische Pfad — alles andere ist entweder zu naiv oder zu teuer für die meisten Mittelstands-Setups.