Come tracciare il traffico da strumenti AI e feature AI di Google in GA4 e Looker Studio

Home > Blog e Risorse Utili > eBook e Risorse Gratuite > Come tracciare il traffico da strumenti AI e feature AI di Google in GA4 e Looker Studio

Una guida operativa e strategica per affrontare il nuovo scenario del search.

Il traffico AI è già tra noi, ma pochi sanno dove guardare. Negli ultimi mesi, ci siamo abituati a vedere cambiare radicalmente le modalità con cui le persone scoprono contenuti online.

Se un tempo il flusso era lineare – query > risultati > clic – oggi entra in gioco un nuovo elemento: l’intelligenza artificiale come intermediario nella ricerca e nella fruizione delle informazioni.

Strumenti come ChatGPT, Perplexity AI, Copilot, Bard e altri LLM (Large Language Models) stanno generando traffico verso i siti web. Ma c’è un problema: GA4 e Search Console non sono attrezzati, almeno per ora, per isolarlo in modo nativo.

Eppure questo tipo di traffico esiste, cresce e sopratutto può influenzare le nostre decisioni strategiche se lo sappiamo leggere.

Perché segmentare il traffico da strumenti AI

Perché ignorarlo significa perdere insight preziosi su un nuovo comportamento d’uso emergente.

Le persone non cercano più solo su Google. Chiedono a ChatGPT. Usano Perplexity per sintetizzare contenuti. Consultano Copilot per orientarsi in modo operativo. In molti casi, questi strumenti offrono risposte che linkano direttamente a contenuti web.

E quel traffico, se non tracciato correttamente, finisce nel calderone dei referral, o peggio, nei (not set).

È qui che entra in gioco il valore della segmentazione. Perché permette di:

• Capire quanto traffico arriva da fonti AI;
• Valutare il coinvolgimento reale di questi utenti;
• Adattare la strategia SEO e content in funzione dei nuovi comportamenti.

Il nostro approccio da agenzia orientata ai dati

Da sempre, in Trovato Agency, adottiamo una visione esclusivamente data-driven. Per noi, ogni decisione, dalla scrittura di un contenuto all’allocazione del budget,  si fonda su dati solidi, verificabili, aggiornati.

In questo nuovo scenario, dove gli strumenti di misurazione non sono ancora propriamente pronti, la capacità di “mettere le mani in pasta” diventa un vantaggio competitivo.

Non esistono soluzioni pronte all’uso. Ma esistono approcci intelligenti per catturare segnali, isolarli e renderli leggibili, anche dove GA4 si ferma.

Questa guida nasce per condividerli.

Parte 1 – Monitorare il traffico proveniente da strumenti AI come ChatGPT, Perplexity e altri

Negli ultimi anni, l’intelligenza artificiale ha rivoluzionato il modo in cui gli utenti interagiscono con le informazioni online. Strumenti basati su modelli linguistici di grandi dimensioni (LLM) come ChatGPT, Perplexity AI, Microsoft Copilot e Google Bard stanno diventando fonti sempre più rilevanti di traffico web.

Questi strumenti non solo forniscono risposte dirette agli utenti, ma spesso includono link a contenuti esterni, generando visite ai siti web.​

Tuttavia, Google Analytics 4 (GA4) non offre attualmente un metodo predefinito per identificare e segmentare questo tipo di traffico. Di conseguenza, le visite provenienti da strumenti AI vengono spesso aggregate sotto la categoria generale dei referral, rendendo difficile per le aziende comprendere l’effettivo impatto di questi nuovi canali.​

Per un’agenzia come la nostra, fortemente orientata ai dati, è fondamentale poter isolare e analizzare il traffico proveniente da queste fonti emergenti. Questo ci consente di:​

• Quantificare il volume di traffico generato dagli strumenti AI;
• Analizzare il comportamento degli utenti che arrivano attraverso questi canali;
• Valutare la qualità del traffico in termini di engagement e conversioni;

Implementando un tracciamento accurato, possiamo prendere decisioni informate e adattare le nostre strategie di marketing per rispondere efficacemente alle evoluzioni del panorama digitale.

Creazione di un report esplorativo in GA4 per il traffico AI

Per iniziare a monitorare il traffico proveniente da strumenti AI, possiamo utilizzare la funzionalità “Esplora” di GA4, che permette di creare report personalizzati e segmentare i dati in modo dettagliato.​

Passaggi per configurare il report.

Accesso a Esplora: All’interno di GA4, naviga nella sezione “Esplora” e crea una nuova esplorazione.​

Impostazione delle dimensioni e metriche.

Dimensione: Seleziona “Sorgente/Mezzo della sessione” per identificare la provenienza del traffico.​

Metriche: Aggiungi “Sessioni”, “Sessioni coinvolte” e “Eventi chiave” per ottenere una visione completa del comportamento degli utenti.​

Creazione di un segmento personalizzato.

Crea un nuovo segmento di tipo “Sessione”.​

Applica un filtro sulla “Sorgente della sessione” utilizzando una espressione regolare (regex) che intercetti le principali sorgenti di traffico AI.​

Regex consigliata:
^.*(chatgpt\.com|perplexity\.ai|copilot\.microsoft\.com|openai\.com|gemini\.google\.com|bard\.google\.com).*

Nota: Questa regex è progettata per intercettare le sorgenti più comuni di traffico AI. È consigliabile aggiornarla periodicamente per includere nuove piattaforme emergenti.​

Applicazione del segmento e analisi dei dati.

Applica il segmento appena creato al report esplorativo.​

Analizza le sessioni filtrate per comprendere il volume e il comportamento del traffico proveniente dagli strumenti AI.​

Questo approccio consente di ottenere una visione chiara e dettagliata del traffico generato dagli strumenti AI, facilitando l’identificazione di tendenze e opportunità strategiche.​

Monitoraggio dell’andamento temporale del traffico AI

Per comprendere come il traffico proveniente dagli strumenti AI evolve nel tempo, è utile visualizzare i dati in un grafico temporale.​

Vediamo di seguito come fare.

Modifica della visualizzazione: Nel report esplorativo, cambia la visualizzazione in un grafico a linee.​

Impostazione delle dimensioni temporali: Utilizza “Data” come dimensione sull’asse X e “Sessioni” sull’asse Y.​

Granularità: Imposta la granularità su “Settimanale” o “Mensile” per osservare le tendenze a medio-lungo termine.​

Questa rappresentazione permette di identificare eventuali picchi o cali nel traffico AI, correlando questi andamenti a specifici eventi o aggiornamenti nel panorama degli strumenti basati su AI.

Creazione di un nuovo gruppo di canali in GA4 per il traffico AI

Per integrare il monitoraggio del traffico AI nei report standard di GA4, è possibile creare un nuovo gruppo di canali personalizzato. Questo permette di categorizzare il traffico proveniente dagli strumenti AI in un canale dedicato, facilitando l’analisi comparativa con altri canali di acquisizione.​

Quelli che seguono sono i passaggi.

Accesso alle impostazioni dei gruppi di canali: in GA4, vai su “Amministrazione” e seleziona “Gruppi di canali” nella sezione “Visualizzazione dei dati”.​

Creazione di un nuovo gruppo: clicca su “Crea nuovo gruppo di canali” e assegnagli un nome, ad esempio “Traffico AI”.​

Definizione delle regole del canale: dopo aver creato il gruppo di canali, il passaggio chiave è definire una regola che permetta a GA4 di riconoscere le sessioni generate da fonti AI e classificarle sotto il nuovo canale.

Per farlo:

• All’interno del gruppo di canali, clicca su “Aggiungi nuovo canale”
• Dai un nome al canale, ad esempio “AI Tools Referral”
• Imposta una condizione basata sulla sorgente della sessione, e scegli l’opzione “corrisponde a espressione regolare”
• Inserisci la stessa regex già utilizzata nel report esplorativo, per garantire coerenza nei criteri di identificazione:

^.*(chatgpt\.com|perplexity\.ai|copilot\.microsoft\.com|openai\.com|gemini\.google\.com|bard\.google\.com).*

• Sposta il nuovo canale appena creato sopra “Referral” nella lista di priorità dei canali, affinché GA4 non assegni erroneamente il traffico AI al canale di default dei referral
• Salva il gruppo

Una volta applicata questa configurazione e lasciato che GA4 inizi a raccogliere dati, potrai visualizzare il canale “Traffico AI” all’interno dei report di acquisizione, accanto agli altri canali standard come Organic Search, Direct, Social, Paid Search, ecc.

Questo approccio è particolarmente utile per fornire una visione chiara e stabile ai decisori aziendali, che potranno finalmente vedere quanto del traffico complessivo è influenzato da questi nuovi strumenti.

Inoltre, diventa possibile confrontare il rendimento del traffico AI con quello degli altri canali, osservando metriche come bounce rate, sessioni coinvolte, eventi attivati e conversioni.

Cosa possiamo imparare da questi dati? (E perché conta farlo ora)

Il lavoro fatto fin qui serve a rendere visibile qualcosa che altrimenti resterebbe nascosto. Ma la visibilità, da sola, non basta. È fondamentale saper leggere i segnali contenuti in questi dati e tradurli in decisioni operative.

Alcuni spunti che si possono esplorare:

• Gli utenti che arrivano da strumenti AI visitano una sola pagina o esplorano il sito?
• Hanno un tasso di conversione simile a quello degli utenti provenienti da ricerca organica?
• Quali contenuti vengono linkati più frequentemente da ChatGPT o Perplexity?
• Il traffico AI ha una componente stagionale o è costante nel tempo?

L’analisi di questi aspetti può influenzare scelte strategiche su contenuti, UX, SEO e investimenti pubblicitari. E soprattutto, ci permette di restare in controllo di un contesto che evolve velocemente e spesso fuori dai radar dei tool più tradizionali.

Una riflessione da chi vive di dati (e non per modo di dire)

Per noi, l’approccio data-driven non è uno slogan. È una disciplina quotidiana. Significa fare in modo che ogni ipotesi sia supportata da evidenze, che ogni scelta venga presa con la massima consapevolezza, anche quando i dati sono parziali, rumorosi o non ufficiali.

In questo contesto in cui strumenti come ChatGPT o Perplexity possono influenzare profondamente le performance di un sito, il rischio maggiore è non accorgersene.

Ecco perché ci adoperiamo quotidianamente per costruire una metodologia di tracciamento per portare avanti una lettura autonoma, precisa, replicabile.

Quello che oggi può sembrare un segmento marginale — poche sessioni al mese, qualche referral disperso — domani potrebbe rappresentare una quota significativa del funnel, soprattutto in ambiti B2B, editoriali o informativi.

Anticipare il futuro in questo caso non è un esercizio di stile: è una scelta strategica concreta, per difendere il valore del lavoro SEO e per continuare a misurare con rigore la realtà, anche quando cambia pelle.

Parte 2 – Come tracciare il traffico proveniente da AI Overviews, Featured Snippets e People Also Ask (PAA)

Il contesto: le nuove funzionalità AI della SERP e il loro impatto sulla misurazione.

Google sta gradualmente trasformando la pagina dei risultati di ricerca in un ambiente sempre più interattivo, sintetico e “guidato” dall’intelligenza artificiale.

A partire dal 2023, con l’introduzione degli AI Overviews (originariamente chiamati SGE – Search Generative Experience), è iniziato un cambiamento strutturale nella modalità con cui le persone accedono alle informazioni online.

Oltre a queste nuove funzionalità, rimangono attive e visivamente rilevanti anche le risposte in evidenza (Featured Snippets) e le sezioni “Le persone chiedono anche” (People Also Ask), che da tempo fanno parte dell’ecosistema SERP ma che, oggi, vengono sempre più alimentate da sistemi AI.

In tutti questi casi, una percentuale (ancora ridotta ma crescente) di utenti non clicca su link tradizionali, ma su snippet che includono testo già selezionato e messo in evidenza, con un comportamento di navigazione ibrido: tra il search e la lettura in-page.

Ecco il problema: questo tipo di traffico lascia segnali estremamente deboli nei sistemi di analytics. Eppure, quando presente, può essere tracciato — ma solo con un intervento manuale e consapevole.

Cosa succede davvero quando un utente clicca su un risultato AI o uno snippet?

Quando un utente clicca su un risultato all’interno di un AI Overview, o su un Featured Snippet/People Also Ask, può succedere che venga indirizzato verso una URL modificata.
In particolare, in molti casi il link contiene un frammento speciale, nel formato:

#:~:text=inizio%20della%20frase,fine%20della%20frase

Questa porzione di URL serve a far atterrare direttamente l’utente su un punto specifico della pagina, con la frase in questione evidenziata in giallo dal browser.

Il comportamento si basa su uno standard del browser (Text Fragments) che sta venendo sempre più utilizzato da Google per evidenziare porzioni di contenuto rilevanti.

Il problema è che Google Analytics 4 non rileva questi frammenti in modo nativo. La parte dell’URL dopo #: viene ignorata sia nei parametri di pagina che negli eventi preconfigurati.

Ecco quindi che, senza una personalizzazione, non abbiamo alcuna visibilità su questo tipo di interazione, né possiamo sapere se un utente è arrivato da un risultato AI di nuova generazione.

Come rendere visibile ciò che GA4 non traccia: l’intervento via Google Tag Manager

Per intercettare i frammenti #:~:text=, dobbiamo ricorrere a Google Tag Manager (GTM) e implementare due variabili personalizzate in JavaScript, in grado di catturare dinamicamente le porzioni di testo contenute nell’URL.

Obiettivo tecnico:

• Estrarre la parte iniziale del testo evidenziato (es. “come tracciare…”)
• Estrarre la parte finale (es. “…in Google Analytics 4”)

Procedura:

• All’interno di GTM, accedi alla sezione Variabili e crea due nuove variabili di tipo JavaScript personalizzato
• La prima variabile cattura l’inizio del frammento (snippet_text_start), la seconda la fine (snippet_text_end)
• Ogni variabile estrae e pulisce dinamicamente il testo presente nell’URL, in modo che possa essere inviato a GA4 come parametro evento

Il codice utilizzato per ciascuna variabile è ispirato a una soluzione proposta da Brodie Clark, modificata per l’utilizzo operativo. Il risultato è una coppia di valori — inizio e fine del frammento — che potrai visualizzare nei tuoi report GA4.

Invio delle informazioni a GA4: due approcci possibili

Una volta che le variabili sono disponibili in GTM, è necessario invocarle al momento giusto per farle arrivare a GA4. Qui hai due opzioni operative.

Opzione 1: Aggiungere i parametri al tag page_view esistente

Se utilizzi già un tag di tipo GA4 configurato per tracciare le page view, puoi semplicemente aggiungere due parametri personalizzati all’interno di quel tag:

snippet_text_start → valore: la variabile creata in GTM

snippet_text_end → valore: la seconda variabile creata in GTM

Questo approccio è efficace e minimale: ogni volta che un utente atterra con un frammento #:~:text=, i dati verranno inviati insieme all’evento di visualizzazione pagina.

Opzione 2: Creare un evento personalizzato dedicato

In alternativa, puoi creare un evento GA4 separato (es. snippet_text), da attivare solo nel caso in cui venga rilevata una URL con frammento. Questo richiede:

• Un trigger che controlli la presenza della variabile
• Un tag evento GA4 che invii snippet_text_start e snippet_text_end come parametri

Questo approccio è più flessibile se vuoi analizzare separatamente questo tipo di traffico, oppure se non desideri “appesantire” l’evento page_view.

Visualizzare i dati in GA4: creare le dimensioni personalizzate

Come spesso accade con i parametri evento in GA4, per poterli visualizzare nei report è necessario registrarli come dimensioni personalizzate.

• Accedi all’area Amministrazione di GA4
• Vai su Definizioni personalizzate
• Crea due nuove dimensioni:

Nome: Snippet Start → Parametro evento: snippet_text_start

Nome: Snippet End → Parametro evento: snippet_text_end

Una volta configurate e raccolti i primi dati, queste dimensioni saranno disponibili nei report esplorativi, nelle tabelle personalizzate e nei filtri.

Cosa fare con questi dati: domande chiave per l’analisi

Non si tratta solo di registrare dati per il gusto di farlo. Questi segnali, se ben letti, possono arricchire il modo in cui valutiamo l’efficacia dei nostri contenuti e capire quali parti vengono effettivamente considerate rilevanti da Google (o da un sistema AI che costruisce lo snippet).

Alcune domande interessanti che potresti esplorare:

• Quali porzioni di testo del mio sito vengono evidenziate da Google o da strumenti AI?
• Le sessioni con snippet hanno tassi di conversione diversi dal traffico organico generico?
• Chi arriva da snippet consuma più contenuti o esce subito?
• Certi snippet sono associati a particolari query informative o transazionali?

Proseguendo il ragionamento, con queste informazioni potrai:

• Creare audience in GA4 basate su comportamenti ad alta intenzione
• Ottimizzare i contenuti che attirano snippet ricorrenti
• Migliorare la leggibilità e la struttura semantica delle pagine, aumentando le chance che Google le selezioni nuovamente

L’approccio data-driven nei nuovi territori dell’AI

Anche in questo scenario, il filo conduttore è sempre lo stesso: non aspettare che gli strumenti si aggiornino, ma costruire ora un framework di misurazione consapevole.

La nostra agenzia, da sempre focalizzata su una lettura profonda e analitica dei dati, vede in questo tipo di tracciamento un’opportunità per mantenere il controllo, anche quando i meccanismi di attribuzione tradizionali vacillano.

Sapere quali snippet generano traffico. Sapere cosa viene letto, citato, messo in evidenza. Sapere che un clic non è sempre uguale a un altro.

Tutto questo oggi è possibile. A patto di saperlo misurare.

Misurare il “non immediatamente visibile” per restare strategici

Viviamo una fase in cui la natura stessa del traffico web sta cambiando. Le dinamiche classiche — keyword, ranking, clic, conversione — sono ancora centrali, ma non bastano più da sole a rappresentare l’interazione reale tra utente e contenuto.

Strumenti basati su AI, sia dentro che fuori Google, stanno diventando nuovi intermediari della scoperta. Sono loro a suggerire, sintetizzare, indirizzare. In molti casi, sostituiscono il motore di ricerca tradizionale, o ne modificano in profondità la logica.

Chi si occupa di consulenza SEO, contenuti o performance non può più permettersi di ignorare questo scenario. Non solo per una questione di innovazione, ma per una questione di precisione e responsabilità nei confronti dei dati.

Abbiamo visto come sia possibile  con gli strumenti che già oggi abbiamo a disposizione iniziare a:

• Riconoscere il traffico proveniente da LLM come ChatGPT o Perplexity
• Segmentare e visualizzare il comportamento degli utenti che arrivano da questi strumenti
• Tracciare le interazioni più sottili, come quelle generate da AI Overviews o snippet evidenziati
• Valutare l’effettiva rilevanza dei nostri contenuti nel contesto dell’AI generativa

Tutto questo richiede lavoro, consapevolezza, capacità tecnica. Ma soprattutto richiede una cultura del dato autentica, che non si limiti a leggere dashboard, ma che sappia porre le domande giuste e costruire strumenti di lettura personalizzati.

Disclaimer: la seguente guida, pensata e sviluppata per il mercato e la comunità digital italiana, ha preso a riferimento i contenuti e le informazioni delle seguenti fonti:
1) https://kpplaybook.com/resources/how-to-track-traffic-from-aio-featured-snippets-paa-results-ga4/ 

2) https://searchengineland.com/segment-llm-traffic-ga4-449127