Trafic ChatGPT et Perplexity : Comment mesurer l’impact de l’AEO sur Google Analytics (GA4)

Prouver le retour sur investissement de l’optimisation pour les moteurs de réponse (AEO) exige une configuration rigoureuse de vos outils de webanalyse. Pour tout responsable SEO ou data analyst, réussir à mesurer trafic chatgpt ga4 ainsi que les visites issues de Perplexity est devenu indispensable pour justifier les budgets alloués à ces nouveaux canaux d’acquisition.

Bien que Google Analytics n’isole pas nativement ces sources de manière exhaustive, des techniques avancées de filtrage et d’identification des referrers permettent d’isoler précisément ces comportements de recherche conversationnelle. En s’appuyant sur l’expertise technique de Skribiz, vous découvrirez comment configurer vos expressions régulières et vos canaux personnalisés pour cartographier l’impact réel de l’AEO sur votre trafic global.

Pourquoi le trafic issu des moteurs de réponse IA est-il sous-estimé dans GA4 ?

Une part significative des visites provenant de ChatGPT, Perplexity ou d’autres moteurs de réponse IA n’est pas correctement identifiée dans Google Analytics 4 : elle se retrouve noyée dans le trafic direct ou dans des referrals génériques non qualifiés. Ce phénomène de dark traffic IA fausse directement votre capacité à mesurer le retour sur investissement d’une stratégie AEO.

Le mécanisme du dark traffic généré par les LLM

Lorsqu’un utilisateur clique sur un lien cité par ChatGPT dans son interface desktop, le navigateur reçoit parfois un en-tête referrer exploitable (comme chat.openai.com). Mais dans de nombreux scénarios — application mobile, WebView intégrée, redirection via un domaine intermédiaire — cet en-tête est absent ou tronqué. GA4 classe alors la visite en Direct / (none), exactement comme si l’utilisateur avait tapé l’URL manuellement.

Perplexity pose un problème légèrement différent. Ses citations renvoient parfois via des domaines de tracking propres ou des redirections qui apparaissent comme un referral classique sans mention explicite du moteur de réponse. La source de trafic IA dans Google Analytics devient alors indiscernable d’un backlink ordinaire, ce qui rend l’attribution du trafic LLM quasi impossible avec la configuration par défaut.

Pourquoi GA4 n’est pas conçu pour ce cas d’usage

Google Analytics 4 repose sur un modèle d’attribution qui catégorise les sources selon des canaux prédéfinis : Organic Search, Referral, Direct, Social, etc. Les moteurs de réponse IA ne disposent d’aucun canal dédié dans la configuration native. Même lorsque le referrer est transmis, GA4 range chat.openai.com ou perplexity.ai dans le canal Referral générique, au même niveau qu’un forum ou un annuaire.

Cette absence de granularité empêche toute segmentation pertinente. Sans intervention manuelle, il est impossible de distinguer un visiteur arrivé via une réponse générée par un LLM d’un visiteur provenant d’un simple lien sur un site tiers. L’évolution vers l’optimisation générative qui transforme le référencement rend pourtant cette distinction stratégique pour tout responsable SEO.

Les conséquences concrètes sur vos rapports

• Sous-évaluation du canal AEO : les visites réelles issues des moteurs de réponse sont dispersées entre Direct et Referral, rendant le volume invisible dans vos dashboards.
• Gonflement artificiel du trafic direct : une hausse inexpliquée du canal Direct peut masquer une croissance réelle de votre visibilité dans les réponses IA.
• Impossibilité de calculer un ROI : sans identification fiable de la source, aucun modèle d’attribution ne peut créditer correctement votre stratégie de contenu AEO.
• Décisions budgétaires biaisées : un canal qui semble inexistant dans les rapports ne reçoit ni budget ni ressources, même s’il génère des conversions.

Le problème n’est pas que GA4 soit défaillant — l’outil fait ce pour quoi il a été conçu. Le paysage des sources de trafic a évolué plus vite que les configurations par défaut. Pour obtenir une mesure précise, il faut intervenir activement sur le paramétrage : groupes de canaux personnalisés, filtres de referrer et marquage UTM systématique des liens que vous contrôlez.

Comment identifier précisément le referrer ChatGPT dans GA4 ?

Le referrer ChatGPT dans GA4 apparaît sous plusieurs formes distinctes selon que l’utilisateur provient de l’interface conversationnelle classique ou de ChatGPT Search. Par défaut, Google Analytics 4 enregistre ces visites avec des noms de source comme chatgpt.com, chat.openai.com ou encore android-app://com.openai.chatgpt pour l’application mobile — et les classe généralement dans le canal « Organic Social » ou « Referral » sans distinction fine.

Les chaînes de referrer à surveiller

ChatGPT génère plusieurs signatures de referrer selon le point d’entrée de l’utilisateur. Identifier chacune d’elles est indispensable pour analyser le trafic ChatGPT Search séparément du trafic conversationnel standard.

• chat.openai.com : ancien domaine de l’interface web, encore présent dans les données historiques et certaines sessions actives.
• chatgpt.com : domaine principal actuel, utilisé par la majorité des sessions web depuis la migration d’OpenAI.
• android-app://com.openai.chatgpt : referrer transmis par l’application Android lorsqu’un utilisateur clique sur un lien cité dans une réponse.
• (not set) avec session_start depuis iOS : l’application iOS ne transmet pas systématiquement le referrer, ce qui crée un angle mort à compenser par d’autres méthodes de détection.

Vérifier les données brutes dans GA4

Rendez-vous dans Google Analytics 4 → Rapports → Acquisition → Acquisition de trafic. Ajoutez la dimension secondaire « Source de la session » et filtrez avec le terme chatgpt ou openai. Cette manipulation révèle immédiatement le volume brut attribué à ces sources, mais pas la granularité dont vous avez besoin.

Pour une analyse plus fine, utilisez l’espace Explorer (Explorations). Créez un rapport en forme libre avec les dimensions « Source de la session », « Support de la session » et « Page de destination ». Appliquez un filtre de segment personnalisé où la source de session contient chatgpt OU openai. Vous obtenez ainsi la cartographie exacte des pages qui captent du trafic depuis les réponses générées par l’IA — un indicateur direct de la performance de votre stratégie d’AEO et GEO appliquée aux moteurs de recherche IA.

Le piège du regroupement automatique de canaux

GA4 attribue par défaut les visites depuis chatgpt.com au groupe de canaux « Referral ». Ce classement est techniquement correct mais analytiquement trompeur : il noie le trafic ChatGPT parmi des centaines d’autres domaines référents sans rapport, supprimant toute capacité de suivi dédié.

Le problème s’aggrave avec ChatGPT Search. Contrairement au chat classique, ChatGPT Search fonctionne comme un moteur de recherche à part entière. Ses clics devraient logiquement être classés dans un canal de type « Organic Search (AI) » plutôt que « Referral ». Sans intervention manuelle sur les groupes de canaux personnalisés, cette distinction n’existe pas dans vos rapports.

Notez également que le paramètre referrer peut être absent ou tronqué lorsque l’utilisateur navigue en mode privé ou via certains VPN. Croisez systématiquement vos données GA4 avec les logs serveur (en-tête HTTP Referer) pour détecter les sessions fantômes que l’interface de reporting ne capture pas.

Comment suivre le trafic de Perplexity AI sur votre site ?

Pour suivre le trafic Perplexity dans GA4, vous devez identifier deux mécanismes distincts : les clics humains sur les citations affichées dans les réponses, et les requêtes du bot d’indexation PerplexityBot qui crawle vos pages en amont. Ces deux flux laissent des traces différentes dans vos outils d’analyse et nécessitent chacun une configuration spécifique.

Comprendre le comportement de l’agent utilisateur Perplexity

Perplexity AI utilise un crawler identifié par le user-agent PerplexityBot pour parcourir et indexer le contenu des sites web. Ce bot ne génère pas de sessions dans GA4 puisqu’il n’exécute pas le JavaScript de la balise gtag. Vous ne le verrez donc jamais dans vos rapports d’acquisition — il faut le traquer exclusivement dans vos logs serveur en filtrant la chaîne PerplexityBot dans le champ User-Agent.

Les visites humaines proviennent des utilisateurs qui cliquent sur les liens de citation numérotés dans les réponses de Perplexity. Ces liens redirigent vers votre site avec un referrer de type perplexity.ai, qui constitue la base de votre tracking des clics Perplexity GA4.

Isoler les clics Perplexity dans Google Analytics 4

Par défaut, GA4 classe les visites provenant de perplexity.ai dans le canal « Organic Social » ou « Referral » selon sa table de classification automatique. Pour obtenir un suivi fiable, créez un regroupement de canaux personnalisé dédié aux moteurs de réponse IA :

1. Accédez à Admin > Paramètres de données > Regroupement de canaux dans votre propriété GA4.
2. Créez un nouveau canal nommé « AI Answer Engines » avec la condition : Source correspond à l’expression régulière perplexity\.ai.
3. Positionnez cette règle au-dessus des règles Referral et Organic Social pour qu’elle soit évaluée en priorité.
4. Ajoutez dans la même règle les autres moteurs de réponse (ChatGPT, Copilot) pour centraliser le reporting — la distinction entre sources se fera ensuite par la dimension Session source.

Une fois ce regroupement actif, rendez-vous dans le rapport Acquisition de trafic et filtrez par votre canal personnalisé. Vous pouvez alors ventiler par source pour comparer le volume de clics Perplexity face aux autres moteurs de réponse. Cette granularité est précisément ce qui différencie une stratégie AEO d’une approche SEO classique en matière de mesure de performance.

Exploiter les explorations pour une analyse avancée

Le rapport standard ne suffit pas pour qualifier la valeur de ces visites. Dans l’espace Explorer de GA4, construisez un rapport en forme libre avec les dimensions suivantes : Session source, Page de destination et Catégorie d’appareil. Ajoutez les métriques Sessions engagées, Durée d’engagement moyenne et Conversions.

Ce croisement révèle quelles pages de votre site sont effectivement citées par Perplexity et quel comportement post-clic adoptent ces visiteurs. Appliquez un filtre sur la dimension Session source avec la valeur perplexity.ai pour isoler exclusivement ce segment. Exportez ces données mensuellement pour construire une courbe de tendance et documenter l’impact réel de votre optimisation AEO auprès de vos parties prenantes.

Configurer un filtre et un rapport personnalisé IA dans GA4 via GTM

La méthode la plus robuste pour obtenir une attribution fiable du trafic IA consiste à intercepter les referrers des moteurs de réponse via Google Tag Manager et à les reclasser dans un canal dédié. Cette approche corrige le problème récurrent du trafic IA mal attribué — souvent noyé dans « Direct » ou « Referral » sans distinction.

Étape 1 : Créer une variable de referrer dans Google Tag Manager

Dans l’interface de Google Tag Manager, commencez par créer une variable personnalisée de type « HTTP Referrer ». Cette variable capture automatiquement l’URL d’origine de chaque visiteur. Vous l’utiliserez ensuite comme condition de déclenchement pour identifier les sessions provenant de moteurs de réponse IA.

Étape 2 : Définir un déclencheur conditionnel pour les LLM

Créez un déclencheur de type « Page View » avec une condition sur votre variable referrer. Le filtre doit couvrir l’ensemble des domaines IA pertinents :

• chatgpt.com et chat.openai.com — trafic ChatGPT
• perplexity.ai — trafic Perplexity
• gemini.google.com — trafic Gemini
• copilot.microsoft.com — trafic Copilot
• claude.ai — trafic Claude d’Anthropic

Utilisez l’opérateur « correspond à l’expression régulière » avec un pattern du type (chatgpt\.com|chat\.openai\.com|perplexity\.ai|gemini\.google\.com|copilot\.microsoft\.com|claude\.ai). Ce regex unique couvre les principaux moteurs de réponse en une seule règle.

Étape 3 : Envoyer un événement personnalisé vers GA4

Créez une balise GA4 Event associée à ce déclencheur. Nommez l’événement ai_engine_referral et ajoutez un paramètre ai_source dont la valeur reprend dynamiquement le hostname du referrer. Ce paramètre, une fois enregistré comme dimension personnalisée dans GA4, vous permettra de segmenter finement par moteur IA. Pensez à enregistrer cette dimension dans Admin > Définitions personnalisées avant de publier le conteneur GTM.

Étape 4 : Construire le rapport personnalisé IA dans GA4

Dans GA4, accédez à Explorer > Rapport en format libre. La construction du rapport personnalisé IA GA4 suit cette logique :

1. Ajoutez la dimension personnalisée ai_source en lignes.
2. Ajoutez Page de destination comme seconde dimension pour identifier les contenus cités.
3. Sélectionnez les métriques : sessions, taux d’engagement, durée moyenne d’engagement, conversions.
4. Appliquez un filtre de segment où ai_source n’est pas vide — cela isole exclusivement le trafic IA.

Ce rapport révèle quels contenus optimisés pour l’Answer Engine Optimization génèrent réellement des visites depuis les LLM, et quel est le comportement post-clic de ces visiteurs comparé aux autres canaux.

Étape 5 : Automatiser le suivi avec un rapport partagé

Enregistrez cette exploration comme rapport récurrent et partagez-le avec votre équipe. Pour un suivi longitudinal, exportez les données vers Looker Studio en connectant la dimension ai_source comme filtre principal. Vous obtenez ainsi un dashboard dédié au trafic IA, actualisé automatiquement, que vous pouvez présenter directement aux décideurs pour documenter le ROI de votre stratégie AEO.

Vérifiez le bon fonctionnement de l’ensemble en utilisant le mode Aperçu de Google Tag Manager : naviguez sur votre site avec un referrer simulé et confirmez que l’événement ai_engine_referral se déclenche correctement dans le DebugView de GA4.

Comment mesurer le ROI de votre stratégie AEO globale ?

Mesurer le ROI AEO consiste à relier chaque session provenant d’un moteur de réponse (ChatGPT, Perplexity, Gemini) à une action business traçable dans Google Analytics 4 : soumission de formulaire, inscription, achat ou demande de démo. Sans cette corrélation directe, le trafic issu des LLM reste un indicateur de vanité sans valeur décisionnelle.

Étape 1 : Définir vos événements de conversion dans GA4

Avant toute analyse, identifiez précisément quelles actions utilisateur constituent une conversion pour votre activité. GA4 ne présuppose rien : c’est à vous de marquer les événements pertinents comme conversions (renommées « événements clés » depuis mars 2024).

1. Accédez à Admin > Événements dans GA4 et repérez les événements existants (generate_lead, purchase, sign_up, etc.).
2. Activez le toggle « Marquer comme événement clé » pour chaque action qui représente une valeur business.
3. Attribuez une valeur monétaire à chaque événement clé, soit dynamiquement via le paramètre value, soit en valeur fixe estimée (ex. : un lead qualifié vaut 45 € en moyenne pour votre pipeline).

Étape 2 : Créer un segment dédié aux sessions LLM

Dans la section Explorer de GA4, créez un segment de sessions où la dimension sessionSource correspond à vos sources AI taguées (chatgpt.com, perplexity.ai, etc.) ou bien où l’événement personnalisé ai_engine_referral a été déclenché. Ce segment isole strictement le trafic AEO du reste de votre acquisition.

Appliquez ce segment à un rapport en forme libre (Free-form exploration) contenant les métriques suivantes : sessions, utilisateurs actifs, événements clés, et surtout revenu total ou valeur de conversion. Vous obtenez ainsi un tableau de bord qui relie directement les visites LLM à leur impact financier.

Étape 3 : Calculer le ROI réel

La formule reste classique : (Valeur générée par les conversions AEO − Coût de la stratégie AEO) / Coût de la stratégie AEO × 100. Le coût inclut le temps de production de contenu optimisé pour les moteurs de réponse, les outils utilisés et les ressources humaines mobilisées. La partie souvent sous-estimée dans le cadre d’une stratégie d’Answer Engine Optimization est justement la valorisation précise de chaque conversion attribuée.

Étape 4 : Comparer les cohortes pour affiner l’analyse

GA4 permet de comparer les performances du segment LLM avec celles du trafic organique Google classique ou du trafic direct. Placez ces segments côte à côte dans votre exploration et comparez :

• Taux de conversion par source AI vs. recherche organique traditionnelle
• Valeur moyenne par session pour identifier quel moteur de réponse génère les visiteurs les plus qualifiés
• Taux d’engagement (sessions engagées / sessions totales) pour évaluer la qualité du trafic
• Parcours post-clic via le rapport de chemin (Path exploration) pour comprendre le comportement spécifique des utilisateurs issus des LLM

Un trafic LLM plus faible en volume mais supérieur en taux de conversion justifie à lui seul un investissement AEO accru. Inversement, un volume élevé sans conversion signale un décalage entre l’intention captée par le moteur de réponse et le contenu de votre page de destination — un signal clair pour ajuster votre stratégie de contenu.

Skribiz : Corréler votre visibilité sur les LLM avec votre trafic GA4

GA4 capture les clics entrants, mais reste aveugle sur ce qui se passe avant le clic — c’est-à-dire la présence de votre marque dans les réponses générées par les LLM. Skribiz comble ce trou de mesure en traquant vos citations, mentions et parts de voix directement au sein des réponses de ChatGPT, Perplexity et des autres moteurs de réponse IA.

Le problème résiduel : l’angle mort entre visibilité IA et analytics

Même avec des segments GA4 parfaitement configurés, vous ne voyez qu’une fraction du tableau. Une part significative du trafic issu des LLM arrive sous direct, organic ou (not set) dans vos rapports. Avec GA4 seul, impossible de savoir si votre marque est citée dans une réponse de ChatGPT sans qu’aucun clic ne soit généré — ni de mesurer le ROI AEO sur la base de la visibilité réelle plutôt que des seuls clics attribués.

Ce décalage rend la justification budgétaire d’une stratégie AEO particulièrement difficile. Vous optimisez vos contenus pour les moteurs de réponse, mais vous ne pouvez pas démontrer que ces optimisations produisent des résultats concrets au-delà de ce que GA4 restitue.

Comment Skribiz résout cette équation

Skribiz surveille en continu comment les LLM traitent votre marque et vos contenus. La plateforme identifie sur quelles requêtes votre site est cité, avec quel niveau de mise en avant, et comment votre part de voix évolue face à vos concurrents dans les réponses générées.

Concrètement, Skribiz vous permet de :

• Suivre vos citations par LLM — détecter quand et comment ChatGPT, Perplexity ou d’autres moteurs mentionnent votre marque, vos pages ou vos contenus dans leurs réponses.
• Mesurer votre part de voix IA — comparer votre visibilité à celle de vos concurrents sur un ensemble de requêtes stratégiques, thématique par thématique.
• Corréler visibilité LLM et trafic GA4 — croiser les hausses de citations détectées par Skribiz avec les variations de source de trafic IA dans Google Analytics, y compris le trafic direct suspect, pour établir des liens de causalité exploitables.
• Identifier les opportunités d’optimisation — repérer les requêtes où vos concurrents sont cités et vous non, pour orienter votre production de contenu AEO.

Imaginons une entreprise SaaS B2B qui constate dans GA4 une hausse de trafic direct corrélée temporellement avec le déploiement de nouveaux contenus optimisés pour les LLM. Sans Skribiz, cette corrélation reste une hypothèse. Avec Skribiz, l’équipe SEO peut vérifier que ses citations dans les réponses de ChatGPT ont effectivement augmenté sur la même période — et sur les mêmes thématiques — transformant une intuition en donnée actionnable pour intégrer l’intelligence artificielle à sa stratégie SEO de manière mesurable.

Pour qui Skribiz est le plus utile

Les responsables SEO et data analysts qui doivent justifier les investissements AEO auprès de leur direction trouveront dans Skribiz le chaînon manquant entre visibilité sur les LLM et performance mesurée. Les équipes content marketing y gagnent un feedback direct sur l’efficacité de leurs contenus dans l’écosystème des moteurs de réponse, requête par requête.

Quelle est la différence entre l’Organic Search classique et le trafic IA ?

Le trafic Organic Search provient d’un clic sur un lien bleu dans une page de résultats Google ou Bing, tandis que le trafic IA arrive depuis une réponse générée par un LLM (ChatGPT, Perplexity, Gemini) qui cite votre URL comme source. Cette distinction fondamentale modifie la façon dont Google Analytics 4 catégorise, attribue et valorise chaque session.

Comportement utilisateur : deux logiques opposées

En recherche organique classique, l’utilisateur formule une requête courte, parcourt plusieurs résultats et clique sur celui qui semble le plus pertinent. La session qui en découle suit un parcours exploratoire : l’internaute peut visiter plusieurs pages, revenir en arrière, comparer. Le taux de rebond et le temps passé reflètent cette navigation active.

Depuis un moteur de réponse, l’utilisateur a déjà obtenu l’essentiel de l’information dans l’interface du LLM. Le clic vers votre site est un acte délibéré de vérification ou d’approfondissement. Ces sessions sont généralement plus courtes, avec un nombre de pages vues inférieur, mais un taux d’engagement souvent plus élevé sur la page de destination elle-même.

Attribution dans GA4 : ce qui change concrètement

Critère	Organic Search classique	Trafic IA (LLM)
Source / Medium dans GA4	google / organic, bing / organic	chatgpt.com / referral, perplexity.ai / referral
Canal par défaut	Organic Search	Referral (sauf regroupement personnalisé)
Requête utilisateur visible	Partiellement (Search Console)	Non transmise par le LLM
Intention au moment du clic	Exploratoire ou transactionnelle	Vérification ou approfondissement
Page de destination	Variable (homepage, catégorie, article)	Page précise citée par le LLM

Le point critique réside dans le classement par défaut en « Referral ». Sans intervention manuelle, ces visites se noient parmi les liens entrants classiques. La création d’un canal personnalisé « AI Engines » dans GA4, regroupant les sources comme chatgpt.com, perplexity.ai ou gemini.google.com, devient indispensable pour isoler cette audience.

Pourquoi cette distinction redéfinit vos KPI

Comparer le trafic IA aux mêmes indicateurs que l’Organic Search classique produit des conclusions faussées. Un taux de rebond élevé sur une session issue de Perplexity ne signale pas un problème de contenu : l’utilisateur a trouvé exactement ce qu’il cherchait. Les métriques pertinentes deviennent le taux d’engagement, les événements déclenchés sur la page et les micro-conversions.

La formation SEO IA couvrant les techniques d’optimisation pour les moteurs de réponse permet de comprendre comment adapter sa grille d’analyse à ces nouveaux comportements. Appliquer au trafic LLM les mêmes lunettes que le SEO traditionnel revient à évaluer une campagne podcast avec des métriques display : le cadre d’interprétation doit évoluer avec le canal.

Conclusion

Pour prouver le ROI de vos efforts AEO, vous devez configurer vos filtres et rapports personnalisés afin de mesurer précisément le trafic ChatGPT et Perplexity dans GA4. La donnée analytique seule ne suffit pas à capter l’intention de recherche sur les moteurs de réponse. Alors que le trafic issu des IA est souvent masqué ou mal attribué dans GA4, Skribiz vous permet d’analyser la visibilité réelle de votre marque sur les LLM et de corréler vos optimisations AEO avec vos gains de trafic qualifié. Mesurez et boostez votre visibilité sur les IA : découvrez comment Skribiz vous aide à optimiser vos contenus pour maximiser votre trafic issu de ChatGPT et Perplexity.

Questions fréquentes

Pourquoi le trafic des IA génératives apparaît-il en Direct dans Google Analytics ?

Le trafic des IA génératives apparaît souvent en Direct car les applications mobiles et certains navigateurs sécurisés n’envoient pas de données de referrer HTTP lors du clic. Sans cette information d’origine, Google Analytics 4 (GA4) classe par défaut ces sessions dans la catégorie Direct. Pour corriger cela, vous devez utiliser Google Tag Manager afin de capturer les paramètres d’URL spécifiques ou réécrire les sources de trafic basées sur les rares en-têtes disponibles.

Comment identifier le trafic venant de ChatGPT dans GA4 ?

Pour identifier le trafic venant de ChatGPT dans GA4, vous devez analyser la dimension Source/Support de la session et filtrer les valeurs contenant chat.openai.com ou chatgpt.com. De plus, le trafic issu de l’application mobile OpenAI se manifeste sous le referrer android-app://com.openai.chatgpt. En créant un segment d’audience basé sur ces expressions régulières (Regex) dans l’onglet Explorer de GA4, vous isolerez précisément ces visites AEO.

Quel est le referrer officiel utilisé par Perplexity ?

Le referrer officiel principalement utilisé par Perplexity AI pour rediriger les utilisateurs vers votre site web est perplexity.ai. Contrairement à d’autres LLM, Perplexity intègre systématiquement des sources cliquables sous forme de cartes ou de liens numérotés. Dans GA4, vous pouvez isoler ces sessions en filtrant la dimension Source de la session avec la valeur exacte perplexity.ai, ce qui permet de mesurer directement l’efficacité de vos optimisations AEO.

Comment créer un canal personnalisé pour le trafic IA dans GA4 ?

Pour créer un canal personnalisé pour le trafic IA dans GA4, allez dans Administration > Affichage des données > Groupes de canaux. Créez un nouveau canal nommé AI Search et définissez une règle où la Source de la session correspond à des expressions régulières comme .*chatgpt.*|.*perplexity.*|.*copilot.*. Cela regroupera automatiquement tout le trafic issu des moteurs de réponse IA dans un rapport unique, facilitant l’analyse de vos performances AEO.