AI 추천 트래픽, 애널리틱스에서 놓치지 않고 확인하는 법

최근 챗GPT의 UTM 태그 누락 사례처럼, AI 답변을 거쳐 들어온 방문이 애널리틱스에서는 다이렉트로 잘못 잡히는 경우가 있습니다. 태그나 추천인 정보가 제대로 남지 않으면, 실제로는 AI를 통해 들어온 방문인데도 어디서 왔는지 알 수 없는 숫자로만 남습니다. 이 글에서는 이런 방문을 놓치지 않고 가려내는 몇 가지 확인 방법을 정리합니다.

다이렉트로 잘못 잡히는 이유

AI 챗봇이나 AI 검색 결과에서 링크를 열 때, 서비스마다 추천인 정보를 남기는 방식이 다릅니다. 일부는 자체 태그를 붙이지만, 그렇지 않은 경우 분석 도구는 유입 경로를 알 수 없는 방문을 다이렉트로 분류합니다.

같은 서비스라도 업데이트 과정에서 태그 처리 방식이 갑자기 바뀌는 경우도 있습니다. 운영자가 눈치채지 못한 채 몇 주가 지나면, 그 기간의 AI에서 온 트래픽은 통째로 다이렉트 수치에 섞여 버립니다. 챗GPT의 태그 누락 사례도 바로 이런 과정에서 드러난 일입니다.

애플리케이션 안에서 답변을 보여 주는 방식 자체도 영향을 줍니다. 새 창이나 외부 브라우저로 링크를 여는 방식에 따라 추천인 정보가 전달되는 정도가 달라지기 때문에, 같은 AI 서비스라도 기기나 버전에 따라 결과가 다르게 나타날 수 있습니다.

다이렉트 수치부터 점검하기

가장 먼저 할 일은 평소 다이렉트 방문 비율의 기준선을 알아 두는 것입니다. 특별한 이벤트 없이 다이렉트 비율이 갑자기 눈에 띄게 오른 주가 있다면, 그 뒤에 AI 서비스 쪽 변화가 있었는지 의심해 볼 신호입니다.

기준선과 비교할 때는 요일이나 계절에 따른 평소 변동 폭도 함께 고려해야 합니다. 단순히 숫자가 올랐다는 사실만으로 바로 AI 트래픽이라고 단정하기는 어렵습니다.

주간이나 월간 단위로 다이렉트 비율을 꾸준히 기록해 두면, 나중에 비교할 때 훨씬 수월합니다. 평소 수치를 모아 두지 않았다면 이번 주부터라도 기록을 시작해 볼 만합니다.

랜딩 페이지와 시간대로 구분하기

다이렉트 방문 중 AI에서 온 트래픽을 가려내려면 랜딩 페이지를 함께 봐야 합니다. 홈페이지가 아니라 특정 글이나 제품 페이지로 바로 들어온 다이렉트 방문이 늘었다면, 누군가 그 페이지를 직접 주소를 입력해 찾아왔다고 보기는 어렵습니다.

방문 시간대도 참고가 됩니다. 평소 다이렉트 방문과 다른 시간대 패턴을 보인다면, 검색이나 소셜이 아닌 다른 경로를 의심해 볼 만합니다. 체류 시간이나 이탈률 같은 행동 지표를 함께 보면 패턴을 더 또렷하게 가려낼 수 있습니다.

예를 들어 특정 글의 다이렉트 방문만 유독 늘고, 체류 시간이나 스크롤 깊이가 검색 유입 방문과 비슷하게 나타난다면, 그 글이 AI 답변에서 언급되고 있는지 한 번 검색해 확인해 볼 만한 신호입니다.

서비스별로 나눠서 보기

AI 서비스마다 추천인 정보를 남기는 방식이 다르므로, 한 묶음으로 보지 않고 서비스별로 나눠 접근하는 쪽이 정확합니다. 어떤 서비스는 꾸준히 태그를 붙이고, 다른 서비스는 일부 상황에서만 추천인 정보를 남기기도 합니다.

여러 AI 서비스에서 유입되는 비중이 큰 사이트라면, 서비스별로 따로 추적 링크를 마련해 두는 쪽이 도움이 됩니다. 한 서비스에서 문제가 생겨도 다른 서비스의 수치는 그대로 비교 기준으로 남기 때문입니다.

서버 로그도 참고하기

애널리틱스 도구만으로 부족하다면 서버 접속 로그를 함께 확인하는 방법도 있습니다. AI 서비스의 크롤러나 봇이 남기는 사용자 에이전트 기록은 애널리틱스에 잡히지 않는 경우가 많아, 로그 쪽에서만 확인되는 접근이 따로 존재합니다.

다만 크롤러의 방문과 실제 이용자가 AI 답변을 보고 클릭해 들어오는 방문은 전혀 다른 신호로 다뤄야 합니다. 로그에서는 크롤러 접근을 보고, 애널리틱스에서는 다이렉트로 섞인 실제 이용자 방문을 따로 가늠하는 식으로 역할을 나누는 게 맞습니다.

할 수 있는 만큼 태그를 직접 붙이기

가능한 곳에서는 콘텐츠를 배포할 때 직접 UTM 파라미터를 붙여 두는 방법도 있습니다. 보도자료나 다른 매체에 올리는 기고문처럼 링크를 직접 통제할 수 있는 채널이라면, AI 서비스가 태그를 붙여 주지 않아도 자체적으로 유입 경로를 남길 수 있습니다.

다만 AI 답변 속 링크처럼 운영자가 직접 손댈 수 없는 구간은 이 방법이 통하지 않습니다. 이런 구간은 결국 다이렉트 수치의 변동을 꾸준히 관찰하는 방법으로 보완해야 합니다.

정기적으로 다시 점검하기

AI 서비스의 링크 처리 방식은 예고 없이 바뀔 수 있습니다. 한 번 기준선을 잡아 뒀다고 끝이 아니라, 몇 주에 한 번씩 다이렉트 비율과 랜딩 페이지 구성을 다시 들여다보는 습관이 필요합니다.

특히 새로운 AI 모델이 공개되거나 서비스 업데이트가 있었던 직후에는 평소보다 한 번 더 들여다볼 가치가 있습니다. 작은 변화라도 미리 알아채면, 나중에 몇 주치 데이터를 통째로 다시 해석하는 수고를 줄일 수 있습니다.

이런 점검을 몇 달째 반복하다 보면, 서비스별로 어떤 패턴이 반복되는지, 어떤 시기에 숫자가 흔들리는지에 대한 감이 서서히 쌓입니다. 그 감이 쌓이면 다음번에 비슷한 변화가 생겼을 때 훨씬 빨리 알아챌 수 있습니다.

매달 확인할 체크리스트

지금까지 다룬 내용을 매달 한 번씩 확인할 목록으로 정리해 두면 꾸준히 이어 가기가 한결 쉬워집니다. 다이렉트 비율의 월별 변화, 다이렉트 방문 중 특정 랜딩 페이지로 몰리는 비중, 서비스별 추천인 정보 수신 여부가 가장 기본이 되는 세 가지 항목입니다.

여기에 서버 로그에서 확인한 AI 크롤러 접근 빈도와, 직접 배포한 링크의 UTM 성과를 더하면 전체 그림이 훨씬 또렷해집니다. 다섯 항목을 한 화면에 모아 두고 매달 숫자만 채워 넣으면, 많은 시간을 들이지 않고도 변화를 꾸준히 따라갈 수 있습니다.

처음부터 다섯 항목을 모두 갖추지 않아도 괜찮습니다. 다이렉트 비율의 기준선부터 기록하고, 한 달씩 항목을 늘려 가는 방식으로 시작해도 충분합니다.

인력이 적은 팀이라면

전담 분석 인력이 없는 팀이라면 모든 항목을 동시에 들여다보기는 현실적으로 어렵습니다. 이런 경우에는 다이렉트 비율의 월별 추이 하나만 꾸준히 기록해 두는 것부터 시작해도 됩니다.

평소와 다른 움직임이 보일 때만 랜딩 페이지와 시간대를 들여다보는 방식으로 우선순위를 좁히면, 적은 인력으로도 큰 변화를 놓치지 않고 따라갈 수 있습니다. 매달 반복되는 숫자 확인이 익숙해지면, 그다음부터 다른 항목을 하나씩 더해 가는 방식이 현실적입니다.