AI Agents – also KI-gestützte Assistenten wie ChatGPT mit Browsing-Modus, Bing Chat (Operator), Perplexity oder spezialisierte GPTs mit Tools – verhalten sich anders als traditionelle Crawler.
Klassische Web-Crawler, etwa Suchmaschinen-Bots, durchsuchen systematisch Seiten zur Indexierung und folgen festen Regeln. Demgegenüber agieren AI Agents ereignisgetrieben und im Dienste eines Nutzer-Intents: Sie werden spontan durch Benutzeranfragen aktiviert und rufen in Echtzeit relevante Webseiten ab, oft über echte Browser-Engines.
Die Serie im Überblick
Vorige Artikel:
Einführung: AI-Traffic entschlüsselt: eine Serie für Analytics-Profis
- Teil 1: AI-Bots vs. AI-SEO: Zwei Seiten des AI-Traffics
- Teil 2: AI-Traffic und Datenqualität: Wie KI-Bots Ihre Daten verzerren
- Teil 3: AI-Bot-Traffic filtern: So bereinigen Sie GA4, Adobe & Piano
Teil 4: Pay-per-Crawl & Co.: Wie Unternehmen KI-Crawlern begegnen
Diese agentischen KI-Crawler können sich wie menschliche Besucher*innen verhalten – sie scrollen, klicken auf Links oder Buttons und füllen sogar Formulare aus.
Ein Beispiel ist OpenAIs ChatGPT „Operator“, der im Januar 2025 eingeführt wurde und einen Chromium-Browser nutzt, um Aufgaben im Web auszuführen. Anders als ein typischer Bot ruft ein solcher Agent nicht bloß statisch eine URL ab, sondern kann auch eigenständig eine Websuche durchführen und dann ein Suchergebnis anklicken.
Je nach Anleitung erscheint der Traffic daher unterschiedlich in Analytics. Bittet man den Agenten um den direkten Aufruf einer bestimmten Seite, registriert Analytics Direct Traffic. Lässt man ihn jedoch z. B. die Website einer Firma „finden“, startet er eine Bing-Suche und folgt einem Treffer oder sogar einer Anzeige – der Besuch wird dann als Bing/organic bzw. Bing/cpc verbucht.
Während klassische Crawler durch eindeutige User-Agents oder IP-Ranges erkennbar sind und meist keine JavaScript-Analytics auslösen, sind AI Agents darauf ausgelegt, möglichst menschlich zu wirken. Sie laden Seiten inkl. Skripten vollständig, wodurch ihre Aktivitäten als reguläre Sessions in Web-Analytics auftauchen können. Zudem arbeiten AI Agents kontextbezogen: Sie holen Inhalte gezielt als Antwort auf komplexe Eingaben und führen Benutzeraufträge aus, anstatt wahllos alle Seiten zu durchforsten.
Dieses nutzerintentionierte Verhalten und die technisch menschenähnliche Interaktion machen AI Agents zu einer neuen Kategorie von Web-Traffic, die schnell an Bedeutung gewinnt.
In der Tat zeigen aktuelle Daten eine sprunghafte Zunahme solcher Anfragen: Innerhalb von 30 Tagen wurden über 976 Millionen Requests allein von OpenAI-basierten Crawlern gezählt, 92 % davon durch ChatGPT. Das entspricht bereits 4,5 % des gesamten „guten“ Bot-Traffics.
Die Schwelle zwischen menschlichem und automatisiertem Traffic beginnt sich zu verwischen, da AI Agents in Echtzeit Inhalte abrufen und Nutzer*innen im Entscheidungsprozess unterstützen.
Die Ausbreitung der AI Agents stellt Web-Analytics und Attribution vor neue Probleme.
Eines der größten ist die Referrer-Verschleierung: Viele KI-basierte Tools übergeben beim Weiterleiten der Nutzer*innen auf Websites keinen Referrer-Header.
In Tests zeigte sich, dass nur wenige, etwa sechs, AI-Plattformen als solche in Google Analytics 4 erkannt und unter „Referrals“ ausgewiesen wurden. Der Großteil der AI-vermittelten Sessions erschien dagegen als Direct Traffic oder „Unassigned“. Dies erschwert die Quellenzuordnung erheblich – AI-getriebene Besuche tauchen häufig fälschlich als Direktzugriffe auf und gehen in der Masse unter.
Ein weiteres Problem: Anders als bei klassischen Suchen erhält man keine Informationen zum Nutzer-Intent, also dem Prompt, der den Besuch auslöste. Während SEO-Analyst*innen früher Keywords auswerten konnten, bleibt bei AI Agents verborgen, welche Frage oder Aufgabe der KI-Assistent bearbeitete.
Die „Black Box“ des Prompts verhindert eine direkte Zuordnung von Content zu Nutzerbedürfnissen. Standard-Trackingmechanismen wie UTM-Parameter greifen ebenfalls nicht, da KI-Systeme keine UTM-Tags an die Links anhängen. Folglich lassen sich AI-Empfehlungen nicht ohne Weiteres wie Kampagnen oder Kanäle ausweisen.
Darüber hinaus können AI Agents Traffic-Metriken verzerren. Weil sie menschliches Verhalten imitieren, werden sie von Bot-Filtern oft nicht erkannt und vermischen sich mit echten Nutzerdaten. Ein AI Agent, der z. B. im Auftrag eines Users mehrere Seiten „durchklickt“, kann in Analytics wie ein ungewöhnlich engagierter Besucher wirken. Dies führt u. U. zu inflationierten Engagement-Metriken: künstlich niedrige Absprungraten, hohe Seitenaufrufe und lange Sitzungsdauern verfälschen das Bild.
Vor allem, wenn AI Agents Inhalte auswerten, ohne eine komplette User Journey zu durchlaufen, entstehen unvollständige Funnels. Beispielsweise könnte ein KI-Assistent dem Nutzer direkt eine Produktempfehlung präsentieren, woraufhin der Nutzer sofort über einen einzigen Klick zum Checkout springt. Für das Web-Tracking sieht das aus wie ein abrupt einsetzender Kauf ohne vorherigen Pfad auf der Seite.
Auch Fälle, in denen AI-Empfehlungen später zu Handlungen führen, aber keine Session-Verknüpfung besteht, nehmen zu. Laut Adobe Research nutzen 34 % der Konsument*innen generative KI für Produktrecherchen und wechseln dann erst für den Kaufabschluss auf traditionelle Suche oder direkt zur Website.
Solche Attributionslücken bedeuten, dass die initiale Einflussnahme der KI in Analytics unsichtbar bleibt – Conversions erscheinen als „Direct“ oder „Organic Search“, obwohl die AI im Hintergrund den Anstoß gab.
Insgesamt gilt: Die Standardberichte in Analytics erfassen die Herkunft von AI-Traffic oft unzureichend und können in die Irre führen. Ohne Anpassungen verschwimmt der Blick darauf, welche Besuche von KI-Empfehlungen herrühren, was es für Analyst*innen schwierig macht, die Performance dieses neuen Kanals zu messen und zu optimieren.
Ihre Nutzer*innen kommen plötzlich „ohne Weg“ auf Ihre Website oder tauchen nur als Direct Traffic auf? Wir helfen Ihnen, das neue Nutzerverhalten durch AI Agents besser zu verstehen – und zeigen, wie Sie es in Ihrer Analytics-Strategie sichtbar und nutzbar machen. Jetzt Kontakt aufnehmen.
Die zunehmende Nutzung von AI Agents und generativen Suchassistenten verändert spürbar das Verhalten der Nutzer*innen im Web. Ein zentrales Phänomen ist der Anstieg von „Zero-Click“-Journeys, bei denen die Nutzer*innen ihre Antwort erhalten, ohne auf eine externe Website zu klicken. AI-gestützte Suchergebnisseiten, etwa Googles generative AI Overviews oder Bing Chat, liefern Antworten direkt in der Suche, was traditionelle Klickpfade verkürzt oder ganz ersetzt.
Aktuellen Erhebungen zufolge verlassen sich inzwischen rund 80 % der Konsument*innen in mindestens 40 % ihrer Suchanfragen auf solche Zero-Click-Ergebnisse. Dadurch ist der organische Traffic auf Websites schätzungsweise um 15–25 % zurückgegangen. Insgesamt enden etwa 68 % aller Suchen, ohne dass die Nutzer*innen eine externe Seite besuchen – die benötigte Information wurde bereits innerhalb der AI-gestützten Suche geliefert.
Selbst skeptische Nutzer*innen nehmen diesen Komfort an, und parallel gewinnen dedizierte KI-Suchassistenten wie ChatGPT mit 2,5 Milliarden Prompts pro Tag 2026 und Perplexity, mit 45 Millionen monatlichen Nutzer*innen, rasant an Popularität.
Für Website-Betreiber bedeutet dies einen Wandel in der Customer Journey. Viele Nutzer*innen überspringen frühe Phasen der Informationssuche auf Firmenwebsites, weil KI-Assistenten ihnen schon eine Vorauswahl oder Zusammenfassung liefern. Dies haben auch wir bei den eingehenden Leads beobachtet.
Die Awareness-Phase verlagert sich teilweise in die Chat-Antworten der KI – eine Marke kann vom AI Assistant genannt oder empfohlen werden, ohne dass der Nutzer sofort die Seite besucht. Kommt es später zum Klick, befinden sich diese Besucher*innen oft weiter unten im Funnel und sind hochqualifiziert.
AI-Empfehlungen wirken wie ein Filter: Nutzer*innen, die über ChatGPT & Co. auf Ihre Website gelangen, sind in der Regel bereits überzeugt, dass Ihr Content relevant ist. Dies zeigt sich in ihrem Verhalten: AI-vermittelte Besucher*innen weisen deutlich geringere Absprungraten und längere Sitzungen auf als der Durchschnitt.
Adobe-Daten belegen beispielsweise, dass AI-Referral-Traffic bis Februar 2025 eine um 23 % niedrigere Bounce Rate hatte als anderer Traffic und 41 % länger auf der Seite blieb.
Auch in der Conversion-Phase verringert sich der Unterschied. Mitte 2024 war AI-Traffic noch 43 % weniger konversionsstark als regulärer Traffic. Laut HubSpot werden mittlerweile aber 11,4 Prozent der AEO-Besucher:innen zu Kund:innen – bei klassischen SEO-Besucher:innen sind es nur 5,3 Prozent.
Mit anderen Worten: Die durch KI vorqualifizierten Nutzer*innen holen in puncto Kaufabschlüsse rasant auf. In manchen forschungsintensiven Kategorien, etwa Elektronik oder Reisen, übertreffen KI-geleitete Besucher*innen die traditionelle Kundschaft schon jetzt bei Engagement und Umsatz pro Besuch.
Allerdings ergibt sich daraus auch eine Herausforderung für die Attribution. Wenn KI-Assistenten im Hintergrund die Entscheidungsfindung lenken, der Nutzer aber am Ende über herkömmliche Kanäle konvertiert, bleiben diese Erfolge in den bisherigen Attributionsmodellen unsichtbar. Unternehmen müssen also umdenken, wie sie Awareness und Conversion zusammenführen.
Letztlich wird die gesamte Journey durch AI Agents komprimierter und stärker extern gesteuert: Expert*innen prognostizieren, dass klassischer SEO-Traffic schrumpfen dürfte, da generative KI-Plattformen zur neuen Drehscheibe der Informationssuche werden.
Konsument*innen könnten Webseiten künftig erst später im Kaufprozess betreten, weil AI-Tools die Vorrecherche übernehmen, die früher aus eigenem Antrieb auf Webseiten stattfand.
Marketingverantwortliche müssen sich darauf einstellen, dass sich die Spielregeln der digitalen Customer Journey verändern – von der Sichtbarkeit in KI-Antworten, Stichwort Generative Engine Optimization, bis zur Erfolgsmessung von Touchpoints, die außerhalb der eigenen Web-Property stattfinden.
Angesichts dieser Veränderungen gewinnt die Frage an Bedeutung, wie man AI-vermittelten Traffic überhaupt erkennen und zuordnen kann.
Der erste Schritt ist, in Analytics-Systemen sichtbare Spuren von AI Agents zu identifizieren. Einige Besuche lassen sich durch ihre Quellen-URL erkennen: So tauchen Verweise von ChatGPTs Browsing-Modus als Traffic-Quelle chatgpt.com auf, ähnlich können Domains wie perplexity.ai, bing.com (für Bing Chat) oder gemini.google.com Hinweise liefern.
In Google Analytics 4 empfiehlt es sich, diese bekannten AI-Referrer in einer eigenen Kanalgruppe zu bündeln. Mittels benutzerdefinierter Filter oder Regex-Regeln, zum Beispiel
chatgpt\.com|perplexity\.ai|gemini\.google\.com|...,
können gängige KI-Quellen als „AI Traffic“ klassifiziert werden.
Allerdings reicht dies nur für Plattformen, die überhaupt Referrer-Daten mitgeben – und wie erwähnt, ist das derzeit bei vielen nicht der Fall. Ein großer Anteil der KI-assistierten Visits erscheint weiterhin als Direkteinstieg.
Daher ist es wichtig, indirekte Indikatoren zu überwachen. Ein plötzlicher Anstieg von Bing-Organic-Traffic könnte z. B. darauf hindeuten, dass vermehrt KI-Agenten, etwa ChatGPTs Operator, Ihre Seite über die Bing-Suche finden.
Ebenso können ungewöhnliche Muster im Nutzerverhalten – extrem kurze Interaktionen gefolgt von sofortiger Conversion oder Sessions mit Chrome-Versionen, die in der normalen Nutzerbasis kaum vorkommen – auf AI-Agent-Besuche hinweisen.
Spezialisierte Bot-Management-Dienste arbeiten bereits an Fingerprinting-Methoden, um solche KI-Agenten zuverlässig zu erkennen. So konnte etwa ein Sicherheitsanbieter anhand einer Kombination von technischen Merkmalen, z. B. stets Linux als OS und ein charakteristischer Chrome-130.0-User-Agent, sowie anhand wiederkehrender Verhaltensmuster eine eindeutige Signatur für den Traffic von ChatGPTs Operator entwickeln.
Dieses Beispiel verdeutlicht, dass es neuer Lösungen bedarf, da klassische Abwehrmechanismen – von Captcha bis User-Agent-Blocking – bei gut getarnten KI-Agents ins Leere laufen.
Für Analytics-Teams besteht die Herausforderung nun darin, KI-Traffic zu messen, ohne ihn mit echtem Nutzerverhalten zu vermengen. Kurzfristig helfen pragmatische Ansätze: eigene Segmente und Reports für vermuteten AI-Referral-Traffic, der Abgleich von Analytics-Daten mit Server-Logs und der Einsatz von Opt-out-/Robots-Anweisungen, sobald verfügbar, für bekannte KI-Crawler. Langfristig zeichnet sich ab, dass Branchenstandards entwickelt werden müssen. Expert*innen diskutieren bereits über neue Protokolle oder Meta-Tags analog zu robots.txt oder Sitemaps, die speziell AI Agents adressieren.
Bis solche Standards existieren, sollten Unternehmen eng verfolgen, wie sich die AI-Traffic-Anteile entwickeln, und intern Richtlinien aufstellen, um diese Besuche zu segmentieren und auszuwerten.
Es empfiehlt sich, KPI-Verzerrungen durch AI Agents gezielt zu korrigieren – etwa indem man bekannten KI-Traffic aus Funnel-Analysen ausfiltert oder separate Benchmarks für AI-geleitete Nutzer*innen bildet. Zudem kann die Integration neuer Tools erwogen werden, die AI-Traffic-Analytics bieten und die Performance dieser Besuchergruppe sichtbar machen.
Letztlich gilt: Die Web Analytics muss um Fähigkeiten erweitert werden, Menschen, klassische Bots und KI-Agents auseinanderzuhalten. Nur so behalten Digital-Strateg*innen und Analytics-Leads den Überblick, wenn AI Agents in den kommenden Monaten und Jahren zu einer immer bedeutenderen Besucherquelle werden.
Unternehmen, die frühzeitig valide Daten über dieses Phänomen sammeln und verstehen, verschaffen sich einen klaren Vorteil. Sie können ihre Strategien im Marketing und in der Customer Experience anpassen, bevor AI Agents vom Ausnahmefall zum Mainstream werden.
Ihre Nutzer*innen kommen plötzlich „ohne Weg“ auf Ihre Website oder tauchen nur als Direct Traffic auf? Wir helfen Ihnen, das neue Nutzerverhalten durch AI Agents besser zu verstehen – und zeigen, wie Sie es in Ihrer Analytics-Strategie sichtbar und nutzbar machen. Jetzt Kontakt aufnehmen.
Vorige Artikel:
Einführung: AI-Traffic entschlüsselt: eine Serie für Analytics-Profis
- Teil 1: AI-Bots vs. AI-SEO: Zwei Seiten des AI-Traffics
- Teil 2: AI-Traffic und Datenqualität: Wie KI-Bots Ihre Daten verzerren
- Teil 3: AI-Bot-Traffic filtern: So bereinigen Sie GA4, Adobe & Piano
Teil 4: Pay-per-Crawl & Co.: Wie Unternehmen KI-Crawlern begegnen