传统流量归因靠两样东西：来源页 Referer 和带链接的点击。AI 搜索把这两样都打破了：大模型常常只给文字答案不附链接，就算附了链接，用户在 App 内点击时 Referer 也经常丢失，最后全被算进「直接访问」这个黑洞。结果是你感觉 AI 带来了客户，后台却归因不到一个。本文给两套能落地的方案，一套抓精确、一套估总量，配合起来用。
方案一：UTM 参数化分发（覆盖「可控链接」）
凡是你能主动控制、且可能被 AI 引用的 URL，投到第三方平台、问答社区、官方资料页的链接，都带上 UTM 参数，把来源标记死：
https://yourdomain.com/landing?utm_source=kimi&utm_medium=ai_search&utm_campaign=geo_2026这样 AI 在回答里引用这条链接、用户点进来时，GA4 或自有埋点就能识别出这次访问来自 Kimi 的 AI 搜索。几个实操要点：
- 按平台拆分 utm_source：Kimi、秘塔、元宝、豆包各用一个，才能横向对比哪个平台的引用真正带量。
- GA4 配置：GA4 默认把带 utm_medium 的流量归到对应渠道，但 ai_search 是自定义值，需要在「管理 → 渠道组」里建一条自定义渠道，把 ai_search 这类 medium 单独归为「AI 搜索」，否则它会被混进 referral 或 unassigned，看板上就拆不出来。
- 用短链接做中转：很多平台会把长链接里的 query 参数截断或改写。用一个自有短链服务做 302 跳转，既能保住 UTM，又能在跳转层自己记一次日志，双保险。
局限很明确：它只覆盖带链接且链接可控的部分。AI 纯文字提及、没有回链的情况，UTM 一无所知，这正是方案二要补的。
方案二：时间序列相关性归因（覆盖「无链接提及」）
当 AI 只是口头提到你、不给链接时，用户的典型行为是转头去搜索引擎搜你的品牌词，或直接输入域名访问。也就是说，AI 提及会延迟若干天，体现为品牌词搜索量和直接访问量的上升。归因思路是把这两条曲线对齐看：
- 建 AI 声量曲线：用大模型提及率（BMR）监测，得到品牌在各模型中提及率随时间的变化。
- 建流量曲线：同一时间轴上，记录品牌词搜索量（来自搜索控制台）、直接访问量、direct 流量的变化。
- 做交叉相关：观察两条曲线的波峰是否存在稳定的时间错位，例如某次内容被大模型大量引用后的 3 到 7 天，品牌词搜索出现可观增长。当这种错位在多次事件中重复，就能在统计意义上把这部分增量归因到 AI 推荐。
归因的可信度：必须排除混淆因素
时间序列相关最大的陷阱是伪相关：你做 AI 投放的同一周，可能也在投信息流、也赶上了行业热点，品牌词上涨未必是 AI 的功劳。要让归因站得住，至少做三件事：
- 标注事件线：把所有可能影响品牌词的动作（广告投放、发布会、第三方报道、节假日）都标在同一张时间轴上，先排除这些已知因素，再看 AI 声量能否解释剩余的增量。
- 设对照基线：取没有任何 AI 声量波动的平静期品牌词均值作为基线，只把显著高出基线的部分计入 AI 归因，避免把自然波动当成效果。
- 看滞后一致性：如果多次 AI 声量波峰之后，品牌词都在相近的滞后天数（比如稳定在第 4 到 5 天）抬升，这种一致的时滞本身就是强证据；如果时滞每次都不同，相关性大概率是巧合。
这套方法不追求单次点击的精确归因，它回答的是一个更有价值的问题：AI 声量整体上为我带来了多少增量需求。这是个带置信度的区间估计，而不是精确到个位数的数字。对 AI 流量而言，承认这一点反而更诚实、更可用。
落地建议
- 两套配合：UTM 抓得到的算精确，抓不到的用时间序列估总量，两个数都报，分别标注口径。
- 给每个对外链接养成带 UTM 的习惯，零成本，却是长期归因的地基。
- 把 AI 声量曲线、流量曲线、事件线放进同一张看板，按月复盘，比纠结单次归因更能指导决策。