AI 트래픽 빙산: GA4와 MMP가 보지 못하는 90%

#### 빙산 모델

AI 트래픽을 GA4만으로 보면 실제보다 훨씬 작게 보입니다. GA4가 포착하는 것은 referrer가 남아 있고, JavaScript가 실행되며, 사람이 클릭한 일부 방문입니다. 그러나 AI 시대의 접점은 그보다 훨씬 넓습니다. AI 크롤러가 콘텐츠를 읽고, AI 답변이 브랜드를 인용하고, 사용자가 클릭하지 않고도 브랜드를 기억하며, 웹에서 앱으로 넘어가는 과정에서 소스 정보가 사라집니다.

즉 GA4가 보는 것은 빙산의 윗부분입니다. MMP도 마찬가지입니다. 앱 설치와 앱 내 이벤트를 측정하는 데는 강하지만, 그 설치 이전에 AI가 어떤 수요를 만들었는지는 기본 모델에 들어가지 않습니다.

#### 1층: AI 크롤러 요청

가장 큰 보이지 않는 영역은 AI 크롤러와 에이전트의 서버 측 요청입니다. 이들은 사람 브라우저처럼 행동하지 않고 JavaScript를 실행하지 않습니다. 그래서 GA4에는 세션이나 페이지뷰로 남지 않습니다.

하지만 중요도는 낮지 않습니다. AI 시스템은 제품 설명, 가격, FAQ, 비교 글, 정책 페이지를 읽고 답변의 재료로 삼습니다. AI가 브랜드를 정확히 설명하는지, 경쟁 비교에 포함하는지, 신뢰할 만한 근거로 인식하는지는 이런 기계적 콘텐츠 소비와 연결됩니다.

SEO에서 크롤링과 인덱싱이 랭킹의 전제인 것처럼, AI 시대에는 기계의 콘텐츠 소비가 AI 답변 품질의 전제가 됩니다. GA4에 보이지 않는다고 해서 가치가 없는 것이 아니라, GA4의 측정 방식이 닿지 않는 영역입니다.

#### 2층: referrer가 사라진 AI 방문

AI 추천이 실제 사람의 클릭을 만들더라도 항상 AI 유입으로 분류되지는 않습니다. 플랫폼 전환 방식, 브라우저, 모바일 WebView, 개인정보 설정에 따라 referrer가 사라질 수 있습니다. 그러면 GA4에서는 Direct, Organic, Unassigned 또는 Brand Search처럼 보입니다.

FinTech, 크립토, 게임, SaaS처럼 모바일과 앱 전환이 많은 업종에서는 이 문제가 더 큽니다. 사용자의 환경이 다양하고, 소스 손실이 자주 발생합니다. 고의도 AI 방문이 다른 채널의 성과로 섞이는 것입니다.

#### 3층: GA4 채널 분류의 한계

GA4가 AI referrer를 받더라도 분류가 항상 경영 의사결정에 충분하지는 않습니다. AI Assistants 같은 기본 분류는 진전이지만, 성장팀에는 더 세밀한 시각이 필요합니다. ChatGPT, Perplexity, Gemini, Copilot, AI Overview, 산업 특화형 AI는 모두 같은 AI로 보일 수 있지만 의도와 전환 가능성은 다릅니다.

퍼포먼스 마케팅 관점에서는 "AI인가 아닌가"만으로 부족합니다. 어느 AI 환경에서 왔는지, 사람 클릭인지 기계 접촉인지, 브랜드 비교인지 제품 검토인지, 앱 설치로 이어질 가능성이 있는지를 구분해야 합니다.

#### 4층: 제로클릭 인용

AI 검색은 클릭 없는 브랜드 접점을 만들고 있습니다. 사용자가 AI에게 도구나 플랫폼을 비교해 달라고 묻고, AI가 브랜드를 포함한 상세 답변을 제공합니다. 사용자는 답변을 읽고 후보 목록에 브랜드를 넣지만 링크를 클릭하지 않습니다.

이 노출은 마케팅적으로 가치가 있습니다. 일주일 뒤 의사결정을 할 때 이미 브랜드가 머릿속에 있기 때문입니다. 그러나 웹 요청이 없으므로 GA4에는 아무것도 남지 않습니다.

따라서 수동적인 웹 분석만으로는 부족합니다. AI 답변에서 브랜드가 얼마나 자주 언급되는지, 어떤 맥락에서 인용되는지, 경쟁사와 어떻게 나란히 배치되는지를 별도의 방법으로 관찰해야 합니다.

#### 5층: Web-to-App 단절

앱이 있는 브랜드에는 Web-to-App 단절이 가장 상업적으로 큽니다. AI 추천에서 브랜드 사이트로 이동하고, 웹에서 정보를 확인한 뒤, App Store로 넘어가 앱을 설치합니다. GA4는 웹 세션을 볼 수 있지만, 그 세션이 설치로 이어졌는지는 알지 못합니다. MMP는 설치를 보지만, 설치 전 AI 영향을 받은 웹 방문이 있었다는 사실은 모릅니다.

그 결과 AI 기반 설치가 Organic으로 분류되거나 마지막 광고 터치포인트에 귀속됩니다. 크립토 거래소, FinTech, 게임, 모바일 SaaS처럼 사용자 가치가 큰 업종에서는 이 문제가 예산 배분을 직접 왜곡합니다.

#### 해결책: 다층 AI 가시성

빙산을 드러내려면 GA4를 버릴 필요는 없습니다. GA4 위에 AI 출처 전용 가시성 레이어를 구축해야 합니다.

CitationGraph는 Evidence Level 접근을 사용합니다. 먼저 GA4, GSC, Shopify 같은 기존 데이터를 기준선으로 둡니다. 다음으로 자사 도메인에서 AI 소스 식별을 정리합니다. 그 다음 서버 측 요청을 통해 사람이 클릭하지 않는 AI 접촉까지 관찰합니다. 대기업에서는 기존 관측성과 BI 시스템에 연결해 여러 서비스와 API 접점의 AI 영향을 정리합니다.

핵심은 모든 것을 한 번에 도입하는 것이 아닙니다. 각 레벨은 독립적인 가치를 가집니다. 기준선에서 서버 측 가시성으로 올라가는 것만으로도 AI 영향의 실제 규모가 훨씬 명확해질 수 있습니다.

#### MMP와의 연결

다층 가시성은 웹 측 AI 측정을 개선합니다. 그러나 앱이 있는 기업은 다음 질문을 풀어야 합니다. 웹에서 확인한 AI 출처 신호를 어떻게 MMP와 앱 내 결과로 연결할 것인가. 이것이 다음 글의 주제인 AI-MMP Signal Bridge입니다.

#### 실무에서 먼저 봐야 할 지표

실무에서는 처음부터 완벽한 AI 매출 어트리뷰션을 요구하면 안 됩니다. 먼저 AI 접점의 종류가 늘고 있는지, AI에서 온 사람 클릭의 품질이 일반 유입과 다른지, AI 크롤러가 어떤 페이지 묶음을 읽는지, AI 답변에서 인용되는 페이지와 실제 랜딩 페이지가 일치하는지 봐야 합니다.

이 네 가지를 보는 것만으로도 콘텐츠 투자 우선순위가 달라집니다. AI가 FAQ와 비교 페이지를 읽는데 제품 페이지 구조가 약하다면 개선 지점은 명확합니다. AI 답변에서는 브랜드가 인용되지만 Web-to-App 단계에서 출처가 사라진다면 다음 과제는 MMP 연결입니다. 빙산을 드러내는 목적은 보기 좋은 리포트를 만드는 것이 아니라 다음 예산 판단을 틀리지 않게 만드는 것입니다.

또한 이 분석은 조직 간 대화를 쉽게 만듭니다. SEO팀은 어떤 콘텐츠가 AI에 소비되는지 알 수 있고, 퍼포먼스팀은 AI 출처 사용자의 품질을 볼 수 있으며, 데이터팀은 GA4와 서버 측 신호의 차이를 설명할 수 있습니다. 지금까지는 모두가 서로 다른 숫자를 보며 논쟁했다면, 다층 가시성은 같은 빙산을 서로 다른 높이에서 보는 방식으로 정리해 줍니다.

이 공통 언어가 있어야 다음 단계인 예산 배분이 가능합니다. AI 영향이 작게 보이는 이유가 실제로 작아서인지, 아니면 수면 아래를 보지 못해서인지 구분하지 못하면 어떤 채널도 제대로 평가할 수 없습니다.

따라서 첫 리포트의 목표는 결론을 확정하는 것이 아니라 관측 범위를 넓히는 것입니다.

측정 범위가 넓어져야 전략도 정확해집니다.

보이지 않는 접점은 최적화할 수도 없습니다.

그래서 먼저 보여야 합니다.

#### 핵심 논점

GA4가 보는 AI 트래픽은 빙산의 윗부분입니다. 수면 아래에는 AI 크롤러 요청, referrer 손실, 제로클릭 인용, Web-to-App 단절이 있습니다. 필요한 것은 GA4 대체가 아니라 독립적인 AI 출처 가시성 레이어입니다.

FAQ

Q1: GA4에서 AI 채널 그룹을 만들면 충분하지 않나요?

A: 필요한 첫 단계이지만 충분하지 않습니다. referrer가 남은 사람 클릭만 다루며, 기계 요청과 제로클릭 인용은 보지 못합니다.

Q2: 서버 측 가시성과 GA4 데이터가 중복되지 않나요?

A: 일부는 중복됩니다. 그래서 사람 클릭, 기계 접촉, 인용, Web-to-App 신호를 구분해 설계해야 합니다.

Q3: AI 크롤러 요청이 비즈니스 결과에 직접 영향을 주나요?

A: 직접 전환은 아닐 수 있지만 AI 답변 품질의 선행 지표입니다. SEO에서 크롤링이 중요한 것처럼, AI의 콘텐츠 소비는 향후 추천과 인용의 전제가 됩니다.