Il traffico LLM è un punto cieco nei tuoi analytics. Ecco perché.

Il tuo canale AI sta crescendo. I tuoi analytics non stanno al passo.

ChatGPT, Gemini, Claude, Perplexity e altri LLM stanno generando più traffico di quanto pensi. Il volume non arriva a piccole gocce, sta accelerando a un ritmo che inizia a rivaleggiare con i canali consolidati. Alcuni analisti stimano che il traffico di referral da AI potrebbe superare i referral di ricerca tradizionali entro il 2028. Noi pensiamo che, su alcuni siti, stia già succedendo.

Questo articolo spiega il perché, utilizzando test pratici su dispositivi mobili e desktop, modalità di debug del browser, logging delle richieste server-side e altre tecniche applicate a tre piattaforme LLM leader: ChatGPT, Gemini e Claude.

Primo, capisci dove sono i tuoi utenti

Prima di entrare nei dettagli di cosa si rompe e quando, è utile capire la portata del problema per tipo di dispositivo.

Il mobile è la piattaforma dominante per il traffico web. Secondo Cloudflare Radar, che traccia le richieste HTTP su una rete che gestisce più del 20% di tutto il traffico web globale, i dispositivi mobili rappresentano circa il 50% di tutte le richieste web. Questo numero è meglio considerato come un minimo: la rete di Cloudflare trasporta un volume significativo di traffico API, servizi B2B e strumenti per sviluppatori, tutti fortemente orientati al desktop. Il traffico web rivolto al consumatore è considerevolmente più alto su mobile. Tra gli account GA4 con cui lavoriamo quotidianamente, il mobile rappresenta tipicamente tra il 70% e il 90% delle sessioni totali. Il traffico desktop è reale, ma secondario.

Il mobile è dove l’attribuzione LLM fallisce più completamente. Il dispositivo che la maggior parte del tuo pubblico usa è il dispositivo dove la misurazione è più rotta.

Cosa abbiamo testato

Per capire esattamente dove si rompe il tracciamento, abbiamo eseguito test pratici su dispositivi mobili e desktop utilizzando le app native e i browser web per ChatGPT, Gemini e Claude. I test sono stati condotti su un iPhone con l’ultima versione di iOS, un dispositivo Android con l’ultima versione di Android, un Mac con l’ultima versione di macOS e un PC Windows con l’ultima versione di Windows.

Per ogni scenario, abbiamo verificato se i parametri UTM fossero presenti, se un referrer fosse passato al sito di destinazione e se l’identità di sessione persistesse quando un utente si spostava dall’interfaccia LLM a un browser standard.

Ecco cosa abbiamo scoperto.

I risultati a colpo d’occhio

Mobile: dove c’è la maggior parte del traffico, e dove il tracciamento si rompe

La tabella sopra racconta la storia piuttosto chiaramente. Per le app mobili, il segnale tracciabile è basso o nullo. Ma perché?

La risposta è la web view, e vale la pena capire cosa significa davvero prima di entrare nei dettagli delle piattaforme.

Quando un utente tocca un link dentro un’app LLM mobile, che sia ChatGPT, Gemini o Claude, il link si apre tipicamente in un browser isolato dentro l’app chiamato web view. Questa web view non condivide cookie, dati di sessione o identità con il browser nativo del dispositivo. Qualsiasi stato di tracciamento stabilito dentro quella web view resta intrappolato lì.

La conseguenza pratica: quando un utente finisce di navigare dentro l’app LLM e successivamente apre il suo browser abituale per continuare la ricerca o convertire, non c’è continuità. Nessuna identità condivisa. Nessun passaggio. Quella visita diventa traffico diretto non attribuito.

ChatGPT su mobile è la più tracciabile delle opzioni testate. L’app trasmette utm_source=chatgpt.com sui link in uscita, e tecnicamente c’è un percorso verso l’attribuzione, ma dipende da una sequenza di eventi non molto probabile. Perché quell’UTM sopravviva fino alla conversione, l’utente dovrebbe toccare il link dentro ChatGPT, essere portato nella web view interna all’app, e poi toccare esplicitamente “Apri nel Browser” per passare la sessione al browser nativo prima di continuare. Nota che questo percorso mantiene la sessione solo sui dispositivi Android. Su iOS, anche questa soluzione rompe la continuità di sessione.

In pratica, qualcuno ti scopre dentro ChatGPT. Legge di te, magari clicca brevemente sul tuo sito, e va avanti. Più tardi, forse un’ora dopo, forse due giorni dopo, ti cerca su Google, o digita semplicemente il tuo URL direttamente, ed è lì che può iniziare il processo di conversione. Quella sessione non porta alcuna traccia dell’interazione con ChatGPT che ha avviato tutto. L’UTM è sparito. Il referrer è sparito. GA4 lo registra come diretto o ricerca organica, e ChatGPT non riceve alcun merito. E sì, questo è vero anche se hai funzionalità di tracciamento come Google Signals abilitate nella tua proprietà GA4.

Gemini e Claude su mobile non trasmettono né parametri UTM né referrer in nessuno scenario testato. Le sessioni da queste piattaforme arrivano come puro traffico diretto. Non c’è alcun segnale che le colleghi all’LLM che le ha generate.

Una sfumatura da notare: se un utente scopre un sito e converte dentro la web view, c’è continuità di sessione interna entro quel contesto isolato. La web view mantiene i propri cookie tra sessioni, quindi un percorso completato interamente dentro l’app è teoricamente misurabile. Si applicano comunque le normali limitazioni del tracciamento via cookie, e quanto spesso gli utenti completino un intero ciclo di conversione dentro una web view di un’app è di per sé una questione aperta che vale la pena esplorare.

Desktop: meglio, ma ancora incoerente

Il desktop offre condizioni di tracciamento più favorevoli rispetto al mobile, ma il quadro è ancora frammentato a seconda della piattaforma e dell’interfaccia che usi.

A differenza del mobile, le app LLM desktop non intrappolano i link in web view isolate. Passano i link in uscita direttamente al browser predefinito dell’utente. Quindi il problema dell’isolamento della web view non si applica sul desktop. Ciò che si applica comunque è se la piattaforma si prenda la briga di trasmettere UTM o un referrer, e su questo fronte i risultati sono misti.

ChatGPT su desktop (app nativa) trasmette utm_source=chatgpt.com sui link in uscita, lo scenario desktop più affidabile di qualsiasi piattaforma testata. ChatGPT nel browser trasmette un referrer ma nessun UTM.

Gemini non ha un’app desktop su Mac o Windows. Tutto l’uso di Gemini su desktop avviene tramite il browser. Gemini nel browser trasmette un referrer ma nessun UTM, stessa storia di ChatGPT basato su browser.

Claude è il peggior performer in tutti gli scenari desktop. L’app desktop nativa non trasmette né UTM né un referrer. Claude nel browser non trasmette nessuno dei due. Ogni sessione da Claude su desktop arriva come traffico diretto completamente non attribuito, indipendentemente da come l’utente è arrivato.

Il problema che si somma: anche una buona attribuzione non sempre arriva alla conversione

Assumi per un momento che il tracciamento funzioni. L’UTM è popolato, il referrer è presente, la sessione è attribuibile. Potresti pensare di essere coperto.

Non lo sei.

Il percorso da un’interazione LLM a una conversione completata raramente è una singola sessione. Un utente scopre qualcosa tramite ChatGPT sul telefono durante il giorno. Clicca il link, arriva sulla pagina, naviga per qualche minuto. Se ne va senza convertire. Due giorni dopo, torna sul laptop per procedere. A quel punto, l’UTM originale potrebbe essere scaduto, il dispositivo potrebbe essere diverso, i cookie potrebbero essere spariti.

La scadenza dei cookie, i percorsi cross-device e i percorsi multi-sessione rompono ciascuno indipendentemente l’attribuzione. Insieme, si assicurano che anche la frazione di sessioni riferite da LLM correttamente taggate al primo touchpoint riceverà raramente il merito per la conversione finale.

Non è un problema esclusivo del traffico LLM. Ma colpisce più duro qui perché la scoperta assistita da LLM tende ad avvenire prima nel percorso di considerazione, le persone stanno ricercando ed esplorando, non sono pronte ad acquistare. Il gap tra quella prima visita influenzata dall’AI e la conversione finale è più lungo di una tipica finestra click-to-conversion a pagamento, il che peggiora il problema cross-device.

Cosa significa per i tuoi dati

Mettiamo dei numeri approssimativi a questo. L’obiettivo non è una falsa precisione: è un intervallo ragionevole che ti aiuta a capire la scala di ciò che probabilmente stai perdendo.

Inizia dallo split dei dispositivi. Cloudflare Radar colloca il traffico web mobile globale a circa il 50% di tutte le richieste HTTP, e quel numero è basso per i pubblici rivolti al consumatore perché la rete di Cloudflare trasporta un mix consistente di traffico API e di sviluppatori. Negli account GA4 con cui lavoriamo, il mobile di solito va tra il 70% e il 90% delle sessioni. Qui usiamo il 70% per rimanere conservativi.

Poi c’è la questione di come le persone usino effettivamente gli LLM sui loro telefoni. Non tutti usano l’app nativa. Alcuni accedono a ChatGPT, Gemini o Claude tramite il browser mobile, e l’uso tramite browser è notevolmente più tracciabile. Due ipotesi delimitano l’intervallo.

Ipotesi di base usate in entrambi i casi:

• Split mobile/desktop: 70% mobile, 30% desktop
• Tasso di sopravvivenza del segnale nell’app: 20% dei click nell’app mobile trasmette con successo un segnale utilizzabile (es. un utente Android che tocca “Apri nel Browser”, o una conversione che avviene dentro la web view)
• Perdita sul percorso di conversione: 25% di penalità applicata per la perdita di segnale da salti cross-device e cookie scaduti
• Fattore Google AIO: una parte della scoperta influenzata dall’AI avviene ora tramite Google AI Overviews e AI Mode, che GA4 registra come ricerca organica standard senza alcun modo di separarla

L’intervallo

Le ipotesi sopra sono stime, sentiti libero di inserire numeri che riflettano meglio il tuo pubblico o le tue ipotesi. Usa uno split mobile diverso, un diverso rapporto app/browser, un diverso tasso di perdita. Il modello non vuole essere preciso. Vuole mostrare che qualsiasi numero ragionevole tu scelga, la conclusione è la stessa: c’è un sotto-riporto sostanziale in atto, e il gap è abbastanza grande da essere significativo.

Con le nostre ipotesi, l’intervallo va da circa 2,5x all’estremo ottimistico a 5x all’estremo più pessimistico, e potenzialmente più alto una volta considerate le sessioni Google organic influenzate da LLM che sono impossibili da separare con gli analytics standard.

Se la tua dashboard mostra che l'1,5% delle tue sessioni proviene da LLM, è probabile che tra il 4% e l'8% di quelle sessioni provenga effettivamente da LLM, e quel numero sta crescendo rapidamente. È un intero canale nascosto nei tuoi report Diretto e Organico.

Puoi sistemarlo?

Parzialmente. Non c’è una soluzione completa, ma ci sono miglioramenti significativi disponibili per i team disposti a investire in analytics e tracciamento più sofisticati.

Il tracciamento server-side e il logging delle richieste possono catturare segnali che il JavaScript client-side perde completamente. Gli strumenti di device fingerprinting possono mantenere un’identità probabilistica attraverso i contesti di web view e browser sullo stesso dispositivo, colmando parzialmente il gap di isolamento che il tracciamento basato su cookie standard non riesce a superare. Nessun approccio ti porta a una misurazione completa, e nessuno risolve il problema cross-device senza uno stato utente autenticato che ancori entrambe le sessioni.

La risposta onesta: non otterrai mai una misurazione completa. L’architettura dei sistemi operativi mobili, le policy sui referrer delle piattaforme LLM e la natura dei percorsi multi-sessione cross-device lavorano tutti contro di essa. Ma non è la cosa più importante da capire su questo canale.

L’obiettivo della misurazione non è un conteggio perfetto di ogni conversione: è una comprensione direzionale abbastanza buona da prendere decisioni. Non ti serve attribuire ogni conversione assistita da LLM per sapere che questo canale sta crescendo, che la tua quota in esso è qualcosa che puoi influenzare, e che i cambiamenti relativi che fai alla tua strategia di AI visibility si rifletteranno nei tuoi numeri. Se il tuo traffico riferito da LLM raddoppia dopo che ristrutturi i tuoi contenuti per una migliore citazione da parte dell’AI, quel movimento è significativo che tu possa o meno collegare ogni vendita a una specifica sessione di chat.

Questo articolo non è un argomento per rinunciare alla misurazione. È un argomento per non lasciare che una misurazione imperfetta diventi una scusa per l’inazione. I team che trattano la AI visibility come un serio canale di crescita proprio ora, non quando l’attribuzione sarà più pulita, non quando GA4 si metterà al passo, ma ora, sono quelli che stanno costruendo un vantaggio difficile da colmare.

Metodologia

I test sono stati condotti su un iPhone con l’ultima versione di iOS, un dispositivo Android con l’ultima versione di Android, un Mac con l’ultima versione di macOS e un PC Windows con l’ultima versione di Windows. Linux non è stato testato direttamente ma ci si aspetta che segua pattern simili. Ogni piattaforma LLM, ChatGPT, Gemini e Claude, è stata testata tramite la sua app nativa (dove disponibile) e tramite il browser del dispositivo. Per ogni scenario, abbiamo verificato se i parametri UTM si popolassero, se un referrer fosse trasmesso al sito di destinazione, e se l’identità di sessione persistesse quando la navigazione si spostava dall’interfaccia LLM al browser predefinito del dispositivo. Il logging server-side è stato utilizzato per integrare le osservazioni client-side.

Questa ricerca riflette il comportamento delle piattaforme al momento dei test (12 aprile 2026). Le piattaforme LLM aggiornano frequentemente le loro app e interfacce web, e il comportamento del tracciamento può cambiare.

In sintesi

I canali AI non sono una considerazione futura. Sono attivi ora, in crescita, e stanno modellando decisioni su larga scala. Il problema è che l’infrastruttura che la maggior parte dei team usa per misurare questi canali è stata costruita per un mondo in cui un click produceva un referrer affidabile e un cookie che durava abbastanza a lungo da vedere una conversione.

Non è così che funziona il traffico LLM.

Tratta i numeri del tuo canale AI come un significativo sotto-riporto. Le sessioni che riesci a vedere sono quelle che per caso sono sopravvissute a ogni strato di perdita nel tracciamento. Quelle che non ci sono riuscite sono di gran lunga più numerose, e includono persone che ti hanno trovato, sono state influenzate da ciò che un’AI ha detto di te, e hanno convertito senza lasciare alcuna traccia che tu potessi seguire.

Domande frequenti

Perché il mio GA4 mostra quasi nessun traffico da Claude o Gemini?

Perché entrambe le piattaforme non trasmettono parametri UTM né referrer nella stragrande maggioranza degli scenari che abbiamo testato. Su mobile, i link si aprono in web view isolate dentro l’app che non si collegano mai al tuo ambiente di analytics standard. Su desktop, Claude non trasmette nulla né nell’app né nel browser. Gemini trasmette un referrer nel browser ma nessun UTM. Senza l’uno o l’altro, gran parte di questo traffico arriva in GA4 come diretto o semplicemente non viene conteggiato.

ChatGPT mostra un po’ di traffico nei miei report. Significa che viene tracciato accuratamente?

Non proprio. ChatGPT è la più tracciabile delle tre piattaforme che abbiamo testato. Aggiunge utm_source=chatgpt.com in diversi scenari, e la sua app desktop lo fa in modo affidabile. Ma su mobile, il percorso verso l’attribuzione è stretto e dipendente dalla piattaforma. L’UTM può sopravvivere se l’utente tocca “Apri nel Browser” dentro la web view, ma questo funziona solo su Android. Su iOS, quel passaggio non preserva affatto la sessione. L’identità viene persa quando l’utente lascia la web view, indipendentemente da come esce. Quindi anche nel migliore dei casi, serve che l’utente sia su Android, usi l’app, e tocchi esplicitamente “Apri nel Browser” prima di navigare oltre. Si tratta di una piccola fetta del tuo traffico mobile effettivo da ChatGPT. I numeri che vedi in GA4 sono reali, ma rappresentano una frazione di ciò che ChatGPT sta effettivamente generando.

Questo problema riguarda solo gli utenti mobili?

Il mobile è dove la cosa è più grave, ma il desktop non è pulito. Claude su desktop non trasmette nulla in tutti gli scenari testati, app o browser. Gemini su desktop trasmette un referrer ma nessun UTM, il che può essere classificato correttamente o meno a seconda della tua configurazione GA4. L’app desktop di ChatGPT è l’unico punto affidabile. Quindi anche se il tuo pubblico fosse interamente su desktop, ti mancherebbe comunque una porzione significativa del traffico influenzato dagli LLM.

Cos’è una web view e perché causa problemi di tracciamento?

Una web view è un browser interno all’app che si apre quando tocchi un link dentro un’app mobile. Sembra un browser, ma è isolato dal browser effettivo del tuo dispositivo. Non condivide cookie, dati di sessione o identità con Safari o Chrome. Quindi qualsiasi tracciamento attivato dentro una web view resta intrappolato lì. Quando l’utente apre poi il suo vero browser per continuare il percorso, appare come un visitatore nuovo di zecca senza cronologia.

Se la conversione finale avviene dentro la web view dell’app, viene tracciata?

Può esserlo, ma non è pulito. La conversione deve avvenire dentro la web view perché la catena di attribuzione regga. L’utente non deve aver passato l’intero percorso lì, ma quel passaggio finale sì. Il problema è che iOS costituisce la maggior parte del traffico mobile per la maggior parte dei pubblici, e su iOS la web view è soggetta alle restrizioni sui cookie di WebKit, inclusa Intelligent Tracking Prevention. Queste restrizioni possono limitare o rompere la continuità su cui ti stai basando. Quindi anche se questo scenario è teoricamente tracciabile, in pratica è l’opzione meno rotta disponibile piuttosto che un percorso affidabile.

Posso risolverlo con il tracciamento server-side?

Il tracciamento server-side aiuta, ma non risolve tutto. Può catturare segnali che il JavaScript client-side perde, compresi i dati del referrer che non arrivano mai in GA4. Gli strumenti di device fingerprinting possono anche aiutare mantenendo un’identità probabilistica attraverso i contesti di web view e browser sullo stesso dispositivo. Ma nessun approccio risolve il problema cross-device, e nessuno ti dà una misurazione completa. Ti avvicinerai sensibilmente alla verità, ma non arriverai fino in fondo.

Quanto è effettivamente sotto-riportato il traffico LLM che contribuisce alle conversioni?

In base alla nostra analisi, in un intervallo compreso tra 2,5x e 5x, a seconda del tuo pubblico e di come utilizza le piattaforme LLM. La stima conservativa (Caso A) presuppone che metà degli utenti mobili acceda agli LLM tramite il browser, dove il tracciamento funziona in gran parte, producendo circa 2,5x di sotto-riporto dopo aver contato le perdite sul percorso di conversione. La stima più realistica (Caso B) presuppone che l'80% degli utenti mobili sia sull’app nativa, dove il tracciamento essenzialmente fallisce, producendo un sotto-riporto da 4 a 5x. Entrambe le stime sono probabilmente ancora conservative, perché una porzione crescente di ciò che GA4 classifica come Google organic è in realtà traffico influenzato da LLM che arriva tramite AI Overviews e AI Mode, traffico che è impossibile da separare con gli analytics standard.

Dovrei investire di più in AI visibility se non posso misurare i risultati?

Sì, probabilmente ancora di più, non meno. Il fatto che tu non possa misurare l’impatto completo di questo canale non significa che l’impatto non ci sia. Significa che i tuoi strumenti attuali non sono sufficienti a vederlo. Le sessioni che riescono ad arrivare ai tuoi report mostrano già un engagement significativo. Quelle che non ci riescono sono molto più numerose. Trattare questo canale come poco importante perché i numeri sembrano piccoli è esattamente la conclusione sbagliata da trarre.