網路上關於 AI 流量轉換率的說法很亂。有人說是自然搜尋的四倍，有人說沒差多少，還有人貼出精美的圖表宣稱某個確切數字。
這些數字大多不能用，理由很簡單：AI 流量的轉換表現高度取決於你賣什麼、客單價多少、決策週期多長。 一家 B2B 軟體公司和一家賣衣服的電商，看到的模式會完全不同。抄別人的基準，等於拿別人的體溫來判斷自己有沒有發燒。
比較實際的做法是建立自己的基準。這篇文章講怎麼建，以及過程中有哪些坑。
為什麼不能直接用整站平均來比較？
因為 AI 流量的訪客處在完全不同的決策階段，拿整站平均當標準會系統性地誤判。
想一下這個人的行為軌跡：他先問了 AI 一個問題，AI 給了他一段整理過的答案，附上幾個來源。他點進你的網站，是因為想確認某個細節、或是想直接找到能解決問題的對象。
這個人已經跳過了「認知」和「初步了解」兩個階段。他跟一個從 Facebook 廣告點進來、根本沒打算買東西的訪客，本質上不是同一種人。
所以常見的模式是：AI 流量的瀏覽頁數偏低，但轉換率偏高。 頁數低不是因為不感興趣就跑了，是因為他目標明確，看完那一頁就去填表單了。如果你只看跳出率或頁數，會得出完全相反的結論。
反過來也有例外。如果你的產品需要長時間比較評估——高單價 B2B、房地產、醫療服務——AI 流量的當次轉換率可能一樣低，因為他還在蒐集資訊階段，只是蒐集方式從 Google 換成了 AI。這種情況要看的是後續回訪與轉換路徑，不是首次造訪的表現。
樣本數要多少才能下結論？
先講結論：單月轉換數低於 30 筆的管道，不要單獨看轉換率。
這是統計上很基本但實務上最常被忽略的一件事。假設 AI 流量這個月有 200 次工作階段、6 筆轉換，轉換率 3%。下個月 200 次工作階段、3 筆轉換，轉換率 1.5%。你會看到「轉換率腰斬」的驚人結論——但實際上只是少了三筆，可能只是有兩個人剛好那週在放假。
小樣本的轉換率波動是常態，不是訊號。用它來做決策，你會不斷在雜訊裡追著影子跑。
實務上的處理方式有三個：
拉長時間窗口。 別看單月，看滾動三個月。累積到 30 筆以上的轉換再談比率。
改看較上游的指標。 轉換數太少的時候，用參與率、平均互動時間、關鍵頁面到達率（例如有沒有看到定價頁）來判斷。這些指標的樣本數大得多，也更快反應內容改動的效果。
用區間而不是單點。 報告時說「AI 流量的轉換率大致落在 2% 到 4% 之間，高於整站的 1.5%」，比說「AI 流量轉換率 3.2%」誠實得多，也比較不會下個月被打臉。
該怎麼建立自己的基準？
分四步，大約需要一到三個月的累積期。
第一步，先把流量分乾淨。 沒有正確分類就沒有基準可言。在 GA4 建立 AI 搜尋的自訂管道群組，把 ChatGPT、Perplexity、Gemini、Claude、Copilot 這些來源歸成一類。設定方法在GA4 追蹤 AI 流量教學有逐步說明。
第二步，定義你要看的三到五個指標，然後就不要再改了。 建議是：工作階段數、參與率、平均互動時間、轉換數、轉換率。基準的價值來自一致性，中途換指標定義，前面累積的資料就全廢了。
第三步，同時記錄一組對照。 只看 AI 流量的絕對值沒有意義，你需要一條基線來比。建議用「自然搜尋」當對照組——同樣是搜尋意圖來的流量，可比性最高。每個月把兩組數字並排記下來。
第四步，累積三個月後才開始解讀。 前三個月只記錄、不下結論。這段期間你會發現一些奇怪的數字（某週暴增、某個著陸頁佔了七成流量），那些通常是雜訊或單一事件，不是趨勢。
累積夠了之後，你手上會有一份只屬於你的答案：AI 流量在你的生意裡，轉換表現是比自然搜尋好、還是差、還是差不多。那個數字才有決策價值。
有哪些歸因陷阱要避開？
第一個陷阱：低估。 前面提過，相當比例的 AI 流量會落進 Direct——桌面 App 沒有 referrer、跳轉時被剝除、或使用者看完 AI 回答隔天自己搜品牌名進來。你量到的一定小於實際的。所以基準要當成「下限」來用，不要當成準確值。
第二個陷阱：末次點擊歸因。 AI 很常出現在決策旅程的中段——使用者用 AI 做研究、確認方向，然後回到 Google 搜品牌名、或直接進站完成轉換。在末次點擊模型下，這筆轉換會全部記在自然搜尋或直接流量頭上，AI 一毛都拿不到。
這代表 AI 流量的真實貢獻幾乎必然被低估兩次：一次在流量歸因，一次在轉換歸因。如果你的 GA4 資料量足夠，可以看看資料導向歸因模型下 AI 管道的數字，通常會比末次點擊高。相關概念在歸因模型完整指南有更完整的討論。
第三個陷阱：把品牌詞成長當成無關的事。 如果你在做 GEO，同時觀察到品牌關鍵字的搜尋量在成長，那很可能不是巧合——AI 推薦造成的認知，經常以品牌搜尋的形式落地。這塊值得跟 AI 流量一起看，做法可以參考GEO 品牌曝光追蹤。
怎麼跟老闆報告這件事？
不要拿轉換率當開場，因為樣本小、數字容易被質疑，一開場就會陷入「這個數字準嗎」的拉扯。
我的建議是照這個順序講：
先講趨勢。 「AI 管道的工作階段數，從三個月前的每月 80 次，成長到現在的 240 次。」趨勢比絕對值更有說服力，也不太會被單月波動打臉。
再講品質。 「這些訪客的平均互動時間是 2 分 40 秒，整站平均是 1 分 10 秒。」品質指標的樣本數大，穩定，而且直觀。
接著講轉換，但要說區間。 「累積三個月共 14 筆轉換，轉換率大致落在 2% 到 3%，整站是 1.4%。樣本還小，我們會再累積一季確認。」主動說出限制，反而讓數字更可信。
最後講低估。 這一點一定要講，否則你等於自願讓這個管道的貢獻被砍一半。「另外有一部分 AI 流量因為技術限制會被歸到直接流量，所以實際貢獻應該高於這裡看到的數字。」
老實說，這種「量小但體質好、而且還被低估」的管道，最怕的不是數字難看，是根本沒人在看。把它固定放進月報，讓它有一席之地，比追求精準的數字重要得多。
結語
AI 流量的評估，現階段沒有辦法做到精準，也不需要精準。你要回答的問題其實只有一個：這個管道值不值得繼續投入資源？
而回答這個問題，需要的是自己的基準線，不是網路上抄來的平均值。花三個月建一條屬於自己的線——分好流量、鎖定指標、設好對照、耐住性子不提早下結論。三個月後你會有一個沒有人能反駁的答案。
至於怎麼把這個管道的量做大，可以從GEO 完整指南開始看整體框架。