So tracken Sie KI-Traffic mit Stape

KI-Traffic sind Website-Besuche oder Anfragen, die von KI-Plattformen, -Assistenten, -Browsern oder automatisierten KI-Systemen ausgehen. KI-Traffic kann sowohl menschliche Besuche (wenn ein Nutzer auf einer KI-Plattform auf einen Link klickt) als auch automatisierte Anfragen von KI-Systemen umfassen (etwa Trainings-Crawler und Such-Fetcher, auf die wir weiter unten eingehen).

KI wird zu einer wichtigen Quelle für Website-Traffic. Ihre stetige Weiterentwicklung hat bereits zahlreiche Branchen beeinflusst (laut den unten zitierten Studien), und höchstwahrscheinlich wirkt sie sich bereits auf die Berichte zur Traffic-Akquisition Ihrer Website aus.

Bevor Sie die KI-Traffic-Erkennung einrichten, lohnt sich ein Blick darauf, wie schnell die KI-Nutzung und der von KI verwiesene Traffic wachsen.

Adobe hat im April 2026 einen Bericht zum KI-Traffic veröffentlicht. Die Plattform analysierte das Wachstum des Anteils an KI-Besuchen in verschiedenen Branchen:

• Der Einzelhandel verzeichnete mit 393% den größten Anstieg im Jahresvergleich
• Reisen mit 233%;
• Finanzdienstleistungen mit 158%;
• Medien und Unterhaltung mit 84%;
• Technologie und Software mit 63%.

Auch die zunehmende Nutzung von KI durch Verbraucher trägt zu diesem Trend bei. In Adobes Verbraucherumfrage vom März 2026 gaben 54% der Befragten an, KI häufiger zu nutzen.

Laut dem 2026 Generative AI Landscape Report von SimilarWeb wächst generative KI weiter. Zwischen Juni 2025 und Mai 2026:

• erreichten die durchschnittlichen monatlichen Web-Besuche 9,5 Milliarden, ein Plus von 70% im Jahresvergleich;
• stiegen die monatlichen eindeutigen Besucher um 57% auf 655 Millionen;
• nahmen auch die mobilen App-Downloads um 58% auf 4,4 Milliarden zu.

KI-Bots können aus unterschiedlichen Gründen auf Websites zugreifen. Bevor Sie versuchen, sie zu erkennen, ist es daher wichtig zu verstehen, dass nicht jeder KI-bezogene Bot-Traffic gleich zu behandeln ist. Einige Bots crawlen öffentlich zugängliche Inhalte, um KI-Modelle zu trainieren oder zu verbessern, andere rufen Seiten in Echtzeit auf, um Informationen für die Anfrage eines Nutzers abzurufen oder eine KI-Antwort zu generieren.

Die folgenden Bots crawlen öffentlich zugängliche Webinhalte, die zur Entwicklung, zum Training oder zur Verbesserung von KI-Modellen verwendet werden können:

• GPTBot
• ClaudeBot
• Google-Extended
• Applebot-Extended
• Bytespider
• CCBot
• Meta-ExternalAgent

Besuche von Trainings-Crawlern bedeuten nicht unbedingt menschliche Website-Besuche. Wenn Sie sie tracken, können Sie jedoch besser nachvollziehen, wie oft KI-Systeme auf Ihre Inhalte zugreifen, und automatisiertes KI-Crawling von nutzergesteuertem Traffic unterscheiden.

Diese Bots können als Reaktion auf Nutzeranfragen auf Webseiten zugreifen. Ein KI-Assistent oder ein KI-Suchsystem kann beispielsweise Informationen von Ihrer Website abrufen, um eine Antwort, eine Zusammenfassung oder ein Suchergebnis zu generieren:

• OAI-SearchBot
• ChatGPT-User
• Perplexity-User
• Claude-Web
• Claude-SearchBot

🤔 Wie lassen sich diese Arten von KI-Bots also erkennen?

KI-Bots lassen sich erkennen, indem Sie eingehende Anfragen an Ihre Website analysieren. Die gängigste Methode besteht darin, den User-Agent-Header der Anfrage zu prüfen und ihn mit bekannten Kennungen von KI-Crawlern und -Fetchern abzugleichen.

Beispielsweise kann eine Anfrage als von einem KI-Bot stammend identifiziert werden, wenn ihr User-Agent Kennungen wie GPTBot, ClaudeBot, OAI-SearchBot oder Perplexity-User enthält.

Der User-Agent ist jedoch nur ein Signal und kann nicht den gesamten KI-Traffic zuverlässig identifizieren. Manche KI-Agenten verwenden möglicherweise einen gewöhnlichen Browser-User-Agent, wodurch sie sich allein anhand des Anfrage-Headers nur schwer von menschlichen Besuchern unterscheiden lassen.

Für eine zuverlässigere Erkennung können Sie zusätzlich das Besucherverhalten und weitere Signale auf Anfrageebene analysieren. KI-Agenten können zum Beispiel:

✅ sehr kurze Interaktionszeiten auf der Seite aufweisen;

✅ nicht scrollen oder nicht mit Seitenelementen interagieren;

✅ Navigationsmuster erzeugen, die sich von denen menschlicher Besucher unterscheiden.

Weitere Signale wie Anfragehäufigkeit, Sitzungsmuster, JavaScript-Ausführung und die Reihenfolge der aufgerufenen Seiten können ebenfalls helfen, automatisierten Traffic von menschlichen Nutzern zu unterscheiden.

Eine zuverlässige KI-Traffic-Erkennung kombiniert daher in der Regel die User-Agent-Analyse mit verhaltensbezogenen und technischen Signalen.

KI-Bot-Traffic können Sie mithilfe folgender Quellen erkennen:

• Server-Logs, die Details zu eingehenden Anfragen enthalten, einschließlich User-Agent-Strings.
• CDN- oder Webserver-Logs, etwa von Cloudflare, Nginx oder Apache.
• Tools zur Bot-Erkennung, die bekannte KI-Crawler automatisch identifizieren und ihren Traffic kategorisieren (eine dieser Lösungen stellen wir weiter unten in diesem Leitfaden vor).

Nicht jeder KI-bezogene Traffic steht für denselben Besuchertyp. Menschlicher KI-Traffic entsteht, wenn eine Person eine KI-Plattform wie ChatGPT oder Perplexity nutzt und anschließend auf Ihre Website klickt. Traffic von LLM-Agenten entsteht, wenn ein KI-System oder -Agent direkt auf Ihre Website zugreift, um Informationen abzurufen, eine Aufgabe zu erledigen oder im Auftrag eines Nutzers mit Ihrer Website zu interagieren.

Diese beiden Traffic-Arten können schwer zu unterscheiden sein, da sie mit derselben KI-Plattform verbunden sein können, in Ihren Analysedaten aber unterschiedlich erscheinen.

Der zuverlässigste Ansatz besteht darin, den Traffic auf Anfrageebene zu analysieren, bevor er Ihre Analyseplattform erreicht:

• Menschlicher KI-Traffic. Achten Sie auf Besuche, bei denen die Verweis- oder Akquisitionsdaten auf eine KI-Plattform hindeuten und sich die Anfrage wie eine reguläre Nutzersitzung verhält, z. B. durch das Laden von Seiten und das Auslösen clientseitiger Ereignisse.
• Traffic von LLM-Agenten. Achten Sie auf Anfragen von bekannten KI-Crawlern, Such-Fetchern oder Agenten-User-Agents wie OAI-SearchBot, GPTBot oder ClaudeBot. Diese Anfragen lassen sich häufig anhand des User-Agents und anderer serverseitiger Anfragedaten identifizieren.

KI-Traffic kann schwer messbar sein, da er in Analyseplattformen nicht immer als klar identifizierbare Traffic-Quelle erscheint. Je nachdem, wie ein Besucher auf Ihre Website gelangt, kann Traffic von KI-Plattformen als Verweis, direkter Traffic, organische Suche oder ein anderer Akquisitionskanal erfasst werden.

👉 Wenn eine KI-Plattform beispielsweise keine Verweisinformationen übermittelt, kann der Besuch als direkter Traffic zugeordnet werden. Wenn Sie Traffic über eine KI-Suchfunktion erhalten (etwa AI Overview in Google), kann der Besuch der Suchmaschine statt der KI-Plattform zugeordnet werden. Dadurch wird die Attribution von KI-Traffic inkonsistent.

Eine weitere Herausforderung ist die Identifizierung von Traffic aus KI-Browsern. Viele KI-Browser basieren auf Chromium und können dieselben oder sehr ähnliche User-Agent-Strings wie Chrome verwenden. Unsere Tests haben zum Beispiel gezeigt, dass Browser wie Atlas und Comet denselben User-Agent-String wie Chrome senden können, wobei sich hauptsächlich die Browserversion unterscheidet. Wir haben einen eigenen Blogbeitrag zum Tracking von KI-Browsern; dort finden Sie weitere Details.

Das erschwert auch die Analyse des KI-Traffics. Ohne eine spezielle Methode zur Erkennung von KI-Traffic kann es schwierig sein, zu identifizieren, welche KI-Plattformen neue Besucher bringen, den Verweis-Traffic von KI zu überwachen und Engagement sowie Conversions aus KI-Quellen zu messen.

Das AI Traffic Detection Power-up von Stape hilft, KI-gesteuerten Traffic zu identifizieren und diese Information zu eingehenden Anfragen in einem Server-GTM-Container hinzuzufügen. So lässt sich KI-Traffic leichter von anderen Quellen unterscheiden, und Sie können die erkannten Daten für die Analyse und Attribution von KI-Traffic nutzen (ein Konfigurationsbeispiel zeigen wir weiter unten).

Statt sich nur auf standardmäßige Verweisdaten oder User-Agent-Strings zu verlassen, können Sie die erkannten Informationen in Ihrem serverseitigen Tracking-Setup verwenden und an Analyseplattformen wie GA4, Matomo oder jede andere benötigte Plattform weitergeben.

Das Power-up ist für Stape-Kunden mit dem Pro-Tarif oder höher verfügbar.

Mit dem Power-up können Sie KI-gesteuerten Traffic messen und nachvollziehen, wie KI-Plattformen zu Website-Besuchen und Conversions beitragen. Außerdem können Sie die erkannten Daten nutzen, um benutzerdefinierte Berichte zu erstellen und Veränderungen im KI-Traffic im Zeitverlauf zu überwachen.

Das kostenlose Custom Loader Power-up muss vorab konfiguriert werden; andernfalls können Sie das AI Traffic Detection Power-up nicht aktivieren. Falls Sie es noch nicht eingerichtet haben, klicken Sie auf das eingeklappte Element unten, um die ausführliche Anleitung anzuzeigen:

2.1 Rufen Sie Ihr Stape-Konto auf und wählen Sie im Dashboard Ihren sGTM-Container aus.

2.2 Gehen Sie zu Power-ups und klicken Sie im Bereich Track and recovery auf das Panel AI Traffic Detection.

2.3 Aktivieren Sie den Schalter AI Traffic Detection und klicken Sie auf Save changes.

Wenn Sie Daten zum KI-Traffic an die von Ihnen genutzten Plattformen senden (etwa Google Analytics 4, Matomo oder andere), können Sie KI-Traffic zusammen mit Ihren vorhandenen Website-Daten analysieren und nachvollziehen, wie verschiedene KI-Systeme zu Besuchen, Engagement und Conversions beitragen.

Die Konfiguration erfolgt über benutzerdefinierte Dimensionen in Ihrem Analysesystem (siehe offizielle Dokumentation der jeweiligen Plattform) und die Bearbeitung des entsprechenden Tags im Server-GTM-Container.

Als Beispiel nehmen wir Matomo, da die Plattform keine Standard-Kanalgruppe für KI-gesteuerten Traffic bietet.

3.1 Erstellen Sie die benutzerdefinierten Dimensionen in Matomo. Sie können zum Beispiel Dimensionen für AI traffic type und AI source anlegen. Notieren Sie sich dabei die exakten Namen, da Sie diese bei der Konfiguration des Matomo-Tags im Server-GTM benötigen.

3.2 Gehen Sie anschließend zu Ihrem Server-GTM-Container und öffnen Sie das serverseitige Matomo-Tag.

3.3 Fügen Sie im Abschnitt Event Parameters für jede benutzerdefinierte Dimension, die Sie an Matomo senden möchten, einen neuen Ereignisparameter hinzu. Verwenden Sie den exakten Namen der entsprechenden benutzerdefinierten Matomo-Dimension als Namen des Ereignisparameters.

Wenn Sie beispielsweise die folgenden benutzerdefinierten Dimensionen in Matomo erstellt haben:

• AI traffic type
• AI source

3.4 Fügen Sie als Wert Request-Header-Variablen hinzu:

• X-User-AI zur Identifizierung des KI-Traffics;
• X-User-AI-Name, um den Namen der KI-Plattformen an Matomo zu senden.

So sieht das im Matomo-Tag aus:

Wenn das Power-up aktiv ist, werden den eingehenden Anfragen zwei Header hinzugefügt:

• X-User-AI mit dem Wert true, wenn es sich um KI-Traffic handelt;
• X-User-AI-Name mit dem Namen der KI-Plattform als Wert, sofern wir die Plattform erkennen konnten.

Um KI-Traffic genauer zu tracken, können Sie KI-Anfragen identifizieren, bevor sie GA4 erreichen, und diese Daten als benutzerdefinierten Ereignisparameter oder anderes Traffic-Attribut an Ihr Analyse-Setup senden.

Nachdem Sie das AI Traffic Detection Power-up wie oben gezeigt konfiguriert haben, können Sie die KI-Erkennungsdaten als Ereignisparameter senden und sie in GA4 als benutzerdefinierte Dimensionen registrieren. Die Einrichtung entspricht also im Wesentlichen der oben gezeigten für Matomo.

1. Erstellen Sie benutzerdefinierte Dimensionen für die KI-Traffic-Daten, die Sie in GA4 analysieren möchten.

Sie können zum Beispiel Folgendes erstellen:

• AI traffic – gibt an, ob die Anfrage als KI-Traffic identifiziert wurde.
• AI traffic source – identifiziert die KI-Plattform, sofern verfügbar.

Gehen Sie in Ihrer GA4-Property zu Admin → Data display → Custom definitions → Create custom dimension.

Verwenden Sie für die Dimension AI traffic den Namen des Ereignisparameters, den Sie aus dem Server-GTM senden möchten, zum Beispiel ai_traffic.

Für die Dimension AI traffic source können Sie einen Parameter wie ai_traffic_source verwenden.

Notieren Sie sich die Parameternamen, die Sie beim Erstellen der Dimensionen in der GA4-Oberfläche angegeben haben; Sie benötigen sie im nächsten Schritt.

2. Fügen Sie die KI-Traffic-Daten zum GA4-Tag im Server-GTM hinzu.

Gehen Sie dazu zum Abschnitt Tags → öffnen Sie GA4 Base tag → erweitern Sie den Abschnitt Event Parameter → klicken Sie auf Add Row.

Geben Sie als Namen den Namen an, den Sie beim Erstellen der neuen Dimension in GA4 verwendet haben.

Erstellen Sie als Wert eine neue Variable:

• Variable Type: Request Header
• Name: X-User-AI

Fügen Sie eine neue Zeile für die zweite Dimension hinzu (diejenige zur Identifizierung der Quelle – ai_traffic_source). Wählen Sie auch hier den Variablentyp Request Header; achten Sie nur darauf, X-User-AI-Name als Namen zu verwenden.

So sieht das im Tag aus:

KI-Traffic wird zu einem wichtigen Teil der Customer Journey, doch Standard-Analysetools machen es nicht immer leicht, diese Art von Traffic zu identifizieren und zu analysieren.

Mit dem AI Traffic Detection Power-up von Stape können Sie erkannten KI-Traffic identifizieren und diese Informationen an Ihre Analyseplattformen senden. So können Sie KI-gesteuerte Besuche zusammen mit Ihren vorhandenen Traffic-Daten analysieren, Veränderungen im Zeitverlauf überwachen und besser verstehen, welche Rolle KI bei Akquisition und Conversion auf Ihrer Website spielt.