Comment mesurer le trafic IA en analytics web en 2026 ?

Je le mesure en séparant humains, chatbots, scrapers, RAG et agents IA. Sinon vos rapports mélangent tout. Le vrai sujet, c’est de savoir ce qui convertit, ce qui pompe vos serveurs, et ce qu’il faut bloquer ou suivre de près.

Qu’est-ce que le trafic IA ?

Le trafic IA, c’est le trafic créé ou influencé par des outils comme ChatGPT, Google Gemini, Perplexity, des crawlers IA, des systèmes RAG ou des agents autonomes. Système RAG veut dire “Retrieval Augmented Generation”, en gros une IA qui va chercher des informations dans des documents ou sur le web avant de répondre. Agent autonome, c’est une IA qui peut enchaîner plusieurs actions seule, comme chercher, comparer, cliquer, remplir un formulaire ou préparer une synthèse.

Ce trafic peut arriver de façon assez classique. Un utilisateur pose une question dans ChatGPT, Perplexity ou Gemini, l’outil cite votre page, l’utilisateur clique, et vous voyez une visite dans votre outil analytics. Là, on est encore dans un modèle connu, même si la source n’est pas toujours propre.

Mais le vrai sujet, c’est que le trafic IA ne crée pas toujours une visite. L’IA peut lire votre contenu, le résumer, le citer, s’en servir pour répondre… sans envoyer l’utilisateur sur votre site. C’est le fameux zero-click. L’utilisateur a eu sa réponse directement dans l’interface IA, donc il n’a pas besoin de cliquer. Pour l’analyse web classique, c’est frustrant, parce qu’une partie de votre visibilité ne devient jamais une session mesurable.

C’est là que beaucoup d’équipes se trompent. Elles regardent uniquement les sessions, les sources et les conversions, alors qu’une partie de l’impact se passe avant le clic, ou sans clic. J’ai déjà vu des équipes SEO se réjouir parce que le canal referral progressait. En creusant les logs serveur et les référents, une partie venait en réalité d’assistants IA ou de moteurs conversationnels, pas de sites partenaires classiques.

Découvrez égalementQuels social media analytics tools choisir pour grandir ?

Le suivi est compliqué pour trois raisons très simples.

• Les assistants IA ne transmettent pas toujours un référent propre. Le référent, c’est l’information qui dit d’où vient la visite.
• Les user-agents ne sont pas toujours explicites. Le user-agent, c’est la signature technique du navigateur, du bot ou de l’outil qui visite votre page.
• Certains outils analytics rangent encore ces visites dans referral, direct ou organic, sans catégorie IA claire.

Pour comprendre ce trafic, il faut donc arrêter d’en parler comme d’un seul bloc. Il y a plusieurs familles de trafic IA, avec des comportements différents, des signaux différents, et des méthodes de mesure différentes.

Quels types faut-il distinguer ?

Il faut distinguer au minimum les références de chatbots, les scrapers IA, le trafic RAG et les agents IA, parce qu’ils n’ont pas le même objectif ni le même impact business. Si on mélange tout dans “trafic IA”, on perd vite le signal utile.

Les références de chatbots, c’est le cas le plus proche de ce qu’on connaît déjà. Un utilisateur pose une question dans ChatGPT, Perplexity, Gemini ou autre. L’outil propose une réponse, parfois avec une source, et l’utilisateur clique vers votre site. Dans les analytics, ça ressemble à du referral classique. Mais l’intention n’est pas la même. La personne arrive souvent après une réponse déjà filtrée, donc avec un niveau de contexte plus élevé. J’ai vu ça chez un client B2B : moins de sessions qu’en SEO classique, mais des visiteurs qui lisaient plus longtemps et revenaient plus vite sur les pages offres.

Les scrapers et crawlers IA, eux, ne viennent pas “visiter” le site comme un humain. Ils explorent ou aspirent des pages pour entraîner, mettre à jour ou enrichir des modèles. Ils peuvent lire du texte, récupérer des images, analyser des données structurées comme du schema.org, ou parcourir beaucoup d’URL en peu de temps. Ça peut générer du volume serveur, parfois beaucoup. Il faut donc les identifier avant de décider s’ils sont acceptables, utiles, ou trop agressifs. Certains bots publics sont documentés par les éditeurs, avec un user-agent clair. Mais soyons honnêtes, tout n’est pas toujours proprement déclaré.

Découvrez égalementComment faire du privacy analytics sans perdre vos données ?

Le RAG, pour Retrieval Augmented Generation, fonctionne autrement. L’idée est simple : un système IA récupère en temps réel des extraits précis d’un site pour appuyer sa réponse. Ce n’est pas un crawler massif qui passe partout “au cas où”. La requête est ciblée, déclenchée par une question, et votre site devient une source de données vivante. C’est souvent là que la qualité du contenu, la fraîcheur et la structure des pages font la différence.

Les agents IA vont encore plus loin. Ils exécutent une tâche : comparer des prix, réserver, résumer une page, préparer un achat, remplir une demande, surveiller une disponibilité. Ils sont plus chirurgicaux que les scrapers, mais plus proches d’un utilisateur en intention. Ça devient intéressant business, mais aussi plus sensible à mesurer.

Quels signaux suivre en priorité ?

Je commence par croiser les référents, les user-agents, les logs serveur, les pages touchées, la fréquence de passage et les conversions associées. Aucun signal seul ne suffit.

Le referrer, c’est l’adresse qui indique d’où vient une visite. Par exemple Google, LinkedIn, ChatGPT, Perplexity ou un autre site. C’est utile, parce que ça donne une première lecture des sources IA qui envoient du trafic. Mais ça reste fragile. Le referrer peut manquer, être masqué par le navigateur, supprimé par un outil de confidentialité, ou faire passer un chatbot pour une source referral assez classique. Donc oui, je le regarde. Mais je ne lui fais jamais confiance tout seul.

Le user-agent, c’est la signature envoyée par un navigateur ou un robot quand il visite une page. Certains bots IA s’identifient clairement. D’autres non. Et certains comportements automatisés ressemblent beaucoup à des visites humaines, surtout quand ils passent par des navigateurs headless, c’est-à-dire des navigateurs sans interface visible. Construire toute votre analyse sur une seule liste de bots, c’est risqué. Cette liste sera toujours incomplète, en retard, ou contournée.

Découvrez égalementComment préparer un entretien Data Engineer pour 2026 ?

Les logs serveur et le tracking server-side deviennent vraiment précieux ici. Les logs serveur enregistrent les requêtes qui arrivent sur votre site, avant même que votre outil analytics ne filtre ou perde une partie de l’info. Le tracking server-side, lui, consiste à envoyer les données depuis votre serveur plutôt que depuis le navigateur de l’utilisateur. Ça aide à repérer des volumes anormaux, des passages très rapides, des parcours sans interaction humaine, ou des appels répétés sur les mêmes contenus. Dans mon expérience data, quand je veux comprendre un trafic bizarre, je regarde rarement un seul rapport. Je recoupe toujours analytics, serveur et comportement. C’est souvent là que l’histoire devient claire.

Le but n’est pas d’avoir une mesure parfaite au clic près. Franchement, ce sera rarement possible. Le vrai sujet, c’est d’avoir une lecture assez propre pour décider : quels contenus méritent d’être renforcés, quelles sources IA apportent vraiment du business, et quels crawls consomment vos ressources sans valeur derrière.

Comment Matomo aide à classer ce trafic ?

Matomo aide en catégorisant automatiquement les agents IA et les référents IA dans des rapports dédiés, ce qui évite de laisser ce trafic noyé dans les référents classiques. Et franchement, c’est là que ça devient utile. Parce que si tout finit dans “referral”, vous ne voyez plus grand-chose.

Le problème avec beaucoup d’outils analytics standards, c’est qu’ils rangent encore les chatbots, certains crawlers et des agents IA dans des cases assez floues. Referral, direct, bot, parfois rien du tout. Vous avez une vision partielle, souvent centrée sur la visibilité de marque, mais pas forcément sur la vraie question business : Est-ce que ce trafic apporte des visiteurs, des conversions, ou juste de la charge serveur ?

Avec des rapports dédiés, je peux lire le trafic IA comme une catégorie à part. Pas comme un bruit de fond. Ça permet de faire plusieurs choses très concrètes :

• Identifier ce qui vient d’un humain et ce qui vient d’un système IA.
• Repérer les chatbots qui envoient de vrais visiteurs vers le site.
• Voir les crawlers ou scrapers qui consomment beaucoup de ressources.
• Comprendre quels contenus sont souvent repris comme sources par des assistants IA.
• Suivre l’évolution dans le temps, parce qu’un pic isolé ne raconte pas la même chose qu’une tendance régulière.

J’ai vu ce cas chez un client média. Un assistant IA envoyait peu de sessions, presque rien à côté de Google. Mais les visiteurs convertissaient bien mieux sur l’inscription newsletter. Sans séparation claire, ce signal passait sous le radar. À l’inverse, un scraper tapait énormément de pages, sans aucune valeur visible. Là, je veux pouvoir l’isoler, mesurer son poids, puis décider calmement s’il faut limiter, filtrer ou bloquer.

Matomo ne remplace pas l’analyse métier. Il ne décide pas à votre place si un agent IA est utile, nuisible ou juste neutre. Mais il donne une base plus lisible. Et en 2026, c’est déjà énorme, parce que piloter le trafic IA à l’aveugle, ça revient à regarder une salle pleine de monde sans savoir qui sont les clients, les robots, ou les curieux qui ne reviendront jamais.

Que faut-il décider ensuite ?

Une fois que j’ai identifié le trafic IA, je dois décider quoi optimiser, quoi surveiller et quoi bloquer. Sinon la mesure ne sert pas à grand-chose. Un dashboard de plus, sans décision derrière, c’est juste du bruit.

Je commence par optimiser les sources qui convertissent. Certains visiteurs qui arrivent depuis ChatGPT, Perplexity, Gemini ou d’autres assistants ne sont pas des visiteurs “froids”. Ce sont parfois des proxy users, c’est-à-dire des utilisateurs qui ont déjà demandé à une IA de comparer, filtrer, résumer ou recommander avant de cliquer. Ils arrivent avec plus de contexte, et souvent une intention plus forte.

Dans ce cas, je regarde surtout ce qui se passe après le clic :

• Les conversions par source IA, même si l’attribution reste imparfaite.
• Les pages d’arrivée qui captent le mieux ce trafic.
• Les contenus qui semblent déclencher les clics depuis les assistants.
• Les parcours jusqu’au lead, à l’essai gratuit, à la prise de rendez-vous ou à l’achat.

J’ai vu chez un client B2B peu de sessions IA en volume, mais un taux de prise de contact nettement supérieur à la moyenne. Si on avait regardé seulement le trafic, on aurait ignoré le signal. En regardant la qualité, c’était beaucoup plus intéressant.

Je surveille aussi le scraping agressif. Tous les robots IA ne se valent pas. Certains apportent de la visibilité. D’autres aspirent beaucoup de pages, très vite, sans valeur claire pour le site. Là, je regarde les crawlers volumineux, la charge serveur, les pages aspirées, la fréquence de passage et l’impact sur les performances.

Ensuite je choisis. Autoriser, limiter ou bloquer. Les leviers existent : règles serveur, fichier robots.txt, WAF, CDN, quotas, monitoring. Un WAF, pour Web Application Firewall, sert à filtrer une partie du trafic avant qu’il touche vraiment votre application. Un CDN peut aussi absorber ou limiter certaines requêtes.

J’adapte enfin les contenus à la recherche assistée par IA. Un contenu clair, structuré, utile, avec des réponses précises et faciles à interpréter, a plus de chances d’être repris correctement par des systèmes IA. Ça ne veut pas dire qu’on contrôle ce que les IA citent, résument ou oublient. Personne ne contrôle totalement ça. Mais on peut réduire l’ambiguïté.

Le trafic IA n’est pas juste un nouveau canal à ajouter dans vos rapports. C’est une nouvelle couche entre votre contenu, vos utilisateurs et vos outils de mesure.

Alors on mesure vraiment ce trafic IA ?

Le trafic IA reste encore minoritaire pour beaucoup de sites, mais il monte vite et il brouille déjà les rapports analytics. Si je mélange les clics de chatbots, les scrapers, le RAG et les agents autonomes, je perds la lecture business. La bonne approche, c’est de séparer les familles, croiser les signaux, regarder les conversions et isoler ce qui consomme vos ressources sans valeur claire. Matomo aide justement à rendre cette lecture plus propre avec des rapports dédiés. Le bénéfice pour vous est simple : mieux comprendre votre visibilité IA, protéger votre site, et investir sur les sources qui rapportent vraiment.

FAQ

• Qu’est-ce que le trafic IA en analytics web ?
  Le trafic IA regroupe les visites ou actions générées par des chatbots, des crawlers IA, des systèmes RAG ou des agents autonomes. Une partie ressemble à du referral classique, mais une autre partie ne crée même pas de clic visible, notamment quand l’utilisateur obtient sa réponse directement dans l’outil IA.
• Pourquoi les outils analytics classiques le mesurent mal ?
  Parce qu’ils s’appuient souvent sur des signaux incomplets comme le référent ou le user-agent. Un chatbot peut apparaître comme une simple source referral, un scraper peut être noyé dans le trafic technique, et un agent IA peut ressembler à un utilisateur très rapide. Il faut donc croiser plusieurs signaux.
• Le trafic IA peut-il vraiment convertir ?
  Oui, surtout quand il vient d’un chatbot qui a déjà aidé l’utilisateur à comparer, comprendre ou choisir. Ce visiteur arrive parfois plus qualifié qu’un visiteur classique. Je regarde donc les conversions par source IA, pas seulement le volume de sessions.
• Faut-il bloquer les crawlers IA ?
  Pas automatiquement. Je commence par mesurer leur volume, les pages consultées, la charge serveur et la valeur potentielle. Certains crawlers peuvent être acceptables, d’autres peuvent devenir agressifs. La bonne décision dépend du coût, du risque et du bénéfice attendu.
• Comment Matomo aide à suivre le trafic IA ?
  Matomo propose une catégorisation automatique des agents IA et des référents IA dans des rapports dédiés. Ça aide à séparer le trafic humain du trafic automatisé, à repérer les sources qui convertissent et à identifier les comportements de scraping à surveiller ou limiter.

A propos de l’auteur

Je suis Franck Scandolera, expert et formateur en tracking avancé server-side, analytics engineering, automatisation No/Low Code avec n8n, intégration de l’IA en entreprise et SEO/GEO. J’accompagne des équipes qui veulent fiabiliser leur mesure, automatiser leurs process et prendre de meilleures décisions avec leurs données. J’ai travaillé pour des clients comme Logis Hôtel, Yelloh Village, BazarChic, la Fédération Française de Football ou Texdecor. Je dirige l’agence webAnalyste et l’organisme Formations Analytics. Si vous voulez clarifier votre tracking IA, votre analytics ou vos automatisations, contactez-moi.

Franck Scandolera

⭐ Analytics engineer, Data Analyst et Automatisation IA indépendant ⭐

Ref clients : Logis Hôtel, Yelloh Village, BazarChic, Fédération Football Français, Texdecor…

Mon terrain de jeu :

Data Analyst & Analytics engineering : tracking avancé (GA4, Matomo, Piano, GTM server, Tealium, Commander Act, e-commerce, CAPI, RGPD), entrepôt de données (BigQuery, Snowflake, PostgreSQL, ClickHouse), modèles (Airflow, dbt, Dataform), dashboards décisionnels (Looker, Power BI, Metabase, SQL, Python).
Automatisation IA des taches Data, Marketing, RH, compta etc : conception de workflows intelligents robustes (n8n, App Script, scraping) connectés aux API de vos outils et LLM (OpenAI, Mistral, Claude…).
Engineering IA pour créer des applications et agent IA sur mesure : intégration de LLM (OpenAI, Mistral…), RAG, assistants métier, génération de documents complexes, APIs, backends Node.js/Python.