Wyobraź sobie sytuację: użytkownik pyta Gemini o buty do biegania, agent porównuje kilka opcji, wybiera Twój produkt, składa zamówienie. W Google Analytics widzisz wizytę bezpośrednią. Albo nie widzisz nic.
To nie jest scenariusz z przyszłości. To dzieje się teraz — i większość sklepów jest na to analitycznie ślepa.
Problem z mierzeniem ruchu agentycznego nie jest kwestią brakujących narzędzi. Jest kwestią fundamentalnie innej architektury zakupowej, na którą stare systemy śledzenia nie były projektowane. I jest kwestią decyzji: czy zaczniesz budować infrastrukturę pomiaru teraz, kiedy ruch agentyczny jest jeszcze mały — czy poczekasz, aż będzie duży, i zaczniesz od zera bez danych historycznych.
Dlaczego GA4 i piksel Facebooka tego nie widzą
Całe nasze narzędziowe dziedzictwo analityczne opiera się na jednym założeniu: kupujący człowiek wchodzi na stronę przeglądarką, ładuje JavaScript, generuje sesję, klika, dodaje do koszyka. Piksel rejestruje każdy krok. GA4 widzi ścieżkę.
Agent AI nie robi żadnej z tych rzeczy.
Gdy agent przeprowadza zakup przez UCP lub ACP, nie ładuje Twojej strony. Nie uruchamia JavaScriptu. Nie generuje sesji w rozumieniu Google Analytics. Odpytuje endpoint API, tworzy sesję checkout, wysyła payment token, dostaje potwierdzenie. Cały przepływ odbywa się między maszynami, poza jakimkolwiek browser-based trackingiem.
Pierwszy sygnał, który Twoja analityka może uchwycić, to webhook z potwierdzeniem zamówienia. Bez żadnego kontekstu: skąd przyszło, przez jaki ekosystem, po jakim zapytaniu użytkownika, po jakim procesie porównania.
Użytkownik pyta ChatGPT, agent porównuje opcje, wybiera Twój produkt, kupuje — i w Twoim systemie pojawia się zamówienie oznaczone jako „direct” albo bez źródła w ogóle. Cała ścieżka od zapytania do zakupu jest niewidoczna.
Skala problemu
Agentic traffic konwertuje na poziomach, które klasyczny ruch mógłby tylko pomarzyć. Pierwsze benchmarki z 2026 roku mówią o 15–30% konwersji z zakupów agentycznych, przy 2–3% typowych dla tradycyjnego e-commerce. To 5–10 razy więcej — bo do momentu, gdy agent inicjuje checkout, kupujący już podjął decyzję.
Jednocześnie mniej niż 0,2% całego ruchu e-commerce pochodzi dziś z agentów. Skrzyżowanie tych dwóch liczb tworzy paradoks: kanał o najwyższej konwersji jest dziś kanałem o najniższym wolumenie — i praktycznie niemierzalnym dla większości merchantów.
Problem narasta. Każde zamówienie z agenta, które trafia do analityki jako „direct”, zaniżają wyliczany ROAS dla SEO albo direct, zawyżają konwersję źródeł, które faktycznie nie doprowadziły do sprzedaży. Im więcej rośnie ruch agentyczny, tym bardziej zniekształcają się dane o całym miksie.
Jedyne wyjście: server-side tracking
Skoro piksel jest ślepy, rozwiązanie musi być po stronie serwera.
Webhooks to pierwsza i najważniejsza warstwa. Zarówno UCP, jak i ACP generują zdarzenia po stronie serwera dla kluczowych momentów transakcji: inicjacja sesji checkout, aktualizacja koszyka, potwierdzenie płatności, potwierdzenie zamówienia. Te zdarzenia zawierają metadane o źródle — jaki ekosystem zainicjował transakcję, identyfikator sesji agenta, użyta metoda płatności.
Schemat danych, który warto zbierać z każdego zdarzenia agentycznego:
{
"order_id": "ord_123456",
"revenue": 149.00,
"currency": "PLN",
"agent_surface": "google_gemini",
"agent_session_id": "agt_session_789",
"source": "ucp",
"medium": "agentic",
"protocol_version": "2026-01-11"
}Te dane można następnie przesyłać do GA4 przez Measurement Protocol — API pozwalające rejestrować zdarzenia bez ładowania JavaScriptu. Zamówienie agentyczne trafia do GA4 jako zdarzenie purchase z właściwym źródłem i medium, widoczne obok zamówień z innych kanałów.
To samo dotyczy Facebook CAPI (Conversions API) i Google Ads Offline Conversions — obie platformy obsługują server-side eventy, które pozwalają przypisać zamówienie agentyczne do odpowiednich kampanii brandowych lub remarketingowych, które mogły wpłynąć na wcześniejsze etapy ścieżki.
Shopify vs WooCommerce — różne punkty startowe
Tu pojawia się istotna różnica między platformami.
Shopify ma natywną atrybucję agentyczną wbudowaną w Agentic Storefronts. Od marca 2026 roku, gdy panel aktywował się dla wszystkich kwalifikujących się merchantów, sklepy Shopify automatycznie widzą w panelu administracyjnym, które zamówienia przyszły przez ChatGPT, Copilot, Google AI Mode. To nie jest pełna analityka — ale jest punkt wyjścia bez żadnej konfiguracji.
WooCommerce nie ma tego odpowiednika. Każde zamówienie agentyczne wymaga własnej infrastruktury server-side, żeby zostało prawidłowo przypisane. Oznacza to: własny endpoint do odbioru webhooków UCP i ACP, własna logika mapowania metadanych na parametry analityczne, własna integracja z GA4 Measurement Protocol.
To nie jest projekt na weekend, ale też nie jest projekt na trzy miesiące. Podstawowa infrastruktura webhooka odbierającego zdarzenia i przesyłającego je do GA4 to kilka godzin pracy dla doświadczonego dewelopera. Trudniejsza jest warstwa interpretacji — wyciągnięcie sensownych segmentów z danych agentycznych i połączenie ich z resztą analityki.
Problem atrybucji głębszej niż zamówienie
Webhook informuje o tym, że zamówienie nastąpiło i przez jaki protokół. Nie informuje o tym, co poprzedzało zakup.
Gdy kupujący przez Gemini decyduje się na Twój produkt — jaki był jego poprzedni kontakt z marką? Czy widział reklamę? Czy trafił na Twój artykuł blogowy? Czy był wcześniej na stronie? Tego nie wiadomo. Agent działał jako pośrednik, który przechwycił ostatni krok ścieżki — ale wcześniejsze kroki mogły przebiegać przez kanały, które Twoja analityka śledziła normalnie.
To jest ten sam problem, który od lat znamy z atrybucją pod podcast, pod influencer marketing, pod brand awareness. Kanał generuje intencję zakupową, ale zakupu dokonuje się gdzie indziej i pod inną atrybucją.
Jedynym rzetelnym sposobem na zmierzenie rzeczywistego wpływu kanału agentycznego na sprzedaż — nie tylko na uchwycenie transakcji agentycznych — jest testowanie inkrementalności.
Incrementality testing dla agentów
Incrementality testing odpowiada na inne pytanie niż atrybucja. Atrybucja mówi: „skąd przyszło to zamówienie?” Inkrementalność mówi: „czy ten kanał wygenerował dodatkową sprzedaż, której by nie było bez niego?”
Dla kanałów agentycznych najprostsze podejście to geographic holdout: wyłącz UCP lub ACP dla 10–20% rynków (np. wybrane województwa) na okres 8–12 tygodni. Porównaj konwersję i przychód między grupą z dostępem agentycznym a grupą bez niego. Różnica to inkrementalny wpływ kanału.
Alternatywa to temporal holdout: wyłącz integrację agentyczną na losowe 24-godzinne okna i porównuj wyniki z dniami, gdy była aktywna. Mniej precyzyjne, ale łatwiejsze do wdrożenia bez regionalnej segmentacji produktów.
Google obniżyło w 2025 roku minimalny próg budżetu dla testów inkrementalności do 5000 dolarów, co czyni to narzędzie dostępnym dla sklepów średniej wielkości — nie tylko dla enterprise.
Metryki, które mają sens
Gdy infrastruktura server-side jest gotowa, warto skupić się na kilku metrykach, które realnie opisują agentyczny kanał:
Agentic Conversion Rate — procent sesji agentycznych (inicjowanych przez UCP/ACP) kończących się zamówieniem. Benchmark Q1 2026: 15–30%. Jeśli Twój wynik jest wyraźnie poniżej — problem leży prawdopodobnie w kompletności danych produktowych albo w politykach zwrotów/dostawy, które agent odczytuje jako niekompletne.
Agentic vs. web AOV — porównanie średniej wartości zamówienia z kanału agentycznego do zamówień z innych kanałów. Wczesne dane wskazują na wyższe AOV agentyczne — agent operuje na prefiltrowanym intencie, nie ma impulsu do taniego zakupu.
Protocol coverage — procent katalogu produktów, który jest poprawnie eksponowany przez UCP i ACP. Produkt bez kompletnych atrybutów to produkt niewidoczny dla agenta. Regularne audyty tego wskaźnika to odpowiednik sprawdzania indeksowania w Google Search Console.
Cart abandonment rate dla sesji agentycznych — wysoki wskaźnik porzuceń koszyka inicjowanego przez agenta wskazuje na konkretne problemy: brak obsługiwanej metody płatności, niespójne dane o dostawie, polityki, których agent nie może zinterpretować. To diagnostyczna metryka, nie wydajnościowa.
Horyzont czasowy: kiedy to wszystko zadziała normalnie
Trzeba być szczerym w kwestii oczekiwań.
Pełna dojrzałość standardów atrybucji agentycznej jest szacowana na 18–24 miesiące od teraz. Narzędzia analityczne dopiero się dostosowują, platformy dopiero standaryzują metadane, które przesyłają w zdarzeniach. To przypomina pierwsze lata atrybucji podcastowej — wiedziałeś, że kanał działa, ale udowodnienie tego w liczbach zajmowało lata.
Ale tu jest kluczowa różnica między tymi, którzy zaczną teraz, a tymi, którzy poczekają: dane historyczne nie powstają wstecz. Merchant, który zbuduje infrastrukturę webhooków dziś, będzie miał 18 miesięcy danych agentycznych gdy rynek dojrzeje. Merchant, który poczeka, zacznie zbierać dane od zera — bez możliwości porównania z wcześniejszym okresem.
W świecie, gdzie decyzje budżetowe wymagają dowodów ROI, różnica między 18 miesiącami danych a zerem jest różnicą między kanałem, który dostaje budżet, a kanałem, który czeka w kolejce.
Minimalna lista działań
Jeśli nie wiesz od czego zacząć, poniższe cztery kroki dają podstawową widoczność bez budowania pełnego systemu od razu.
Po pierwsze — włącz odbieranie webhooków UCP i ACP. Każde potwierdzenie zamówienia przez protokół powinno trafiać do Twojego systemu z metadanymi źródła. To jest fundament wszystkiego.
Po drugie — przesyłaj te zdarzenia do GA4 przez Measurement Protocol z parametrami source=ucp lub source=acp i medium=agentic. Daje to natychmiastową widoczność zamówień agentycznych w istniejącej analityce.
Po trzecie — stwórz osobny segment w GA4 dla medium=agentic i śledź jego udział w przychodzie co tydzień. To wystarczy jako dashboard dla decyzji operacyjnych przez najbliższe miesiące.
Po czwarte — zaplanuj pierwszy test inkrementalności na Q3 2026. Daje to czas na zebranie danych bazowych i przygotowanie metodologii, zanim wyniki będą potrzebne do rozmów budżetowych.
Ruch agentyczny jest dziś mały. Infrastruktura pomiaru jest prosta, gdy ruch jest mały. Budowanie jej teraz to jedna z niewielu decyzji w e-commerce, gdzie niski koszt i wysokie potencjalne ryzyko zaniedbania są po tej samej stronie równania.