GEO para franquias: quem controla o que a IA recomenda

Em franquia, GEO é governança de entidade antes de ser conteúdo. Uma rede com 140 unidades expõe 141 entidades aos motores de resposta: a marca e cada ponto físico. Quando as fichas, as páginas e os dados estruturados divergem entre si, o Modo IA, o Gemini e o ChatGPT recomendam a unidade fechada, a do concorrente homônimo ou nenhuma.

Setembro de 2026 começa com o Modo IA em português prestes a completar um ano (o Google Brasil anunciou a aba em 8 de setembro de 2025) e com a integração do Gemini ao Business Profile confirmada para contas com várias unidades em agosto de 2026. A pergunta que o diretor de expansão me faz nas reuniões mudou de "a IA cita a nossa marca?" para "a IA manda o cliente para a unidade certa?". Nas redes que auditei em 2026, sem estatística que eu possa abrir por confidencialidade, o padrão mais frequente é a marca aparecer e a unidade sumir.

Minha tese contraria o instinto de quem cuida de rede: a franqueadora que centraliza toda a presença digital perde a recomendação local com a mesma frequência da que delega tudo ao franqueado. O ativo que a IA precisa é uma hierarquia explícita, com uma entidade-mãe que responde pela marca e uma entidade local que responde pelo endereço, pelo telefone e pelas avaliações. Sem essa divisão, o volume de unidades vira multiplicador de erro.

O caso condutor deste guia é a Rede Aurora, rede hipotética de escolas de idiomas com 140 unidades em 60 cidades. Cada número da Aurora é hipotético e serve para tornar o raciocínio verificável; os números de mercado e de produto vêm de fontes nomeadas na frase ou na seção final. O setor é grande o bastante para justificar o cuidado: o franchising brasileiro faturou R$ 301,7 bilhões em 2025 com 202.444 operações e 3.297 redes, segundo o levantamento anual da ABF (Associação Brasileira de Franchising) divulgado em março de 2026, feito por amostragem de 401 entrevistas no quarto trimestre e extrapolado para a população.

Os motores do Google escolhem a unidade pelos mesmos sinais do ranking local: relevância, distância e proeminência, com contagem e nota das avaliações pesando na proeminência, conforme a documentação do Google Business Profile. No ChatGPT Search há indícios de uma etapa de escopo por domínio em parte das consultas, o que torna mais seguro manter todas as unidades sob o domínio da franqueadora.

A documentação de ranking local do Google (Tips to improve your local ranking on Google) descreve três eixos: relevância entre a busca e o perfil, distância até o ponto e proeminência, que inclui quantidade e nota de avaliações. O guia de otimização para recursos de IA generativa do Search Central acrescenta que o Modo IA e os AI Overviews puxam do índice regular com query fan-out (o modelo dispara várias consultas derivadas) e que não existe marcação especial para aparecer em respostas generativas: valem os mesmos fundamentos e os mesmos controles da Busca. Para a franqueadora isso é boa notícia: o trabalho é o fundamento local bem feito, com um perfil por unidade, e a medição é que muda.

O Gemini passou a acessar dados do Business Profile em contas com várias unidades. A integração existia desde junho de 2026 para contas de uma unidade; um boletim do Google para pequenos negócios, relatado pelo ppc.land em 7 de agosto de 2026, confirmou o suporte a contas com várias unidades. A leitura prática: o que está errado na ficha da unidade 37 chega ao assistente sem passar pelo site.

O ChatGPT tem uma etapa a mais. Desde 8 de agosto de 2026, entre 16% e 17% das consultas derivadas do ChatGPT Search carregam o operador site:, contra 0,3% a 0,5% antes, segundo medição da Promptwatch relatada por Simon Willison em 20 de agosto. O dado não prova uma regra geral, mas indica uma etapa de escopo por domínio em parte das consultas. Uma rede cujas unidades vivem em subdomínios de franqueados, em páginas de marketplace ou só no Instagram tem menos chance de entrar nessa lista do que uma rede com todas as unidades sob o domínio da marca.

Levantamentos de fornecedores dão a escala do problema, com a ressalva de que são estudos comerciais. O 2026 Local Visibility Index da SOCi, sobre cerca de 350 mil localizações de 2.751 marcas com várias unidades, encontrou o Gemini recomendando aproximadamente 11% das localizações elegíveis, o Perplexity 7,4% e o ChatGPT 1,2%. Uso esses números como direção e nunca como base de cálculo; para o Brasil não localizei medição pública com universo declarado de AI Overviews em buscas locais. O que eu escrevi sobre como a IA recomenda negócios na sua cidade vale para a unidade; a rede acrescenta o problema de escala.

Colisão de entidade é quando o motor funde ou troca duas entidades por sinais parecidos: mesmo nome, mesmo telefone, mesmo endereço em registros diferentes. Numa rede, a colisão acontece em três camadas ao mesmo tempo: a marca contra homônimos, a unidade contra a matriz e a unidade contra a unidade vizinha.

A Rede Aurora (hipotética) tem os três defeitos. Na auditoria hipotética de agosto, 38 das 140 unidades usavam o telefone da central nacional na página do site e um número local na ficha do Google; 21 apareciam com a razão social do franqueado no perfil (Silva Idiomas Ltda.) e com "Aurora Idiomas Moema" na fachada; nove unidades fechadas em 2025 continuavam com página indexada e ficha ativa. Em cada um desses 68 casos, o assistente que tenta responder "escola de inglês aberta agora perto de mim" recebe dois conjuntos de fatos para a mesma entidade e escolhe um deles sem avisar.

A camada da marca é a mais conhecida e a menos específica de franquia. Já descrevi em por que a IA troca a sua empresa por outra como um homônimo em outro setor captura a resposta; numa rede, cada cidade pode ter o seu homônimo local. A camada unidade contra matriz é a que o diretor de expansão costuma subestimar: quando todas as páginas carregam o CNPJ, o telefone e o endereço da franqueadora, o modelo entende que a matriz opera as 140 escolas e devolve o endereço de São Paulo para quem pergunta em Goiânia.

A terceira camada nasce do próprio template. Páginas de unidade geradas em série, com o mesmo texto e só a cidade trocada, dão ao motor 140 documentos quase idênticos. A evidência controlada da wave de agosto (o experimento com o corpus FictionalQA, arXiv 2608.13956, 14 de agosto de 2026) mostrou que documentos diversos melhoram a resposta do gerador e que paráfrases não ajudam. Traduzido para a rede: a página da unidade de Moema precisa dizer algo que a de Pinheiros não diz, como horários, turmas, equipe e estacionamento. O princípio de consistência canônica vale para os dados; para o texto, o que vale é a diferença real entre pontos.

A divisão que funciona é a franqueadora como proprietária dos ativos que definem a entidade e o franqueado como gestor dos fatos que só ele conhece. A Lei 13.966, de 26 de dezembro de 2019, exige a Circular de Oferta de Franquia (COF) antes da assinatura; a lei não trata de perfis digitais, e por isso o contrato precisa dizer de quem é a ficha, a página e a conta de cada unidade.

O erro mais caro que vi em redes brasileiras neste ano é a ficha do Google reivindicada pelo franqueado com e-mail pessoal. Quando a unidade troca de dono ou fecha, a franqueadora perde o acesso, a ficha continua no ar com dados velhos e o assistente segue recomendando um ponto que já não existe. O modelo híbrido abaixo resolve esse caso e os demais: a franqueadora é proprietária principal de todos os perfis, dentro de um grupo de localizações, e concede ao franqueado o papel de gerente.

Na Rede Aurora (hipotética), a matriz acima muda 68 casos de colisão em 30 dias de trabalho da equipe central, sem depender de 140 reuniões com franqueados: o protocolo de fechamento resolve as nove fichas fantasmas, a convenção de nome corrige as 21 razões sociais e a auditoria de NAP alinha os 38 telefones. Os prazos são hipotéticos; o que é real é que nenhuma dessas ações exige reescrever conteúdo.

A hierarquia técnica tem duas peças: um bloco Organization com identificador persistente para a franqueadora e um bloco LocalBusiness (ou subtipo) por unidade, cada um com o próprio identificador e a propriedade parentOrganization apontando para a marca. A documentação do Google para dados estruturados de negócio local, atualizada em 10 de dezembro de 2025, define um LocalBusiness por localização física, com endereço, telefone e horários.

A propriedade parentOrganization do vocabulário Schema.org é o que liga a unidade à marca sem afirmar que a matriz opera o ponto. O Google não a lista como requisito para recursos de IA, e o guia de otimização para recursos de IA generativa repete que não há marcação especial para respostas generativas. Eu a uso mesmo assim, porque a ligação explícita reduz a ambiguidade que os motores resolvem por conta própria quando ninguém a resolve. O esqueleto por unidade, com dados hipotéticos da Aurora, fica assim (valide no Rich Results Test e no Schema Markup Validator antes de publicar em 140 páginas):

{
  "@context": "https://schema.org",
  "@type": "LanguageSchool",
  "@id": "https://www.aurora.com.br/unidades/moema#localbusiness",
  "name": "Aurora Idiomas Moema",
  "url": "https://www.aurora.com.br/unidades/moema",
  "telephone": "+55-11-0000-0000",
  "address": {
    "@type": "PostalAddress",
    "streetAddress": "Alameda dos Exemplos, 100",
    "addressLocality": "São Paulo",
    "addressRegion": "SP",
    "postalCode": "04000-000",
    "addressCountry": "BR"
  },
  "openingHoursSpecification": [
    {
      "@type": "OpeningHoursSpecification",
      "dayOfWeek": ["Monday", "Tuesday", "Wednesday", "Thursday", "Friday"],
      "opens": "07:00",
      "closes": "21:00"
    }
  ],
  "parentOrganization": { "@id": "https://www.aurora.com.br/#organization" }
}

Quatro decisões completam o bloco. Primeira: o nome público da unidade segue a convenção da marca (Aurora Idiomas Moema) e nunca a razão social do franqueado, que pode entrar em um campo próprio quando for pública e contratualmente permitida. Segunda: o telefone é o local, o mesmo da ficha do Google e da fachada. Terceira: o campo url aponta para a página da unidade, e a ficha do Google aponta para a mesma página, fechando o ciclo entre dados estruturados e perfil. Quarta: para redes com produto físico, o feed do Merchant Center usa o código de loja por unidade, conforme a documentação de mapeamento de dados, o que liga catálogo, estoque e perfil local.

O que descrevi em como estruturar Schema.org para IA generativa continua valendo como base; a franquia acrescenta o identificador por unidade e o parentOrganization. E o bloco só faz sentido se o texto da página confirmar o que ele declara: cliente que lê "aberto aos sábados" no schema e "fechado aos sábados" no corpo da página perde a confiança nos dois. Para redes de varejo, a lógica de o cliente decidir antes de sair de casa se aplica a cada ponto.

Reescrever 140 páginas antes de saber onde a colisão acontece gasta o orçamento no lugar errado. O diagnóstico por unidade cruza quatro registros (ficha do Google, página do site, dados estruturados e diretórios) e devolve uma lista de divergências por ponto, ordenada pelo faturamento da unidade. Na Rede Aurora (hipotética), o diagnóstico levou 12 dias úteis e apontou 68 unidades com pelo menos uma divergência.

1. Inventário de entidades. Liste as 140 unidades com nome público, razão social, CNPJ, endereço, telefone local, URL da página e identificador da ficha do Google. Sem esse inventário, qualquer auditoria compara amostras diferentes e chega a conclusões diferentes.
2. Cruzamento de NAP. Compare nome, endereço e telefone entre ficha, página, schema e os três diretórios mais consultados no seu setor. Cada campo divergente vira uma linha; a Aurora (hipotética) achou 38 telefones, 21 nomes e nove endereços de unidades fechadas.
3. Propriedade dos perfis. Confira quem é proprietário principal de cada ficha. Ficha em e-mail pessoal de franqueado entra na fila de transferência para o grupo de localizações da franqueadora.
4. Teste de recomendação por cidade. Para as 20 cidades de maior faturamento, rode o mesmo conjunto de dez perguntas locais no Modo IA, no Gemini e no ChatGPT, cinco execuções cada, e registre qual unidade aparece, com qual endereço e com qual telefone. São 3.000 consultas por rodada: rode por API dos três modelos ou por uma ferramenta de rastreio de visibilidade em IA; se a rodada for manual, reduza para as cinco cidades de maior faturamento e uma execução por pergunta. O que se mede é a taxa de recomendação correta por cidade; volume de prompt entra só como estimativa, como a Ahrefs declarou em 17 de agosto de 2026 ao adotar o "AI adjusted volume".
5. Diversidade de conteúdo. Meça a proporção de texto único em cada página de unidade com um rastreador que detecte quase duplicatas (Screaming Frog, Siteliner ou um script de similaridade entre páginas). Uso 30% de texto próprio como corte prático de auditoria, sem base em regra do Google: abaixo disso a página repete o template demais para diferenciar a unidade e entra na fila de diferenciação, com horários, turmas, equipe e acesso.
6. Priorização. Ordene as divergências por faturamento da unidade e por gravidade (unidade fechada ativa pesa mais que foto antiga). A equipe central corrige o que é dela; o franqueado recebe uma lista de três itens com prazo.

O diagnóstico também é o que eu ofereço antes de qualquer proposta. Se a sua rede tem 20 unidades ou mais, envie pelo formulário de contato a lista de unidades com URL e endereço; em dez dias úteis devolvo o mapa de colisão por unidade (quais fichas, páginas e blocos de schema divergem entre si e o que corrigir primeiro), sem compromisso de contratação e sem acesso às suas contas. O custo para você é uma planilha; o risco evitado é gastar orçamento reescrevendo 140 páginas para descobrir que o problema estava em nove fichas fantasmas.

Noventa dias depois do diagnóstico, a Rede Aurora (hipotética) tem uma entidade-mãe, 131 entidades locais ativas e nenhuma ficha fantasma. No cenário modelado, e sem valor de prova empírica, o teste de recomendação nas 20 cidades, repetido com o mesmo conjunto de dez perguntas e cinco execuções por motor, mostraria a unidade correta com endereço e telefone corretos em 17 cidades (resultado esperado, não observado); nas três restantes, a divergência sobrou em diretórios de terceiros que a rede não controla e que entram na fila de correção por solicitação.

A regra que mudou na Aurora (hipotética) cabe em uma frase: a franqueadora passou a ser dona da entidade e o franqueado passou a ser dono dos fatos. Na prática, a regra exigiu três ações da central e três de cada franqueado. A central escreveu um protocolo de abertura, mudança e fechamento de dez dias, transferiu 140 fichas para o grupo de localizações e gerou 140 blocos LocalBusiness com parentOrganization a partir do inventário. Os franqueados receberam três tarefas cada: confirmar o telefone, responder avaliações em 48 horas e enviar cinco fotos do ponto. Nenhuma página foi reescrita antes do diagnóstico; 52 foram diferenciadas depois, começando pelas 20 cidades de maior faturamento.

O mercado ao redor seguiu crescendo enquanto a rede arrumava a casa: no primeiro trimestre de 2026 o franchising brasileiro faturou R$ 72,7 bilhões, alta nominal de 10,1% sobre o mesmo período de 2025, e chegou a 204.908 operações, segundo o levantamento trimestral da ABF divulgado em junho de 2026. Cada uma dessas operações é uma entidade que algum assistente vai tentar recomendar. A pergunta que abriu este guia, se a IA manda o cliente para a unidade certa, tem resposta mensurável por cidade; a rede que a mede antes de reescrever gasta menos e corrige mais.

• Mercado de franquias supera os R$ 300 bilhões em 2025, ABF, Desempenho do Franchising Brasileiro 4º trimestre de 2025 (amostra de 401 entrevistas, extrapolada), março de 2026
• Franquias mantêm ritmo e crescem dois dígitos no 1º trimestre, ABF, junho de 2026
• Busca do Google: o Brasil já pode usar o Modo IA em português, Google Brasil, 8 de setembro de 2025
• Tips to improve your local ranking on Google, Google Business Profile Help, documentação viva, consultada em 3 de setembro de 2026
• Optimizing your website for generative AI features, Google Search Central, atualizado em 10 de julho de 2026
• AI features and your website, Google Search Central, documentação viva, consultada em 3 de setembro de 2026
• Local Business structured data, Google Search Central, atualizada em 10 de dezembro de 2025
• parentOrganization, Schema.org, vocabulário vivo, consultado em 3 de setembro de 2026
• Data mapping for local inventory feeds, Google Merchant Center Help, documentação viva, consultada em 3 de setembro de 2026
• Lei nº 13.966, de 26 de dezembro de 2019, Presidência da República
• ChatGPT Search now uses the site: operator at scale, Simon Willison sobre medição da Promptwatch, 20 de agosto de 2026
• Google Business Profile in Gemini now works for multi-location accounts, ppc.land sobre boletim do Google, 7 de agosto de 2026
• 2026 Local Visibility Index, SOCi, estudo do fornecedor sobre cerca de 350 mil localizações de 2.751 marcas, 2026
• arXiv 2608.13956, experimento controlado sobre diversidade de documentos recuperados com o corpus FictionalQA, 14 de agosto de 2026
• AI adjusted volume, Ahrefs, nota sobre inexistência de volume real de prompts, 17 de agosto de 2026