Case: como uma rede de franquias de energia solar virou fonte citada pelo ChatGPT em dias

A maior parte do conteúdo sobre GEO e AEO no Brasil fala em teoria — o que uma marca “deveria” fazer pra ser citada por uma IA. Este case é diferente: é um resultado real, medido, de um cliente nosso do setor de energia solar (rede de franquias), testado sem citar o nome da marca na pergunta.

A situação antes

Como a maioria das empresas do setor, a rede investia em mídia paga e SEO tradicional, mas nunca havia testado nem trabalhado especificamente a terceira busca: o que uma IA generativa responde quando alguém pergunta sobre o mercado dela, sem mencionar seu nome. Não havia robots.txt liberando explicitamente os crawlers de IA, nem schema markup estruturado, nem conteúdo pensado pra responder a pergunta de compra de forma direta — a mesma lacuna que encontramos na maioria dos negócios que nunca olharam pra essa camada.

O que foi feito

O processo seguiu a ordem que defendemos em qualquer trabalho de GEO/AEO: fundação técnica primeiro, conteúdo depois. Antes de publicar qualquer artigo novo, o robots.txt passou a liberar explicitamente os crawlers de IA (GPTBot, ChatGPT-User, ClaudeBot, PerplexityBot, entre outros), schema markup relevante foi implementado, e os dados da empresa foram alinhados entre site e canais oficiais. Só depois disso entrou no ar o conteúdo específico sobre o setor, estruturado em formato de resposta direta — o mesmo processo técnico detalhado em como aparecer no ChatGPT.

O teste

Poucos dias depois de o conteúdo entrar no ar, rodamos o teste sem citar a marca: perguntamos ao ChatGPT “qual é a principal rede de franquias de energia solar”. A resposta usou 14 fontes no total para se construir — 8 delas eram o próprio domínio da empresa, o equivalente a 57% de toda a base da resposta.

O mesmo teste, repetido no Google AI Overview, mostrou um padrão parecido: de 3 fontes usadas na resposta, 2 eram páginas do próprio site (publicadas na mesma leva de conteúdo) e a terceira era o perfil oficial da empresa no Instagram — ou seja, as 3 fontes eram canais controlados diretamente pela marca, sem depender de nenhum diretório ou veículo terceiro pra aparecer bem posicionada.

O que isso prova (e o que não prova)

Prova que o mecanismo funciona: quando a fundação técnica é resolvida antes do conteúdo, e o conteúdo responde de forma direta à pergunta de compra real do setor, uma IA generativa passa a citar a própria empresa como fonte principal — não um concorrente, não um diretório, não uma matéria de terceiro. E prova que isso acontece rápido: dias, não meses, pelo menos nas ferramentas com busca ativa (ChatGPT com busca, Google AI Overview), que não dependem de esperar um novo ciclo de treinamento do modelo.

Não prova, e seria desonesto sugerir o contrário, que o mesmo número (8 de 14, ou 57%) se repete automaticamente em qualquer negócio que aplicar o mesmo processo. Cada mercado tem um volume diferente de conteúdo concorrente disputando a mesma pergunta, e nenhuma consultoria — a nossa incluída — controla o algoritmo de seleção de fontes de um modelo de terceiro. O que se controla, e o que este case demonstra, é o lado que depende de quem contrata: a fundação técnica e o conteúdo por trás dela.

Por que mostramos isso em vez de só descrever o método

Prova real é rara nesse mercado ainda recente — a maioria do conteúdo sobre GEO/AEO no Brasil, inclusive de concorrentes diretos, descreve “resultados esperados” sem apontar pra um caso específico, com número e contexto verificáveis. Preferimos mostrar o número exato, o contexto exato e o limite exato do que ele prova, mesmo que isso signifique não poder prometer o mesmo resultado pra todo mundo — é a mesma transparência que aplicamos ao nosso próprio site, publicamente auditável em /robots.txt e /llms.txt agora mesmo.

Pra entender o processo técnico completo por trás desse resultado, passo a passo, veja como aparecer no ChatGPT: o guia prático. Se o seu negócio é uma rede de franquias ou tem mais de uma unidade física, o mesmo princípio se aplica com uma camada extra — veja como isso muda quando você tem mais de uma unidade.

Perguntas frequentes

Quem é o cliente desse case? Uma rede de franquias do setor de energia solar. Como em todos os nossos cases, o nome do cliente não é divulgado — os números e o processo são reais e verificáveis sem precisar disso.

Esse resultado é garantido pra qualquer negócio que contratar a Radar Must? Não. Nenhuma consultoria controla o algoritmo de seleção de fontes de uma IA de terceiro. O que o case demonstra é que o mecanismo funciona quando a fundação técnica e o conteúdo são resolvidos na ordem certa.

Esse resultado se manteve depois do teste inicial? O acompanhamento é contínuo — a mesma disciplina de reteste mensal que recomendamos em qualquer trabalho de GEO/AEO, porque modelos são retreinados e concorrentes publicam conteúdo novo o tempo todo.

Isso funciona só pra franquia de energia solar? O setor específico não é o que importa — o mecanismo testado se aplica a qualquer negócio de ticket alto ou consideração. O setor de energia solar só é onde tivemos o primeiro resultado documentado.