Uma empresa por linha, construída cruzando o cadastro oficial do CNPJ com evidências públicas coletadas no site institucional de cada startup.
De onde vem a base
A população é definida pela natureza jurídica 234-8, Empresa Simples de Inovação (Inova Simples), filtrada diretamente nos dados abertos do CNPJ da Receita Federal, não em um dump do painel do Inova Simples.
Dados abertos do CNPJ, Receita Federal do Brasil. Atualização mensal, arquivos "Empresas" e "Estabelecimentos" cruzados pelo CNPJ básico.
arquivos.receitafederal.gov.br → Dados/Cadastros/CNPJ/2026-09Estratégia de construção
Do dado cadastral bruto até o índice de posicionamento em IA, em sete etapas.
-
1
Dados abertos do CNPJ
Download mensal dos arquivos Empresas e Estabelecimentos na Receita Federal.
-
2
Filtro: Natureza Jurídica 234-8
Isola as empresas registradas como Empresa Simples de Inovação, a população da pesquisa.
-
3
Base cadastral do Inova Simples
Junção de Empresas e Estabelecimentos pelo CNPJ básico: razão social, capital social, endereço, situação cadastral, CNAE, datas.
-
4
Descoberta de website
Busca do domínio institucional de cada empresa. Campo que não existe no CNPJ, é enriquecimento externo.
-
5
Scraping e classificação
Extração do conteúdo do site e classificação da evidência de IA em um índice de 0 a 4.
-
6
Base final
Uma linha por empresa, unindo cadastro, setor e posicionamento em IA.
-
7
Análise estatística e regressão
Estatística descritiva, testes de associação e regressão logística ou ordinal sobre o índice de IA.
O que a base vai conter
Os campos se organizam em três camadas, cada uma vinda de uma fonte diferente.
- cnpj_basico
- razao_social
- natureza_juridica
- data_abertura
- idade
- municipio / uf
- situacao_cadastral
- capital_social
- porte
- cnae_principal
- setor (classificado a partir do CNAE e da descrição do negócio)
- website
- ia_presence
- ia_intensity (0 a 4)
- ia_application
- data_coleta
- cnpj_basico
- razao_social
- data_abertura
- idade
- municipio
- uf
- cnae_principal
- setor
- capital_social
- porte
- situacao_cadastral
- website
- ia_presence
- ia_intensity
- ia_application
- data_coleta
O índice de posicionamento em IA
O campo ia_intensity não é binário (usa ou não usa). É uma escala de 0 a 4, do site que nunca menciona IA até o site em que a IA é o próprio negócio. Isso permite tratar o posicionamento como grau, não só como presença, e abre a possibilidade de regressão ordinal além da logística.
O site não menciona IA nem tecnologia relacionada em nenhuma página.
Cita o uso de IA, sem especificar em que processo ou produto ela é aplicada.
"Utilizamos inteligência artificial..."
Descreve a IA aplicada a um processo específico do negócio.
"Nossa plataforma utiliza IA para analisar documentos."
A IA é parte central da solução oferecida, não um detalhe do processo.
"Nossa plataforma de diagnóstico utiliza modelos de IA..."
A própria proposta de valor da empresa depende da IA.
"Nossa empresa desenvolve soluções de IA."
A classificação segue um critério fixo (dicionário de termos de IA + classificador, com apoio de LLM), aplicado da mesma forma a todas as empresas. Uma amostra aleatória é revisada manualmente para medir a concordância entre a classificação automática e a humana antes de aceitar o índice como variável da pesquisa.