A Inteligência Artificial (IA) tornou-se um tema central nas discussões sobre competitividade empresarial nos últimos anos, associada tanto a ganhos de eficiência quanto a mudanças na forma como as empresas se posicionam perante o mercado. Empresas que investem nessa tecnologia apresentam, em média, crescimento mais acentuado de vendas, emprego e valor de mercado, impulsionado sobretudo pelo aumento de inovação em produtos (Babina, Fedyk, He, & Hodson, 2024). Compreender quais empresas efetivamente adotam essa tecnologia, contudo, é uma tarefa metodologicamente difícil: a adoção costuma ser investigada a partir de dados internos, obtidos por meio de levantamentos amostrais aplicados diretamente às organizações, como no estudo de Czarnitzki, Fernández e Rammer (2023), que estima os efeitos da Inteligência Artificial sobre a produtividade de empresas alemãs a partir de dados de survey sobre adoção e intensidade de uso. No Brasil, um levantamento conduzido pela OCDE em parceria com a Fundação Seade no estado de São Paulo constatou que apenas 167 das 2.561 empresas de médio e grande porte pesquisadas, 6,5% do total, utilizavam IA de forma ativa, a maior parte com soluções adquiridas externamente e baixo desenvolvimento interno (OECD, 2025). Levantamentos desse tipo, no entanto, dependem de amostras relativamente pequenas e de custo elevado, o que limita sua aplicação a populações mais amplas, como o conjunto de startups brasileiras. A literatura sobre Sinalização Estratégica oferece uma alternativa: sustenta que o que uma organização comunica publicamente sobre seus atributos pode ser observado e analisado independentemente do acesso a dados internos, na medida em que o próprio ato de comunicar constitui um sinal com valor informativo para investidores, clientes e demais públicos externos (Spence, 1973). Esta pesquisa investiga como esse sinal público é mobilizado por startups brasileiras no caso específico da Inteligência Artificial, e quais características empresariais estão associadas à sua intensidade.

Essa reformulação aproxima o problema de pesquisa da literatura mais ampla sobre comunicação organizacional e legitimidade, na qual a divulgação pública de atributos é entendida como resultado de decisões estratégicas da própria empresa, e não apenas como reflexo passivo de sua condição real (Certo, 2003; Connelly, Certo, Ireland, & Reutzel, 2011). Mesmo nos estudos que já tratam especificamente da adoção de Inteligência Artificial por empresas de estágio inicial, o desenho predominante ainda depende de levantamentos amostrais ou de estudos qualitativos de pequena escala: Rizomyliotis, Konstantoulaki, Battisti e Do (2025) entrevistam 35 funcionários de startups do Reino Unido para identificar fatores que influenciam a adoção de IA, enquanto Ardito, Filieri, Raguseo e Vitari (2024) recorrem a uma survey de 11.429 pequenas e médias empresas europeias para associar a adoção de IA ao crescimento de receita. Nenhum desses desenhos deriva a variável de adoção a partir de dados públicos e reproduzíveis por terceiros. Esta pesquisa busca preencher essa lacuna ao (a) mensurar o sinal a partir do conteúdo público de websites institucionais, em vez de levantamentos amostrais, (b) tratar características empresariais observáveis, idade, setor e capital social, como antecedentes desse sinal, e (c) delimitar a população de estudo a partir de um critério público e verificável, o enquadramento no programa Inova Simples.

Adicionando complexidade a esse quadro, a própria teoria de Sinalização Estratégica assume que o valor informativo de um sinal depende de seu custo diferencial: para reduzir a assimetria de informação, o sinal deve ser mais barato de emitir para quem de fato possui o atributo do que para quem não o possui (Spence, 1973). Nem todo sinal, porém, é igualmente eficaz. Em um contexto próximo, o de captação de recursos por empreendedores, Ahlers, Cumming, Günther e Schweizer (2015) constatam que sinais relacionados a planejamento financeiro, governança interna e fatores de risco influenciam fortemente o sucesso de campanhas de equity crowdfunding, ao passo que certificações externas, como prêmios e patentes, têm pouco ou nenhum efeito sobre esse sucesso. De modo análogo, o posicionamento público em Inteligência Artificial pode divergir do uso real da tecnologia em duas direções, subestimando empresas que utilizam IA sem divulgá-la e superestimando empresas que a comunicam de forma retórica. Compreender essas duas fontes de divergência é necessário para interpretar corretamente qualquer associação encontrada entre características empresariais e o índice de posicionamento.

A pergunta central de pesquisa é: quais características empresariais estão associadas ao posicionamento de Inteligência Artificial em startups brasileiras? Para respondê-la, o estudo examina a população de empresas registradas sob a natureza jurídica 234-8, Empresa Simples de Inovação, delimitada a partir dos dados abertos do CNPJ da Receita Federal e cruzada com um índice de posicionamento em IA construído a partir do conteúdo de seus websites institucionais. Os objetivos específicos são (i) identificar essa população a partir dos dados abertos do CNPJ, (ii) construir o índice de posicionamento público em Inteligência Artificial, (iii) verificar a associação entre a idade da empresa e esse índice, (iv) verificar a associação entre o setor de atuação e esse índice, e (v) verificar a associação entre o capital social e esse índice. Evidências internacionais reforçam a plausibilidade dessas hipóteses: segundo o relatório da OCDE (2025), que sintetiza levantamentos conduzidos em diversos países, a adoção de Inteligência Artificial tende a ser maior entre empresas de maior porte, mais concentrada nos setores de tecnologia da informação e serviços profissionais e, entre as pequenas empresas, mais frequente entre as mais jovens, ainda que esse padrão se inverta entre as empresas de maior porte. Resta verificar se essas mesmas características, idade, setor e capital social como aproximação de porte, explicam o posicionamento público em IA entre startups brasileiras registradas no Inova Simples.

Esta pesquisa responde a uma lacuna metodológica em duas frentes. Primeiro, embora Certo (2003) e Connelly et al. (2011) sustentem que a sinalização depende de custo diferencial e de assimetria de informação, e embora Montanaro, Croce e Ughetto (2024) demonstrem que startups de Inteligência Artificial recebem, em média, aportes de capital de risco significativamente menores do que empreendimentos comparáveis fora da IA, um efeito moderado pelo estágio de maturidade da empresa e pela experiência do investidor, estudos que operacionalizem esse sinal a partir de conteúdo público da web, em vez de levantamentos proprietários, permanecem escassos. Segundo, a literatura sobre adoção de Inteligência Artificial em pequenas empresas e startups tem se concentrado em levantamentos amostrais (Czarnitzki et al., 2023; Ardito et al., 2024) ou em estudos qualitativos de pequena escala (Rizomyliotis et al., 2025), com poucas iniciativas que construam uma base de população completa a partir de dados públicos e reproduzíveis. Ao cruzar o cadastro público do CNPJ com evidência coletada da web, o estudo oferece uma base de dados própria, documentada e replicável, sobre o posicionamento tecnológico de uma população inteira de empresas, não apenas de uma amostra.