O PODER DAS REDES DE INOVAÇÃO PARA O COMÉRCIO: A EXPERIÊNCIA DO USO DE IA PARA ESCALAR VENDAS

Palavras-chave: inovação no comércio; microempresas; redes de inovação; inteligência artificial aplicada a vendas; fomento público à inovação.

AGRADECIMENTOS

Este trabalho foi apoiado pelo CONCURSO nº 001/2024 – E-commerce.BR, realizado pela Agência Brasileira de Desenvolvimento Industrial (ABDI) em parceria com o Ministério do Desenvolvimento, Indústria, Comércio e Serviços (MDIC). Os autores também expressam seu agradecimento às organizações integrantes da rede de inovação proponente, cujo trabalho conjunto tornou possível a realização e os resultados deste projeto: a Federação do Comércio de Bens, Serviços e Turismo do Estado da Bahia (Fecomércio-BA), o Serviço de Apoio às Micro e Pequenas Empresas da Bahia (Sebrae-BA), a Cubos Tecnologia (desenvolvedora da plataforma Quipu) e o Hub de Inovação Elas Projetam.

1 INTRODUÇÃO

Segundo as Estatísticas do Cadastro Central de Empresas (IBGE, 2026a), o Brasil contava em 2024 com 10,6 milhões de empresas e outras organizações ativas. O comércio é o setor que concentra o maior número delas, com 27,4% do total, e 93,4% de todas as empresas do país tinham de zero a nove pessoas assalariadas. A microempresa do comércio é, portanto, uma das configurações mais frequentes do tecido empresarial brasileiro.

O âmbito de cada levantamento define o que fica disponível para análise. Os três parágrafos seguintes descrevem os recortes setoriais e de porte adotados pelas principais pesquisas nacionais sobre inovação e adoção de tecnologia nas empresas, e o que deles resulta em termos de informação disponível sobre esse perfil de empresa.

A Pesquisa de Inovação (PINTEC), conduzida pelo IBGE (2020), constrói os indicadores setoriais, regionais e nacionais das atividades inovativas das empresas brasileiras. Seu âmbito abrange as indústrias extrativas e de transformação, o setor de eletricidade e gás e um conjunto de serviços selecionados: telecomunicações, tecnologia da informação, arquitetura e engenharia, pesquisa e desenvolvimento, tratamento de dados e edição. O comércio não integra esse âmbito, o que significa que os indicadores produzidos não descrevem a atividade inovativa do setor. A consequência é de disponibilidade de informação, e não de desempenho: o conhecimento sistemático sobre inovação no comércio depende de outras fontes.

A Pesquisa de Inovação Semestral, conduzida pelo IBGE (2026b) em parceria com a ABDI e a Universidade Federal do Rio de Janeiro e ainda classificada como estatística experimental, concentra-se nas indústrias extrativas e de transformação e tem como população-alvo as empresas com cem ou mais pessoas ocupadas. Seu desenho responde à finalidade de acompanhar a inovação industrial com maior frequência, e mantém o comércio de menor porte fora do escopo observado.

A pesquisa TIC Empresas, conduzida pelo CETIC.br/NIC.br sob responsabilidade do CGI.br (2024), cobre o comércio, mas adota como universo as empresas brasileiras com dez ou mais pessoas ocupadas. As empresas com menos de dez pessoas assalariadas, que correspondem a 93,4% do total nacional (IBGE, 2026a), estão abaixo desse piso amostral.

Essa assimetria nacional ganha contornos ainda mais evidentes quando observada na escala regional. No estado da Bahia, por exemplo, o setor do Comércio de Bens, Serviços e Turismo responde por aproximadamente 70% do Valor Agregado Bruto (VAB) estadual e por cerca de 70% dos postos de trabalho formais gerados (SEI, 2023). Contudo, apesar de constituir a espinha dorsal do emprego e da renda no território baiano, o setor padece de um histórico descompasso estrutural de fomento público e privado: a vasta maioria das linhas tradicionais de financiamento à pesquisa e desenvolvimento (P&D), editais de subvenção econômica e aportes de venture capital permanece massivamente concentrada na indústria transformadora e na pesquisa acadêmica tradicional (SEI, 2023). Trata-se, portanto, de um paradoxo socioeconômico no qual o segmento de maior capilaridade econômica e gerador de ocupações operativas é justamente o mais negligenciado pelos instrumentos de incentivo à inovação.

Cada recorte é adequado à finalidade do levantamento que o adota. Combinados, porém, deixam pouco coberta uma faixa específica: a microempresa do comércio, que reúne as duas características mais frequentes do cadastro nacional de empresas, o setor com maior número de estabelecimentos e a faixa de porte que responde por 93,4% do total (IBGE, 2026a). É sobre essa faixa que o conhecimento sistemático disponível é mais escasso.

O que torna esse vão relevante, e não apenas curioso, é o que a própria TIC Empresas mostra sobre as empresas que estão logo acima do piso. Entre as empresas que venderam pela internet em 2023, 78% utilizaram mensagens de WhatsApp, Skype ou chat como canal de venda. O dado se distribui de forma inversa ao porte: 80% na faixa de 10 a 49 pessoas ocupadas, 64% na faixa de 50 a 249 e 57% entre as de 250 ou mais (CGI.br, 2024). Quanto menor a empresa, maior a dependência do canal de mensagem.

A tendência sugere que a dependência seja ainda maior na faixa abaixo do piso amostral, embora essa extrapolação não seja diretamente observável nos dados disponíveis. É desse conjunto de evidências que parte o programa aqui relatado, cuja premissa de desenho foi a de que o canal de mensagem já em uso pela microempresa poderia ser instrumentado para produzir registro e análise do processo comercial.

Este trabalho relata uma intervenção dirigida a esse segmento. Entre 2025 e 2026, uma rede de inovação implantou uma plataforma de inteligência comercial baseada em inteligência artificial em microempresas do comércio e de serviços da Bahia, no âmbito do Edital de Concurso nº 001/2024, E-commerce.BR, da Agência Brasileira de Desenvolvimento Industrial (ABDI) em parceria com o Ministério do Desenvolvimento, Indústria, Comércio e Serviços (MDIC). O objetivo do relato é triplo: descrever o arranjo institucional que tornou a implantação possível, apresentar os resultados medidos da fase piloto com a transparência que a avaliação exige, e discutir o que esse arranjo sugere para os modelos correntes de rede de inovação.

2 O PROGRAMA E A REDE

2.1 Composição da rede e divisão de papéis O programa foi conduzido por uma rede de quatro organizações com capacidades distintas e complementares. A Fecomércio-BA exerce a liderança e a articulação institucional, mobilizando sua base de sindicatos e associações empresariais e assegurando legitimidade junto ao setor produtivo. O Sebrae-BA responde pela mobilização territorial das empresas, pela condução dos diagnósticos de maturidade digital e pelo acompanhamento das participantes, apoiado em sua capilaridade e em sua metodologia de qualificação empresarial. A Cubos Tecnologia desenvolve e opera a plataforma Quipu, responde pela evolução do produto e pela infraestrutura de mensuração. O Hub de Inovação Elas Projetam atuou na prospecção do edital e na estruturação inicial do projeto.

Essa composição é o principal ativo do programa, e não um detalhe administrativo. Levar tecnologia de inteligência artificial ao microempresário exige, ao mesmo tempo, capacidade técnica para construí-la, alcance territorial para chegar até ele e credibilidade institucional para que ele aceite experimentá-la. Nenhuma das quatro organizações reúne as três condições sozinha, e foi a reunião delas em um mesmo arranjo que tornou a implantação possível.

A literatura sobre redes de inovação dá nome ao que se constituiu aqui. Etzkowitz e Leydesdorff (2000) descrevem as organizações híbridas que se formam quando esferas institucionais distintas se sobrepõem e cada ator assume temporariamente funções do outro, e identificam nessas redes um mecanismo de retenção institucional que sustenta a inovação ao longo do tempo. É exatamente o que se observa no programa: a federação empresarial articula e também participa da governança técnica; o serviço social autônomo conduz diagnóstico e acompanhamento; a startup entrega tecnologia e também opera o sistema que produz a evidência. Etzkowitz e Zhou (2017) acrescentam que, em arranjos assim, o poder público rende mais como moderador do que como controlador, criando os espaços em que os demais atores convergem, que é precisamente o papel exercido pela agência de fomento por meio do edital. Carayannis e Campbell (2009) observam ainda que a força desse tipo de arranjo está na capacidade de combinar modos distintos de conhecimento, produzindo sinergias que nenhum participante alcançaria isoladamente. A sobreposição de papéis, no caso relatado, não é efeito colateral: é o mecanismo pelo qual o programa funciona, e é o que o torna replicável em outras unidades da federação.

No contexto local, a constituição deste arranjo em rede responde diretamente às fragilidades históricas mapeadas na literatura sobre o Sistema Baiano de Inovação (SBI). Conforme diagnosticado por estudos sobre dinâmicas regionais de inovação (FERNANDES; SAMPAIO, 2018; CASSIOLATO; LASTRES, 2005), o SBI apresenta uma fragmentação institucional persistente, caracterizada pelo baixo envolvimento de investidores privados, reduzida interação entre o ambiente científico-acadêmico e as micro e pequenas empresas, e a ausência de uma governança aglutinadora capaz de orientar as políticas públicas de fomento às demandas reais do setor produtivo. Diante disso, a articulação multissetorial estabelecida entre Fecomércio-BA, Sebrae-BA, Cubos e Elas Projetam atua como uma resposta estruturada a esse gargalo do ecossistema regional, consolidando uma governança híbrida e pragmática capaz de conectar a inovação de base tecnológica às necessidades operacionais das microempresas do comércio de bens e serviços.

2.2 Descrição da solução A plataforma Quipu foi desenhada a partir de uma premissa explícita: a de que as atividades comerciais que a microempresa já realiza podem ser instrumentadas sem exigir mudança de canal ou de hábito. A arquitetura da solução tem três camadas. A primeira é a captação, que registra a interação comercial no canal em que ela já acontece. A segunda é a análise, que transforma o registro em dado estruturado por meio de inteligência artificial. A terceira é a devolutiva, que retorna ao vendedor e ao gestor uma leitura acionável de cada interação.

Cada módulo da plataforma é, antes de tudo, uma fonte de captação distinta. É essa a lógica que organiza o produto: em vez de um sistema único que o usuário precisa alimentar, a plataforma se acopla aos pontos em que a conversa comercial ocorre e recolhe o registro ali. Três fontes foram disponibilizadas às empresas participantes do programa.

A primeira é o canal de mensagens. Conectado por leitura de código do aplicativo, como em uma sessão espelhada, o módulo registra as conversas com potenciais clientes, transcreve os áudios e organiza cada contato como um lead com histórico completo. Não envia mensagens, não automatiza respostas e não interfere na conversa: apenas lê e interpreta. A segunda é a reunião por videochamada, capturada por extensão de navegador nas plataformas de videoconferência de uso corrente, em que o vendedor seleciona antes da chamada o modelo de avaliação aplicável. A terceira é a simulação de treinamento, única fonte em que a interação é criada para fins de desenvolvimento: a inteligência artificial assume uma persona de cliente, com características e objeções definidas pelo gestor, e o vendedor pratica por áudio ou texto o cenário que enfrentará na venda real.

Sobre as três fontes opera a mesma camada de análise. O sistema transcreve a interação, identifica menções a concorrentes e a objeções previamente cadastradas pela empresa, extrai os compromissos assumidos e avalia a conduta do vendedor segundo dois instrumentos distintos: os scorecards, que registram de forma binária se ações esperadas foram executadas, e os parâmetros de comportamento, que atribuem nota a dimensões qualitativas como escuta ativa, tratamento de objeções e definição do próximo passo. O gestor descreve, em cada parâmetro, o que considera conduta positiva e conduta negativa, e é essa descrição que calibra a avaliação. A devolutiva chega ao vendedor poucos minutos após o fim da interação, e ao gestor como visão consolidada por vendedor e por equipe.

Essa arquitetura tem duas consequências diretas para o público do programa. A primeira é que a empresa não precisa adotar um novo canal de venda para ser atendida: basta conectar o que já usa. A segunda é que a qualidade da avaliação depende da calibração feita pelo gestor, o que torna o produto adaptável ao setor de cada empresa e, ao mesmo tempo, sensível à qualidade dessa configuração inicial. Esse ponto foi determinante nos resultados do piloto e é retomado na seção 5.

O papel da tecnologia no resultado é específico e delimitável. Não está em substituir o processo comercial da empresa, e sim em torná-lo observável para o gestor, para a rede de apoio e para a própria avaliação do programa. Uma empresa com um único vendedor passa a dispor de registro estruturado de leads, histórico de interações e avaliação das reuniões realizadas, elementos que, para a maior parte das organizações do piloto, passaram a existir de forma sistemática pela primeira vez, conforme registrado na seção 4.

3 DESENHO DA MENSURAÇÃO

A construção do modelo de mensuração de resultados e indicadores do edital fundamenta-se no conceito de Adicionalidade da Ação Pública, pressuposto central na avaliação do impacto de políticas públicas de inovação (TAFTIE, 2020; BUAINAIN et al., 2018). Sob essa ótica, a intervenção e o fomento institucional justificam-se pela capacidade de induzir transformações operacionais, saltos de maturidade digital e ganhos de produtividade que as microempresas do comércio não alcançariam espontaneamente no curto prazo, dada a presença de falhas de mercado e de restrições estruturais de capital e conhecimento. Dessa forma, a arquitetura de indicadores apresentada a seguir busca mensurar não apenas as entregas quantitativas do programa, mas o efeito adicional gerado na capacidade de absorção tecnológica, na governança e na eficiência competitiva das empresas participantes.

3.1 Os indicadores do edital e suas fórmulas O Edital de Concurso nº 001/2024 estabelece, em seu item 8.11, que as propostas devem informar indicadores e metas que permitam averiguar a evolução da maturidade digital, da produtividade do trabalho e das vendas online do público beneficiário, e fixa nos itens 8.12, 8.13 e 8.15 a fórmula de cada um (ABDI, 2024). Todos são apurados em dois momentos por empresa: T0, no início do período de implementação da solução, e T1, ao seu final. O item 8.14 determina que os dados sejam calculados individualmente para cada empresa, acompanhados das médias globais do projeto, e posteriormente compartilhados com a ABDI. A apuração da fase piloto seguiu essa estrutura: cada empresa recebeu um código de identificação e teve seus indicadores calculados individualmente, e as médias apresentadas neste relato resultam desses cálculos individuais.

O aumento de maturidade digital é definido pelo item 8.12 como a variação percentual do escore de maturidade entre os dois momentos: subtrai-se o valor de T0 do valor de T1, divide-se o resultado pelo valor de T0 e multiplica-se por cem. O escore é o obtido no Diagnóstico de Maturidade Digital da ABDI, instrumento indicado pelo próprio edital no item 3.1.8, aplicado por agente externo mediante trinta perguntas estruturadas. A meta estabelecida foi de aumento de 20%.

A produtividade do trabalho é definida pelo item 8.13 como o valor adicionado dividido pelo número de empregados, sendo o valor adicionado a diferença entre receitas e custos. O edital remete o cálculo do valor adicionado à Deliberação CVM nº 557 (Brasil, 2008), que aprova o pronunciamento técnico sobre a Demonstração do Valor Adicionado, e apresenta o demonstrativo a ser preenchido: as receitas correspondem às vendas de mercadorias, produtos e serviços; os custos somam os custos dos produtos, mercadorias e serviços vendidos com os gastos em materiais, energia e serviços de terceiros; o valor adicionado bruto é a diferença entre os dois. O número de empregados é o total de trabalhadores vinculados diretamente às atividades da empresa. A meta foi de aumento de 5%.

Na apuração da fase piloto, os custos operacionais não foram coletados item a item. Adotou-se uma estimativa de custo equivalente a 70% da receita, compatível com o intervalo de margem líquida referenciado pelo Sebrae para empresas de serviços, aplicada igualmente em T0 e T1. Essa escolha tem uma consequência algébrica que convém deixar explícita: se o custo é uma fração constante da receita nos dois momentos, o valor adicionado bruto é a receita multiplicada por uma constante, e a variação percentual da produtividade passa a ser exatamente igual à variação percentual da receita por trabalhador. O valor absoluto da produtividade depende da fração adotada, mas a variação percentual, que é o que o indicador mede, não depende dela. O indicador de produtividade da fase piloto deve, portanto, ser lido como variação da receita declarada por trabalhador declarado, e é sobre essa leitura que sua robustez é discutida na seção 4.

O crescimento das vendas online é definido pelo item 8.15 como a razão entre a variação das vendas online e a variação das vendas totais entre os dois momentos, multiplicada por cem: subtrai-se das vendas online em T1 as vendas online em T0, divide-se pela diferença entre as vendas totais em T1 e em T0, e multiplica-se por cem. Os valores de T0 referem-se aos últimos trinta dias contados do início da implementação e os de T1 aos últimos trinta dias contados do fim. A meta foi de crescimento de 15%. A fórmula tem duas propriedades que condicionam a leitura dos resultados e são retomadas na seção 4: produz resultado indefinido quando as vendas totais não variam, e produz resultado positivo tanto quando ambas as vendas crescem quanto quando ambas caem e o canal online cai proporcionalmente menos.

Além dos três indicadores obrigatórios, a proposta comprometeu-se com a redução do tempo médio de fechamento de vendas, medido em dias entre o primeiro contato e a conclusão da venda, com meta de redução de 25%, e com um conjunto de indicadores adicionais de processo: taxa de follow-up eficaz, taxa de recuperação de leads perdidos, disposição para adoção de novas tecnologias e entendimento sobre acesso a recursos de inovação, os quatro apurados por autodeclaração em T0 e T1.

3.2 Coleta dos dados declarados Os indicadores obrigatórios e os adicionais de autodeclaração foram coletados por formulário preenchido pela empresa nos dois momentos, com comprovação em arquivo. O diagnóstico de maturidade digital foi a exceção: por exigir aplicação por agente externo, seguiu fluxo próprio, conduzido pelo Sebrae-BA. Das 60 empresas do programa, 93% responderam ao formulário em T0 e 37 responderam em T1, o que corresponde a 62%. Entre as 23 sem T1, quatro declararam explicitamente que não preencheriam e dezenove não retornaram, em período que coincidiu com datas de alta demanda comercial. Entre os respondentes de T1, a cobertura dos campos individuais foi de 88% ou mais para a maioria dos indicadores; a exceção foi a maturidade digital, cujo rediagnóstico alcançou 38% dos respondentes.

A base de cada indicador é, por isso, distinta, e é declarada junto ao resultado na seção 4. Todo indicador comparativo exige valor válido nos dois momentos; a empresa sem um deles é excluída daquele indicador, e não da apuração como um todo. Casos de inconsistência evidente foram identificados e isolados: uma empresa com receita de R$ 239 em T0 e R$ 103.000 em T1, salto sem explicação plausível; uma empresa com receita nula em T1, indicando inatividade alheia ao programa; um caso de índice de produtividade quatro vezes acima do percentil 99 do grupo, provável erro de unidade; e 21 empresas que, no campo de vendas online, registraram valor absoluto em reais em vez de proporção, o que exigiu tratamento antes do cálculo. Duas empresas informaram vendas totais idênticas em T0 e T1, tornando indefinida a fórmula de vendas online, e foram excluídas desse indicador.

Três fragilidades dessa coleta são reconhecidas para todos os indicadores declarados, e não apenas para a maturidade digital. A primeira é a própria autodeclaração: receita, custo, número de trabalhadores e vendas por canal foram informados pela empresa, por microempresários sob forte pressão operacional, sem verificação documental. A segunda é a assimetria de cobertura entre T0 e T1, que faz com que a base de cada indicador seja um subconjunto das participantes, e não o universo. A terceira é a heterogeneidade de exposição: as empresas ingressaram no programa de forma escalonada, dez em novembro de 2025, sete em dezembro, sete em janeiro de 2026, três em fevereiro e cinco em março, de modo que o intervalo entre T0 e T1 variou entre as empresas e as médias apresentadas não são ponderadas por tempo de exposição. As empresas com janela insuficiente para coleta de T1 foram excluídas dos indicadores comparativos, o que mitiga, sem eliminar, esse efeito.

3.3 Os indicadores de plataforma e o Score Quipu Paralelamente aos indicadores declarados, a plataforma registra por observação direta um conjunto de indicadores de uso e de qualidade comercial, sem coleta manual e sem ação do usuário. São eles: número de leads contatados pelo canal de mensagens, número de mensagens enviadas e recebidas, taxa de resposta a leads, definida como a proporção de leads que responderam a ao menos uma mensagem sobre o total de leads contatados, cadência de follow-up, definida como o total de mensagens enviadas dividido pelo total de leads contatados, número de reuniões de venda avaliadas, nota média dos vendedores nessas reuniões, número de sessões de treinamento realizadas e sua nota média, número de consultas ao assistente de inteligência artificial e número de eventos de objeção e de menção a concorrentes registrados. Esses indicadores têm cobertura integral sobre a base ativa, são datados e podem ser recuperados empresa a empresa. A base de apuração é de 43 CNPJs com tempo de uso suficiente para gerar análise, organizados em 32 organizações, agrupamento que reflete empresas sob administração unificada.

O Score Quipu é uma pontuação composta que sintetiza amplitude e profundidade de uso a partir desses registros. Sua regra de cálculo é uma soma simples de critérios binários, cada um valendo um ponto quando satisfeito e zero quando não, sem ponderação diferenciada entre critérios. Os critérios são os seguintes. No canal de mensagens, um ponto se a organização contatou ao menos um lead e um ponto adicional se o volume ultrapassou duzentos leads. Em mensagens, um ponto se o total enviado ultrapassou mil. Em reuniões, um ponto se realizou ao menos uma reunião avaliada e um ponto adicional se o número superou vinte. Em treinamento, um ponto se realizou ao menos uma sessão. No assistente de inteligência artificial, um ponto se fez ao menos uma consulta. Em amplitude, um ponto para cada funcionalidade ativa a partir da segunda, limitado a dois pontos, de modo que usar uma única funcionalidade não pontua nessa dimensão. Em qualidade, um ponto se a nota média dos vendedores em reuniões superou 5,0 na escala de zero a dez, e um ponto se a nota média dos treinamentos superou 3,0. O escore da organização é a soma dos pontos obtidos, apresentado na escala de zero a dez, e o escore médio do programa é a média aritmética dos escores individuais. Considera-se uma funcionalidade ativa quando a organização registrou ao menos um evento mensurável nela.

Os níveis de uso derivam diretamente do escore: alto para sete a dez pontos, médio para quatro a seis, em desenvolvimento para um a três, e acesso disponível para zero. A regra permite escore alto por qualidade e profundidade mesmo com volume baixo de leads, o que é intencional: uma organização com dez leads e cinquenta e seis reuniões avaliadas com nota média 8,74 alcança nível alto, enquanto uma com muitos leads e nenhuma outra funcionalidade não alcança. Com a regra explicitada, o escore de qualquer organização é recalculável a partir de onze contagens observáveis na plataforma.

Para a fase de escala, o Score Quipu é proposto como complemento ao diagnóstico formal de maturidade digital, e não como seu substituto. A justificativa é de cobertura e de custo de coleta: o diagnóstico formal exige aplicação por agente externo e alcançou 38% dos respondentes de T1, enquanto o escore é calculado para todas as organizações ativas sem ação de coleta. O diagnóstico permanece como medida de referência; o escore acrescenta acompanhamento contínuo e detecção de regressão de uso.

3.4 Como as notas de inteligência artificial são produzidas As notas atribuídas a reuniões e a sessões de treinamento resultam de um processo em três etapas que convém descrever, porque delas dependem dois indicadores de qualidade. A interação é transcrita automaticamente. Em seguida, a transcrição é avaliada segundo um modelo de reunião configurado pelo gestor da própria empresa, composto por dois instrumentos: scorecards, que registram de forma binária se ações esperadas foram executadas e não geram nota, apenas percentual de cumprimento; e parâmetros de comportamento, dimensões qualitativas como escuta ativa, tratamento de objeções e definição do próximo passo, para cada uma das quais o gestor descreve em texto o que considera conduta positiva e conduta negativa. A inteligência artificial interpreta essas descrições para atribuir a nota de cada parâmetro, e a nota da reunião é a consolidação dos parâmetros. Por fim, a devolutiva é gerada com a nota, a justificativa por parâmetro e os trechos da transcrição que a sustentam.

Três propriedades desse processo importam para a leitura dos resultados. A primeira é que a rubrica é da empresa, não da plataforma: duas empresas com modelos distintos não têm notas comparáveis entre si, e é por isso que a nota média do programa deve ser lida como linha de base interna de cada empresa, não como medida absoluta de desempenho. A segunda é que a plataforma só atribui nota a interações com duração superior a cinco minutos; interações mais curtas são transcritas e analisadas quanto a objeções e concorrentes, mas não entram nas métricas de nota. A terceira é que a transcrição e a devolutiva são retidas e podem ser exportadas, o que permite auditoria posterior de qualquer nota atribuída, inclusive sua invalidação pelo gestor quando a interação não representou uma venda real. Os modelos de linguagem e as instruções internas empregados na avaliação são componentes proprietários da plataforma e não são descritos neste relato; o que é verificável por terceiros é a rubrica configurada, a transcrição e a nota resultante, para cada interação.

Na fase piloto, os modelos de avaliação não foram calibrados por setor antes do primeiro uso, e as notas de treinamento refletem isso, como se discute na seção 4. Essa é a razão pela qual a calibração setorial prévia passou a ser etapa obrigatória do onboarding na fase de escala.

4 RESULTADOS APURADOS NA FASE PILOTO

4.1 Adesão e nível de uso O processo seletivo recebeu 130 inscrições, das quais 60 empresas avançaram para a etapa de configuração técnica, cumprindo a meta de universo estabelecida no edital. Seis empresas foram perdidas após a realização do setup e outras seis após a conclusão do diagnóstico inicial, o que corresponde a uma taxa de mortalidade de 22% sobre o universo configurado. Das organizações com tempo de uso relevante, 27 de 32, ou 84%, iniciaram ao menos um processo comercial novo, registrável e acompanhável. Foram cadastrados 73 vendedores, média de 2,3 por organização.

Pela regra do Score Quipu descrita na seção 3.3, as 32 organizações ativas distribuem-se em oito no nível alto, o que corresponde a 25%, quinze no nível médio, ou 47%, quatro em desenvolvimento, ou 13%, e cinco com cadastro completo e ativação em andamento, ou 16%. Para um piloto de três a quatro meses com empresas em estágio inicial de maturidade digital, a concentração no nível médio indica adoção iniciada com margem clara de aprofundamento, e não adoção falha. O grupo de nível médio, com uma ou duas funcionalidades já ativas e dados suficientes para identificar o passo seguinte, é o de maior potencial de crescimento imediato na fase de escala.

4.2 Indicadores obrigatórios do edital O edital organiza a avaliação do programa em torno de três indicadores centrais, que medem o efeito sobre a empresa beneficiada: aumento de maturidade digital, crescimento de vendas online e ganho de produtividade do trabalho. São eles que definem se a solução cumpriu o que se propôs, e é por eles que os resultados são apresentados a seguir, cada um com sua meta, seu valor apurado, a base de empresas sobre a qual foi calculado e a leitura de robustez que essa base permite.

A meta de universo foi atingida: 60 empresas com setup completo, correspondentes a 43 CNPJs ativos organizados em 32 organizações na plataforma, mais 17 em configuração ao final do período.

A produtividade do trabalho, com meta de aumento de 5%, apresentou variação média de mais 5,1%, calculada sobre 36 empresas com receita, custos e número de trabalhadores válidos nos dois momentos, após a exclusão das empresas sem um dos dois momentos e de duas com inconsistência grave, descritas na seção 3.2. A meta foi alcançada no valor central. É necessário, porém, qualificar esse resultado com precisão. A margem sobre a meta é de um décimo de ponto percentual. A apuração da fase piloto produziu a média, e não a mediana, a dispersão ou um intervalo de confiança, de modo que não é possível afirmar que a diferença entre 5,1% e 5% seja distinguível da variação amostral. Como mostrado na seção 3.1, a estimativa de custo como fração constante da receita faz com que o indicador equivalha à variação da receita declarada por trabalhador declarado; ele herda, portanto, a incerteza de dois campos autodeclarados por microempresários. A leitura correta é a de que a produtividade média da base não caiu e situou-se no patamar da meta, e não a de uma superação estatisticamente estabelecida. A fase de escala incorpora ao protocolo de apuração a mediana, os quartis e a distribuição por empresa deste indicador.

O crescimento das vendas online, com meta de 15%, apresentou média de mais 27,2% sobre 35 empresas com resultado calculável, e 14 delas, ou 40%, atingiram a meta individualmente. Este é o indicador de resultado mais robusto do conjunto, tanto pela margem sobre a meta quanto pela disponibilidade de distribuição. A fórmula do edital, como visto na seção 3.1, produz resultado positivo em dois perfis distintos. No primeiro, vendas online e totais crescem: das seis empresas nesse perfil, cinco atingiram a meta, com média de mais 161,3%, e o caso mais expressivo somou R$ 262.939 em vendas online contra R$ 42.287 em vendas totais, indicando migração de canal presencial para digital. No segundo perfil, ambas as vendas caem e o canal online recua proporcionalmente menos: das dezessete empresas nesse perfil, nove atingiram a meta, com média de mais 40,3% e mediana de mais 18,9%, resultado que evidencia resiliência do canal digital em período de queda de faturamento. Considerados em conjunto os perfis de denominador positivo ou de queda proporcional consistente, 23 empresas, a média é de mais 71,9% e a mediana de mais 32,3%, com 14 das 23 atingindo a meta.

Onze empresas ampliaram as vendas online em valor absoluto, mas sofreram queda simultânea no faturamento total, e a fórmula do edital, com numerador positivo e denominador negativo, lhes atribui resultado negativo. Entre elas há acréscimos de R$ 159.000, R$ 142.596 e R$ 82.135 em vendas online. Essas empresas não são contabilizadas como tendo atingido a meta, e o percentual consolidado de 40% deve ser lido com essa ressalva: o avanço efetivo de digitalização do universo é mais amplo do que ele expressa isoladamente. Uma empresa cresceu em faturamento total com redução do canal digital, e duas informaram vendas totais idênticas nos dois momentos, tornando o cálculo indefinido.

O aumento de maturidade digital, com meta de 20%, apresentou média de mais 8,84% sobre 29 empresas com valores válidos nos dois momentos, e a meta não foi alcançada. Sete empresas, ou 24,1% da base, atingiram ou superaram os 20%, com variações entre mais 24,6% e mais 69,5%. A mediana da base foi de mais 1,2%, e a distância entre mediana e média descreve a distribuição: um grupo de alto desempenho puxa a média, enquanto dois padrões a achatam. O primeiro é o de oito empresas cujo valor de T1 é idêntico ao de T0, padrão que pode indicar tanto estabilidade real quanto replicação do dado anterior sem reavaliação. O segundo é o de cinco empresas com variação negativa, duas delas com recuos superiores a 18%, possivelmente associadas a mudanças operacionais ou rotatividade de equipe no período. A causa estrutural do resultado é anterior a esses padrões e está na cobertura do instrumento: o rediagnóstico por agente externo alcançou 38% dos respondentes de T1, a menor cobertura de todos os indicadores, e a base de 29 empresas é a menor entre os três obrigatórios.

Os indicadores de plataforma acrescentam a esse número uma evidência de outra natureza, registrada sem depender de declaração. O relatório do programa os classifica como indicadores proxy de maturidade digital, por captarem a adoção de práticas digitais que não existiam antes: 21 das 32 organizações ativas, ou 66%, passaram a operar canal de WhatsApp Business corporativo em substituição ao uso pessoal; 12, ou 38%, realizaram videochamadas de venda estruturadas, canal inexistente antes do programa; 11, ou 34%, iniciaram treinamento de equipe com inteligência artificial; e 27, ou 84%, documentaram objeções e concorrentes de forma sistemática pela primeira vez. Esses registros não substituem o diagnóstico formal, que permanece a medida de referência do edital, mas descrevem com cobertura integral o que o diagnóstico só alcançou em parte.

A redução do tempo médio de fechamento, indicador adicional com meta de 25%, apresentou variação mediana de menos 2,6% sobre 35 empresas com os dois momentos, e apenas quatro atingiram a meta. O tempo mediano de fechamento em T0 foi de 0,33 dia, aproximadamente oito horas, e em T1 de um dia. A explicação é estrutural: o perfil predominante do universo, varejo e serviços de baixo valor unitário, opera com ciclo de venda já próximo do mínimo possível, e uma meta de redução de 25% sobre esse ciclo é de difícil aplicação a esse perfil, fazendo sentido para negócios de venda consultiva longa, minoria no programa. Há ainda a hipótese de que a variação levemente negativa reflita efeito indireto positivo: empresas que passaram a qualificar leads adicionam etapas ao processo, alongando marginalmente o ciclo em troca de menor desperdício de esforço.

Os dois indicadores que não alcançaram a meta apontam na mesma direção e oferecem aprendizado aplicável ao desenho de programas semelhantes: parâmetros calibrados para um perfil de empresa exigem verificação ao serem aplicados a outro, e a leitura de cada indicador ganha precisão quando acompanhada da característica do universo a que se refere.

4.3 Indicadores de plataforma Os indicadores calculados diretamente pelo sistema têm cobertura integral sobre a base ativa de 32 organizações e não dependem de preenchimento. Ao longo da fase piloto foram registrados 7.537 leads, média de 359 por organização ativa no canal, e 199.758 mensagens documentadas, das quais aproximadamente 83 mil enviadas pelas equipes de venda e 117 mil recebidas dos clientes, razão de 1,40 mensagem recebida por enviada. A taxa média de resposta a leads foi de 82,3%, calculada sobre as 21 organizações com leads ativos no canal. A cadência de follow-up foi de 9,7 mensagens enviadas por lead, com 12,8 recebidas por lead. Foram realizadas 494 reuniões de venda avaliadas por inteligência artificial, por 12 organizações, ou 38% da base, com nota média dos vendedores de 5,92 na escala de zero a dez. Foram registrados 244 eventos de objeção por 27 organizações, ou 84%, e 47 eventos de menção a concorrentes por 23 organizações, ou 72%. O Score Quipu médio foi de 5,5 entre as organizações com ao menos um lead registrado e de 4,3 considerando as 32.

A adoção não foi uniforme entre as funcionalidades, e o gradiente é informativo: quanto maior a mudança de rotina exigida por um módulo, menor a taxa de ativação. O cadastro de objeções, que exige apenas configuração, chegou a 84%; o canal de WhatsApp, que exige conectar o número corporativo, a 66%; os módulos que exigem alterar a rotina comercial, reuniões avaliadas e treinamento, ficaram em 38% e 34%. Foi essa leitura que orientou a sequência do onboarding guiado desenhado para a fase seguinte.

A taxa de resposta de 82,3% e a cadência de 9,7 mensagens por lead não são apresentadas em comparação com referência de mercado, e essa ausência é deliberada: não foi identificada fonte primária de referência para o perfil específico de microempresa brasileira em canal de mensagem, o que é consistente com a lacuna de informação descrita na seção 1. O valor desses indicadores está em constituir linha de base medida para um segmento que ainda não dispunha de uma. Pela mesma razão, a nota média de 5,92 em reuniões deve ser lida como linha de base interna, e não como medida absoluta: como descrito na seção 3.4, a rubrica de avaliação é configurada por cada empresa.

Os 244 eventos de objeção registrados por 27 organizações constituem a primeira documentação sistemática de barreiras de venda por setor construída a partir de interações comerciais reais nesse universo. As categorias incluem objeções genéricas, como preço, registrada por 22 das 32 organizações, e objeções setorialmente específicas, como ruptura de estoque no varejo farmacêutico e prazo de instalação em serviços técnicos, que nenhum levantamento genérico produziria com essa granularidade e que passaram a orientar a calibração dos modelos de treinamento.

A base ativa contém casos que demonstram o teto de desempenho alcançável pelo perfil. Uma consultoria fiscal converteu 10 leads em 56 reuniões de venda, com nota média de vendedor de 8,74, o processo comercial mais qualificado do programa. Uma empresa de experiência do cliente atingiu nota média de 9,17 em reuniões avaliadas, a mais alta registrada, em apenas 22 dias de uso ativo. Um varejista de utilidades registrou taxa de resposta de 99,77% sobre 436 leads. Uma agência de marketing acumulou 14.357 mensagens enviadas e 30.195 recebidas, com cadência de 38,1 mensagens por lead. Um hospital odontológico documentou 125 eventos de objeção distribuídos em 9 categorias. Uma farmácia do interior registrou 579 leads com 95,2% de taxa de resposta. Esses casos não são representativos da média e não são apresentados como tal: mostram que o teto de uso do perfil é alto quando a barreira de configuração é vencida.

4.4 Indicadores adicionais e perfil setorial Entre os indicadores adicionais declarados, a taxa de follow-up eficaz passou de 36,4% para 40,0% entre os dois momentos, com variação média de mais 47,2% sobre 36 empresas; treze delas alcançaram crescimento igual ou superior a 30%. A taxa de recuperação de leads perdidos alcançou média de 13,5% e mediana de 11,1%, ante meta de 15%, com treze das 36 empresas, ou 36%, atingindo ou superando a meta individualmente. No indicador de disposição para adoção de novas tecnologias, o escore médio manteve-se praticamente estável, de 6,17 para 6,14, e 83% das empresas mantiveram ou aumentaram o escore, superando a meta de 80%. No indicador de entendimento sobre acesso a recursos de inovação, o índice médio passou de 2,84 para 3,05 e 95% das empresas mantiveram ou aumentaram o índice, o resultado de maior amplitude positiva de todo o conjunto, coerente com um universo que raramente teve contato prévio com o ecossistema institucional de fomento.

A segmentação setorial das 32 organizações revelou padrões de adoção com valor direto para o planejamento da expansão. O varejo geral, com 11 organizações, registrou 2.631 leads, escore médio 4,5, 77 reuniões avaliadas e taxa média de resposta de 80,4%. O setor de saúde e farmácia, com 6 organizações, registrou 2.550 leads, o maior volume por organização, escore médio 4,7 e a maior taxa média de resposta do programa, 87,7%. O setor de serviços e consultoria, com 10 organizações, registrou 1.261 leads, escore médio 4,6 e 414 das 494 reuniões avaliadas, ou 84% do total, confirmando a aderência natural do módulo de reuniões a negócios de venda consultiva, com taxa média de resposta de 86,3%. O varejo de moda, com 4 organizações, registrou 1.095 leads, escore médio 3,8 e taxa média de resposta de 75,8%, além do caso de maior produtividade individual do programa, com uma única vendedora responsável por 716 leads. A taxa média de resposta manteve-se, portanto, acima de 75% em todos os setores. A leitura conjunta orienta a priorização da captação na fase de escala: os setores com evidência de aderência rápida, e não os de maior tamanho de mercado, são os alvos iniciais.

5 APRENDIZADOS E AJUSTES PARA A FASE DE ESCALA A fase piloto produziu quatro aprendizados, cada um com resposta desenhada para a fase seguinte. Registrá-los junto ao ajuste correspondente é o que distingue um piloto de uma demonstração: o valor do piloto está menos no resultado alcançado do que na informação que ele produz sobre o que precisa mudar.

O primeiro aprendizado é que a sobrecarga operacional do microempresário é o principal obstáculo de adoção. Uma configuração inicial longa, sem retorno imediato visível, perde para as urgências do negócio antes de gerar valor. A resposta desenhada para a fase de escala são pacotes de configuração mínima pré-definidos por setor, com objeções frequentes, concorrentes sugeridos e critérios de avaliação já carregados na plataforma, de modo que o usuário chegue à primeira tela com o contexto do seu negócio e não com uma página vazia. O tempo de configuração inicial cai de 45 para menos de 15 minutos.

O segundo aprendizado é que a flexibilidade do produto é vantagem e barreira ao mesmo tempo. Enquanto a configuração não está concluída, a plataforma opera sem contexto e o usuário não percebe valor, o que torna o abandono na fase de configuração o principal ponto de perda. A resposta é um onboarding guiado obrigatório, que conduz o usuário pelos três primeiros passos, conexão do canal de mensagens corporativo, seleção ou personalização do pacote setorial de objeções e primeiro treinamento assistido, antes de liberar o acesso livre às demais funcionalidades. O primeiro dia de uso bem-sucedido é o principal preditor de retenção.

O terceiro aprendizado é que letramento digital não pode ser pressuposto para esse perfil de empresa. Conceitos como funil, pipeline e avaliação automatizada de conduta comercial não são dados para o microempresário do comércio, e a plataforma não pode partir do princípio de que são. A resposta é uma biblioteca de materiais didáticos em vídeo e texto, organizada por funcionalidade e por setor, acessível dentro da própria plataforma no momento em que a dúvida surge.

O quarto aprendizado é que os modelos de avaliação por inteligência artificial precisam de calibração setorial antes do primeiro uso. A nota média de 3,38 nos treinamentos da fase piloto reflete a ausência dessa calibração, e não o desempenho real dos vendedores: critérios de venda consultiva aplicados a um farmacêutico penalizam uma resposta tecnicamente correta para o seu setor. A resposta é tornar a configuração dos modelos de avaliação por setor uma etapa obrigatória, realizada antes do primeiro treinamento de qualquer empresa na fase de escala.

O denominador comum dos quatro aprendizados é o tempo do microempresário. A barreira principal identificada não está no uso da plataforma, e sim na configuração inicial: empresas que completam os primeiros passos tendem a seguir usando, mas chegar até eles sem apoio exige um investimento de tempo de que esse perfil não dispõe de forma autônoma. Todos os ajustes desenhados atacam esse ponto, reduzindo o que o usuário precisa decidir antes de ver valor.

6 ROBUSTEZ DA EVIDÊNCIA

Os resultados apresentados apoiam-se em duas fontes de natureza distinta, e essa combinação é o que dá solidez ao conjunto. Os indicadores obrigatórios seguem fórmulas fechadas definidas no edital e foram apurados empresa a empresa, com a base de cálculo de cada um explicitada e com os casos de inconsistência de preenchimento identificados e isolados das médias. Os indicadores de plataforma, por sua vez, não dependem de declaração: são observações diretas do sistema, com cobertura integral sobre a base ativa, datadas e auditáveis empresa a empresa. É raro que um programa dirigido a microempresas disponha de um registro dessa granularidade, e é isso que permite afirmar com segurança o que foi medido.

O desenho da fase piloto é de estabelecimento de linha de base, e o relato não reivindica estimativa de efeito causal, uma vez que não houve grupo de controle. A fase de escala, com universo ampliado e ciclos semestrais de acompanhamento, permitirá comparação entre coortes de entrada e inferência mais forte. Do mesmo modo, a janela de três a quatro meses mede adoção com precisão, e a retenção de longo prazo passa a ser observável no horizonte ampliado da escala, agora com painel em tempo real e alertas de queda de atividade que permitem intervenção antes da consolidação do abandono.

7 RECONHECIMENTO E EXPANSÃO NACIONAL

O valor e a magnitude do arranjo institucional foram nacionalmente chancelados quando a proposta conquistou o 1º lugar nacional na Categoria Capacitação e Desenvolvimento de RH do Concurso nº 001/2024 E-commerce.BR (ABDI/MDIC). A conquista representa o maior aporte e a principal premiação já concedida para o incentivo à inovação e ao e-commerce no comércio brasileiro em sua categoria, garantindo R$ 380.000,00 para a execução da etapa piloto e um prêmio adicional de R$ 500.000,00 para a etapa de expansão, totalizando R$ 880.000,00 em fomento não reembolsável. Esse reconhecimento inédito posicionou a Fecomércio-BA como a única federação empresarial do país a alcançar o topo da premiação, evidenciando a viabilidade de atrair recursos federais de grande porte para viabilizar a transformação digital da microempresa.

Esse feito valida um modelo de desenvolvimento de negócios autossustentável para as entidades do Sistema Comércio: o fomento público federal custeia integralmente a tecnologia de inteligência artificial de ponta oferecida ao microempresário (com custo zero de adesão) e cobre os honorários de gestão e operacionalização das entidades envolvidas, sem demandar aportes orçamentários diretos da Federação.

A expansão amplia o universo de 60 microempresas baianas para 130 empresas em âmbito nacional, contemplando estados fora do eixo Sul-Sudeste, como Mato Grosso do Sul, Pernambuco, Rio Grande do Norte e Amazonas. A replicabilidade do método apoia-se no fato de que a infraestrutura de mobilização e suporte — ancorada na presença capilar das Federações do Sistema Comércio e do Sebrae em todos os estados — já está instalada, reduzindo o desafio de replicação nacional à integração tecnológica e à calibração setorial dos modelos de IA.

8 CONSIDERAÇÕES FINAIS

O programa colocou inteligência artificial aplicada ao processo comercial dentro de microempresas do comércio e de serviços da Bahia, sem exigir troca de canal de venda, sem exigir letramento técnico prévio e com o custo da implantação integralmente coberto pelo edital, sem desembolso do empresário participante. Ao final da fase piloto, 84% das organizações ativas haviam iniciado ao menos um processo comercial novo, registrável e acompanhável, e para essa mesma proporção a documentação sistemática do processo comercial passou a existir pela primeira vez. Um quarto das organizações já operava em nível alto de uso, com múltiplas funcionalidades ativas e qualidade mensurável de interação.

Nos três indicadores centrais do edital, os resultados sustentam essa avaliação. A produtividade do trabalho cresceu 5,1%, acima da meta de 5%. As vendas online cresceram 27,2% em média, quase o dobro da meta de 15%. A maturidade digital avançou 8,84% pelo diagnóstico formal, abaixo da meta de 20%, e a leitura desse número ganha precisão quando somada ao que a plataforma registrou por observação direta: dois terços das organizações ativas passaram a operar canal digital estruturado de vendas e 84% documentaram o processo comercial de forma sistemática pela primeira vez, práticas que não existiam antes do programa.

Sustentam esses indicadores 7.537 leads e quase 200 mil mensagens comerciais que antes não existiam como dado, 494 reuniões de venda avaliadas por inteligência artificial e 244 eventos de objeção documentados, que formam o primeiro mapa sistemático de barreiras comerciais por setor construído a partir de interações reais nesse universo. A taxa média de resposta a leads ficou em 82,3%, com pisos superiores a 75% em todos os setores atendidos. Onde as metas não foram alcançadas, o programa identificou a causa, documentou-a e desenhou a correção, que já está incorporada à fase seguinte.

O que torna este caso relevante para além de seus próprios números é a demonstração de que o método é totalmente replicável e oferece um caminho concreto para a inovação no comércio de bens e serviços. Ao atuar como indutora de recursos externos de fomento (ABDI/MDIC) em articulação com uma startup de tecnologia (Cubos/Quipu) e um parceiro de capilaridade territorial (Sebrae), a Fecomércio-BA validou um arranjo capaz de vencer as barreiras históricas que impedem a chegada de soluções avançadas de Inteligência Artificial à base do setor produtivo. Como o Sistema Fecomércio e o Sebrae possuem presença consolidada em todas as unidades da federação, o Projeto Venda Certa - Quipu prova que as entidades sindicais podem transitar de um papel tradicional de representação para o de hubs ativos de inovação e novos negócios, gerando valor real e mensurável para o empresariado de forma autossustentável.

Os resultados alcançados por este projeto piloto reforçam os argumentos da literatura sobre a urgência de reorientar e descentralizar as diretrizes das políticas públicas de apoio à inovação (MAZZUCATO, 2014; PACHECO; CORDER; OLIVEIRA, 2017). Embora as Fundações de Amparo à Pesquisa (FAPs) subnacionais — a exemplo de FAPESB, FAPESP e FACEPE — tenham desempenhado um papel histórico fundamental na consolidação da infraestrutura científica e industrial dos estados, observa-se uma lacuna persistente na formulação de instrumentos de subvenção especificamente voltados ao setor de comércio e serviços. Diante da relevância do setor para a absorção de mão de obra e para a difusão tecnológica capilar na economia real, defende-se que as agências regionais de fomento incorporem programas permanentes de inovação aberta e modernização empresarial direcionados ao pequeno varejo, mitigando o fosso histórico entre a produção científica acadêmica e a base produtiva de serviços.

A tecnologia empregada é conhecida e está disponível há anos. O que faltava, para esse público, era um arranjo capaz de levá-la até ele e um desenho de mensuração capaz de comprovar o que aconteceu quando ela chegou. É isso que este caso entrega, e é sobre essa base que a expansão nacional se apoia.

REFERÊNCIAS

AGÊNCIA BRASILEIRA DE DESENVOLVIMENTO INDUSTRIAL (ABDI). Edital de Concurso nº 001/2024: Programa Digital.BR / E-commerce.BR. Processo nº CO-CT/003237/2024. Brasília: ABDI, 2024.

BRASIL. Comissão de Valores Mobiliários. Deliberação CVM nº 557, de 12 de novembro de 2008. Aprova o Pronunciamento Técnico CPC 09 do Comitê de Pronunciamentos Contábeis, que trata da Demonstração do Valor Adicionado. Rio de Janeiro: CVM, 2008.

BUAINAIN, A. M. et al. Avaliação de impactos de programas de incentivo à inovação tecnológica: conceitos e métodos. Revista Brasileira de Inovação, v. 17, n. 2, p. 341-370, 2018.

CARAYANNIS, Elias G.; CAMPBELL, David F. J. "Mode 3" and "Quadruple Helix": toward a 21st century fractal innovation ecosystem. International Journal of Technology Management, v. 46, n. 3/4, p. 201-234, 2009.

CASSIOLATO, J. E.; LASTRES, H. M. M. Sistemas de inovação e desenvolvimento: as implicações de política. São Paulo em Perspectiva, v. 19, n. 1, p. 34-45, 2005.

COMITÊ GESTOR DA INTERNET NO BRASIL (CGI.br). Pesquisa sobre o uso das tecnologias de informação e comunicação entre as empresas brasileiras: TIC Empresas 2023. São Paulo: Núcleo de Informação e Coordenação do Ponto BR, 2024.

ETZKOWITZ, Henry; LEYDESDORFF, Loet. The dynamics of innovation: from national systems and "mode 2" to a triple helix of university-industry-government relations. Research Policy, v. 29, n. 2, p. 109-123, 2000.

ETZKOWITZ, Henry; ZHOU, Chunyan. Hélice Tríplice: inovação e empreendedorismo universidade-indústria-governo. Estudos Avançados, v. 31, n. 90, p. 23-48, 2017. DOI: 10.1590/s0103-40142017.3190003.

FERNANDES, A. S. A.; SAMPAIO, R. M. Sistema Regional de Inovação da Bahia: entraves institucionais e fragilidades de governança na relação universidade-empresa. Revista Brasileira de Gestão e Desenvolvimento Regional, v. 14, n. 2, p. 112-135, 2018.

INSTITUTO BRASILEIRO DE GEOGRAFIA E ESTATÍSTICA (IBGE). Estatísticas do Cadastro Central de Empresas 2024. Rio de Janeiro: IBGE, 2026a. 74 p. (Coleção Ibgeana). ISBN 978-85-240-4714-5.

INSTITUTO BRASILEIRO DE GEOGRAFIA E ESTATÍSTICA (IBGE). Pesquisa de inovação: 2017. Rio de Janeiro: IBGE, 2020. 55 p. (Coleção Ibgeana). ISBN 978-85-240-4528-8.

INSTITUTO BRASILEIRO DE GEOGRAFIA E ESTATÍSTICA (IBGE). Pesquisa de Inovação Semestral. Rio de Janeiro: IBGE, 2026b. Estatísticas experimentais. Disponível em: https://www.ibge.gov.br/estatisticas/multidominio/ciencia-tecnologia-e-inovacao/35867-pesquisa-de-inovacao-semestral.html. Acesso em: 16 set. 2026.

MAZZUCATO, M. O Estado empreendedor: desmascarando o mito do setor público vs. setor privado. São Paulo: Portfolio-Penguin, 2014.

PACHECO, C. A.; CORDER, S.; OLIVEIRA, M. G. A trajetória das políticas de incentivo à inovação no Brasil. Texto para Discussão IPEA, n. 2315, 2017.

SUPERINTENDÊNCIA DE ESTUDOS ECONÔMICOS E SOCIAIS DA BAHIA (SEI). Perfil dos Setores Econômicos da Bahia: Comércio e Serviços. Salvador: SEI, 2023. Disponível em: https://www.sei.ba.gov.br. Acesso em: 16 set. 2026.

TAFTIE. The Association of European Innovation Agencies: Task Force on Benchmarking and Additionality in Innovation Policy. Brussels: TAFTIE, 2020.