TCC Final - USPEsalq

Prévia do material em texto

Trabalho de Conclusão de Curso apresentado para obtenção do título de especialista em Gestão de Negócios Digitais e IA – 2026 
Sofisticação tecnológica empresarial: capacidades organizacionais além da longevidade
nome completo aluno¹*; nome completo orientador2
1* Titulação. Nome da Empresa ou Instituição (opcional). E-mail autor correspondente: nome@email.com
2 Titulação. Nome da Empresa ou Instituição (opcional). E-mail: nome@email.com
Sofisticação tecnológica empresarial: capacidades organizacionais além da longevidade
Resumo
A transformação digital ampliou a necessidade de compreender quais condições empresariais favoreceram a incorporação de tecnologias aos processos e à gestão, sobretudo em organizações com diferentes trajetórias de existência. Este estudo teve como objetivo analisar a relação entre longevidade organizacional e sofisticação tecnológica, considerando características estruturais, gerenciais, de capital humano e barreiras à adoção de tecnologias. A pesquisa utilizou dados secundários da Firm Adoption of Technology Survey Brasil 2019–2021, composta por 1.531 estabelecimentos. Construiu-se um índice de sofisticação tecnológica, em escala de 1 a 5, a partir de sete funções empresariais, e classificaram-se as organizações em cinco faixas de longevidade. Aplicaram-se estatísticas descritivas ponderadas, testes de associação, regressões lineares múltiplas progressivas e regressões logísticas. Os resultados não evidenciaram associação estatisticamente significativa entre longevidade e sofisticação tecnológica, inclusive nos modelos ajustados. Em contrapartida, a formação superior do gestor e a maior intensidade de utilização de indicadores de desempenho apresentaram associações positivas com o nível tecnológico. O custo elevado ou a incerteza quanto ao benefício econômico constituiu a barreira mais frequente, sem diferenciação robusta entre as faixas de longevidade. Concluiu-se que o tempo de existência, isoladamente, não definiu o nível tecnológico das empresas, enquanto atributos relacionados à gestão e ao capital humano se mostraram mais relevantes para compreender as diferenças observadas.
Palavras-chave: adoção digital; capital humano; gestão de desempenho; transformação digital; barreiras à inovação.
Introdução
A transformação digital modificou a forma como as empresas estruturam processos, utilizam informações e desenvolvem modelos de negócio, tornando a tecnologia parte das decisões estratégicas e operacionais. Iansiti e Lakhani (2020) argumentam que organizações orientadas por dados alteram suas possibilidades de escala, aprendizagem e geração de valor. 
Essa dinâmica permanece em expansão, pois o relatório Tech Trends 2025, da Deloitte (2024), aponta crescente integração entre tecnologias emergentes e sistemas empresariais centrais, reforçando a necessidade de compreender a digitalização como transformação do negócio, e não apenas como aquisição de ferramentas. 
Entretanto, a incorporação de tecnologias não depende exclusivamente de infraestrutura. Kane et al. (2019) destacam que a transformação digital envolve mudanças na organização do trabalho, nas competências e nos processos de gestão, enquanto Sagala e Őri (2024) identificam educação, aprendizagem contínua e alinhamento estratégico entre os fatores associados ao avanço da digitalização empresarial. Dessa forma, a capacidade de transformar investimentos tecnológicos em práticas efetivamente utilizadas depende da articulação entre recursos digitais e condições organizacionais capazes de incorporá-los às atividades empresariais. 
Essa articulação ocorre de forma heterogênea entre empresas e também entre diferentes atividades de uma mesma organização. Cirillo et al. (2023) observaram que a adoção de tecnologias digitais varia segundo competências, organização do trabalho e características das firmas, evidenciando complementaridade entre conhecimento e tecnologia. De modo semelhante, Nucci et al. (2023) demonstraram que porte, setor e características organizacionais estão relacionados a diferentes padrões de digitalização.
Entre as características que podem diferenciar esse processo encontra-se a longevidade organizacional. Empresas estabelecidas acumulam experiências, estruturas e recursos, mas também podem possuir rotinas consolidadas ao longo do tempo. A literatura, contudo, não sustenta uma associação única entre idade e digitalização, por exemplo, Nucci et al. (2023) encontraram maior retorno da adoção digital em empresas mais antigas, enquanto McElheran et al. (2024), ao examinarem tecnologias de inteligência artificial, identificaram padrões associados tanto ao porte quanto às características de empresas jovens e seus dirigentes. Portanto, longevidade não deve ser previamente interpretada como atraso tecnológico. 
Além da trajetória organizacional, características relacionadas às pessoas e às capacidades internas podem participar da adoção tecnológica. Cirillo et al. (2023) identificaram associações positivas entre educação, treinamento e incorporação de novas tecnologias. No contexto brasileiro, Urraca-Ruiz et al. (2024) verificaram que conhecimento interno, capacitação, percepção tecnológica e características estruturais estiveram relacionados às expectativas de adoção digital de empresas industriais. Sob a perspectiva de negócios digitais, essas evidências indicam que a disponibilidade tecnológica precisa ser acompanhada por competências gerenciais e organizacionais capazes de orientar sua seleção e utilização. 
A transformação digital também pode ser limitada por obstáculos econômicos, informacionais e relacionados às competências disponíveis. Sagala e Őri (2024) ressaltam que limitações financeiras, conhecimento e preparação organizacional condicionam o avanço digital, sobretudo em empresas com menor capacidade de investimento. Ao mesmo tempo, a heterogeneidade identificada por Cirillo et al. (2023) demonstra que a adoção tecnológica resulta da combinação entre investimento, qualificação e organização do trabalho. Consequentemente, compreender as barreiras enfrentadas pelas empresas pode complementar a análise da longevidade ao revelar condições específicas que favorecem ou restringem a incorporação de tecnologias.
Diante dessas evidências, permanece relevante compreender se empresas com diferentes trajetórias de existência apresentam níveis distintos de sofisticação tecnológica e, principalmente, quais características acompanham essas diferenças. No Brasil, Urraca-Ruiz et al. (2024) reforçam a importância das capacidades internas na adoção digital, enquanto as evidências internacionais mostram que idade, porte, qualificação e organização podem apresentar relações distintas conforme o contexto empresarial. 
Nesse sentido, estabelece-se o seguinte problema de pesquisa: como a longevidade organizacional e as características das empresas se relacionam com sua sofisticação tecnológica e com as barreiras à adoção de tecnologias? 
Assim, o objetivo geral deste estudo foi analisar a relação entre longevidade organizacional e sofisticação tecnológica, considerando características estruturais, gerenciais, de capital humano e barreiras relacionadas à adoção de tecnologias. 
Metodologia 
A pesquisa foi conduzida sob abordagem quantitativa, com finalidade descritiva e associativa, pois examinou relações entre características empresariais e sofisticação tecnológica sem estabelecer relações causais. O delineamento quantitativo mostrou-se adequado à utilização de variáveis observáveis e à comparação de padrões entre grupos de empresas, preservando a correspondência entre problema, objetivos e procedimentos analíticos, conforme recomendado por Creswell e Creswell (2023).
Foram utilizados dados secundários da Firm Adoption of Technology Survey [FAT] Brasil 2019–2021, produzida pelo Banco Mundial (World Bank Group [WBG], 2026). A utilização de uma base estruturada possibilitou analisar características organizacionais, gerenciais, humanas e tecnológicas de estabelecimentos empresariais sem realizarnova coleta primária. O emprego de dados secundários foi compatível com o delineamento quantitativo adotado, uma vez que esses dados permitiram responder ao problema mediante procedimentos estatísticos definidos previamente (Gil, 2019).
A base original reuniu 1.531 estabelecimentos e 819 variáveis, contemplando informações sobre estrutura empresarial, perfil dos gestores e trabalhadores, práticas gerenciais, tecnologias utilizadas e obstáculos à adoção tecnológica. A FAT utilizou desenho amostral estratificado e forneceu pesos amostrais para compensar diferentes probabilidades de seleção e padrões de não resposta, razão pela qual as estimativas principais foram ponderadas, conforme recomendado para levantamentos amostrais complexos por Heeringa, West e Berglund (2017).
A unidade de análise correspondeu ao estabelecimento empresarial. A quantidade de observações variou conforme a disponibilidade das informações necessárias em cada procedimento, sem imputação de valores ausentes. Essa decisão preservou as respostas efetivamente observadas e evitou introduzir informações artificiais na construção dos indicadores e modelos estatísticos.
Tabela 1. Fluxo de tratamento e composição das amostras analíticas
	Etapa
	Critério aplicado
	n
	Base original
	Registros disponíveis
	1.531
	Longevidade válida
	Ano de início das operações disponível
	1.530
	Índice tecnológico
	Mínimo de quatro funções válidas
	1.328
	Modelo multivariado
	Informações completas das variáveis utilizadas
	1.011
	Barreiras
	Respostas válidas aos obstáculos
	≈ 1.260*
Fonte: Dados original da pesquisa 
Nota: o número de observações variou conforme a barreira analisada
Tratamento dos dados e operacionalização das variáveis
Inicialmente, foram examinadas a consistência das respostas, a ocorrência de dados ausentes e as categorias utilizadas no questionário original. Códigos referentes a não resposta, desconhecimento ou condição não aplicável foram diferenciados das respostas substantivas antes das transformações. Em seguida, foram construídas as variáveis de longevidade, sofisticação tecnológica, características estruturais, capital humano, práticas gerenciais e barreiras.
A longevidade foi obtida pela diferença entre o ano de referência da pesquisa e o ano de início das operações. A idade foi preservada como variável contínua para os modelos estatísticos e, adicionalmente, agrupada em cinco categorias para facilitar a interpretação descritiva. O uso conjunto das formas contínua e categórica permitiu evitar a perda de informação nos modelos e, simultaneamente, representar diferenças entre estágios de longevidade nas comparações gráficas e tabulares (Gelman; Hill; Vehtari, 2020).
Tabela 2. Operacionalização da longevidade
	Categoria
	Idade
	Jovem
	0–9 anos
	Em consolidação
	10–19 anos
	Madura
	20–29 anos
	Tradicional
	30–49 anos
	Longeva
	50 anos ou mais
	Idade contínua
	Número de anos de existência
Fonte: Dados original da pesquisa
A sofisticação tecnológica constituiu a variável dependente principal. Sua mensuração seguiu a abordagem da própria FAT, que ordenou tecnologias segundo o grau de sofisticação utilizado nas diferentes funções empresariais. Foram considerados os métodos predominantemente utilizados, correspondentes à margem intensiva denominada MOST, pois essa medida representou a tecnologia efetivamente incorporada à rotina empresarial, conforme a metodologia desenvolvida por Cirera, Comin e Cruz (2026).
Foram utilizadas sete funções comparáveis: administração, planejamento, relacionamento com fornecedores, marketing, vendas, pagamentos e controle de qualidade. Cada função recebeu escore entre 1 e 5 conforme seu nível de sofisticação, sendo posteriormente calculada a média dos escores disponíveis. Exigiram-se pelo menos quatro funções válidas para obtenção do índice agregado, reduzindo a possibilidade de representar a sofisticação geral a partir de quantidade insuficiente de informações.
As variáveis explicativas foram organizadas em blocos previamente definidos de acordo com sua função analítica. Essa organização evitou selecionar variáveis apenas em função da significância encontrada e possibilitou avaliar gradualmente como características estruturais, humanas e gerenciais se associaram ao índice tecnológico. A inclusão de controles por blocos também permitiu verificar a estabilidade do coeficiente referente à longevidade à medida que novas características foram incorporadas, procedimento compatível com modelos regressivos sequenciais (Wooldridge, 2020; Gelman; Hill; Vehtari, 2020).
Tabela 3. Variáveis consideradas nas análises
	Bloco
	Variável
	Operacionalização
	Papel
	Resultado
	Sofisticação tecnológica
	Índice médio de 1 a 5
	Dependente principal
	Longevidade
	Idade
	Anos e décadas
	Explicativa principal
	Longevidade
	Faixa etária
	Cinco categorias
	Comparação
	Estrutura
	Porte
	5–19; 20–99; 100+ empregados
	Controle
	Estrutura
	Setor
	Categorias de atividade
	Controle
	Estrutura
	Estado
	Ceará, Paraná e São Paulo
	Controle
	Estrutura
	Multiestabelecimento
	Não/Sim
	Controle
	Capital humano
	Escolaridade do gestor
	Graduação/pós-graduação
	Explicativa
	Capital humano
	Experiência gerencial
	Tempo de experiência
	Explicativa
	Capital humano
	Qualificação da equipe
	Proporção de trabalhadores qualificados
	Explicativa
	Gestão
	Intensidade de KPIs
	Nível de indicadores monitorados
	Explicativa
	Gestão
	Incentivos
	Não/Sim
	Explicativa
	Gestão
	Consultoria externa
	Não/Sim
	Explicativa
	Barreiras
	Obstáculos à adoção
	Dummy individual para cada barreira
	Dependente secundária
Fonte: Dados original da pesquisa 
Porte, setor e estado foram representados por variáveis indicadoras, mantendo-se uma categoria de referência. Essa codificação foi utilizada porque categorias nominais não pressupõem distâncias equivalentes entre seus níveis, sendo inadequado tratá-las como uma escala numérica contínua. O emprego de variáveis dummy permitiu estimar separadamente as diferenças de cada categoria em relação à referência estabelecida (Wooldridge, 2020).
As barreiras foram igualmente preservadas de forma individual. Para cada obstáculo, foi atribuído valor 1 quando houve menção entre as principais dificuldades à adoção tecnológica e 0 caso contrário. Essa estrutura binária permitiu analisar separadamente obstáculos de natureza econômica, informacional, financeira e relacionada às competências, sendo compatível com análises de resultados dicotômicos e regressão logística (Field, 2018; James et al., 2021).
Procedimentos estatísticos e modelos de análise
A análise iniciou-se mediante estatística descritiva ponderada, utilizando frequências, proporções, médias e medidas de dispersão. Essa etapa permitiu caracterizar a amostra antes da realização das análises associativas, procedimento recomendado para identificar distribuição, concentração e comportamento das variáveis antes da estimação de modelos multivariados (Field, 2018). Os pesos amostrais foram incorporados às estimativas principais conforme os princípios de análise de levantamentos complexos apresentados por Heeringa, West e Berglund (2017).
Posteriormente, foram calculadas as médias das sete funções tecnológicas e do índice agregado. A apresentação separada das funções permitiu identificar heterogeneidade interna na adoção, enquanto o índice possibilitou sintetizar o nível geral de sofisticação. A utilização conjunta de indicadores específicos e de uma medida agregada preservou informações funcionais sem perder uma referência sintética para as análises subsequentes (Cirera; Comin; Cruz, 2026).
A relação entre longevidade e sofisticação foi examinada inicialmente de forma bivariada. Foram comparadas as médias do índice entre as cinco categorias de longevidade e aplicado teste global ponderado para verificar se as diferenças observadas excederam aquelas esperadas pela variabilidade amostral. Análises complementares utilizaram correlação de Spearman, ANOVA de Welch e Kruskal-Wallis, procedimentos adequados para examinar associação ordinal e diferenças entregrupos sob diferentes condições distribucionais (Field, 2018).
Essas análises bivariadas tiveram finalidade exploratória e não foram utilizadas isoladamente para explicar a sofisticação tecnológica. A interpretação principal baseou-se nos modelos multivariados, pois relações observadas entre duas variáveis podem ser modificadas pela inclusão de características associadas simultaneamente à variável explicativa e ao resultado. A introdução de controles permitiu examinar a associação da longevidade condicionada às demais características empresariais, conforme a lógica de regressão múltipla discutida por Wooldridge (2020).
Foram estimados quatro modelos lineares progressivos. A variável dependente permaneceu o índice de sofisticação tecnológica, enquanto os blocos explicativos foram incorporados sequencialmente. Essa estratégia permitiu acompanhar a estabilidade do coeficiente de longevidade e a mudança da capacidade explicativa do modelo à medida que estrutura, capital humano e práticas gerenciais foram consideradas, sem atribuir interpretação causal aos coeficientes estimados (Gelman; Hill; Vehtari, 2020).
Tabela 4. Estrutura dos modelos de regressão
	Modelo
	Especificação
	Fundamentação analítica
	M1 – Longevidade
	Idade
	Estimou a associação bruta com sofisticação
	M2 – Estrutural
	M1 + porte + setor + estado + multiestabelecimento
	Controlou diferenças estruturais
	M3 – Capital humano
	M2 + características do gestor e trabalhadores
	Incorporou capacidades humanas
	M4 – Gestão
	M3 + KPIs, incentivos e práticas gerenciais
	Avaliou conjuntamente os blocos considerados
Fonte: Dados original da pesquisa 
As regressões lineares foram estimadas com pesos amostrais e erros-padrão robustos. A utilização de erros robustos reduziu a dependência da inferência em relação à hipótese de variância constante dos resíduos, situação particularmente relevante em dados empresariais nos quais estabelecimentos diferem amplamente em características estruturais e operacionais (Wooldridge, 2020). A comparação entre os modelos considerou também a evolução do R² ajustado e a significância dos blocos adicionados.
A análise das barreiras foi conduzida separadamente da modelagem do índice tecnológico. Inicialmente, foram estimadas as proporções ponderadas de cada obstáculo na amostra geral e segundo as faixas de longevidade. Em seguida, foram utilizados testes de associação para avaliar diferenças entre grupos. Essa combinação entre descrição e teste inferencial permitiu distinguir diferenças observadas na amostra daquelas respaldadas estatisticamente (Field, 2018).
Para barreiras selecionadas, foram estimados modelos de regressão logística binária. Essa técnica foi adotada porque os resultados assumiram apenas duas condições — barreira mencionada ou não mencionada — e possibilitou estimar a associação da longevidade e dos controles com a razão de chances de ocorrência do evento (James et al., 2021). Os coeficientes foram convertidos em odds ratios, acompanhados de intervalos de confiança de 95%.
Tabela 5. Síntese das análises estatísticas realizadas
	Etapa
	Técnica
	Finalidade
	Perfil da amostra
	Frequências, médias e proporções ponderadas
	Caracterizar as empresas
	Sofisticação tecnológica
	Escores funcionais e índice agregado
	Mensurar a adoção tecnológica
	Longevidade × tecnologia
	Comparação de médias e teste global
	Examinar diferenças entre faixas
	Associação bivariada
	Spearman e testes complementares
	Avaliar relação não ajustada
	Modelo M1
	Regressão linear
	Associação bruta da longevidade
	Modelos M2–M4
	Regressão múltipla progressiva
	Considerar estrutura, pessoas e gestão
	Barreiras
	Frequências e testes de associação
	Identificar obstáculos predominantes
	Barreiras ajustadas
	Regressão logística
	Avaliar associações controladas
	Comparações múltiplas
	Correção de Holm
	Controlar multiplicidade dos testes
Fonte: Dados original da pesquisa 
Diagnósticos e análises de robustez
A adequação dos modelos lineares foi examinada mediante diagnóstico de multicolinearidade, utilizando o fator de inflação da variância. O VIF permitiu identificar situações em que elevada associação entre variáveis explicativas poderia aumentar a instabilidade dos coeficientes; valores reduzidos indicaram ausência de evidência relevante desse problema nos modelos estimados (Field, 2018; James et al., 2021).
Além dos erros-padrão robustos, foram realizadas análises de sensibilidade para verificar se a relação entre longevidade e sofisticação dependia das escolhas adotadas na construção do índice. O indicador foi recalculado mediante diferentes requisitos mínimos de funções válidas e com a retirada alternada de cada função. A utilização de especificações alternativas permitiu avaliar a estabilidade das conclusões diante de mudanças razoáveis na operacionalização do resultado, conforme recomendado em análises regressivas aplicadas (Gelman; Hill; Vehtari, 2020).
A idade também foi examinada em especificação não linear, permitindo avaliar se o comportamento da sofisticação ao longo do tempo de existência diferia de uma relação estritamente linear. Essa verificação foi complementar, pois a inclusão de termos não lineares pode revelar padrões que um coeficiente linear isolado não representa adequadamente (Wooldridge, 2020).
Nas análises das barreiras, foram realizados diferentes testes para resultados relacionados. Por isso, aplicou-se a correção sequencial de Holm aos valores de significância, reduzindo o risco de resultados aparentemente significativos decorrentes apenas da multiplicidade de comparações (Holm, 1979; James et al., 2021). As associações que não permaneceram significativas após esse ajuste foram interpretadas apenas como tendências exploratórias.
Por fim, os resultados ponderados foram mantidos como referência principal, enquanto especificações não ponderadas e procedimentos alternativos foram utilizados exclusivamente como verificações de sensibilidade. Essa distinção preservou a coerência com o desenho amostral da FAT e evitou substituir inferências baseadas na estrutura original da pesquisa por resultados dependentes apenas da composição numérica da amostra (Heeringa; West; Berglund, 2017).
Resultados e Discussão
Os resultados foram organizados de forma progressiva, partindo da caracterização das empresas e do panorama geral de sofisticação tecnológica, avançando para a relação entre longevidade organizacional e adoção tecnológica e, posteriormente, para os fatores estruturais, gerenciais e de capital humano associados às diferenças observadas. Por fim, foram examinadas as principais barreiras à adoção tecnológica, permitindo integrar os achados em uma perspectiva que parte do contexto geral das empresas e alcança os fatores específicos relacionados à transformação digital.
Perfil das empresas e panorama tecnológico
Inicialmente, a Tabela 6 apresenta a composição da amostra e o fluxo de observações utilizado nas diferentes etapas analíticas, considerando as frequências observadas e as proporções ponderadas pelo desenho amostral.
Tabela 6. Caracterização da amostra e fluxo analítico
	Dimensão
	Categoria
	n
	% ponderado
	Fluxo analítico
	Base original
	1.531
	—
	
	Índice tecnológico válido
	1.328
	—
	Estado
	Modelo multivariado completo
	1.011
	—
	
	Ceará
	710
	7,0
	
	Paraná
	609
	20,1
	Porte
	São Paulo
	211
	72,9
	
	5–19 empregados
	848
	76,4
	
	20–99 empregados
	445
	20,9
	
	100+ empregados
	237
	2,7
	Setor
	Primário
	96
	2,3
	
	Indústria
	726
	24,3
	
	Comércio
	318
	34,5
	
	Serviços
	390
	38,9
Fonte: Resultados original da pesquisa 
A base reuniu 1.531 empresas, das quais 1.328 apresentaram informações suficientes para a construção do índice tecnológico e 1.011 permaneceram no modelo multivariado completo. Considerando a ponderação amostral, houve maior participação de empresas com 5 a 19 empregados, bem como dos setores de serviços e comércio, enquanto São Paulo concentrou a maior participação ponderada. Essa composição reforça a necessidade de controlar características estruturais nasanálises subsequentes, uma vez que estudos recentes identificaram diferenças importantes na adoção digital conforme porte e setor, indicando que a difusão tecnológica ocorre de maneira heterogênea entre empresas com diferentes capacidades e estruturas produtivas (Cirillo et al., 2023; Nucci et al., 2023). 
A distribuição das empresas conforme o tempo de existência é apresentada na Figura 1, permitindo visualizar a composição da amostra segundo as cinco faixas de longevidade definidas no estudo.
Figura 1. Distribuição ponderada das empresas por faixa de longevidade
Fonte: Resultados original da pesquisa 
A maior concentração ocorreu entre empresas em consolidação, com 31,1% da participação ponderada, seguida das empresas jovens, com 24,4%, e maduras, com 24,2%. As empresas tradicionais corresponderam a 17,5%, enquanto as longevas representaram 2,8%; a idade média foi de aproximadamente 20 anos e a maior idade registrada foi de 93 anos, não havendo empresas centenárias na amostra. 
Assim, o tempo de existência deve ser interpretado como um gradiente de longevidade organizacional, e não como uma comparação específica entre empresas centenárias e não centenárias. Essa abordagem é pertinente porque a literatura recente não apresenta uma relação uniforme entre idade organizacional e digitalização: enquanto McElheran et al. (2024) identificaram menor adoção de inteligência artificial em empresas mais antigas nos Estados Unidos, Nucci et al. (2023) observaram maior intensidade de adoção digital entre empresas italianas mais antigas, o que reforça a necessidade de testar empiricamente essa relação em cada contexto. 
Na sequência, a Figura 2 apresenta o nível médio de sofisticação tecnológica nas sete funções empresariais utilizadas na construção do índice geral.
Figura 2. Sofisticação tecnológica média segundo a função empresarial
Fonte: Resultados original da pesquisa 
A administração apresentou o maior escore médio de sofisticação, com 3,33 pontos, seguida de pagamentos, com 3,05, e planejamento, com 2,90. Em posição intermediária ficaram fornecedores, com 2,06, e marketing, com 2,00, enquanto qualidade e vendas apresentaram os menores valores, respectivamente 1,78 e 1,62. O índice agregado atingiu média ponderada de 2,43 na escala de 1 a 5, evidenciando que a digitalização não ocorreu de maneira uniforme dentro das empresas. 
Esse padrão converge com a literatura que caracteriza a transformação digital como um processo heterogêneo e dependente da combinação entre tecnologias, competências e organização do trabalho, de modo que diferentes atividades podem avançar em velocidades distintas dentro da mesma empresa (Cirillo et al., 2023). No contexto brasileiro, Urraca-Ruiz et al. (2024) também destacaram que conhecimento acumulado, capacitação, prontidão digital e características estruturais participam conjuntamente da trajetória de adoção tecnológica. 
Longevidade organizacional e sofisticação tecnológica
Após a caracterização geral, a relação entre longevidade e sofisticação tecnológica foi examinada diretamente. A Tabela 7 apresenta as médias ponderadas do índice tecnológico para cada faixa de idade organizacional.
Tabela 7. Sofisticação tecnológica segundo a faixa de longevidade
	Faixa de longevidade
	n com índice válido
	Média
	DP
	Jovem — 0–9 anos
	319
	2,40
	0,57
	Em consolidação — 10–19 anos
	428
	2,41
	0,67
	Madura — 20–29 anos
	324
	2,44
	0,59
	Tradicional — 30–49 anos
	200
	2,49
	0,55
	Longeva — 50+ anos
	56
	2,48
	0,71
Fonte: Resultados original da pesquisa 
Nota: Teste global ponderado: χ² = 0,764; gl = 4; p = 0,943
As médias apresentaram pequena variação, passando de 2,40 entre empresas jovens para 2,48 entre as longevas, com valor máximo de 2,49 entre as tradicionais. Entretanto, o teste global ponderado não identificou diferença estatisticamente significativa entre as cinco categorias (p = 0,943), indicando que a longevidade, isoladamente, não diferenciou o nível agregado de sofisticação tecnológica. 
Esse resultado não implica que empresas antigas estejam livres de desafios de transformação digital, mas demonstra que o tempo de existência, por si só, não foi suficiente para explicar o grau de adoção observado. A ausência de um padrão linear também dialoga com resultados internacionais divergentes sobre idade empresarial e digitalização, sugerindo que recursos, capacidades internas e características do contexto podem modificar a relação entre maturidade organizacional e adoção tecnológica (McElheran et al., 2024; Nucci et al., 2023). 
Para verificar se essa ausência de diferença permanecia após a consideração simultânea das demais características empresariais, foram estimadas as médias ajustadas apresentadas na Figura 3.
Figura 3. Médias ajustadas do índice tecnológico segundo a longevidade
Fonte: Resultados original da pesquisa 
Nota: barras representam intervalos de confiança de 95%
Após o controle pelas características estruturais, de capital humano e de práticas gerenciais, as médias ajustadas permaneceram entre 2,41 e 2,50, com ampla sobreposição dos intervalos de confiança; o teste conjunto das categorias também não apresentou significância estatística (χ² = 0,650; p = 0,957). A estabilidade desse resultado foi observada ainda nas análises de sensibilidade que modificaram a quantidade mínima de funções utilizadas no índice, excluíram alternadamente cada função e testaram uma relação não linear com a idade. Dessa forma, os resultados não sustentaram a existência de uma desvantagem tecnológica generalizada associada à longevidade, reforçando a interpretação de que diferenças de digitalização devem ser examinadas a partir das capacidades e características específicas das organizações, e não apenas de sua idade cronológica.
Fatores associados à sofisticação tecnológica
A análise foi aprofundada por meio de modelos progressivos, nos quais características estruturais, de capital humano e de gestão foram adicionadas à longevidade. A Tabela 8 apresenta a evolução dessas especificações, permitindo observar tanto o comportamento do coeficiente de idade quanto o aumento da capacidade explicativa à medida que novos blocos foram incorporados.
Tabela 8. Evolução dos modelos de regressão para sofisticação tecnológica
	Modelo
	Coef. idade/10 anos
	p idade
	R² ajustado
	Bloco acrescentado — p
	M1 — Longevidade
	-0,018
	0,576
	0,000
	—
	M2 — Estrutura
	-0,000
	0,994
	0,114
	0,059
	Gestor com graduação/pós-graduação
	0,258
	0,004
	Intensidade de KPIs
	0,096
	0,018
	Estado: Paraná
	-0,230
	0,001
	Estado: São Paulo
	-0,323
	pode definir métricas como taxa de adesão, proporção de processos digitalizados, redução de retrabalho, tempo de execução, uso efetivo da solução e evolução de produtividade. O acompanhamento periódico desses indicadores permite verificar se a tecnologia está sendo incorporada às rotinas e cria uma base objetiva para corrigir problemas de implementação.
Os achados também podem apoiar a priorização de investimentos. Em empresas com recursos limitados, a decisão não precisa começar pela aquisição da tecnologia mais avançada, mas pela identificação das áreas em que a capacidade de gestão e monitoramento está mais preparada para sustentar a mudança. Dessa forma, a digitalização pode ocorrer de maneira gradual, iniciando por processos nos quais existam responsáveis definidos, indicadores de desempenho e condições internas para acompanhar resultados, antes de expandir a transformação para outras funções da organização.
Por fim, a aplicação prática dos resultados sugere que empresas longevas devem avaliar seu grau de preparação organizacional antes de atribuir dificuldades tecnológicas ao próprio tempo de existência. A trajetória acumulada pode produzir tanto rigidez quanto experiência, recursos e conhecimento institucional, de modo que seu efeito depende de como essas características são administradas. Assim, o foco gerencial deve recair sobre o fortalecimento das capacidades internas que sustentam a adoção, permitindo que a longevidade seja tratada como uma condição do contexto empresarial, e não como uma barreira inevitável à transformação digital.
Considerações Finais
Este estudo teve como objetivo analisar a relação entre longevidade organizacional e sofisticação tecnológica, considerando características estruturais, gerenciais, de capital humano e barreiras relacionadas à adoção de tecnologias. A análise buscou verificar se o tempo de existência das empresas esteve associado ao nível de sofisticação tecnológica e identificar quais características apresentaram maior relação com esse processo.
Os resultados mostraram que a longevidade, isoladamente, não apresentou associação estatisticamente significativa com a sofisticação tecnológica. Empresas jovens, maduras, tradicionais e longevas apresentaram níveis semelhantes de adoção, inclusive após a inclusão das demais características nos modelos. Em contrapartida, a formação superior do gestor e a maior intensidade de utilização de indicadores de desempenho apresentaram associações positivas com a sofisticação tecnológica. Entre as barreiras, predominaram fatores econômicos, informacionais e relacionados às competências, sem diferenciação robusta segundo a idade das empresas.
Do ponto de vista gerencial, os achados indicaram que o avanço da transformação digital depende menos da idade da organização e mais das capacidades desenvolvidas para selecionar, incorporar e utilizar tecnologias. Assim, empresas com trajetórias mais longas não devem ser consideradas menos preparadas para a digitalização apenas em razão de sua longevidade. Os resultados responderam ao objetivo ao demonstrar que características gerenciais e de capital humano apresentaram maior relevância para explicar as diferenças de sofisticação tecnológica observadas, fornecendo subsídios para decisões relacionadas à qualificação da gestão e ao uso sistemático de informações no processo de transformação digital.
Como limitações, o estudo utilizou dados secundários e transversais, o que impossibilitou estabelecer relações causais ou acompanhar a evolução tecnológica das mesmas empresas ao longo do tempo. A base também não contemplou empresas centenárias e apresentou disponibilidade distinta de informações entre as variáveis, reduzindo a amostra em algumas análises. Além disso, dimensões como cultura organizacional, resistência individual e liderança não foram mensuradas diretamente. Estudos futuros poderão incorporar dados longitudinais ou primários para aprofundar esses aspectos e complementar os resultados encontrados.
Referências
Cirera, X.; Comin, D.; Cruz, M. 2026. Technology sophistication across establishments. The Quarterly Journal of Economics 141(3): 2025–2085.
Cirillo, V.; Fanti, L.; Mina, A.; Ricci, A. 2023. The adoption of digital technologies: Investment, skills, work organisation. Structural Change and Economic Dynamics 66: 89–105. 
Creswell, J. W.; Creswell, J. D. 2023. Research design: Qualitative, quantitative, and mixed methods approaches. 6ed. SAGE Publications, Thousand Oaks, CA, Estados Unidos. 
Deloitte. 2024. Tech Trends 2025. Disponível em: https://www.deloitte.com/us/en/insights/focus/tech-trends/2025.html. Acesso em: 7 set. 2026. 
Field, A. 2018. Discovering statistics using IBM SPSS statistics. 5ed. SAGE Publications, Los Angeles, CA, Estados Unidos. 
Gelman, A.; Hill, J.; Vehtari, A. 2020. Regression and other stories. Cambridge University Press, Cambridge, Reino Unido. 
Gil, A. C. 2019. Métodos e técnicas de pesquisa social. 7ed. Atlas, São Paulo, SP, Brasil. 
Heeringa, S. G.; West, B. T.; Berglund, P. A. 2017. Applied survey data analysis. 2ed. CRC Press, Boca Raton, FL, Estados Unidos. 
Holm, S. 1979. A simple sequentially rejective multiple test procedure. Scandinavian Journal of Statistics 6(2): 65–70. 
Iansiti, M.; Lakhani, K. R. 2020. Competing in the age of AI: Strategy and leadership when algorithms and networks run the world. Harvard Business Review Press, Boston, MA, Estados Unidos. 
James, G.; Witten, D.; Hastie, T.; Tibshirani, R. 2021. An introduction to statistical learning: With applications in R. 2ed. Springer, New York, NY, Estados Unidos. 
Kane, G. C.; Phillips, A. N.; Copulsky, J. R.; Andrus, G. R. 2019. The technology fallacy: How people are the real key to digital transformation. MIT Press, Cambridge, MA, Estados Unidos.
McElheran, K.; Li, J. F.; Brynjolfsson, E.; Kroff, Z.; Dinlersoz, E.; Foster, L.; Zolas, N. 2024. AI adoption in America: Who, what, and where. Journal of Economics & Management Strategy 33(2): 375–415. 
Nucci, F.; Puccioni, C.; Ricchi, O. 2023. Digital technologies and productivity: A firm-level investigation. Economic Modelling 128: 106524. 
Reis, F. B. dos; Camargo Júnior, A. S. 2024. Industry 4.0: An investigation of benefits and barriers with managers of Brazilian manufacturers adopters. Journal of Engineering and Technology Management 71: 101786.
Sagala, G. H.; Őri, D. 2024. Toward SMEs digital transformation success: A systematic literature review. Information Systems and e-Business Management 22(4): 667–719. 
Urraca-Ruiz, A.; Torracca, J.; Machado, T.; Britto, J. 2024. Expectations and digital technologies adoption in Brazilian manufacturing firms. The Journal of High Technology Management Research 35(2): 100498. 
Wooldridge, J. M. 2020. Introductory econometrics: A modern approach. 7ed. Cengage, Boston, MA, Estados Unidos. 
World Bank Group. 2026. Brazil – The Firm Adoption of Technology [FAT] Survey, 2019–2021. Ref. BRA_2019-2021_FAT_v01_M. Disponível em: microdata.worldbank.org/catalog/8222. Acesso em: 7 set. 2026.
4
image1.png
image2.png
image3.png
image4.png
image5.png
image6.png
image7.png