Todo número do site é derivado de dados públicos e passa por uma cadeia de decisões explícitas. Aqui explicamos cada uma — e onde ela tem limites. Nenhuma classificação é "mágica": é regra documentada, reproduzível e aberta a contestação.

1. O que conta como "TI"

Partimos de 6 datalakes públicos (PNCP, Portal da Transparência/CGU, ComprasGov, SICONFI, e Tribunais de Contas estaduais). Um contrato entra no universo de TI por: códigos CATSER de TI, natureza de despesa 3.3.90.40 (Serviços de TIC), e palavras-chave na descrição (software, licença, nuvem…). Excluímos falsos positivos óbvios (vale-transporte, alimentação, obra civil). Limite: o filtro léxico tem ~75-80% de precisão; o que sobra de ruído é tratado na etapa 4.

2. Deduplicação (por que os números caíram)

Os scrapers de alguns Tribunais de Contas repetiam o mesmo contrato muitas vezes — em Espírito Santo, 23 mil linhas vinham de apenas 2 registros de origem (77% duplicatas); em São Paulo, ~55%. Mantemos uma linha canônica por conteúdo (mesma fonte, órgão, fornecedor, valor, descrição e número). Isso derrubou o total nacional de R$ 193,5 bi para R$ 109,5 bi e corrigiu o "Espírito Santo fora da curva". A migração é aditiva e reversível.

3. Outliers de valor (erros de escala)

Alguns contratos têm valores impossíveis por erro de digitação na fonte (ex.: um contrato de telecom de R$ 9,2 bi numa cidade de 172 mil habitantes). Quando o valor é implausível por ordens de grandeza, ele é quarentenado — preservamos o valor original numa tabela de auditoria (reversível) e o excluímos das somas. Casos ambíguos (R$ 1-10 bi) ficam sinalizados, não removidos, até verificação na fonte oficial.

4. Tipo de gasto: licença não é tudo

"Gasto com TI" não é "gasto com software proprietário". Classificamos cada contrato pelo objeto:

• Licença de software — pagamento pelo direito de usar software proprietário. Só isto é "software proprietário" no sentido estrito.
• Serviços de TI — desenvolvimento, manutenção, suporte (mão de obra). Não é licença.
• Hospedagem / Nuvem / Armazenamento — infraestrutura (IaaS, datacenter, backup). História de lock-in separada.
• Hardware, Telecom, e Não-TI (falsos positivos do filtro).

Resultado: do que o filtro léxico chamava de "software" (~R$ 47 bi), só ~R$ 8,8-14,7 bi é licença de verdade. O resto é serviço e ruído.

5. Software livre × proprietário

Quando a descrição nomeia o produto, marcamos proprietário (Microsoft, Oracle, SAP, Windows…) ou livre/aberto (Linux, PostgreSQL, LibreOffice, Odoo…). Entre os contratos que nomeiam produto, o proprietário supera o livre em ~13 para 1. Limite: 83% dos contratos não nomeiam produto na descrição — ficam "indefinido". É um piso, não um teto.

6. Soberania: nacional × estrangeiro (o critério central)

Classificar pelo nome do fornecedor mente: a maior parte da contratação pública de TI no Brasil é estrangeira mesmo quando passa por um proxy nacional — uma empresa brasileira que apenas revende ou representa produto gringo. Por isso investigamos os maiores fornecedores um a um (site, LinkedIn, quem representam). Qualquer indício de representar interesse/produto estrangeiro já classifica como não-soberano. As categorias:

• Estrangeira — controle acionário externo: braços brasileiros de multinacionais (Oracle, Microsoft, Dell, SAP, IBM…) e teles estrangeiras por definição: Vivo/Telefônica (espanhola), TIM (italiana), Claro (mexicana).
• Revenda / representação estrangeira — empresa brasileira que revende, distribui ou é parceira autorizada de produto estrangeiro. A divisa continua saindo.
• Estatal dependente — estatal de TI que entrega o processamento ao estrangeiro, sem política de desenvolvimento nacional. Incluímos aqui SERPRO, DATAPREV e PRODESP enquanto não tiverem política de software nacional: são públicas, mas repassam a soberania a fornecedores estrangeiros.
• Nacional soberano — desenvolve produto próprio ou tem política de software livre. Ex.: CELEPAR (desenvolve o Expresso, groupware livre).
• Não investigado — fornecedores fora do topo ainda não auditados (transparência: não fingimos saber).

Investigamos os ~900 maiores fornecedores, que concentram ~85% do gasto. O "não soberano" do painel é a soma de estrangeira + revenda + estatal dependente. Entre os investigados, ~66% (R$ 56 bi) é não soberano — e o que está em "não investigado" provavelmente esconde ainda mais dependência. É um piso, não um teto.

Sobre hardware "nacional": não tratamos montadoras que apenas integram componentes estrangeiros (ex.: Positivo) como soberania de hardware — a dependência de chips e peças permanece. Alternativas realmente nacionais incluem a Ceitec (foundry de semicondutores estatal) e o LSI-TEC (Laboratório de Sistemas Integráveis, USP).

7. O que ainda não sabemos (honestidade)

• Contratos sem valor declarado e despesas sem identificação de fornecedor são contabilizados à parte (estimativas, nunca como fato).
• A classificação por objeto depende da descrição — quando ela é vaga, o contrato fica "indefinido".
• A investigação de soberania cobre o topo por valor; a cauda longa fica "não investigada" até avançarmos.
• Dados de fontes oficiais contêm erros (mojibake, typos de valor, fornecedor = órgão). Corrigimos o que detectamos e deixamos rastro de auditoria.

Código e dados abertos em git.pop.coop/soberania-brasileira/digital. Discorda de uma classificação? Toda decisão aqui é uma regra versionada — abra uma issue e a gente revisa.