Durante décadas, uma boa redação, uma solução matemática correta ou um programa de computador funcional eram considerados evidências razoáveis de aprendizagem. A inteligência artificial generativa rompeu essa relação.
Hoje, um estudante pode produzir em minutos um texto sofisticado, uma análise estatística, uma apresentação profissional ou um código que não conseguiria reproduzir sozinho. O produto parece demonstrar domínio. Mas pode demonstrar apenas domínio da ferramenta.
Essa talvez seja uma das mudanças mais profundas provocadas pela inteligência artificial na educação: resultado e aprendizagem deixaram de ser necessariamente a mesma coisa.
Um trabalho excelente pode esconder compreensão superficial. Da mesma maneira, um estudante que ainda produz respostas imperfeitas pode estar desenvolvendo capacidades intelectuais muito mais importantes para sua formação.
A tecnologia chegou antes das regras
No Brasil, essa discussão deixou de ser hipotética.
A pesquisa TIC Educação 2025 constatou que 37% das escolas de Ensino Fundamental e Médio permitem que alunos utilizem inteligência artificial em atividades educacionais. Ao mesmo tempo, apenas 22% possuem guia de orientações sobre o uso de IA nas atividades de ensino, aprendizagem e gestão.
A diferença é reveladora.
A inteligência artificial entrou na escola mais rapidamente do que a escola conseguiu construir sua governança pedagógica.
Isso não significa que a solução seja proibi-la. Significa que simplesmente disponibilizar uma ferramenta não constitui uma política educacional.
Desempenho não é necessariamente aprendizagem
A inteligência artificial pode melhorar imediatamente o desempenho de um estudante. Ela pode explicar um conceito de maneiras diferentes, corrigir erros, sugerir caminhos, adaptar exercícios e oferecer acompanhamento individual em escala anteriormente inimaginável.
Isso representa uma oportunidade extraordinária.
O problema aparece quando confundimos melhora do desempenho durante a utilização da ferramenta com aprendizagem consolidada.
O OECD Digital Education Outlook 2026 chama atenção justamente para essa diferença.
A OCDE conclui, a partir das evidências disponíveis, que ferramentas generativas podem melhorar a execução de tarefas sem necessariamente produzir ganhos equivalentes de aprendizagem quando não existe uma finalidade pedagógica clara.
Um experimento que deveria chamar a atenção das escolas
Um grande experimento realizado com quase mil estudantes do Ensino Médio tornou essa diferença especialmente visível.
Os pesquisadores compararam estudantes que resolveram problemas de matemática sem IA com alunos que tiveram acesso a duas formas diferentes de assistência baseada em GPT-4.
Durante os exercícios, os resultados pareceram extraordinários.
O grupo utilizando uma interface mais próxima de um chatbot convencional apresentou melhora de aproximadamente 48% no desempenho durante a prática.
Com um sistema estruturado como tutor educacional, a melhora durante os exercícios chegou a aproximadamente 127%.
Se a avaliação terminasse naquele momento, a conclusão pareceria evidente: a inteligência artificial havia produzido estudantes muito melhores.
Mas o experimento não terminou ali.
Posteriormente, a IA foi retirada.
Os estudantes precisaram realizar uma avaliação sem qualquer assistência.
Foi então que apareceu a diferença entre performance assistida e aprendizagem.
Os estudantes que haviam utilizado livremente o GPT tiveram desempenho aproximadamente 17% inferior ao grupo que não utilizou IA.
Já no grupo que utilizou a versão estruturada como tutor, com salvaguardas pedagógicas e pistas elaboradas para evitar simplesmente entregar respostas, o efeito negativo praticamente desapareceu, embora não tenha surgido vantagem estatisticamente significativa sobre o grupo de controle.
O momento em que a IA entra
Talvez estejamos excessivamente concentrados em uma pergunta binária: “Permitir ou proibir inteligência artificial?”
Essa pode ser a pergunta errada.
A questão pedagogicamente mais relevante talvez seja: “Em qual momento do raciocínio a IA deve entrar?”
Imagine dois estudantes diante do mesmo problema.
O primeiro copia a questão para uma inteligência artificial e recebe imediatamente uma solução completa.
O segundo precisa primeiro interpretar o problema, formular uma hipótese, escolher uma estratégia e registrar sua tentativa. Somente depois consulta a IA para confrontar seu raciocínio.
Os dois utilizaram inteligência artificial. Mas realizaram atividades cognitivas completamente diferentes.
No primeiro caso, a tecnologia pode ter substituído o raciocínio. No segundo, pode ter ampliado o raciocínio.
Essa distinção deveria estar no centro das políticas educacionais de inteligência artificial.
Pensar primeiro, perguntar depois
Uma regra relativamente simples poderia modificar profundamente essa relação:
Antes de receber assistência, o estudante deveria produzir alguma coisa: uma hipótese, interpretação, estratégia, cálculo, argumento ou tentativa de solução.
Não precisa estar correto.
O erro volta então a cumprir uma de suas funções mais importantes: revelar como o estudante está pensando.
Depois disso, a IA poderia atuar progressivamente.
Primeiro fazendo perguntas. Depois oferecendo pistas. Em seguida apontando inconsistências. Posteriormente sugerindo caminhos.
A solução completa deveria ser o último estágio, não necessariamente o primeiro.
Quanto maior a competência demonstrada pelo estudante, menor poderia ser a intervenção da ferramenta.
Isso contraria a lógica predominante dos atuais sistemas generativos, que normalmente oferecem sua capacidade máxima desde a primeira pergunta.
Na educação, entretanto, talvez o melhor sistema não seja aquele que responde tudo.
Talvez seja aquele que sabe quando não responder.
Soberania cognitiva
É nesse contexto que ganha relevância a ideia de soberania cognitiva: utilizar sistemas inteligentes sem terceirizar integralmente formulação de problemas, julgamento, verificação e decisão.
Não se trata de rejeitar a inteligência artificial.
Trata-se exatamente do contrário: aprender a utilizá-la intensamente sem permitir que determinadas capacidades humanas desapareçam no processo.
Uma forma de transformar essa ideia em política educacional seria deixar de medir apenas o desempenho final e acompanhar uma trajetória:
Essa sequência muda profundamente aquilo que entendemos por avaliação.
Em vez de medir somente o que o estudante produziu, começamos a observar o que permaneceu no estudante depois da experiência de aprendizagem.
Minimum Human Capability: o que o aluno precisa continuar sabendo?
A expansão da IA também exigirá que sistemas educacionais respondam a uma pergunta desconfortável:
Nem todas as capacidades precisam permanecer iguais.
Formatar referências bibliográficas pode ser amplamente automatizado.
Localizar determinado dado pode ser delegado.
Revisar ortografia pode ser auxiliado por máquinas.
Mas algumas competências possuem natureza diferente.
Avaliar se uma fonte é confiável. Distinguir correlação de causalidade. Construir um argumento. Identificar contradições. Perceber quando uma resposta aparentemente perfeita contém um erro. Tomar decisões diante de informações conflitantes.
Talvez precisemos estabelecer aquilo que poderíamos chamar de Minimum Human Capability, uma capacidade humana mínima que precisa permanecer mesmo quando ferramentas inteligentes estiverem disponíveis.
A pergunta deixa de ser simplesmente “o que a IA consegue fazer?” e passa a incluir:
Uma avaliação em três tempos
Essa mudança pode chegar imediatamente à sala de aula.
Uma instituição poderia adotar um modelo relativamente simples:
O estudante recebe um problema e apresenta sua interpretação, hipótese ou solução inicial sem assistência generativa.
O objetivo não é necessariamente atribuir a maior nota nessa etapa. É estabelecer a capacidade humana inicial.
O estudante recebe autorização para utilizar inteligência artificial.
Pode questionar, pesquisar, confrontar argumentos, corrigir erros e aperfeiçoar a resposta.
Aqui, a avaliação não mede apenas o resultado final. Pode observar também como o estudante utilizou a ferramenta.
Ele simplesmente solicitou a resposta?
Ou soube formular perguntas, verificar informações, rejeitar sugestões inadequadas e melhorar seu próprio raciocínio?
Depois da atividade assistida, apresenta-se uma nova questão relacionada ao mesmo conhecimento, mas suficientemente diferente para impedir simples memorização.
Sem IA.
É aqui que fazemos a pergunta decisiva:
“O que ficou?”
Se o estudante produziu um trabalho excelente com inteligência artificial, mas retorna praticamente ao ponto inicial quando ela é retirada, tivemos aumento de produtividade.
Não necessariamente aprendizagem.
Se, entretanto, sua capacidade independente melhorou, existe evidência muito mais forte de que a IA funcionou como instrumento educacional.
Uma quarta etapa, realizada dias ou semanas depois, poderia avaliar retenção.
Esse desenho transforma a inteligência artificial de problema de fiscalização em componente da própria metodologia de avaliação.
O professor não perde importância, muda de função
Nesse cenário, o papel do professor também se transforma.
Nenhum docente deveria tentar competir com uma máquina pela quantidade de respostas disponíveis.
Mas ensinar nunca foi apenas fornecer respostas.
O professor pode assumir cada vez mais a função de arquiteto da atividade cognitiva.
É ele quem organiza situações nas quais o estudante precisa interpretar, formular hipóteses, argumentar, confrontar informações, revisar posições e demonstrar autonomia.
Paradoxalmente, quanto mais poderosa se tornar a inteligência artificial, mais sofisticado poderá precisar ser o trabalho pedagógico humano.
Uma nova desigualdade educacional
Há ainda um risco pouco discutido.
A desigualdade educacional na era da inteligência artificial talvez não seja apenas desigualdade de acesso à tecnologia.
Pode surgir uma desigualdade cognitiva na maneira de utilizá-la.
Alguns estudantes aprenderão a utilizar IA para investigar, testar hipóteses, comparar argumentos, aprender mais rapidamente e ampliar sua capacidade intelectual.
Outros poderão utilizá-la predominantemente para substituir leitura, escrita, cálculo, interpretação e reflexão.
Os dois grupos terão acesso à mesma tecnologia.
Mas poderão terminar sua formação com capacidades humanas profundamente diferentes.
Portanto, democratizar o acesso à IA não será suficiente.
Precisaremos democratizar também a capacidade de utilizá-la intelectualmente bem.
E os dados cognitivos?
Existe ainda outra dimensão.
Sistemas educacionais de IA poderão registrar muito mais do que respostas certas e erradas.
Poderão identificar quantas pistas um estudante necessita, quanto tempo demora para abandonar uma estratégia, em quais situações pede uma solução pronta, sua evolução, seus padrões de erro e sua dependência da assistência.
Essas informações podem melhorar extraordinariamente a personalização do ensino.
Mas também podem produzir um dos conjuntos de dados mais sensíveis que uma instituição educacional já possui: um perfil do comportamento cognitivo do estudante.
Por isso, qualquer sistema dessa natureza precisa nascer acompanhado de princípios claros de minimização de dados, transparência, segurança, possibilidade de contestação e limites de utilização.
Uma estimativa produzida por algoritmo jamais deveria transformar-se silenciosamente em um rótulo permanente sobre aquilo que uma criança ou um jovem seria capaz de aprender.
O desafio não é impedir a IA
Durante algum tempo, parte do debate educacional ficou concentrada em detectar trabalhos produzidos por inteligência artificial.
Essa preocupação continuará legítima quando houver fraude acadêmica.
Mas ela é insuficiente.
Os estudantes provavelmente trabalharão durante décadas ao lado de sistemas de inteligência artificial muito mais poderosos do que os atuais.
Prepará-los para um mundo sem IA seria artificial.
Permitir que atravessem sua formação terceirizando todo esforço intelectual para ela seria igualmente problemático.
O desafio está entre esses extremos.
Precisamos ensinar estudantes a trabalhar com máquinas intelectualmente poderosas sem permitir que sua própria capacidade intelectual se torne dispensável.
Por isso, a questão central não é mais simplesmente se a escola deve aceitar ou proibir inteligência artificial.
É outra:
Talvez essa seja uma das perguntas educacionais mais importantes da próxima década.
Porque, em um mundo no qual máquinas produzirão respostas cada vez melhores, o verdadeiro valor da educação poderá estar justamente naquilo que permanecerá no ser humano quando a máquina deixar de responder.
Referências essenciais
- CGI.br / NIC.br, TIC Educação 2025. Indicadores E5A e E5B sobre orientações institucionais e permissão para utilização de inteligência artificial nas escolas brasileiras.
- OECD, Digital Education Outlook 2026: Exploring Effective Uses of Generative AI in Education . OECD Publishing, Paris, 2026.
- BASTANI et al., “Generative AI without guardrails can harm learning: Evidence from high school mathematics”. Proceedings of the National Academy of Sciences (PNAS) . Estudo experimental sobre utilização de GPT-4 por estudantes de matemática e desempenho posterior sem assistência.
