A educação tem dois problemas de IA, não um
A IA generativa pode ajudar um estudante a realizar uma tarefa, e pode ajudar o estudante a adquirir a habilidade subjacente. Esses resultados não são a mesma coisa. Uma redação polida produzida com ampla assistência pode melhorar a entrega de hoje enquanto enfraquece a prática necessária para escrever de forma independente. Por outro lado, um tutor que faz perguntas, diagnostica equívocos, e gradualmente remove o suporte pode melhorar a aprendizagem. A pergunta educacional, portanto, não é simplesmente se os estudantes “usam IA”, mas que trabalho cognitivo o estudante ainda realiza.
Os efeitos atuais em sala de aula dizem respeito à IA generativa, não à AGI. As escolas já enfrentam geração fluente de texto, tradução, retorno automatizado, ajuda com programação, mídia sintética, e administração automatizada. Alegações de que a AGI tornará as escolas ou os diplomas obsoletos são projeções. Nenhuma evidência atual pode estabelecer como as instituições responderiam a um sistema com habilidades de ensino e pesquisa confiáveis e amplamente sobre-humanas.
O que se observa em 2026
O uso pelos estudantes se tornou predominante em muitos sistemas educacionais participantes. Os resultados do PISA 2025 da OCDE relataram que 46% dos estudantes nos países da OCDE usaram chatbots de IA semanalmente ou mais para ajudá-los a aprender. Estudantes que usaram IA para tarefas escolares específicas, como resumir, redigir rascunhos, e pesquisa preliminar, tiveram pontuações de ciências em média mais baixas depois do ajuste por status socioeconômico, enquanto usuários semanais em geral tiveram desempenho semelhante ao de não usuários. Isso é uma associação, não prova de que a IA causou pontuações mais baixas; estudantes com dificuldades podem usá-la de forma diferente ou com mais frequência. Estudantes com uso regular e oportunidades escolares de desenvolver letramento em IA tenderam a pontuar um pouco mais alto, destacando a importância da instrução e da desigualdade de acesso (PISA 2025 da OCDE, setembro de 2026).
A prontidão dos professores está atrás da adoção pelos estudantes. O Índice de IA 2025 de Stanford relatou que 81% dos professores de ciência da computação nos EUA pesquisados achavam que a IA deveria ser incluída no aprendizado fundamental, enquanto menos da metade se sentia preparada para ensiná-la. Esse é um achado sobre professores dos EUA, não uma medida global, mas ilustra por que documentos de política, isoladamente, não criam uma prática de sala de aula competente (Stanford HAI, 2025).
A cola é real, mas difícil de medir. As pesquisas dependem de autorrelato, e as definições diferem: ghostwriting proibido, brainstorming permitido, correção gramatical, e apoio de acessibilidade podem todos ser contados como “uso de IA”. Detectores de texto de IA acrescentam outro problema. Suas taxas de erro variam por modelo, idioma, edição, e população de estudantes; um detector probabilístico nunca deveria ser a única base para punição. As instituições precisam de procedimentos de integridade acadêmica baseados em evidência, com notificação, oportunidade de resposta, e atenção aos falsos positivos.
O que a evidência de intervenção precoce sugere
O achado mais forte é condicional: o suporte de IA funciona melhor quando incorporado a pedagogia sólida. O Panorama de Educação Digital 2026 da OCDE conclui que sistemas generativos podem oferecer retorno personalizado e tutoria, mas distingue o desempenho assistido por IA do desenvolvimento de habilidade duradoura, e pede um uso pedagogicamente fundamentado (OCDE, 2026). O fornecedor de uma ferramenta tem interesse em reportar engajamento e ganhos de curto prazo, de modo que estudos randomizados independentes, testes tardios, e transferência para novos problemas merecem mais peso do que depoimentos.
O comportamento de tutoria útil inclui pedir que o aprendiz tente resolver o problema primeiro, dar dicas em vez de respostas, exigir explicação, verificar fontes, revisitar erros, e reduzir gradualmente a assistência. Padrões prejudiciais incluem completar a tarefa inteira imediatamente, inventar citações, elogiar raciocínio incorreto, ou se adaptar tão completamente às preferências de um aprendiz que a dificuldade produtiva desaparece.
Professores humanos continuam essenciais para objetivos que o modelo não consegue assumir de forma confiável: escolher currículos, entender o contexto familiar e cultural, gerenciar uma sala de aula, proteger crianças, motivar esforço sustentado, reconhecer sofrimento, e aceitar responsabilidade profissional. A IA pode ampliar a capacidade de retorno sem fazer essas responsabilidades desaparecerem.
A avaliação precisa medir a capacidade pretendida
As tradicionais redações feitas em casa não podem carregar o mesmo peso probatório quando a assistência de alta qualidade é onipresente. A resposta não deveria ser vigilância ou um retorno a exames baseados apenas na memória. Os programas podem combinar:
- demonstrações supervisionadas, sem IA, do conhecimento fundamental;
- tarefas com IA aberta que exijam registros, verificação de fontes, e crítica;
- defesa oral ou explicação ao vivo;
- rascunhos e artefatos de processo;
- projetos ligados a dados locais ou observação direta;
- trabalho colaborativo com responsabilização individual explícita.
Cada modalidade responde a uma pergunta diferente. Uma tarefa sem ferramenta testa a fluência sem assistência. Uma tarefa com ferramenta aberta testa o julgamento e a orquestração. Uma defesa oral testa se o estudante entende o trabalho submetido. As acomodações de acessibilidade devem permanecer disponíveis, e as mudanças de avaliação não deveriam penalizar estudantes por usar tecnologia assistiva.
Precisão, fontes, e dependência intelectual
Chatbots podem produzir explicações corretas e alegações fabricadas no mesmo registro confiante. Os estudantes deveriam aprender a leitura lateral: sair da resposta gerada, inspecionar fontes primárias, identificar o autor e a data, rastrear estatísticas até seu método, e buscar evidência contraditória. Citar um chatbot não substitui citar a fonte subjacente.
O letramento em IA também inclui reconhecer incerteza, privacidade de dados, viés do modelo, mídia sintética, e incentivos comerciais. Uma conta escolar pode ter termos de retenção diferentes de uma conta de consumidor. Os estudantes não deveriam inserir informações identificáveis de colegas, registros educacionais protegidos, pesquisa não publicada, ou revelações íntimas sem um sistema aprovado e uma política clara.
Existe um risco mais profundo de dependência intelectual. Se um aprendiz delega a escolha do tema, a busca, a síntese, a redação, e a revisão, o produto final pode superar a capacidade do aprendiz enquanto deixa pouco conhecimento retido. Os professores podem contrapor isso especificando quais etapas podem ser assistidas e exigindo reflexão sobre onde o modelo errou ou não ajudou.
A equidade corta em ambas as direções
A IA pode fornecer tradução, simplificação de texto, apoio à fala, e prática individualizada. Esses benefícios podem ser especialmente importantes para estudantes com deficiência ou acesso limitado a aulas particulares. No entanto, modelos pagos, dispositivos rápidos, conectividade, e experiência docente estão distribuídos de forma desigual. A OCDE constatou que oportunidades de letramento em IA são mais comuns entre estudantes socioeconomicamente favorecidos. Uma tecnologia nominalmente universal pode ampliar as lacunas se estudantes abastados recebem uso orientado e de alta qualidade, enquanto outros recebem geração irrestrita de respostas ou nenhum acesso.
A política de equidade deveria, portanto, fornecer ferramentas acessíveis e aprovadas, desenvolvimento docente, alternativas para estudantes que optam por não participar, e avaliação entre grupos de idioma e de deficiência. Ela também deveria preservar vias sem IA, para que a educação não se torne condicionada ao compartilhamento de dados de estudantes com um provedor privado.
Credenciais e o mercado de trabalho
Os empregadores podem passar a valorizar menos credenciais baseadas principalmente em produção feita em casa que a IA consegue imitar. Isso não significa que os diplomas se tornem inúteis. As credenciais também sinalizam esforço sustentado, prática supervisionada, competência laboratorial ou clínica, colaboração entre pares, e verificação institucional. Seu valor vai depender de se as escolas conseguem demonstrar o que os formados sabem fazer de forma independente e com ferramentas.
Os currículos deveriam preservar o conhecimento fundamental, porque o julgamento precisa de algo com que julgar. Ao mesmo tempo, os estudantes precisam de prática em decompor problemas, avaliar resultados, trabalhar entre disciplinas, se comunicar com pessoas, e assumir responsabilidade pelas consequências. A “engenharia de prompt” isolada é específica demais a uma ferramenta para ser uma filosofia educacional.
Uma política prática para famílias e escolas
Os adultos deveriam perguntar: Que objetivo de aprendizagem esta tarefa está testando? Que assistência é permitida? O uso de IA precisa ser divulgado? Que dados saem da instituição? Como um estudante pode contestar uma acusação? O que acontece quando a ferramenta está indisponível?
As famílias podem pedir que as crianças mostrem seu processo, expliquem respostas com suas próprias palavras, verifiquem juntas uma alegação importante, e mantenham leitura, escrita, matemática, e conversação regulares sem assistência. A proibição geral pode empurrar o uso para a clandestinidade; a permissividade total pode substituir a prática pela performance.
A posição mais bem sustentada em setembro de 2026 é a integração estruturada com avaliação contínua. A evidência atual não justifica alegar que a IA generativa universalmente melhora ou prejudica a aprendizagem. Ela mostra que os efeitos dependem da tarefa, da pedagogia, da intensidade, da habilidade prévia, e do acesso. A AGI poderia mudar drasticamente a economia e o alcance da educação, mas isso continua sendo análise de cenário, não um resultado que as escolas possam observar hoje.