Download |
Há uma pergunta que me tem acompanhado ultimamente, e que me parece cada vez mais urgente para quem trabalha em educação: e se o maior perigo da inteligência artificial não for a batota nos testes, mas algo muito mais silencioso e profundo — a erosão gradual da nossa capacidade de pensar?
Um relatório recém-publicado, assinado pelos professores Jason M. Lodge (Universidade de Queensland) e Leslie Loble (UTS), veio trazer-me alguma clareza sobre esta questão. E também algum desconforto.
O paradoxo que ninguém quer ver
Os dados são desconcertantes. Em 2025, cerca de 80% dos estudantes australianos já usavam inteligência artificial. Dois terços dos professores do ensino secundário também. E ao mesmo tempo que a IA melhora os resultados imediatos — as tarefas ficam mais completas, mais coerentes, mais fluentes — a aprendizagem real parece estar a sofrer.
Num estudo com quase mil alunos do ensino secundário, os que usaram IA para resolver problemas de matemática tiveram resultados aparentemente melhores durante o processo. Mas quando a ferramenta lhes foi retirada, o seu desempenho caiu a pique — porque nunca tinham construído o conhecimento verdadeiro, apenas tinham executado tarefas com um assistente muito competente.
É isso que o relatório chama de paradoxo do desempenho: a IA melhora o produto final, mas prejudica o processo que dá origem ao conhecimento durável.
O que é o “descarregamento cognitivo” e porque nos devia preocupar
O conceito central do documento é o de cognitive offloading — em português, algo como “descarregamento cognitivo”: a tendência humana de transferir trabalho mental para ferramentas externas. Escrever uma lista de tarefas é um exemplo simples. Pedir à IA que escreva um ensaio por nós é o exemplo extremo.
O relatório faz uma distinção crucial que vale a pena reter:
- Descarregamento benéfico: quando usamos a IA para tratar das tarefas de baixo nível — verificar gramática, reformular frases, gerar um rascunho inicial de brainstorming — libertando capacidade cognitiva para o que realmente importa: analisar, argumentar, sintetizar.
- Descarregamento prejudicial: quando pedimos à IA que faça exatamente o trabalho que nos cabe a nós — e que, ao fazê-lo, nos rouba a oportunidade de aprender.
A diferença entre os dois não está na ferramenta. Está na intenção e na estrutura pedagógica que envolve o seu uso.
O problema não é a IA — é a “preguiça metacognitiva”
Um dos conceitos que mais me marcou neste relatório foi o de metacognitive laziness — “preguiça metacognitiva” — introduzido por Fan et al. (2024).
A ideia é esta: a IA é tão conveniente, tão fluente, tão capaz de nos dar respostas imediatas e bem formuladas, que os alunos acabam por abdicar dos processos que sustentam a aprendizagem real — o planeamento, a monitorização do próprio entendimento, a revisão crítica do que se aprendeu.
E o pior? Fazem-no convictos de que estão a aprender bem. Porque o texto que a IA produziu parece inteligente, coerente e completo, o aluno confunde a facilidade de leitura com a profundidade de compreensão. A isto chama-se ilusão de competência — e não é um fenómeno novo, mas a IA elevou-o a uma escala sem precedentes.
Quem já corrigiu trabalhos em que tudo parecia certo na superfície mas vazio por baixo, sabe exatamente do que estou a falar.
O conhecimento continua a ser insubstituível
O relatório vai buscar a Daniel Willingham e a outros investigadores em ciências cognitivas para defender algo que me parece urgente reafirmar: o pensamento crítico não existe no vácuo. Não se pensa criticamente sobre nada — pensa-se criticamente a partir de conhecimento.
Um historiador que analisa uma fonte primária mobiliza décadas de conhecimento contextual. Um cientista que questiona uma metodologia faz-o porque conhece o campo a fundo. Sem esse substrato de conhecimento em memória de longo prazo, a IA não pode ser avaliada — apenas aceite.
Curiosamente, isto também explica o chamado Efeito Mateus da IA: os alunos que já têm mais conhecimento e melhores competências metacognitivas vão usar a IA de forma benéfica, acelerando a sua aprendizagem. Os que têm menos — muitas vezes os que mais precisam de apoio — serão os mais vulneráveis ao descarregamento prejudicial, aprofundando as desigualdades existentes.
O que podem fazer os professores (e o que não devem abandonar)
A boa notícia: o impacto da IA na aprendizagem não é inevitável. É pedagógico.
O relatório apresenta três caminhos com evidência empírica:
- Instrução explícita e redução de carga: ensinar os alunos a delegar deliberadamente as tarefas de baixo nível à IA, concentrando o esforço próprio na análise e síntese. Um estudo com 240 participantes mostrou ganhos significativos em pensamento crítico com esta abordagem.
- Prompts metacognitivos integrados: incorporar nas interações com IA momentos obrigatórios de pausa e reflexão — questões que forçam o aluno a avaliar o que compreendeu, a questionar o que a IA produziu, a tomar posição. Não como sugestão, mas como parte estrutural da atividade.
- A IA como espelho cognitivo: em vez de dar respostas, a IA pode ser programada para fazer perguntas, simular confusão, pedir ao aluno que explique. Quem já usou o “efeito protégé” — aprender ensinando — reconhece a lógica: a explicação ativa consolida o conhecimento muito melhor do que a leitura passiva.
Aumentar o professor, não substituí-lo
A conclusão do relatório é aquela que, honestamente, mais me tranquilizou: os humanos ainda aprendem melhor com outros humanos.
O caminho mais promissor e mais equitativo não é dar a ferramenta poderosa ao aluno novato — é dá-la ao professor experiente, para que este possa escalar a sua expertise, diferenciar mais eficazmente, devolver tempo à relação pedagógica.
Num estudo citado no relatório, uma ferramenta de IA criada para auxiliar tutores (não os alunos) produziu melhorias significativas nas taxas de aprovação — com um custo 165 vezes inferior ao do desenvolvimento profissional tradicional.
Vivemos um momento em que é tentador posicionar-se num dos extremos: a IA como salvação ou como catástrofe. Este relatório recusa os dois e propõe algo mais difícil e mais útil: pensar com cuidado sobre quando, como e para quê a usamos.
No fundo, a questão não é tecnológica. É sempre pedagógica. E os professores continuam a ser a variável mais decisiva na equação.
Artigo baseado no relatório “Artificial intelligence, cognitive offloading and implications for education” (Lodge & Loble, março de 2026), publicado pela University of Technology Sydney no âmbito da Australian Network for Quality Digital Education.
