O corpus de partida é a publicação da UNESCO de 2026 The algorithm in the room: Seeing and confronting the implications of AI for the future of education. [UNESCO]

A leitura transversal produz uma conclusão mais exigente do que a habitual oposição entre «adotar» e «proibir» IA. O problema fundamental é constitucional, no sentido institucional da palavra: quem pode decidir, sobre o quê, com que informação, sob que regras, em benefício de quem e com que possibilidade de contestação. A IA altera a distribuição de autoridade entre alunos, docentes, instituições, Estados e empresas; desloca parte do trabalho cognitivo e avaliativo para infraestruturas privadas; e pode redefinir silenciosamente aquilo que uma escola considera aprendizagem, desempenho, inteligência ou eficiência. Esta é a linha comum que liga a crítica de Daniela Hau ao modelo human-in-the-loop, os cenários de autonomia de Lim, Hilmy e Kuok, a crítica da personalização de Bianca Farthing, a preocupação de Camille Fabo com o poder curricular dos modelos e os cenários futuros da parte final da coletânea. [UNESCO]

A evidência recente sugere que não existe um «efeito da IA» único sobre a aprendizagem. Os efeitos dependem fortemente do desenho da tarefa, do grau de orientação docente, da competência prévia do aluno e do que se mede. Num ensaio aleatorizado conduzido no Estado de Edo, na Nigéria, um programa extracurricular de seis semanas combinando IA generativa com orientação docente produziu ganhos de cerca de 0,3 desvios-padrão em resultados agregados de aprendizagem; os próprios investigadores salientam, porém, que os professores estruturavam o uso e ajudavam a detetar erros, e que as escolas participantes tinham condições tecnológicas que limitam a generalização dos resultados. [1]
Num estudo laboratorial aleatorizado com 117 estudantes universitários, a utilização do ChatGPT melhorou a qualidade do ensaio produzido, mas não gerou uma vantagem estatisticamente significativa em ganho de conhecimento ou transferência da aprendizagem, ilustrando a diferença entre produzir melhor e aprender melhor. [2]
Revisões recentes sobre dependência excessiva de sistemas de diálogo com IA apontam riscos para o pensamento crítico e as capacidades analíticas, embora a base de estudos seja ainda reduzida e heterogénea e não sustente conclusões causais universais. [3]

A principal recomendação, portanto, é substituir a lógica «IA disponível → procurar uma utilização» por «objetivo educativo → identificar a atividade humana indispensável → decidir se e como a IA acrescenta valor». Isto coincide com a orientação emergente em Portugal. O diagnóstico nacional divulgado pela Direção-Geral do Ensino Superior em abril de 2026 propõe três pilares particularmente úteis: «Saber sobre IA», «Fazer com IA» e, crucialmente, «Ser sem IA», isto é, preservar a autonomia, o juízo crítico e a capacidade de reconhecer situações em que a tecnologia deve ser limitada ou recusada. O levantamento indicava utilização de IA no ensino em 52,9% das instituições respondentes, na investigação em 42,6% e na gestão em 26,5%, sinal de que o problema já é institucional e não apenas experimental. [4]

Para os jovens, a prudência deve ser ainda maior. Os artigos de Clayton Ramsey, Andrej Novik, Alexandra Samur e Mariela Sanchez Salas convergem numa ideia: desenvolvimento não é um processo que possa ser «acelerado» sem custos simplesmente porque a produção de respostas se tornou instantânea. As evidências sobre vínculos emocionais com IA já mostram que adultos podem estabelecer relações de apego mensuráveis com agentes conversacionais, mas a evidência longitudinal específica sobre crianças e adolescentes é ainda insuficiente. [5]
É precisamente por essa incerteza, e não apesar dela, que UNICEF e a American Psychological Association defendem limites claros, transparência sobre a natureza não humana dos sistemas, proteção de dados, conceção adequada à idade e preservação das relações humanas. [6]

Na pedagogia e avaliação, o diagnóstico dos 26 textos é simultaneamente crítico e fértil. A IA torna mais frágil a inferência tradicional «bom produto final = aprendizagem do
aluno», mas isso expõe uma fragilidade pré-existente nos exames, trabalhos formulaicos e tarefas de reprodução. Desai propõe deslocar a avaliação para processo, diálogo, defesa oral, problemas contextualizados e capacidade de criticar resultados de IA; Haarsbjerg mostra que também deve existir aprendizagem deliberadamente independente de IA para preservar domínio incorporado e juízo profissional; Muellauer demonstra que feedback tecnicamente melhor pode ser pedagogicamente pior quando o aluno o interpreta como ausência do professor.[UNESCO] A resposta não deve ser uma corrida aos detetores: um estudo amplamente citado mostrou taxas muito elevadas de falsos positivos em textos de falantes não nativos de inglês, levantando sérios riscos de discriminação se estes sistemas forem usados como prova disciplinar. [7]

Na esfera epistemológica, os riscos vão além da desinformação. Naffi fala de uma crise de «saber como sabemos»; Maisiri e Musonza de custos culturais quando sistemas treinados predominantemente noutros contextos normalizam visões do mundo importadas; Sultan da impossibilidade de reduzir literatura e memória histórica a imitação estilística; Paschalidis de «achatamento linguístico»; Livingstone e Stricker da perda da pergunta inicialmente confusa que, em investigação, frequentemente precede a descoberta. [UNESCO] A preocupação com homogeneização tem algum apoio experimental: num estudo publicado em Science Advances, ideias de IA elevaram avaliações individuais de contos, sobretudo entre participantes menos criativos à partida, mas tornaram as histórias assistidas por IA mais semelhantes entre si. O ganho individual pode, portanto, coexistir com perda de diversidade
coletiva. [8]

Na governação, 2026 é um ponto de viragem. O Regulamento Europeu da Inteligência Artificial tornou-se em grande parte aplicável em 2 de agosto de 2026; as obrigações de literacia em IA e certas proibições já vigoravam desde fevereiro de 2025, e as regras de transparência incluem informação aos utilizadores quando interagem com determinados sistemas de IA e requisitos relativos à identificação de conteúdos sintéticos.
Certos usos de IA na educação são tratados como de alto risco, com o calendário específico dessas obrigações a estender-se para 2027 após alterações legislativas recentes. [9]
Em setembro de 2026, o Conselho da Europa adotou também princípios de literacia em IA centrados em direitos humanos, dignidade, democracia, agência social e pensamento crítico; e ministros reunidos pela UNESCO reafirmaram a educação como direito humano e bem comum, pedindo governação pública e deliberativa da IA. [10]

A síntese estratégica pode condensar-se em seis orientações:

Domínio	Orientação central
Agência	A pessoa responsável deve continuar a poder compreender, interromper, corrigir e contestar decisões; a supervisão humana não pode ser meramente cerimonial.
Desenvolvimento	Aplicar um princípio de precaução reforçada a menores, sobretudo a sistemas antropomórficos, persuasivos ou desenhados para maximizar envolvimento emocional.
Pedagogia e avaliação	Avaliar processos de pensamento, explicação, transferência, revisão e autoria, e não apenas produtos finais facilmente automatizáveis.
Conhecimento e expressão	Preservar fricção cognitiva, pluralismo linguístico, incerteza, formulação de perguntas e contacto com fontes primárias e comunidades de conhecimento.
Bem comum	Subordinar contratação, dados, modelos, infraestruturas e conectividade a objetivos públicos verificáveis, transparência, acessibilidade, sustentabilidade e possibilidade de saída.
Futuros	Tratar «educação intensiva em IA» como uma escolha entre várias, não como destino; conservar capacidade institucional e humana para funcionar com pouca ou nenhuma IA.

O horizonte recomendado é coerente com a própria conclusão da UNESCO: primeiro ver o algoritmo e os interesses que transporta; depois orientá-lo, através de regras, capacidades e avaliação; por fim reescrevê-lo, dando a alunos, docentes, comunidades e instituições públicas capacidade não apenas de consumir sistemas, mas de participar na definição dos seus objetivos, dados e limites. [UNESCO]

Quem terá agência, autonomia e supervisão?

Os quatro artigos desta parte — David Ross, Daniela Hau, Kenneth Y. T. Lim/Ahmed Hazyl Hilmy/Bryan Zi Wei Kuok e Nadia Naffi — apresentam diferentes versões do mesmo problema: a IA não automatiza apenas tarefas; pode automatizar o exercício do juízo que a educação deveria desenvolver. [UNESCO]

Ross constrói o cenário do classroom AI doom loop: o professor usa IA para criar a tarefa; o aluno usa outra IA para produzir a resposta; um «humanizador» altera o texto; outra IA corrige e classifica; o sistema de gestão regista a nota. O problema não é apenas fraude académica. É a possibilidade de um circuito de produção, entrega e avaliação de «conhecimento» continuar operacional depois de o envolvimento intelectual de aluno e professor ter sido quase eliminado.
Ross coloca, por isso, uma pergunta desconfortável: se determinada prática escolar pode ser automatizada quase integralmente sem que se note a ausência do humano, será que essa prática já era pedagogicamente pobre? [UNESCO]

Hau radicaliza o argumento ao rejeitar a tranquilizadora expressão human-in-the-loop. A metáfora vem da engenharia: o sistema automatizado ocupa o centro e o humano intervém quando algo corre mal.
Em educação, isso inverte a ordem normativa. O professor não deveria ser um mecanismo de segurança acrescentado a um processo algorítmico; a pedagogia deveria definir o processo e a tecnologia, se necessária, entrar apenas depois. Os exemplos de Hau são úteis precisamente por serem limitados: IA para propor alternativas a um texto já escrito pelo aluno; tradução para ampliar participação numa turma multilingue; análise de interações como «espelho» que o professor interpreta, e não como métrica automática de desempenho.[UNESCO]

Lim, Hilmy e Kuok contrastam dois futuros de 2035. Num, os alunos tornam-se operadores dependentes de subscrições comerciais, com acesso diferenciado conforme a capacidade de pagamento e sucesso definido por métricas de utilização de IA. No outro, modificam modelos abertos, preservam arquivos em Hokkien, constroem classificadores de cantos de aves e examinam vieses de dados. O conceito de «orçamento de autonomia» sintetiza a diferença: quanto mais decisões forem delegadas à máquina, menos oportunidades restam para o humano exercer e desenvolver autonomia, salvo se o sistema for deliberadamente desenhado para a expandir. [UNESCO]

Naffi desloca a discussão para a agência epistémica. Com deepfakes, clonagem vocal e media sintéticos suficientemente convincentes, «ver para crer» deixa de ser uma regra funcional. A autora considera insuficiente ensinar apenas deteção técnica porque criação e deteção evoluem numa corrida contínua; defende capacidades metacognitivas para avaliar proveniência, contexto, incentivos e graus de confiança, complementadas por «bens comuns epistémicos» onde escolas, media, autoridades, investigadores e especialistas de segurança
partilham práticas. [UNESCO] Este ponto tornou-se ainda mais relevante com as atuais regras europeias de transparência para interações com IA e conteúdos sintéticos. [11]

O que diz a evidência.

A preocupação com «descarga cognitiva» é plausível, mas não deve ser convertida numa lei simples. A revisão sistemática de Zhai, Wibowo e Li encontrou sinais de sobredependência e riscos para pensamento analítico e tomada de decisão, mas a literatura disponível ainda é pequena e metodologicamente diversa.[3]
O ensaio de Fan e colegas mostra uma forma concreta da tensão: IA pode aumentar o desempenho imediato sem aumentar proporcionalmente retenção ou transferência. [2]
Em contrapartida, o estudo da Nigéria demonstra que uma arquitetura com docente presente, tarefas orientadas e IA como suporte pode produzir ganhos mensuráveis. A variável decisiva é, portanto, menos «IA versus não IA» do que quem conserva a tarefa cognitiva central e como o ambiente de aprendizagem é desenhado. [12]

Tensões éticas e de poder.

Existem pelo menos quatro assimetrias. A primeira é cognitiva: o fornecedor sabe como o produto é otimizado, enquanto professor e aluno veem apenas a interface. A segunda é económica: planos premium, computação e integrações institucionais podem converter capacidade financeira em vantagem educativa. A terceira é informacional: alunos produzem dados de interação que podem ter valor comercial ou servir para perfis e otimização. A quarta é institucional: quando uma plataforma passa a propor conteúdo, sequenciar atividades, avaliar e dar feedback, adquire funções quase curriculares sem possuir a legitimidade democrática de uma autoridade educativa. Estas preocupações ajudam a explicar por que os quadros de competências da UNESCO para estudantes e docentes insistem em juízo humano, ética, compreensão dos sistemas e passagem de consumidor para criador. [13]

O diagnóstico português de 2026 é especialmente interessante porque acrescenta «Ser sem IA» aos pilares «Saber» e «Fazer». Isso permite transformar autonomia numa competência observável: conseguir formular um problema antes de pedir ajuda; justificar por que se usa ou não usa IA; distinguir conhecimento próprio de conteúdo fornecido; verificar fontes interromper a ferramenta; e concluir uma tarefa essencial quando a IA está indisponível. [4]

Curto prazo: cada escola, universidade ou serviço deve identificar os usos de IA já existentes, incluindo funcionalidades incorporadas silenciosamente em plataformas; declarar quem toma a decisão final; impedir decisões consequenciais inteiramente automatizadas sobre alunos; exigir transparência de utilização; e instituir um canal humano de revisão e recurso. Tarefas nucleares devem identificar explicitamente quais fases são «sem IA», «com IA opcional» ou «com IA objeto de análise». Em contratação, a pergunta inicial deve ser «que problema educativo demonstra resolver?» e não «que funcionalidades oferece?».

Médio prazo: criar estruturas de governação que incluam docentes, alunos, proteção de dados, acessibilidade, especialistas pedagógicos e, quando há menores, famílias e proteção da criança. Desenvolver auditorias de autonomia: medir não apenas tempo poupado, mas se os utilizadores conseguem explicar, corrigir e rejeitar as sugestões do sistema. As instituições devem favorecer interoperabilidade e possibilidade de substituição do fornecedor, reduzindo dependência tecnológica.

Longo prazo: investir em infraestruturas públicas, abertas ou comunitárias que permitam adaptar modelos a fins educativos sem transferir toda a capacidade institucional para um pequeno número de empresas. O objetivo não é tornar todas as escolas produtoras de modelos de fronteira, mas garantir soberania funcional: poder definir regras, preservar arquivos e dados, mudar de fornecedor, oferecer alternativas sem IA e manter competências humanas suficientes para que a instituição não deixe de funcionar quando a automação falha.

Como a IA afetará o desenvolvimento relacional, emocional e cognitivo dos
jovens?

Nesta pergunta, a coletânea é mais cautelosa do que determinista. Ramsey, Novik, Samur e Sanchez Salas não afirmam que chatbots inevitavelmente prejudiquem crianças; mostram que a introdução de agentes que conversam, aconselham, recordam preferências e simulam cuidado modifica o ambiente de desenvolvimento antes de conhecermos os
seus efeitos de longo prazo. [UNESCO]

Ramsey analisa relações parassociais. A diferença entre um chatbot e uma celebridade ou personagem tradicional não é apenas grau de realismo: o chatbot responde ao utilizador, adapta-se, espelha linguagem, pode lembrar informações e simular disponibilidade contínua. Quando o modelo de negócio recompensa mais interações, a intimidade aparente pode também ser um mecanismo de retenção comercial. O seu cenário positivo para 2041 não elimina bots educativos; exige que sejam profissionalmente delimitados, explicitamente não humanos, não desenhados para cultivar dependência e inseridos em comunidades ricas em relações presenciais. [UNESCO]

A investigação emergente confirma que o tema não é puramente especulativo, embora a maioria dos dados ainda não seja sobre crianças.
Estudos recentes encontram fatores previsíveis de apego a IA social e propõem escalas psicométricas capazes de medir vínculos semelhantes a apego entre humanos e sistemas conversacionais. [5 Isto não demonstra que chatbots causem dano desenvolvimental em menores; demonstra que a premissa «ninguém confunde relação simulada com relação psicologicamente significativa» é insustentável. A lacuna longitudinal em crianças e adolescentes deve ser tratada como uma incerteza de segurança, não como prova de inocuidade.

É neste sentido que orientações recentes para a infância ganham peso. A UNICEF, na versão de 2025 da sua orientação sobre IA e crianças, inclui entre os requisitos a segurança, proteção de dados, não discriminação, transparência, responsabilização, inclusão e apoio ao desenvolvimento e bem-estar. Para agentes companheiros, recomenda deixar inequívoco que não são humanos e evitar conceção deliberada para gerar dependência emocional. [14]
A American Psychological Association também pede limites adequados ao desenvolvimento, salvaguardas nas relações simuladas e prioridade às relações humanas. [15]

Novik introduz outra dimensão: a velocidade da resposta pode eliminar etapas em que a compreensão se forma. O seu exemplo da nota alemã da hiperinflação é pedagogicamente elucidativo. Sem IA, o objeto provoca hipóteses, discussão, erros e descoberta; com reconhecimento automático, surge imediatamente uma explicação tecnicamente correta que vários alunos conseguem repetir sem compreender. Num segundo episódio, um aluno decide abandonar a IA num exercício de escrita porque reconhece que o texto deixou de parecer «seu». Para Novik, este segundo caso é sucesso: o objetivo é construir metacognição suficiente para saber quando a máquina está a substituir o próprio processo. As suas «três engrenagens» são metacognição, agência e acordo coletivo sobre regras. [UNESCO]

A investigação experimental disponível sustenta a importância desta distinção entre resposta e aprendizagem. O estudo de Fan e colegas encontrou melhoria do produto escrito sem melhoria comparável na aquisição e transferência do conhecimento. [2]
Uma revisão de investigação sobre IA e aprendizagem autorregulada encontrou apenas 14 estudos empíricos elegíveis, o que mostra quão pequena continua a ser a base de evidência para afirmar que estas ferramentas desenvolvem, ou prejudicam, de forma duradoura competências metacognitivas. [16]

Samur acrescenta o desenvolvimento cultural e relacional. O episódio em que utiliza IA para transformar a pesquisa do filho sobre Purim numa apresentação visual produz uma tensão familiar imediata: o aluno fez a pesquisa, mas o resultado final já não parece refletir o seu nível de desenvolvimento; as imagens introduzem perguntas sobre autenticidade cultural; e a facilidade do produto obscurece autoria. A autora contrapõe a eficiência da tradução instantânea à experiência demorada de aprender uma língua através de convivência, vulnerabilidade, reciprocidade e cultura. O ponto não é rejeitar tradução, mas reconhecer que remover a dificuldade funcional pode remover também parte da experiência formativa. [UNESCO]

Sanchez Salas coloca a análise onde o risco é máximo: crianças deslocadas, traumatizadas ou em contextos de conflito. Uma plataforma pode ampliar acesso quando faltam professores ou edifícios, mas recolher dados de populações vulneráveis, reproduzir vieses, impor uma linguagem culturalmente inadequada ou substituir cuidado humano por triagem automatizada. A autora exige uma abordagem de direitos humanos e de do no harm, baseada em dignidade, não discriminação, participação local e sensibilidade ao trauma. [UNESCO] A sua advertência é importante para evitar uma ética a duas velocidades em que os alunos mais privilegiados recebem professores e relações ricas enquanto os mais vulneráveis recebem «personalização» automatizada.

Principais stakeholders e poderes. Crianças e jovens têm menor capacidade contratual e menor compreensão dos incentivos económicos subjacentes às plataformas; pais e professores podem não conhecer as interações privadas; empresas controlam design de personalidade, memória, recomendações e métricas de retenção; autoridades públicas definem limites de idade, proteção de dados e condições de uso; psicólogos, pediatras e serviços de proteção infantil recebem consequências sem necessariamente participarem na aquisição da tecnologia. O risco de maior magnitude surge quando um sistema reúne simultaneamente quatro características: antropomorfismo + personalização profunda + memória persistente + incentivos para maximizar tempo de interação.

As iniciativas portuguesas oferecem duas pistas complementares. A DGE lançou em 2025 a iniciativa «IA, eu penso?», centrada na articulação entre IA, literacia mediática e pensamento crítico, abordagem mais promissora do que uma simples formação em prompts. [17]
Na Madeira, o projeto TutorIA começou com implementação piloto e grupo de controlo antes de uma expansão anunciada, mantendo a utilização dependente da decisão do professor; esta prudência de implementação é relevante, embora os comunicados disponíveis ainda descrevam sobretudo desenho e escala prevista, não resultados causais consolidados. [18]

Curto prazo: sistemas dirigidos a menores devem identificar-se inequivocamente como máquinas, evitar linguagem ou mecânicas de dependência emocional, não desempenhar funções terapêuticas ou de aconselhamento de alto risco sem profissionais humanos e oferecer mecanismos simples de saída. Nas aulas, devem existir períodos deliberadamente sem IA, particularmente durante aquisição inicial de leitura, escrita, cálculo, argumentação, memória de trabalho e interação social. Pais, alunos e docentes precisam de saber que dados são guardados e por quanto tempo.

Médio prazo: integrar literacia relacional sobre IA nos currículos: diferenças entre empatia humana e simulação linguística; persuasão algorítmica; privacidade; publicidade; mecanismos de recomendação; e estratégias para pedir ajuda a pessoas. Escolas devem monitorizar efeitos não apenas em notas, mas em sono, isolamento, motivação, atenção, procura de ajuda e participação entre pares. Os próprios jovens devem participar na conceção e avaliação das políticas que os afetam.

Longo prazo: são necessários estudos longitudinais por coortes, com diferenciação por idade, género, vulnerabilidade, neurodiversidade e tipo de sistema. A regulação deve incidir também sobre modelos de negócio: uma aplicação escolar não deve poder beneficia economicamente de maximizar dependência emocional do menor. Paralelamente, é indispensável continuar a financiar aquilo que tecnologia não substitui: bibliotecas, desporto, artes, clubes, recreio, aconselhamento, espaços públicos e tempo docente. Uma política de IA para crianças que não seja simultaneamente uma política de relações humanas é incompleta.

O que continuará a ser significativo na pedagogia e na avaliação?

Os seis artigos desta parte mostram que a IA não torna a pedagogia obsoleta; torna mais visíveis as diferenças entre ensinar, gerar conteúdo, produzir desempenho e aprender.
[UNESCO]

Bianca Farthing começa pela promessa mais repetida da tecnologia educativa: «aprendizagem personalizada». A objeção é conceptual antes de ser técnica. Personalizar para quê, segundo que definição de sucesso e decidida por quem? Um algoritmo que identifica uma «lacuna» e encaminha o aluno para uma sequência corretiva não está apenas a adaptar conteúdos; está a escolher uma teoria implícita do que é progresso. Se cada aluno percorre silenciosamente um percurso otimizado para métricas predefinidas, podem diminuir debate, imprevisibilidade, colaboração e descoberta — precisamente experiências que fazem da escola uma instituição social. [UNESCO]

Esta crítica não elimina possíveis benefícios de diferenciação. O caso de Edo mostra que IA conversacional pode fornecer prática adicional, explicações e feedback numa intervenção estruturada por docentes. [12] A conclusão rigorosa é que personalização algorítmica deve ser tratada como hipótese pedagógica, não como benefício automático. É necessário perguntar se aumenta compreensão, transferência, motivação e autonomia e se distribui oportunidades de forma mais justa.

Desai argumenta que a IA generativa tornou urgente uma reforma que já era pedagogicamente desejável. Ensaios formulaicos, problemas padronizados e respostas reprodutivas sempre foram proxies imperfeitos de compreensão; agora, quando um modelo pode produzi-los em segundos, a fragilidade torna-se operacional. A sua alternativa combina registos de processo, versões sucessivas, reflexão metacognitiva, defesa oral, debate, tarefas localment contextualizadas, crítica de saídas de IA e resolução de problemas abertos. [UNESCO]

É importante, contudo, não substituir um reducionismo por outro. «Saber usar IA» não elimina a necessidade de conhecimentos disciplinares. Um aluno só consegue reconhecer uma explicação histórica falsa, código inseguro, referência inventada ou argumento estatístico defeituoso se possuir conhecimento suficiente para julgar. A literatura sobre sobredependência reforça este ponto. [3] O princípio adequado é fundamentos antes da delegação, e delegação acompanhada de verificação.

Muellauer acrescenta uma variável frequentemente ausente das métricas de eficiência: a perceção de cuidado. A docente usou IA para produzir feedback mais detalhado e passou bastante tempo a rever e personalizar as sugestões; os alunos, porém, interpretaram o estilo como sinal de que ela não tinha lido o trabalho. Quanto mais «perfeito» o feedback, menos pessoal lhes parecia. A sua experiência não prova que feedback assistido por IA seja ineficaz, mas revela uma condição pedagógica importante: o feedback é também um ato relacional, e a confiança do aluno na atenção do professor faz parte da intervenção. [UNESCO]

Haarsbjerg oferece talvez o modelo mais operacional do conjunto: cinco modalidades de aprendizagem — independente de IA, consciente da IA, apoiada por IA, melhorada por IA e centrada na IA. Num curso profissional de carpintaria, por exemplo, o aluno pode precisar primeiro de sentir o material, medir e errar sem apoio algorítmico; depois compreender como a automação muda o ofício; posteriormente usar IA na conceção; trabalhar com sistemas avançados; e finalmente estudar o próprio modelo, os dados, enviesamentos e implicações laborais. [UNESCO] O mérito do esquema é rejeitar tanto «IA em tudo» como «IA em nada».

Imiren e Nicolopoulou fazem algo semelhante para empreendedorismo. Se IA consegue pesquisar mercados, sugerir oportunidades e gerar modelos de negócio, o currículo não deve simplesmente ensinar a operar a ferramenta que existe este semestre. As competências duráveis passam por formular melhores perguntas, reconhecer contexto que os dados não captam, exercer julgamento ético, estabelecer relações e compreender quando a recomendação algorítmica reproduz exclusões. [UNESCO] Isto é particularmente relevante porque ferramentas e interfaces têm ciclos de vida mais curtos do que currículos e graus académicos.

Bennett encerra a secção com uma advertência decisiva sobre acessibilidade. IA pode gerar texto alternativo, legendas ou análises automáticas de acessibilidade, mas cumprir tecnicamente uma regra não significa oferecer experiência equivalente a uma pessoa com deficiência. O lema «Nada sobre nós sem nós» implica que utilizadores reais devem
testar e cocriar os serviços; «utilizadores sintéticos» não são substitutos epistemicamente equivalentes da experiência vivida. [UNESCO] A própria comunidade W3C reconhece que grande parte da avaliação de conformidade com critérios de acessibilidade exige julgamento humano, o que limita a ideia de auditoria totalmente automática. [19]

Um problema especial é a deteção de autoria por IA. Técnicas de deteção têm erros, degradam-se quando os modelos mudam e podem produzir discriminação linguística. Liang e colegas testaram sete detetores em textos e encontraram uma incidência extremamente elevada de classificação errada em ensaios de falantes não nativos de inglês, ao contrário dos textos nativos comparados. [7]
Uma instituição que converta o «score» de um detetor em acusação disciplinar transfere o ónus da prova para um sistema probabilístico que não demonstra quem escreveu o texto. A resposta mais robusta é conceber evidência positiva de aprendizagem — versões, discussão, defesa, dados do processo — em vez de procurar «provar» ausência de IA pela estilometria.

O que deve continuar significativo. À luz dos artigos e da investigação, pelo menos seis coisas resistem à automação como objetivos educativos: conhecimento disciplinar suficientemente profundo para julgar; capacidade de formular problemas; revisão das próprias crenças; criação situada num contexto social; autoria e responsabilidade pelo que se afirma; e relação pedagógica baseada em reconhecimento mútuo. A IA pode apoiar todas elas, mas não deve transformar o respetivo indicador de desempenho no substituto do fenómeno.

Curto prazo: cada disciplina deve fazer uma auditoria das suas avaliações e classificá-las: tarefas em que IA não é permitida por razões de desenvolvimento; tarefas em que é permitida e declarada; tarefas em que a competência avaliada é precisamente trabalhar criticamente com IA. Para trabalhos importantes, privilegiar etapas, rascunhos, conversas e defesa. Proibir decisões disciplinares baseadas exclusivamente em detetores. Em feedback assistido, explicitar ao aluno o papel do professor e manter momentos de resposta pessoal.

Médio prazo: reformular rubricas para valorizar raciocínio, evidência, revisão, originalidade contextual e justificação das escolhas; desenvolver portefólios e avaliações orais sem transformar todos os cursos em exames permanentes; ajustar rácios, tempo docente e formação, porque avaliação mais autêntica é frequentemente mais intensiva em trabalho humano. Integrar acessibilidade desde a conceção, com testes por pessoas com deficiência.

Longo prazo: rever sistemas de certificação demasiado dependentes de uma única prova padronizada. A questão deixa de ser «como tornar o antigo exame à prova de ChatGPT?» e passa a ser «que combinação de evidências demonstra competência durável num mundo em que ferramentas de IA existem?». Isso exige investigação pública sobre validade preditiva equidade e custos das novas modalidades, em vez de substituição precipitada de um proxy por outro.

Como vamos pensar, questionar e exprimir-nos?

Os artigos de Maisiri e Musonza, Sultan, Paschalidis e Livingstone/Stricker são talvez os que mais desafiam a ideia instrumental de IA como simples «ferramenta». O seu objeto é a relação entre linguagem, cultura, pergunta, memória e pensamento. [UNESCO]

Maisiri e Musonza observam que nenhum sistema tecnológico é culturalmente neutro Conjuntos de dados, critérios de qualidade, línguas dominantes, categorias e decisões de moderação refletem contextos sociais. Quando sistemas produzidos maioritariamente no Norte Global entram em escolas africanas, podem tratar como universais referências sazonais, exemplos, normas linguísticas ou conceções de conhecimento que não o são. Os autores defendem capacidade africana de desenvolvimento, participação local, línguas indígenas e avaliação explícita de «de quem são os valores» incorporados no sistema. [20]

Isto não significa que apenas modelos «locais» sejam legítimos, nem que culturas sejam homogéneas. A questão é a contestabilidade epistemológica: uma comunidade deve conseguir reconhecer quando uma saída representa uma convenção cultural, acrescentar fontes ausentes, corrigir categorias e recusar a transformação do corpus estatisticamente dominante em verdade universal.

Sultan formula a mesma questão através da literatura cazaque. Um modelo pode imitar ritmo, vocabulário e superfície estilística de autores históricos, mas não viveu repressão, colonialismo, deslocamento ou conflito intelectual e político. A aprendizagem literária perde algo se a semelhança formal for confundida com compreensão da intenção e da experiência histórica. [UNESCO] A implicação pedagógica é importante: quanto mais plausível for a simulação, maior deve ser o contacto do aluno com o texto primário, o arquivo, a biografia, o contexto e interpretações em disputa.

Paschalidis preocupa-se com uma consequência menos visível: a linguagem produzida por modelos tende a oferecer formulações estatisticamente prováveis. Se utilizadores aceitarem repetidamente essas formulações por defeito, palavras raras, construções idiossincráticas e estilos menos frequentes podem desaparecer do uso ativo. [UNESCO] A evidência experimental de Doshi e Hauser mostra um mecanismo análogo na criatividade: assistência por IA aumentou avaliações individuais de contos, mas também aumentou a semelhança entre
os textos. [8]
É um resultado crucial porque demonstra que qualidade média e diversidade não são a mesma variável.

Livingstone e Stricker concentram-se na pergunta. Na investigação real, uma boa questão pode nascer de semanas de leitura, contradições, falsas partidas e formulações ainda vagas. Um LLM consegue converter instantaneamente uma inquietação num enunciado elegante e investigável; isso pode ser útil, mas também pode ocultar que a clareza foi alcançada antes de o investigador descobrir por que a questão importa. A capacidade de permanecer algum tempo com uma pergunta mal formulada — tolerar incerteza, recolher evidência e deixá-la transformar o problema — é uma competência intelectual, não um defeito de prompt.
[UNESCO]

Naffi, embora pertença formalmente à primeira parte, cruza diretamente este eixo: em ambientes saturados de conteúdo sintético, literacia mediática tem de passar de «detetar o falso» para calibrar confiança. Isso significa perguntar quem produziu a afirmação, qual a cadeia de evidência, que testemunhos são independentes, que incentivos existem e o que faria mudar de opinião. [UNESCO] As atuais obrigações europeias de transparência e marcação de certos conteúdos sintéticos ajudam na proveniência, mas não substituem essa competência epistemológica. [11]

A iniciativa portuguesa «IA, eu penso?» está alinhada com esta perspetiva ao ligar IA a literacia mediática e pensamento crítico, em vez de reduzir a literacia a operação de ferramentas. [17] Os quadros UNESCO de 2024 seguem a mesma direção, colocando pensamento crítico, ética, cidadania e conceção responsável de sistemas ao lado da capacidade técnica. [13]

Relações de poder. O poder cultural está concentrado em quem decide o corpus, filtra dados, escolhe línguas suportadas, estabelece políticas de segurança e determina que respostas são consideradas de «alta qualidade». As comunidades linguísticas menores entram frequentemente com menos dados e menor capacidade computacional. Instituições educativas podem amplificar esta assimetria quando substituem bibliotecas, bases de dados especializadas e contacto com fontes por uma única interface conversacional. O risco não é apenas uma resposta errada; é um estreitamento do espaço do que é perguntável, dizível e encontrável.

Curto prazo: criar rotinas em que o aluno formula primeiro uma hipótese, pergunta ou rascunho próprio antes de consultar IA; exigir verificação por fontes independentes; pedir ao aluno que identifique incertezas e perspetivas ausentes; ensinar deepfakes e proveniência; manter exercícios de escrita sem autocomplete ou geração automática. Em trabalhos sobre cultura, história e línguas, privilegiar fontes primárias e testemunhos comunitários.

Médio prazo: financiar corpora, dicionários, arquivos e recursos digitais para português europeu, línguas minoritárias e variedades sub-representadas; envolver comunidades no desenvolvimento e avaliação; incluir literatura, artes, filosofia e história das ideias nas políticas de literacia em IA, porque são disciplinas centrais para compreender representação e interpretação, e não «complementos» de uma agenda tecnológica.

Longo prazo: construir bens comuns linguísticos e culturais com governação pública ou comunitária, direitos claros sobre dados e mecanismos de correção; desenvolver métricas de diversidade que não avaliem apenas precisão média, mas também representação de variantes linguísticas e visões do mundo; investigar longitudinalmente se uso intensivo de geração automática altera vocabulário ativo, diversidade de escrita, formulação de problemas e capacidade de trabalhar com ambiguidade.

Como será governada a educação como bem comum?

Esta é a secção em que a pergunta «quem beneficia?» deixa de ser implícita. Amiel/Cox/de la Higuera, Appoldt/Gong, Fabo, O’Sullivan/Kelly e Martin tratam respetivamente de abertura, economia política do trabalho docente, soberania curricular, custos ambientais e conectividade. Juntos, mostram que uma política educativa de IA é também uma política sobre mercados, infraestrutura, propriedade intelectual, telecomunicações, energia e capacidade estatal. [UNESCO]

Amiel, Cox e de la Higuera defendem princípios de educação aberta contra aquilo que consideram a opacidade das «caixas negras» algorítmicas. O problema não é apenas acesso gratuito a uma interface.
Abertura relevante inclui capacidade de escrutinar processos, modificar recursos, compreender dependências e orientar o sistema para comunidades educativas em vez de exclusivamente para acionistas. UNESCO] Esta distinção é importante porque «gratuito» pode
significar subsídio temporário à aquisição de utilizadores, enquanto «aberto» implica direitos e capacidades duráveis.

Appoldt e Gong usam a «doença dos custos de Baumol». Serviços
intensivos em trabalho humano, como educação, não conseguem aumentar
produtividade ao mesmo ritmo que setores em que cada unidade de trabalho
pode ser multiplicada mecanicamente. À medida que salários noutras áreas
aumentam, manter ensino humano torna-se relativamente caro. A IA cria
então uma forte tentação fiscal: apresentar substituição de interações
humanas como «ganho de produtividade». [21]
O alerta não é que toda automação seja má; é que, sem uma decisão
política explícita sobre o valor da relação docente, pressões
orçamentais podem decidir a pedagogia por defeito.

Fabo pergunta «quem educa os LLM?». Estados definem currículos e são juridicamente responsabilizáveis pelo direito à educação; empresas privadas, contudo, treinam modelos que podem mediar diariamente aquilo que alunos perguntam e recebem como resposta. A autoridade curricular deixa de estar apenas no livro, no professor e no ministério e passa
parcialmente para as decisões de treino, alinhamento e produto de organizações transnacionais. [22]
A questão não se resolve nacionalizando todos os modelos, mas exige que o Estado recupere capacidade de estabelecer condições de utilização, avaliação, auditoria e recurso.

O’Sullivan e Kelly tornam visível uma externalidade frequentemente omitida. Universidades que assumem compromissos climáticos podem simultaneamente aumentar procura por computação intensiva em energia através da integração generalizada de LLM. [23]
A Agência Internacional de Energia estima que centros de dados consumiram cerca de 485 TWh de eletricidade em 2025 e projeta, no cenário central, perto de 950 TWh em 2030, com cargas associadas a IA entre os principais motores do crescimento; a incerteza permanece elevada e tipos de tarefa como raciocínio intensivo, vídeo e agentes podem ter consumos muito diferentes. [24]
Instituições educativas não conseguem gerir esta externalidade se fornecedores não divulgarem informação suficientemente comparável sobre energia e infraestrutura.

Martin analisa zero-rating: permitir que determinados recursos educativos sejam acedidos sem consumir o pacote de dados do utilizador. Na África do Sul, serviços como Vodacom e-School e Siyavula foram utilizados em regimes deste tipo, particularmente durante a pandemia. medida pode reduzir uma barreira de preço, mas não cria dispositivos, cobertura, eletricidade, competências ou segurança digital; além disso, pode violar princípios de neutralidade de rede ou dar a determinados fornecedores uma vantagem estrutural se não for governada publicamente. [25]
É uma ilustração perfeita da diferença entre acesso a uma aplicação e conectividade significativa.

A desigualdade infraestrutural continua material. Dados recentes da UNESCO mostram que a conectividade global cresceu fortemente, mas uma parte substancial das escolas primárias e do primeiro ciclo do secundário ainda não está ligada à Internet, ao mesmo tempo que o uso de ferramentas de IA se tornou comum no ensino superior. [26]
Uma estratégia que transforma a IA numa condição de aprendizagem pode, portanto, converter desigualdade digital em desigualdade curricular.

Em Portugal, o diagnóstico da DGES de 2026 evidencia que adoção institucional já ocorre em ensino, investigação e administração e recomenda governação responsável que preserve autoria, confiança académica e julgamento humano. [4]
O TutorIA da Madeira ilustra uma abordagem de piloto antes de escala, mas os anúncios de 2026 devem ser lidos como evidência de implementação, não ainda como prova de eficácia educativa generalizável. [27]

O enquadramento jurídico europeu reforça a necessidade de diferenciação por risco. Desde 2 de agosto de 2026, grande parte do Regulamento Europeu da IA é aplicável; certas práticas são proibidas, existem deveres de literacia em IA e transparência, e alguns sistemas usados para decisões relevantes em educação integram a categoria de alto risco, sujeita a requisitos reforçados segundo o calendário aplicável. Esses requisitos incluem, entre outros, gestão de risco, qualidade e documentação, registos, supervisão humana, robustez e deveres dos
operadores. [28]
A Convenção-Quadro do Conselho da Europa sobre IA, direitos humanos, democracia e Estado de direito acrescenta uma moldura supranacional de direitos; a União Europeia ratificou-a em maio de 2026. [29]

Em setembro de 2026, o Conselho da Europa adotou ainda uma recomendação específica de literacia em IA que articula compreensão técnica com direitos humanos, agência social e democracia, e a UNESCO reafirmou ao nível ministerial que a governação educativa da IA deve permanecer deliberativa, publicamente responsável e respeitadora dos direitos de docentes e aprendentes. [10]

Uma arquitetura de decisão coerente com estas exigências pode ser representada assim:

Curto prazo: cada organismo educativo deve manter um inventário público ou institucional dos sistemas de IA em utilização, finalidade, fornecedor, categorias de dados, decisor responsável e possibilidade de recurso. Novos contratos devem cobrir retenção e reutilização de dados, propriedade dos outputs, segurança, auditoria, acessibilidade, interoperabilidade, condições de saída, continuidade de serviço e divulgação ambiental. Sistemas críticos devem ser sujeitos a avaliação de impacto antes de contratação, não depois de surgirem danos.

Médio prazo: Portugal deveria consolidar requisitos comuns de contratação pública para IA educativa, evitando que cada escola negocie isoladamente com fornecedores globais. Faz sentido criar capacidade nacional partilhada para testes de viés, segurança, acessibilidade, valor pedagógico e sustentabilidade, incluindo apoio a municípios, escolas e instituições pequenas. Investimentos em conectividade devem permanecer tecnologicamente neutros e assegurar acesso à Internet ampla, e não apenas a uma lista comercial de aplicações.

Longo prazo: o bem comum exige alternativas. O Estado e o setor educativo precisam de capacidade para manter recursos educativos abertos, repositórios, dados de investigação, identidades e infraestruturas interoperáveis mesmo que um fornecedor desapareça ou altere preços. Modelos abertos e pequenos modelos adaptados localmente podem fazer parte desse ecossistema, mas «aberto» não elimina riscos de segurança, privacidade ou viés. O critério final é controlo público efetivo sobre finalidades e direitos, não uma preferência tecnológica abstrata.

A evolução política recente pode ser sintetizada na seguinte linha temporal:

O Consenso de Pequim de 2019 foi o primeiro consenso internacional especificamente dedicado a IA e educação; a Recomendação da UNESCO de 2021 estabeleceu princípios globais de direitos humanos, dignidade, equidade, transparência, supervisão e sustentabilidade; a orientação de 2023 acrescentou proteção de dados, inclusão e utilização apropriada à idade; e os quadros de 2024 traduziram essas ideias em competências para docentes e alunos. [30] Os marcos europeus e portugueses de 2025–2026 tornam agora grande parte desta agenda operacional, e não apenas recomendatória. [31]

Como a IA poderá moldar a nossa imaginação sobre o futuro da educação?

Ransom, Casebourne/Wegerif e Pouts-Lajus tratam de um poder particularmente subtil: a capacidade das narrativas tecnológicas de fazer um futuro parecer inevitável antes de ele existir. [UNESCO]

Ransom imagina um cenário em que o crescimento dos laboratórios
privados de IA atrai talento, capital e prestígio para fora das
universidades, alterando a relação histórica entre investigação
académica, formação avançada e inovação. Não é uma previsão literal, mas
uma técnica de futuros: prolongar tendências para tornar visíveis
escolhas que no presente parecem apenas administrativas. [32]
O poder de grandes laboratórios não provém apenas dos modelos; deriva de
concentração de computação, salários, dados, capital e capacidade para
definir problemas de investigação.

Este cenário levanta uma questão educativa fundamental. Se universidades passam a depender de sistemas desenvolvidos fora delas para pesquisa, escrita, avaliação, gestão e aconselhamento, podem continuar formalmente autónomas enquanto perdem capacidade
material de exercer essa autonomia. A resposta não exige autarcia tecnológica, mas requer preservar investigação pública, infraestruturas comuns e carreiras capazes de estudar criticamente os próprios sistemas de que as instituições dependem.

Casebourne e Wegerif oferecem um futuro alternativo: em vez de
utilizar IA sobretudo para tornar cada aluno individual mais produtivo,
concebê-la como suporte à inteligência coletiva. A
unidade de aprendizagem deixa de ser apenas «pessoa + tutor artificial»
e pode tornar-se «grupo + comunidade + ferramentas + conhecimento
distribuído». [33]
É uma mudança significativa porque contraria a tendência da tecnologia
educativa para isolar cada aluno num percurso personalizado e devolve
centralidade à produção coletiva de significado.

Há aqui aplicações concretas: grupos que utilizam IA para sintetizar
diferentes propostas antes de deliberar; comunidades que constroem
arquivos locais; ciência cidadã que combina sensores, classificação
automática e interpretação humana; alunos que auditam modelos ou adaptam
ferramentas abertas a problemas públicos. O cenário positivo de Lim,
Hilmy e Kuok — tradução de gravações em Hokkien e monitorização
comunitária de biodiversidade — pertence à mesma família.
[UNESCO]

Pouts-Lajus faz o movimento inverso: recorda que um futuro «depois da
IA» também pode incluir desilusão, saturação, regulação mais forte ou
escolha por soluções deliberadamente simples. A função da educação não é
preparar alunos para uma previsão específica feita pela indústria em
2026; é formar adultos capazes de agir quando a previsão
falha e de alterar o futuro em vez de apenas se adaptar a ele.
[34]

É por isso que a noção portuguesa de «Ser sem IA» é estrategicamente
mais profunda do que parece. [35]
Capacidade de trabalhar sem determinado sistema funciona como option
value: preserva alternativas futuras. Uma organização que elimina
completamente processos, conhecimento e pessoal humanos porque uma
plataforma atual é barata pode descobrir, após alteração de preços,
falha de segurança, conflito jurídico ou indisponibilidade, que já não
possui uma alternativa real.

A imaginação também é uma relação de poder. Empresas
beneficiam quando «o futuro» é descrito como adoção inevitável do seu
tipo de produto. Governos podem beneficiar politicamente de narrativas
de modernização rápida. Instituições podem usar «não ficar para trás»
para evitar debates demorados sobre propósito. Por outro lado, discursos
exclusivamente apocalípticos também reduzem possibilidades ao presumir
que a tecnologia só pode degradar a educação. O método adequado é
comparar cenários e tornar visíveis as condições que fazem cada um deles
provável.

Uma estratégia de futuros deveria testar, pelo menos, quatro cenários
simultaneamente: alta automação comercial, IA
pública/aberta e comunitária, uso seletivo com forte
centralidade humana e ambiente de baixa IA ou
indisponibilidade. Uma política é resiliente quando continua a
garantir direito à educação, avaliação justa, acessibilidade e
continuidade institucional nos quatro.

Curto prazo: processos estratégicos devem abandonar
expressões como «a IA vai inevitavelmente transformar tudo» como
premissa de planeamento. Para cada investimento, produzir um cenário
alternativo sem a ferramenta e um cenário de falha ou saída. Nas
escolas, discutir explicitamente com alunos quem descreve o futuro, que
interesses essa descrição serve e que alternativas foram omitidas.

Médio prazo: criar laboratórios de futuros
educativos e assembleias deliberativas com docentes, estudantes,
investigadores, famílias, sindicatos, comunidades linguísticas, pessoas
com deficiência e sociedade civil, e não apenas fornecedores. Financiar
pilotos de inteligência coletiva e projetos em que alunos construam,
adaptem ou auditem tecnologia para fins comunitários. Preservar
carreiras e infraestruturas académicas independentes capazes de avaliar
criticamente sistemas privados.

Longo prazo: o objetivo deve ser um sistema
educativo plural e reversível: suficientemente competente para explorar
IA onde esta produz benefício demonstrável, mas suficientemente humano e
institucionalmente robusto para continuar a ensinar, pensar, criar e
governar quando não a usa. Esta é a melhor interpretação do terceiro
horizonte da UNESCO — «reescrever o algoritmo»: não aceitar a tecnologia
como enquadramento da educação, mas colocar capacidade tecnológica
dentro de uma visão democraticamente definida da educação.
[UNESCO]

Síntese transversal, matriz comparativa e prioridades

A comparação dos 26 textos revela que as seis perguntas não são compartimentos estanques. Um artigo situado na parte sobre pedagogia pode ser principalmente um texto sobre agência; um texto sobre cultura é também um texto sobre governação; a questão do desenvolvimento infantil implica necessariamente modelos de negócio e supervisão. A tabela
seguinte distingue ● tema principal da secção original, ○ presença substantiva transversal e — presença apenas periférica. A codificação transversal é deste relatório, não uma classificação oficial dos autores. Os títulos, autores e secções primárias provêm integralmente do volume fornecido. [UNESCO]

Artigo	Agência	Jovens	Pedagogia	Pensar/expressão	Bem comum	Futuros	Tese dominante
Ross — Are human beings necessary…?	●	—	○	○	—	○	A automação ponta-a-ponta pode esvaziar de humanidade um ciclo escolar já excessivamente burocratizado.
Hau — Beyond the loop	●	—	○	—	○	—	A pedagogia deve comandar a tecnologia; o humano não é um dispositivo de segurança do algoritmo.
Lim, Hilmy & Kuok — AI operators or creators?	●	—	○	—	○	○	O desenho pode produzir consumidores dependentes ou criadores com agência comunitária.
Naffi — Deepfakes and the crisis of knowing	●	—	—	○	○	—	A resposta a media sintéticos exige agência epistémica e ecossistemas de verificação, não só deteção.
Ramsey — Ghost in the chatbot	○	●	—	—	○	○	Companheiros de IA podem explorar mecanismos de apego; menores precisam de limites relacionais.
Novik — Outpaced	○	●	○	○	—	—	Respostas instantâneas podem eliminar descoberta; metacognição e períodos sem IA preservam desenvolvimento.
Samur — I think we should tell your teacher…	○	●	—	○	○	—	Autoria, representação cultural e reciprocidade não se reduzem a eficiência de geração.
Sanchez Salas — Trauma, education and AI…	○	●	—	—	○	—	Em crise, IA deve obedecer a dignidade, direitos, participação e princípio de não causar dano.
Farthing — Bespoke or prescribed?	○	○	●	—	○	—	«Personalização» pode tornar-se prescrição algorítmica de objetivos não escolhidos pelo aluno.
Desai — What’s worth measuring?	○	—	●	○	—	—	Avaliação deve deslocar-se do produto para raciocínio, processo, defesa e problemas autênticos.
Muellauer — When my students told me…	○	○	●	—	—	—	Feedback otimizado pode perder valor quando diminui a perceção de cuidado e presença docente.
Haarsbjerg — Between wood and algorithms	○	—	●	—	—	○	Literacia em IA inclui saber trabalhar sem, sobre, com e sobre o próprio desenho da tecnologia.
Imiren & Nicolopoulou — Entrepreneurship education…	○	—	●	—	—	○	Competências duráveis são julgamento, contexto, ética e boas perguntas, não domínio de uma ferramenta efémera.
Bennett — AI and accessibility	○	—	●	—	○	—	Automação de acessibilidade não pode substituir pessoas com deficiência nem teste humano real.
Maisiri & Musonza — Cultural costs…	○	—	—	●	○	○	IA educativa pode transportar valores externos e aprofundar marginalização epistemológica.
Sultan — Simulating the soul	○	—	—	●	—	○	Imitação estilística não equivale a compreender memória, intenção e experiência cultural.
Paschalidis — Linguistic flattening	○	—	—	●	—	○	Aceitar formulações probabilisticamente «normais» pode reduzir diversidade linguística e autoral.
Livingstone & Stricker — Disappearance of the unclear question	○	—	○	●	—	○	A pergunta ainda confusa é parte do pensamento; otimização precoce pode eliminar descoberta.
Amiel, Cox & de la Higuera — Open education principles	○	—	○	—	●	—	Abertura e escrutínio são contrapesos à governação educativa por caixas negras.
Appoldt & Gong — Baumol’s cost disease	—	—	○	—	●	○	Pressão de custos pode induzir substituição de trabalho humano mesmo quando esse trabalho é o valor educativo.
Fabo — Who educates the LLMs?	○	—	—	○	●	○	Modelos privados adquirem influência curricular que desafia a autoridade e responsabilidade do Estado.
O’Sullivan & Kelly — Environmental contradictions…	—	—	—	—	●	○	A expansão de LLM externaliza custos energéticos e ambientais incompatíveis com missões públicas não avaliadas.
Martin — Could zero-rating…?	○	—	○	—	●	—	Acessibilidade económica pode melhorar, mas zero-rating exige neutralidade, supervisão e infraestrutura complementar.
Ransom — AI labs and the great academic migration	○	—	—	—	○	●	Concentração de talento e computação pode alterar a autonomia e função social das universidades.
Casebourne & Wegerif — AI and education for collective intelligence	○	○	○	—	○	●	O futuro mais promissor desloca-se de tutor individual para inteligência coletiva e participação.
Pouts-Lajus — After AI	○	—	—	—	○	●	O futuro não está determinado; educação deve preparar para agir, inclusive em cenários de menor centralidade da IA.

Aplicando esta codificação, a prevalência transversal é a seguinte. Note-se que isto não é análise bibliométrica nem medida de importância objetiva; é uma contagem analítica de artigos e que cada questão tem papel substantivo além da sua secção formal.

A predominância de agência em 24 dos 26 textos é reveladora. Mesmo artigos sobre acessibilidade, literatura, empreendedorismo, avaliação ou futuro acabam por perguntar quem decide. A segunda maior concentração é governação/bem comum, seguida de pedagogia e futuros. O desenvolvimento juvenil aparece em menos artigos porque a coletânea lhe reserva uma parte mais delimitada; isso não significa que seja uma questão menos importante, e é precisamente uma das áreas em que a escassez de evidência longitudinal exige mais investigação.

Tema transversal — eficiência versus significado.
Quase todas as secções mostram algum caso em que a métrica privilegiada
pela tecnologia não coincide com a finalidade educativa: resposta mais
rápida versus compreensão; feedback mais extenso versus cuidado;
personalização versus vida coletiva; texto mais polido versus autoria;
mais utilização versus autonomia; acesso a uma aplicação versus
conectividade; otimização de custos versus relação humana. A política
pública deve, por isso, desconfiar de métricas de eficiência
isoladas.

Tema transversal — o processo tornou-se mais importante, não
menos. Quando produtos finais podem ser sintetizados, o
processo de chegar a eles ganha valor probatório e pedagógico: fontes
consultadas, perguntas formuladas, rascunhos, decisões, erros, revisão,
colaboração e defesa. Isto vale para avaliação, criatividade, literacia
mediática e investigação.

Tema transversal — a unidade de análise deve passar do «utilizador» para o sistema sociotécnico. A mesma ferramenta pode ser útil quando incorporada numa sequência pedagógica orientada e prejudicial quando usada como resposta automática. O contraste entre o ensaio de Edo e estudos sobre sobredependência mostra por que avaliar apenas a capacidade do modelo é insuficiente. [36 Devem ser estudados simultaneamente tarefa, interface, formação, professor, contexto, incentivos, dados, avaliação e modelo de negócio.

Tema transversal — abertura e autonomia requerem capacidade material. Não basta reconhecer juridicamente que o professor «continua responsável» se o currículo, feedback, registos, dados e infraestrutura estiverem num sistema que ele não consegue auditar nem substituir. O mesmo vale para Estados e universidades. Supervisão sem informação e sem poder de intervenção é supervisão nominal.

Tema transversal — equidade tem pelo menos quatro
dimensões. Há desigualdade de acesso a dispositivos e
conectividade; desigualdade de qualidade entre versões gratuitas e
pagas; desigualdade de representação para línguas, culturas e grupos
sub-representados; e desigualdade de exposição ao risco, quando
comunidades vulneráveis recebem soluções automatizadas que grupos
privilegiados não aceitariam para si próprios. A acessibilidade
acrescenta uma quinta dimensão: um produto pode ser tecnicamente
«conforme» e continuar praticamente inacessível sem participação de
pessoas com deficiência.

Tema transversal — sustentabilidade deve fazer parte da
pedagogia e da contratação. Uma instituição que ensina
responsabilidade climática, mas incentiva uso indiscriminado de
computação intensiva sem avaliar necessidade e alternativas, cria uma
incoerência curricular e institucional. A informação disponível sobre
consumo energético do setor mostra que o custo não é trivial, embora
métricas precisas por interação continuem dependentes do modelo,
hardware, carga e centro de dados. [24]

Lacunas de evidência mais importantes. A primeira é
desenvolvimento infantil: faltam estudos longitudinais independentes
sobre companheiros de IA, antropomorfismo, dependência, atenção e
socialização. A segunda é aprendizagem duradoura: existe muito mais
evidência sobre qualidade do output imediato do que sobre
retenção e transferência após semanas ou meses. A terceira é trabalho
docente: precisamos de dados sobre se IA reduz efetivamente carga,
desloca-a para revisão e supervisão ou aumenta expectativas de
produtividade. A quarta é diversidade cultural e linguística: as
hipóteses de homogeneização são plausíveis, mas são necessários
indicadores longitudinais. A quinta é avaliação: portefólios e provas
orais parecem mais robustos, mas podem implicar custos, subjetividade ou
dificuldades de escala que exigem ensaios. A sexta é sustentabilidade:
faltam dados comparáveis e auditáveis por fornecedor e tipo de tarefa. A
sétima é governação: sabemos muito sobre princípios, mas pouco sobre
quais estruturas de contratação, auditoria e participação reduzem
efetivamente danos.

As prioridades de investigação e política podem, assim, ser organizadas por horizonte:

Prioridade	Curto prazo	Médio prazo	Longo prazo	Indicador de progresso
Proteção de menores	Regras para bots, dados e antropomorfismo	Estudos multicêntricos e monitorização	Coortes longitudinais	Bem-estar, procura de ajuda humana, dependência, aprendizagem
Avaliação	Redesenhar tarefas vulneráveis; eliminar sanções baseadas apenas em detetores	Portefólios, oralidade e avaliação de processo	Reforma de certificação	Validade, equidade, transferência e custo
Capacidade docente	Formação pedagógica e literacia em IA	Tempo, comunidades de prática e apoio especializado	Profissão docente reforçada, não reduzida a supervisão de plataformas	Carga efetiva, confiança, qualidade de interação
Governação pública	Inventário, avaliações de impacto e cláusulas contratuais	Normas nacionais de contratação e auditoria	Infraestrutura pública/interoperável	Contestabilidade, substituibilidade, incidentes e concentração
Equidade e acessibilidade	Alternativas sem IA e teste por utilizadores reais	Co-design com grupos afetados	Bens comuns digitais multilingues e acessíveis	Diferenças de acesso e resultados entre grupos
Evidência	Exigir referência de base nos pilotos	Ensaios independentes, replicação e estudos de transferência	Observatórios longitudinais	Proporção de decisões sustentadas por evidência independente
Ambiente	Medir e exigir divulgação	Comparar opções por utilidade educativa por custo ambiental	Critérios ecológicos em infraestrutura e contratação	Energia, emissões e água quando mensuráveis

O princípio metodológico deveria ser «pilotar para aprender, não pilotar para legitimar uma compra já decidida». Um bom piloto deve ter hipótese explícita, medida de referência, grupo de comparação quando apropriado, resultados educativos e distributivos, registo de danos, análise de custo total e critérios prévios para interromper a intervenção. A disponibilização pelo Banco Mundial de materiais e código associados à experiência da Nigéria é um exemplo útil de abertura e reprodutibilidade, embora o contexto limite generalizações automáticas. [37]

Em Portugal, há uma oportunidade particularmente favorável para uma abordagem deste tipo. O país dispõe agora de um diagnóstico nacional do ensino superior, iniciativas escolares de literacia crítica, pilotos regionais e um enquadramento europeu que tornou várias obrigações operacionais em 2026. [38] O passo decisivo é evitar que estes elementos evoluam em silos. Uma política coerente deveria ligar currículos, formação docente, contratação pública, proteção de dados, avaliação, acessibilidade, investigação e infraestrutura digital.

A prioridade final não é tornar cada aluno «fluente em todas as
ferramentas de IA»; essas ferramentas mudarão demasiado depressa. É
formar pessoas capazes de compreender sistemas, usá-los quando
há razão para o fazer, recusá-los quando não há, verificar o que
produzem, conservar a autoria das próprias decisões, cooperar com outros
e participar democraticamente na escolha das tecnologias que estruturam
a educação. Esta formulação aproxima a evidência recente, o
diagnóstico português, o quadro europeu e a tese central dos 26 artigos:
a educação não deve adaptar os seus fins às capacidades do algoritmo;
deve decidir primeiro que seres humanos, relações, conhecimentos e
instituições quer cultivar e só depois determinar que lugar, se algum,
cada forma de IA merece ocupar. [UNESCO]

[1]
[12]
[36]
From chalkboards to chatbots: Transforming learning in Nigeria, one prompt at a time

[2]
Beware of metacognitive laziness: Effects of generative artificial intelligence on learning motivation, processes, and performance – Fan – 2025 – British Journal of Educational Technology – Wiley Online Library

https://doi.org/10.1111/bjet.13544[3]
The effects of over-reliance on AI dialogue systems on students’
cognitive abilities: a systematic review | Smart Learning Environments |
Springer Nature Link

[4]
[38]
Inteligência Artificial no Ensino Superior em Portugal: Diagnóstico Nacional para Governação Institucional | DGES

[5]
What makes you attached to social companion AI? A two-stage exploratory mixed-method study – ScienceDirect

[6]
[14]
Guidance on AI and children | Office of Strategy and Evidence Innocenti

[7]
GPT detectors are biased against non-native English writers: Patterns

https://doi.org/10.1016/j.patter.2023.100779

[8]
Generative AI enhances individual creativity but reduces the collective
diversity of novel content | Science Advances

https://doi.org/10.1126/sciadv.adn5290

[9]
[28]
[31]
Navegar no Regulamento Inteligência Artificial | Shaping Europe’s
digital future

[10]
New Council of Europe recommendation places education at the heart of response to AI – Portal

[11]
Commission starts enforcing AI Act rules and new transparency requirements on 2 August | Shaping Europe’s digital future

[13]
AI competency framework for students | UNESCO

[15]
APA calls for guardrails, education, to protect adolescent AI users

[16]
A qualitative systematic review on AI empowered self-regulated learning
in higher education | npj Science of Learning

[17]
Webinar “IA, eu penso?” | Educação | Direção-Geral da Educação

[18]
Pesquisar

[19]
What’s New in WCAG 2.2 | Web Accessibility Initiative (WAI) | W3C

[20]
The cultural cost of AI in Africa’s education systems | UNESCO

[21]
Baumol’s cost disease: long-term economic implications where
machines

[22]
Who educates the LLMs? | UNESCO

[23]
Environmental contradictions of large language models in higher

[24]
Executive summary – Key Questions on Energy and AI – Analysis – IEA

[25]
Could zero-rating advance meaningful connectivity in education?

[26]
AI and technologies in education | UNESCO

[27]
PGR

[29]
European Union ratifies the Council of Europe Framework Convention on
Artificial Intelligence – Artificial Intelligence

[30]
First ever consensus on Artificial Intelligence and Education

[32]
AI labs and the great academic migration: a speculative scenario

[33]
AI and Education for collective intelligence: A futures perspective

[34]
After AI | UNESCO

[35]
Inteligência Artificial no Ensino Superior em Portugal: Diagnóstico
Nacional para Governação Institucional | DGES

[37]
Nigeria – Reproducibility package for From Chalkboards To Chatbots:
Evaluating The Impact Of Generative Ai On Learning Outcomes In
Nigeria

Autores: Ana Ferreira e Jorge Borges | Nota de transparência: este artigo foi elaborado com o apoio de inteligência artificial (ChatGPT, da OpenAI)