Há quem veja na IA apenas um atalho: pede-se, copia-se, entrega-se. Um estudo de Stanford, assente em quase 250 mil conversas reais, sugere que a maior parte das pessoas faz outra coisa, que é discutir, corrigir e reescrever. Para a escola, o interesse está menos no elogio e mais nas condições em que isso acontece. Convém avisar desde já que o modelo analisado é o Claude, o mesmo que nos apoiou na redação deste texto.

De onde vêm os números

A notícia chegou-nos através do Stanford AI, a 12 de outubro, com o título «Humans and AI engage in meaningful collaborations». Por detrás dela está um preprint de 21 de agosto de 2026, assinado por Yijia Shao, Dora Zhao, Vishakh Padmakumar, Jennifer Wang e Diyi Yang, do laboratório SALT da Universidade de Stanford. Os autores analisaram 249 834 conversas de utilizadores particulares do Claude.ai, recolhidas ao longo de 14 dias, entre 25 de abril e 9 de maio de 2026, e fizeram três perguntas: que trabalho as pessoas levam à IA, que papel mantêm nele e onde a colaboração encalha.

O método merece uma explicação, porque condiciona tudo o resto. Os investigadores não leram uma única conversa. Escreveram perguntas, do género «que tipo de orientação está esta pessoa a pedir?», e a Anthropic, através de uma ferramenta chamada Anthropic Insights (antes conhecida por Clio), pôs o Claude a responder a essas perguntas em cada conversa. Do outro lado só chegam categorias agregadas e percentagens. Ou seja, o modelo que está a ser estudado é também o que faz a classificação. E, já agora, foi o mesmo modelo que nos ajudou a escrever este artigo. Dizemo-lo logo no início para que quem lê possa pesar o que vem a seguir.

Trabalho a sério, mais do que se esperava

A ideia de que as pessoas guardam para si o trabalho importante e deixam à IA o acessório não resiste bem a estes dados. Nas conversas com uma tarefa concreta, 56% foram classificadas como consequentes ou de risco elevado, isto é, trabalho que afeta outras pessoas ou é difícil de desfazer. Há um pormenor que a notícia do AI arredonda: 34% das conversas não continham nenhuma tarefa que se pudesse avaliar, e os 56% referem-se apenas às restantes. Fazendo as contas, 66% × 56% ≈ 37% do total, qualquer coisa como 92 mil das 249 834 conversas. É um cálculo nosso, feito com percentagens arredondadas, que serve só para pôr o número na escala certa.

O aconselhamento jurídico e financeiro é o domínio onde o risco mais se concentra (2,14 numa escala de 0 a 3, com cerca de um quarto das conversas em risco elevado). No extremo oposto ficam os trabalhos académicos, com 1,06. A duração também muda: a conversa passa de 6,5 turnos nas tarefas efémeras para 12,4 nas de risco elevado, quase o dobro (12,4 ÷ 6,5 ≈ 1,9). Quando o que está em jogo cresce, as pessoas conversam mais e mexem mais no que recebem.

Convém dizer o que o estudo não é. Não é um estudo sobre escolas. Nas fontes que consultámos nada indica que tenha separado alunos de adultos, e os trabalhos académicos são apenas um de nove domínios. O estudo não nos diz a idade de quem conversa, e extrapolar para alunos do básico ou do secundário seria um salto que os dados não autorizam.

Quem manda na conversa

Os autores usaram uma escala de agência humana, de H1 (a IA faz tudo sozinha) a H5 (controlo humano total). A grande maioria das conversas, 72%, ficou no nível H4, em que a pessoa conduz e a IA ajuda. Só 18,2% caíram nos níveis em que a IA trabalha praticamente por conta própria. E mesmo quando o resultado é importante, o gesto mais comum é «adaptar», ou seja, reescrever de forma significativa o que a IA devolveu: 60% nas tarefas consequentes e 52% nas de risco elevado. Nestas últimas, a categoria «perceber» — pedir explicações ou mais pormenores — sobe para 21%. Na conclusão, os autores assinalam que, na categoria de maior risco, a adaptação e a crítica diminuem enquanto aumenta a procura de compreensão. Consideram que esta inversão pode enfraquecer a supervisão humana «precisamente onde mais importa».

Conduzir a conversa não é, porém, o mesmo que aprender com ela. A própria Anthropic resume que, mesmo quando as pessoas dirigem o trabalho, variam muito na medida em que percebem e aprendem com o que o Claude produz. Segundo o preprint, o ensino ativo aparece em 67% das conversas avaliadas nessa dimensão (117 544 conversas, cerca de 47% do total); entre essas conversas, 15% estão associadas a ajuda académica. O preprint assinala que os benefícios se distribuem de forma desigual. Para a escola a distinção pesa: um aluno pode estar a dirigir uma conversa inteira e sair dela sem ter aprendido nada.

Diyi Yang, a autora sénior, deixa um aviso que vale a pena registar: teme que se abra um fosso entre quem usa a IA para desenvolver competências e quem a aceita como substituto do próprio raciocínio.

O atrito, essa palavra feia

À primeira vista, «atrito» soa mal numa sala de aula, onde andamos sempre à procura de fluidez. Mas os autores chamam atrito a qualquer momento que atrasa ou trava a conversa: um mal-entendido, uma resposta ao lado, um pedido pouco claro. Aparece em 49,7% das conversas. Nos casos assinalados, 42,0% envolvem problemas dos dois lados, 38,6% nascem no modelo e 19,4% no utilizador.

O que o estudo acrescenta é que boa parte desse atrito é classificada como produtiva, no sentido de levar a clarificar, refinar ou aprender — uma classificação do estudo, não uma medida de aprendizagem nem uma prova de que a tarefa correu bem. Quando há atrito, em 78,7% das conversas o utilizador tenta recuperar ativamente; em 72,9% das conversas com atrito, a estratégia é abordar o desencontro. Dora Zhao compara isto ao que se passa numa equipa saudável, onde quem discorda e defende a sua posição costuma ser sinal de bom ambiente de trabalho. Entre as estratégias com maior proporção de resultados classificados como produtivos estão desafiar o raciocínio do modelo (81,5%), pedir uma resposta mais simples (80,3%) e corrigir um erro factual (76,8%). Reformular o pedido sem alterar o que se pretende tende a resultar pior. Estes valores descrevem a classificação dos resultados no estudo; não medem diretamente a aprendizagem.

Lembra o intervalo de que falava Anne Carson a propósito do dicionário em papel, aquele tempo de hesitação em que o pensamento já vai a caminho da palavra, e de que falámos há poucos dias. Lembra também o caso da Estónia, onde uma ferramenta pensada para não entregar a resposta pronta foi mal recebida pelos alunos, em parte por lhes fazer perguntas a mais. O atrito pode ensinar e pode simplesmente irritar. O estudo não esclarece qual dos dois acontece numa turma de 8.º ano.

O que a escola pode tirar daqui

O que se segue são leituras nossas, e não conclusões do estudo, que não testou nada em contexto escolar.

A primeira tem a ver com o que avaliamos. Se o sinal de uso ativo é a conversa que se prolonga, a discordância e o retrabalho, então o produto final diz pouco sobre o processo. Em vez de perguntar apenas «usaste IA?», talvez valha a pena pedir ao aluno que mostre onde discordou da resposta, o que mudou e porquê. Bastam duas ou três linhas, e torna-se visível o que o estudo aponta como decisivo. Tem limites óbvios: um aluno hábil inventa discordâncias, e pedir excertos de conversas levanta questões de privacidade que cada escola terá de pesar.

A segunda é que recuperar de uma má resposta se aprende. Os dados dão sustento a uma atividade que ensine a contestar e a reparar, e não apenas a reformular: desafiar o raciocínio do modelo, pedir uma versão mais simples ou corrigir um erro factual foram estratégias associadas a mais resultados classificados como produtivos. Estes valores não medem aprendizagem. Os gestos são concretos e ensináveis, e cabem no que o quadro AILit chama interagir com a IA (já o trouxemos a propósito dos vinte e dois referenciais e dos cinco passos para a escola). Uma atividade possível: dar à turma uma resposta com um erro plantado e pedir a cada par que a ponha em causa com três perguntas, em vez de se limitar a reformular o pedido. Não a testámos, é só uma sugestão.

A terceira é a que mais nos inquieta. Se Yang tem razão, a diferença pode não estar em usar ou não usar IA, mas na maneira de a usar, e é plausível que essa maneira dependa de ter ou não ao lado alguém que diga «pergunta-lhe porquê». Esta hipótese é nossa, não do estudo. Mas dá à escola uma tarefa clara: ser o sítio onde todos os alunos aprendem a usar a IA para desenvolver competências, e não para as dispensar.

Resta o lado do professor. Pareceres, relatórios, comunicações às famílias, avaliações: são tarefas com efeito sobre outras pessoas e difíceis de desfazer, ou seja, caem na definição de «consequente» do próprio estudo. Quem já usa IA neste território faz bem em ler tudo duas vezes, como já víamos a propósito da docência com IA generativa, onde as rubricas geradas só ganhavam valor depois de verificadas. E faz bem em lembrar-se de que os dados pessoais dos alunos não são matéria-prima para qualquer ferramenta.

Ressalvas que não se podem saltar

A primeira já foi dita: é o Claude a classificar conversas do Claude. A Anthropic admite que a ferramenta é sensível à formulação das perguntas, que uma pergunta mal escrita pode meter conversas em categorias que as deturpam, e que esses erros são difíceis de apanhar, porque ninguém pode ler as conversas por trás. Os investigadores testaram as suas perguntas num conjunto público, o WildChat, onde podiam conferir as respostas, mas esse conjunto inclina-se para usos casuais e criativos, e algumas perguntas que ali funcionavam bem produziram categorias enganadoras no tráfego real do Claude. A empresa respondeu com orientações para interpretar os resultados. Números como 72% ou 49,7% são, por isso, estimativas condicionadas pelo método, e não factos limpos sobre a colaboração entre humanos e IA em geral.

A segunda: os rótulos assentam no que se vê dentro da conversa. Yijia Shao reconhece, numa resposta a um comentário no próprio preprint, que não se vê o que acontece fora dela, isto é, se a pessoa verificou, adotou ou agiu com base na resposta. Acresce que são dados de uma só empresa, de utilizadores particulares, recolhidos ao longo de 14 dias.

A terceira é a independência. A Anthropic afirma que os seus direitos contratuais de revisão se limitavam à privacidade dos utilizadores, a informação que ajudasse a violar as suas políticas de utilização, a informação confidencial da empresa e à exatidão da investigação, e que os autores podiam publicar mesmo resultados inconvenientes. Em menos de 5% das categorias e conversas de cada estudo houve alterações ou remoções por causa de usos indevidos, e os investigadores foram informados do que mudou. Faz sentido registá-lo, e registar também que quem o diz é a própria empresa.

Por fim, o estatuto do artigo. O Stanford AI escreve que foi aceite pela Nature Human Behaviour. A versão que consultámos é o preprint de agosto, sem DOI, e não encontrámos confirmação independente dessa aceitação. Convém esperar pela versão final antes de tratar estes números como definitivos.

Uma pergunta para levar

Há boas razões para pensar que, quando as pessoas usam IA para coisas que lhes importam, a maioria trabalha com ela em vez de se limitar a aceitá-la. Ninguém demonstrou ainda que o mesmo vale para uma turma de adolescentes, e o estudo diz-nos pouco sobre quem aprende e quem apenas despacha. Talvez a pergunta mais útil para o próximo grupo disciplinar seja menos «os alunos usam IA?» e mais «o que fazem quando a resposta está errada?».

---

Nota editorial e de transparência. Este artigo foi elaborado com assistência de inteligência artificial (Claude, da Anthropic), sujeito a revisão e responsabilidade editorial dos autores do blogue.

Referências

Anthropic. (2026, 26 de agosto). Enabling independent research on how people use Claude. Consultado a 14 de outubro de 2026, em <https://www.anthropic.com/news/enabling-independent-research>

Myers, A. (2026, 12 de outubro). Humans and AI engage in meaningful collaborations. Stanford Institute for Human-Centered Artificial Intelligence. Consultado a 14 de outubro de 2026, em <https://hai.stanford.edu/news/humans-and-ai-engage-in-meaningful-collaborations>

Shao, Y. (s.d.). Resposta a comentário sobre a inferência de agência a partir de transcrições [Comentário]. alphaXiv. Consultado a 14 de outubro de 2026, em <https://www.alphaxiv.org/abs/2608.human-ai-collaboration-at-scale>

Shao, Y., Zhao, D., Padmakumar, V., Wang, J., & Yang, D. (2026). Human–AI collaboration at scale: Task criticality, agency, and friction across 250,000 conversations [Preprint]. alphaXiv. Consultado a 14 de outubro de 2026, em <https://www.alphaxiv.org/abs/2608.human-ai-collaboration-at-scale>

Para saber mais

Fora do blogue: o preprint completo, na alphaXiv; a publicação da Anthropic sobre o programa, com o apêndice metodológico e a ligação aos dados agregados, no Hugging Face; a descrição do Anthropic Insights (Clio); o quadro de literacia em IA (AILit).

No blogue: A tutoria por IA igualou a humana num teste de admissão…; O que a Estónia aprendeu no primeiro ano de IA nas escolas; Literacia em IA: cinco passos para a escola; IA na sala de aula: promessa, perigo e o que vem a seguir.