Porque é que achamos algo bonito? A filosofia faz esta pergunta há dois mil e quinhentos anos e nunca a fechou de vez — e isso, longe de ser um problema, é exatamente o que a torna útil para uma aula de Filosofia, de Cidadania ou de Artes.
Psique reanimada pelo beijo de Cupido, de Antonio Canova (1787–1793), Museu do Louvre — a escultura em que o neoclassicismo deu corpo de mármore àquilo que Platão já considerava «difícil» de definir: o belo.
Um pôr do sol fotografado à pressa, uma equação que finalmente bate certo, um rosto que só aparece no ecrã depois de passar por seis filtros diferentes. Os alunos de hoje chamam «lindo» a um número impressionante de coisas todos os dias — e raramente param para perguntar porquê. A filosofia começou a fazer essa pergunta há dois mil e quinhentos anos, na Grécia antiga, e nunca conseguiu fechá-la de vez. Talvez seja precisamente essa falta de resposta definitiva que torna o tema tão produtivo para uma sala de aula.
Da Grécia antiga a um «não sei quê» que ninguém consegue definir
As culturas mais antigas já produziam objetos que hoje reconhecemos como belos, mas foi na Grécia clássica que a beleza se tornou, pela primeira vez, um problema a pensar — e não apenas a sentir. Platão dedica-lhe um diálogo inteiro, o Hípias Maior, em que Sócrates tenta arrancar a um interlocutor pouco à altura uma definição do belo. As respostas fracassam uma a uma: o belo não é simplesmente o que agrada aos olhos, nem apenas o que é útil e cumpre a sua função, embora ambas as ideias contenham alguma verdade. O diálogo termina sem resposta fechada, com uma conclusão que ficou célebre: as coisas belas são difíceis. Platão volta ao tema noutro diálogo, o Banquete, onde a sacerdotisa Diotima ensina a Sócrates que o desejo do belo é também o caminho para o bem — e é aqui que se forja uma ideia que atravessará toda a história do pensamento ocidental: a de que belo, bom e verdadeiro estão intimamente ligados.
Antes de Platão, os pitagóricos já tinham proposto uma resposta diferente e muito mais matemática: a beleza é proporção, é ordem numérica, é aquilo que reproduz em pequena escala a harmonia do próprio cosmos. Para eles, dizer que algo é belo não é uma opinião — é constatar uma relação de proporção que existe objetivamente, independentemente de quem olha. Aristóteles tentará mais tarde uma síntese entre estas duas posições: o belo exprime-se em número e em ordem, à maneira pitagórica, mas contém também um elemento que escapa ao cálculo, uma espécie de graça própria que o distingue. É bom, diria Aristóteles, aquilo que vale por si mesmo e que, ao mesmo tempo, nos agrada.
Quando o belo se tornou sagrado — e depois perigoso
Com o neoplatonismo e, mais tarde, com o cristianismo medieval, a beleza ganha uma dimensão religiosa: contemplar o belo passa a ser uma forma de participar em algo maior, de tocar o divino. É desta linhagem que nasce a célebre tríade medieval de condições da beleza — proporção, integridade e um resplendor que os pensadores da época chamavam claritas, a luminosidade que deixa transparecer, num objeto sensível, algo que o ultrapassa. Séculos depois, o poeta Petrarca recuperará de Santo Agostinho uma expressão que continua a ser, ainda hoje, a melhor definição possível do que sentimos perante o belo: um nescio quid, um «não sei quê» que resiste a qualquer definição fechada.
Foi só no século XVIII, com o filósofo alemão Alexander Baumgarten — discípulo de Christian Wolff e, por essa via, herdeiro da tradição racionalista de Leibniz —, que a reflexão sobre o belo se tornou uma disciplina filosófica autónoma, com nome próprio: a estética, palavra que o próprio Baumgarten cunhou na sua obra Aesthetica, publicada entre 1750 e 1758 (Britannica, 2026). A partir daqui, a beleza deixa de ser apenas um atributo do mundo e passa a ser também um problema do sujeito que a experiencia.
E é também nesta altura que a beleza revela o seu lado mais inquietante. Em 1817, o escritor francês Stendhal visitou a basílica de Santa Croce, em Florença, e saiu de lá com taquicardias e tonturas tão intensas que acabou por dar nome a um síndrome ainda hoje estudado em psicologia. O filósofo Edmund Burke, no seu ensaio sobre o belo e o sublime, distingue precisamente esta outra face da experiência estética: ao lado do belo que tranquiliza, existe o sublime, aquilo que sobrecoge, que quase assusta — um naufrágio, uma tempestade, a beira de um precipício. Immanuel Kant tentará depois resolver o enigma de outra forma: como o juízo sobre o belo não pode assentar em nenhuma regra objetiva que o determine à partida, Kant propõe que se trate de um juízo reflexionante — a faculdade de julgar volta-se sobre si própria, sem um conceito fixo a que se agarrar, funcionando segundo aquilo que os filósofos kantianos costumam resumir na fórmula «finalidade sem fim». Dito de outro modo: para Kant, dizer que algo é belo não é aplicar uma regra, é experimentar um prazer que, mesmo sendo pessoal, esperamos que qualquer outra pessoa razoável possa partilhar.
Da arte que revela verdade à beleza «polida» dos ecrãs
O século XX trouxe novas formas de pensar o problema. Para Hegel, só faz sentido falar de beleza dentro do mundo da arte, porque é aí que se manifesta aquilo a que chamava o conteúdo espiritual de uma obra. Martin Heidegger vai por um caminho próximo, mas distinto: a obra de arte é bela quando revela uma verdade, quando deixa aparecer «o mundo» de uma forma que, sem ela, permaneceria oculta. Walter Benjamin propõe um conceito que ficou célebre — a aura — para descrever aquilo que se perde quando uma obra passa a existir em milhares de reproduções idênticas: a sensação de estar perante algo único, ligado a um tempo e a um lugar que não se repetem. Já o filósofo espanhol Eugenio Trías situa a experiência da beleza numa fronteira desconfortável, entre o visível e o oculto, entre o luminoso e aquilo que ele chama o sinistro — a ideia de que o belo mais intenso é, também, o que mais se aproxima daquilo que nos assusta (Peñas, 2026).
Esta linha de pensamento desagua numa crítica particularmente relevante para quem vive rodeado de ecrãs: a do filósofo sul-coreano Byung-Chul Han. Para Han, a nossa época teria substituído a experiência do belo — que implica sempre algum risco, alguma negatividade, alguma resistência — por uma estética do polido: imagens lisas, sem arestas, otimizadas para um consumo rápido e para um agrado imediato, sem nada que perturbe ou obrigue a parar (Han, 2015; Peñas, 2026). É uma ideia que qualquer adolescente reconhece sem precisar de a explicar: a diferença entre um rosto fotografado ao natural e o mesmo rosto depois de passar por um filtro que lhe apaga imperfeições, uniformiza a pele e arredonda contornos. A beleza «polida» de que fala Byung-Chul Han não é uma metáfora distante — é, para muitos alunos, uma experiência estética diária, moldada por aplicações desenhadas precisamente para produzir esse efeito.
Porque é que esta discussão já está no programa — e não só de Filosofia
A boa notícia é que nada disto exige inventar um novo espaço curricular. A dimensão estética e a experiência estética constituem um dos grandes temas do programa de Filosofia do 11.º ano, com tradição firme nos exames nacionais da disciplina — código 714 — desde a criação da prova, homologada em 2001 sob coordenação de Maria Manuela Bastos de Almeida (Henriques et al., 2001; Direção-Geral da Educação, 2026). É, portanto, um dos poucos temas em que levar esta discussão para a sala de aula não é apenas pertinente — está literalmente previsto que os alunos aprendam a fazê-lo, e que sejam capazes de argumentar sobre se a beleza é ou não condição necessária de uma obra de arte, ou se a experiência estética pode existir independentemente dela.
Mas o interesse do tema ultrapassa a disciplina de Filosofia. Em Cidadania e Desenvolvimento, a discussão sobre a beleza «polida» das redes sociais cruza-se diretamente com a literacia mediática e com a educação para o bem-estar digital: perceber que uma fotografia filtrada obedece a uma determinada ideia de beleza — e não a um ideal neutro ou universal — é um exercício de pensamento crítico tão relevante como analisar uma notícia. Em Português, o vocabulário da estética oferece ferramentas precisas para lá do «gostei» ou «não gostei» na leitura de poesia. E em Educação Visual ou em Artes, a própria história que vai de Platão a Byung-Chul Han pode funcionar como pano de fundo para discutir critérios de composição, proporção e intenção estética que os alunos já aplicam intuitivamente, sem lhes saber dar nome.
Uma proposta para a sala de aula
Uma forma simples de levar este tema para uma aula de Filosofia, de Cidadania e Desenvolvimento ou de Artes não exige qualquer material que a escola não tenha já. Pode pedir-se aos alunos que tragam, no telemóvel, duas fotografias suas — uma sem qualquer edição e outra passada por um filtro comum de rede social — e que descrevam, por escrito, o que muda entre as duas e porque é que uma lhes parece «mais bonita». O exercício raramente fica pelo aspeto técnico: acaba quase sempre por levantar as perguntas de fundo que a filosofia coloca há séculos — a beleza está na proporção, no efeito que produz em quem olha, ou nalguma outra coisa que resiste a ser medida?
A segunda parte da proposta dirige-se a quem coordena o departamento de Filosofia, de Artes Visuais ou a equipa de Cidadania e Desenvolvimento. Vale a pena cruzar, numa única sessão, o módulo da experiência estética do programa de Filosofia com a discussão sobre beleza digital e autoimagem que já faz parte da literacia mediática — duas conversas que, nas escolas, costumam acontecer em disciplinas diferentes e sem nunca se tocarem, apesar de partirem exatamente da mesma pergunta.
Nota de transparência: este artigo foi elaborado com o apoio de inteligência artificial (Claude, da Anthropic), a partir da leitura direta do artigo «Filosofía de la belleza», de Esther Peñas, publicado na revista espanhola Ethic. As referências à obra e biografia de Alexander Baumgarten foram verificadas de forma independente junto da Encyclopaedia Britannica. As referências ao programa e às aprendizagens essenciais de Filosofia do ensino secundário português foram verificadas junto dos documentos oficiais da Direção-Geral da Educação. As atribuições de teses específicas a Eugenio Trías e a Javier Gomá seguem a síntese apresentada no artigo de origem.
Os próprios laboratórios que constroem a inteligência artificial não concordam sobre o que é a IA geral, nem sobre quando vai chegar. Para a escola, essa incerteza pode ser mais útil do que parece: é um caso de estudo pronto a usar sobre como avaliar afirmações extraordinárias.
Nos últimos meses, os responsáveis das maiores empresas de inteligência artificial do mundo têm feito afirmações cada vez mais ousadas sobre a chamada inteligência artificial geral — a ideia de uma máquina capaz de fazer, tão bem ou melhor do que um ser humano, praticamente qualquer tarefa intelectual. O problema é que essas mesmas empresas não conseguem concordar sobre o que a expressão significa, nem sobre quando esse momento chegaria, havendo mesmo quem admita tratar-se sobretudo de uma expressão de marketing. Para a escola portuguesa, essa disputa não é uma curiosidade da imprensa tecnológica: é um caso de estudo pronto a usar sobre como avaliar afirmações extraordinárias feitas por quem tem interesse direto em que sejam acreditadas.
Uma palavra que nem os seus criadores sabem definir
Perguntar «o que é a inteligência artificial geral?» parece, à partida, uma pergunta simples. Não é.
Quando uma equipa da Google DeepMind se propôs, em 2023, sistematizar o conceito, começou por rever nove definições populares de IA geral já em circulação — do teste de Turing a formulações baseadas em valor económico — antes de propor a sua própria (Morris et al., 2023). Se a comunidade científica que constrói estes sistemas ainda precisa de reconciliar nove definições concorrentes só para começar a conversa, talvez a primeira coisa que valha a pena ensinar aos alunos seja precisamente essa: nem todos os termos que soam a categoria técnica são, de facto, categorias técnicas bem definidas.
A OpenAI, a empresa que criou o ChatGPT, define a inteligência artificial geral no seu documento fundador como «sistemas altamente autónomos que superam os humanos na maioria dos trabalhos economicamente valiosos» (OpenAI, 2018). É uma definição operacional, mas que deixa por resolver perguntas incómodas: que trabalhos contam como economicamente valiosos? Superar um humano em quê — velocidade, exatidão, criatividade, tudo ao mesmo tempo?
Dario Amodei, diretor executivo da Anthropic — a empresa responsável pelo assistente Claude, com quem este artigo foi redigido —, é ainda mais direto. Já afirmou publicamente que a sigla AGI nunca foi, para si, um termo bem definido, preferindo descrevê-la como uma «frase de marketing» (Amodei, citado em Business Insider Nederland, 2026). Amodei prefere falar de IA poderosa: sistemas melhores do que quase todos os humanos em quase todas as tarefas, sem se comprometer com a ideia de uma inteligência geral no sentido em que os humanos a possuem.
Este é, já de si, um dado interessante para uma aula de Filosofia ou de Cidadania e Desenvolvimento: quando as próprias pessoas que constroem uma tecnologia hesitam sobre como a chamar, talvez a pergunta mais produtiva não seja «o que é a AGI?», mas sim que evidência concreta está por trás de cada afirmação feita sobre ela.
Seis níveis para medir aquilo que ainda não existe
Perante a falta de consenso, a Google DeepMind propôs uma alternativa pragmática: em vez de discutir se a AGI «existe» ou «não existe» — uma pergunta binária e pouco útil —, mede-se o desempenho e a generalidade de cada sistema, à semelhança do que já se faz com os níveis de condução autónoma nos automóveis (Morris et al., 2023).
O resultado é uma escala com seis patamares, definidos por comparação com o desempenho de adultos qualificados:
Nível
Designação
Critério de desempenho
0
Sem IA
Nenhuma capacidade relevante de IA envolvida
1
Emergente
Igual ou ligeiramente superior a um adulto sem preparação específica
2
Competente
Ao nível de, pelo menos, metade dos adultos qualificados na tarefa
3
Perito
Ao nível de, pelo menos, 90% dos adultos qualificados na tarefa
4
Virtuoso
Ao nível de, pelo menos, 99% dos adultos qualificados na tarefa
5
Sobre-humano
Supera a totalidade dos seres humanos na tarefa
Esta escala aplica-se tanto a sistemas estreitos, especializados numa única tarefa, como a sistemas gerais. E é aqui que reside o detalhe mais instrutivo: os próprios autores classificaram, em 2023, sistemas como o AlphaFold — que prevê a estrutura tridimensional de proteínas — ou o motor de xadrez Stockfish como já «sobre-humanos», nível 5, precisamente por serem estreitos: dedicam-se a uma única tarefa e superam nela qualquer humano (Morris et al., 2023). Nesse mesmo ano, os autores classificaram os assistentes conversacionais generalistas então mais avançados apenas no nível 1, emergente — cobrindo muitas tarefas, mas sem alcançar em nenhuma delas a robustez de um profissional competente. Este artigo não avalia, porque isso exigiria novos testes que não constam do estudo original, se os sistemas atuais — incluindo aqueles com que a maioria dos alunos portugueses já contacta em 2026 — subiram de nível desde então.
Para uma aula, esta tabela é mais útil do que parece: pode servir literalmente para classificar, com os alunos, as ferramentas de IA que já utilizam — um corretor ortográfico, uma aplicação de tradução, um assistente de escrita — e discutir em que patamar de desempenho e generalidade cada uma se situa. Não é preciso esperar por uma resposta definitiva sobre a AGI para começar a pensar assim.
Datas que os próprios especialistas não conseguem combinar
Se a definição já gera discórdia, o calendário gera ainda mais.
Em agosto de 2026, numa longa reportagem da revista TIME sobre a reestruturação interna da OpenAI, o diretor de investigação da empresa, Mark Chen, estimou que a OpenAI estaria a «80% do caminho» para a AGI. O presidente Greg Brockman foi mais longe, sugerindo que, vistos daqui a dois anos, estes meses poderão ser recordados como o momento em que a AGI foi criada. O próprio Sam Altman, diretor executivo, admitiu que a empresa ainda não tinha chegado lá, mas garantiu que, até ao final de 2026, teria um sistema interno ao qual chamaria AGI (Heath, 2026). Poucos meses antes, em fevereiro de 2026, Altman já tinha dito a uma audiência de estudantes em Stanford que quem estivesse então no segundo ano do curso «vai formar-se para um mundo com AGI dentro dele» (Stanford Daily, 2026).
Do outro lado, Dario Amodei tem vindo a repetir, desde finais de 2024, que a IA poderosa — o seu equivalente funcional à AGI — poderia chegar já em 2026. Numa entrevista divulgada em janeiro de 2026, comparou o resultado a um «país de génios num centro de dados», com uma capacidade coletiva equivalente a dezenas de milhares de vencedores do Prémio Nobel a trabalhar em conjunto, atribuindo a este cenário uma probabilidade de 90% dentro de dez anos e de cerca de 50% já nos dois anos seguintes (iTiger, 2026). Nesse mesmo mês, num ensaio próprio, elevou a comparação para um conjunto de computação com capacidade equivalente a 50 milhões de vencedores do Prémio Nobel, alertando também para os riscos de segurança associados a um poder de cálculo dessa escala (Quiroz-Gutierrez, 2026).
Nem todos concordam com a proximidade do marco. Yann LeCun, até há pouco cientista-chefe de IA da Meta e hoje à frente da sua própria empresa, a AMI Labs, discorda frontalmente da ideia de que bastará continuar a aumentar os atuais modelos de linguagem para lá chegar. Numa conferência de janeiro de 2026, LeCun argumentou que estes sistemas continuam a ter falhas estruturais em memória de longo prazo, planeamento e compreensão do mundo físico, e que alcançar uma inteligência mais próxima da humana exigirá arquiteturas totalmente novas — não apenas mais dados e mais capacidade de cálculo (TechNews, 2026).
E depois há os próprios números. Em janeiro de 2024, um inquérito a 2778 investigadores que tinham publicado em conferências de referência da área — o maior estudo do género alguma vez realizado — estimou uma probabilidade de 50% de que máquinas não assistidas por humanos consigam, um dia, superar os humanos em absolutamente todas as tarefas até 2047 (Grace et al., 2024). É um dado com uma particularidade reveladora: essa mesma estimativa, apenas um ano antes, num inquérito equivalente, apontava para 2060. Em doze meses, a data mediana avançou treze anos. Se os próprios especialistas mudam de opinião com esta amplitude de um ano para o outro, talvez a lição mais honesta a retirar não seja «a AGI vai chegar em determinado ano», mas sim que ninguém sabe, com fiabilidade, quando vai chegar — nem sequer quem a está a construir.
Esta semana, o argumento ganhou um exemplo em tempo real
A 3 de setembro de 2026 — enquanto este artigo estava a ser preparado —, a OpenAI apresentou o GPT-6 Astra, o seu novo modelo principal, sucessor do GPT-5.6 Sol lançado apenas dois meses antes. No final do briefing de apresentação aos jornalistas, o presidente da empresa, Greg Brockman, fechou a sessão com uma frase que a OpenAI sempre tinha evitado pronunciar sem reservas: «Welcome to the AGI era» — bem-vindos à era da AGI (Betanews, 2026).
Vale a pena olhar para os bastidores desta frase antes de a tomar pelo valor facial. Durante anos, um eventual anúncio de AGI por parte da OpenAI esteve contratualmente ligado a uma cláusula com a Microsoft, a sua principal investidora: a parceria original, de 2019, atribuía à Microsoft direitos preferenciais sobre a tecnologia «pré-AGI», e esses direitos caducariam no momento em que a AGI fosse declarada. Em dezembro de 2024, essa cláusula ganhou um critério financeiro concreto — a AGI seria considerada atingida quando os sistemas da OpenAI gerassem 100 mil milhões de dólares de lucro para os primeiros investidores —, e, em outubro de 2025, passou a exigir a verificação de um painel independente de especialistas, em vez de uma decisão unilateral da própria empresa. Essa arquitetura contratual deixou, no entanto, de existir: a 27 de abril de 2026, a OpenAI e a Microsoft reescreveram o acordo entre si, tornando a licença da Microsoft não exclusiva e desligando o mecanismo que ligava a palavra AGI a consequências financeiras de milhares de milhões de dólares (Pillitteri, 2026). Só depois dessa alteração é que Brockman pôde, cinco meses mais tarde, usar a expressão sem acionar qualquer revisão externa ou obrigação contratual.
A reação da comunidade científica foi, também aqui, tudo menos unânime. Gary Marcus, um dos críticos mais conhecidos das afirmações de AGI feitas pela indústria, reconheceu ao Astra um avanço genuíno, mas rejeitou publicamente o rótulo no próprio dia do anúncio, sublinhando que um bom resultado no teste chamado ARC-AGI não é, apesar do nome, prova de inteligência geral. Apontou ainda uma discrepância nos números divulgados: o modelo obteve 63% no teste ARC-AGI-3 nas condições habituais de avaliação, um valor que só subiu para 99% através de um adaptador construído propositadamente para essa tarefa — uma diferença que torna a alegada saturação do teste bem menos direta do que os comunicados sugeriram (Pillitteri, 2026).
Este episódio não obriga a corrigir nada do que já foi dito neste artigo: confirma-o, quase em tempo real. Uma frase de efeito, proferida num briefing de imprensa, sem verificação externa, sem consequências contratuais e contestada no próprio dia por especialistas independentes, é exatamente o tipo de afirmação que a escola deve preparar os alunos para examinar antes de a repetir — e não para aceitar apenas porque veio de quem construiu a tecnologia.
Porque é que isto já interessa à escola — mesmo que a AGI nunca chegue
Há uma tentação de arrumar todo este debate na gaveta da ficção científica e esperar para ver. Seria um erro, por uma razão muito concreta: os sistemas de IA já hoje se aproximam, em tarefas específicas, de capacidades que antes pareciam exclusivamente humanas — e essa aproximação, gradual e mensurável, está a acontecer independentemente de alguém decidir chamar-lhe AGI.
A própria OCDE tem vindo a documentar este movimento. Um relatório de 2023 comparou diretamente o desempenho de sistemas de IA com o de adultos em testes internacionais de leitura e matemática, concluindo que a IA já ultrapassa uma parte significativa da população adulta nessas competências — com alguns dos especialistas consultados a antecipar, na altura, que a IA pudesse resolver a totalidade dos testes de literacia e numeracia usados no estudo já por volta de 2026 (OCDE, 2023). O mesmo trabalho da OCDE deu origem a um programa contínuo de medição — os indicadores de capacidade de IA e o correspondente índice de exposição ocupacional — precisamente para acompanhar, ano após ano, a distância entre aquilo que a IA já consegue fazer e as competências que cada profissão exige (OCDE, s.d.). É a mesma lógica que já levou a própria OCDE a introduzir, no PISA 2025, um domínio inteiramente novo dedicado à aprendizagem no mundo digital — sinal de que a avaliação internacional já não separa a literacia da capacidade de trabalhar de forma crítica com ferramentas computacionais.
Perante isto, a resposta educativa não pode depender de esperar por uma definição consensual de AGI. E, felizmente, já existe enquadramento para agir sem essa certeza. A UNESCO publicou, em 2024, dois documentos de referência — um quadro de competências de IA para alunos e outro para professores — organizados, precisamente, em torno de um princípio central: manter o ser humano no centro, mesmo perante sistemas cada vez mais autónomos e capazes (UNESCO, 2024a, 2024b). O quadro para alunos identifica doze competências agrupadas em quatro dimensões — uma mentalidade centrada no ser humano, a ética da IA, técnicas e aplicações de IA, e a conceção de sistemas de IA —, sem em momento algum depender de saber se, ou quando, a IA se tornará geral.
Este enquadramento cruza-se com naturalidade com aquilo que já está consagrado no currículo português. O Perfil dos Alunos à Saída da Escolaridade Obrigatória situa o pensamento crítico e a autonomia entre as dez áreas de competência que qualquer aluno deve desenvolver (Direção-Geral da Educação, 2017) — precisamente as ferramentas necessárias para avaliar, e não apenas absorver, afirmações como as de Altman, Amodei ou LeCun. E a Estratégia Nacional de Educação para a Cidadania, atualizada em 2025, mantém a literacia mediática entre os domínios obrigatórios de Cidadania e Desenvolvimento (Portugal, 2025) — o espaço curricular mais óbvio para ensinar, de forma explícita, a distinguir uma previsão fundamentada de uma promessa comercial.
A Europa decidiu regular aquilo que ainda não sabe definir
Há um episódio pouco conhecido que resume bem este impasse: quando a União Europeia teve de escrever, em lei, regras para os sistemas de IA mais poderosos, também não encontrou uma definição consensual de inteligência geral a que se pudesse agarrar. Optou, em vez disso, por um critério mensurável — qualquer modelo de IA de finalidade geral treinado com mais de 10²⁵ operações de vírgula flutuante, uma medida da quantidade de cálculo computacional usada no treino, é presumido como tendo risco sistémico e fica sujeito a obrigações reforçadas de avaliação e mitigação de risco (Regulamento (UE) 2024/1689, artigo 51.º). Em julho de 2025, a Comissão Europeia publicou orientações técnicas adicionais para clarificar como esse limiar deve ser calculado e atualizado à medida que a tecnologia evolui (Comissão Europeia, 2025).
A escolha é reveladora. Perante um conceito filosoficamente indefinido, mas com consequências reais, o legislador europeu preferiu ancorar-se num número verificável — a quantidade de cálculo usada no treino — em vez de esperar por um consenso científico que, como se viu, ainda não existe. É uma lição de pragmatismo que também pode servir de modelo à escola: não é preciso resolver o debate filosófico sobre a AGI para começar a agir com critérios claros e verificáveis.
Uma proposta para a sala de aula
Uma forma simples de levar este tema para uma aula de Filosofia, de Cidadania e Desenvolvimento ou de TIC não exige qualquer material que a escola não tenha já. Pode apresentar-se aos alunos, sem identificar de início os autores, três afirmações reais sobre quando a inteligência artificial geral vai chegar — uma otimista, uma cautelosa e uma cética — e pedir-lhes que identifiquem, para cada uma, que evidência concreta é apresentada, que interesse comercial ou profissional a pessoa que a fez pode ter, e como se poderia testar, na prática, se a previsão se veio a confirmar. Só depois se revelam os nomes. O exercício raramente falha em gerar discussão, e treina exatamente a competência que o Perfil dos Alunos já pede: interrogar a informação antes de a aceitar.
A segunda parte da proposta dirige-se a quem coordena a formação de professores ou o departamento de Informática e Tecnologias. Vale a pena usar a tabela dos níveis de AGI da DeepMind como ferramenta de trabalho, pedindo aos docentes que classifiquem, em conjunto, duas ou três ferramentas de IA já usadas na escola segundo os critérios de desempenho e generalidade. O exercício não resolve o debate sobre quando a AGI vai chegar — mas ajuda a substituir o entusiasmo ou o alarme genéricos por uma linguagem mais precisa para falar de capacidades reais, que é, afinal, exatamente aquilo que o quadro de competências da UNESCO pede aos professores que sejam capazes de fazer.
Talvez a incerteza seja a própria lição
Há uma ironia final que vale a pena sublinhar. Depois de anos a insistir junto dos alunos que devem desconfiar de afirmações extraordinárias sem prova extraordinária, a escola tem agora à sua frente um caso de estudo perfeito: as próprias pessoas que constroem a tecnologia mais discutida da década não conseguem concordar nem sobre o que estão a construir, nem sobre quando vão terminar de a construir.
Isso não é motivo para ignorar o tema — os sinais de progresso são reais e mensuráveis, como mostram os relatórios da OCDE. Mas é motivo para resistir à tentação de adotar, em bloco, a data ou a definição de qualquer um dos protagonistas desta corrida. A competência mais útil que a escola pode transmitir não é uma opinião sobre quando a AGI vai chegar. É a capacidade de pedir evidência a quem afirma sabê-lo — seja essa pessoa um colega de turma, um professor, ou o diretor executivo de uma das empresas mais valiosas do mundo.
Nota de transparência: este artigo foi elaborado com o apoio de inteligência artificial (Claude, da Anthropic), a partir de pesquisa direta e independente em fontes primárias e jornalísticas verificáveis, incluindo o artigo original da revista TIME sobre a OpenAI, o paper da Google DeepMind sobre os níveis de AGI, o inquérito da AI Impacts publicado em arXiv, o relatório da OCDE de 2023, os dois quadros de competências de IA da UNESCO (2024) e o texto do Regulamento (UE) 2024/1689. As declarações de Dario Amodei e de Yann LeCun foram confirmadas através de múltiplas fontes jornalísticas independentes que as reportam de forma consistente.
Grace, K., Stewart, H., Sandkühler, J. F., Thomas, S., Weinstein-Raun, B., & Brauner, J. (2024). Thousands of AI authors on the future of AI. arXiv. https://doi.org/10.48550/arXiv.2401.02843
iTiger. (2026). Anthropic leader forecasts end of exponential AI growth, predicts “genius collective in data centers” by 2026. https://www.itiger.com/news/1151088077
Morris, M. R., Sohl-Dickstein, J., Fiedel, N., Warkentin, T., Dafoe, A., Faust, A., Farabet, C., & Legg, S. (2023). Levels of AGI: Operationalizing progress on the path to AGI. arXiv. https://doi.org/10.48550/arXiv.2311.02462
OCDE. (2023). Is education losing the race with technology? AI’s progress in maths and reading. OECD Publishing. https://doi.org/10.1787/73105f99-en
Regulamento (UE) 2024/1689 do Parlamento Europeu e do Conselho, de 13 de junho de 2024, que estabelece regras harmonizadas em matéria de inteligência artificial. Jornal Oficial da União Europeia. https://eur-lex.europa.eu/eli/reg/2024/1689/oj
Na Universidade de Fudan, na China, 51 estudantes fizeram um exame final pouco habitual: em vez de responderem a perguntas, tiveram de criar problemas capazes de levar alguns dos mais avançados modelos de inteligência artificial a errar. A experiência diz-nos bastante mais sobre educação do que sobre quem é mais inteligente — humanos ou máquinas.
Um exame ao contrário
Imagine-se um exame em que o professor não entrega perguntas aos alunos.
São os alunos que fazem as perguntas.
E quem tem de responder é a inteligência artificial.
Foi isso que aconteceu na Universidade de Fudan, em Xangai, numa disciplina de Data Mining. No exame final concebido pelo professor Xiao Yanghua, 51 estudantes receberam uma tarefa particularmente desafiante: cada um teria de criar dez problemas capazes de pôr à prova três modelos de inteligência artificial — Claude, DeepSeek e MiniMax. Quanto mais vezes os modelos errassem, melhor seria a classificação do estudante.
A ideia parece, à primeira vista, uma espécie de competição entre alunos e máquinas.
Mas não era isso que verdadeiramente estava em causa.
A pergunta era outra, muito mais interessante para quem trabalha em educação:
se uma inteligência artificial já consegue resolver rapidamente muitas das tarefas que tradicionalmente usamos para avaliar os alunos, o que devemos passar a avaliar?
É provavelmente esta pergunta — e não o resultado da competição — que torna a experiência de Fudan tão relevante.
O exame não consistia em inventar perguntas absurdas ou em tentar confundir os modelos através de jogos de palavras.
Cada estudante tinha de criar dez problemas de cálculo relacionados com a matéria da disciplina, com uma resposta correta única e com todo o processo de resolução devidamente demonstrado. Primeiro, portanto, os estudantes tinham de saber resolver os problemas que criavam. Só depois podiam submetê-los aos modelos de IA.
O resultado é revelador.
Dos 51 estudantes, 50 conseguiram levar pelo menos um dos modelos a cometer um erro. Mas apenas quatro conseguiram construir uma prova completa em que um determinado modelo falhasse todas as dez questões. Nenhum conseguiu fazer o Claude falhar a prova inteira. A média da turma foi de 85,7 pontos e a mediana de 88.
Ou seja: encontrar ocasionalmente uma falha na inteligência artificial não foi particularmente difícil.
Encontrar sistematicamente os limites da máquina foi outra coisa.
Exigiu conhecimento.
E é aqui que a experiência começa a ficar pedagogicamente interessante.
Para descobrir onde a IA estava errada, os estudantes tinham de conhecer suficientemente bem a matéria para reconhecer o erro.
Não bastava pedir uma resposta à máquina.
Era necessário compreendê-la, verificá-la e julgá-la.
A competência que pode tornar-se cada vez mais importante
O professor Xiao Yanghua resume a ideia numa frase particularmente feliz:
“Não sejam executores da IA. Sejam os seus juízes.”
Há aqui uma mudança significativa.
Durante muito tempo, uma parte importante da escola esteve organizada em torno da capacidade do aluno para produzir a resposta.
Resolver uma equação. Resumir um texto. Definir um conceito. Aplicar um algoritmo. Pesquisar informação. Escrever determinado tipo de texto.
A inteligência artificial generativa consegue hoje realizar muitas destas tarefas em poucos segundos.
Isso não significa que deixem de ser importantes.
Muito pelo contrário.
O que muda é que saber produzir uma resposta deixa de ser suficiente.
O aluno precisa também de saber perguntar:
Esta resposta está correta?
Que evidências a sustentam?
O raciocínio faz sentido?
Há informação em falta?
A fonte é fiável?
Que pressupostos estão escondidos nesta conclusão?
Como posso verificar isto?
Em que circunstâncias esta resposta deixaria de ser válida?
Estamos a passar, em muitos contextos, de uma cultura centrada apenas na produção de respostas para outra em que será igualmente importante avaliar respostas produzidas por máquinas.
Os estudantes encontraram precisamente aquilo que procuravam
As estratégias utilizadas pelos alunos de Fudan são particularmente interessantes.
Alguns construíram problemas envolvendo grandes quantidades de dados e cálculos que exigiam elevada precisão. Outros exploraram cadeias longas de raciocínio. Houve também perguntas em que faltavam deliberadamente condições indispensáveis para chegar a uma resposta única.
Os seres humanos percebiam que o problema não podia ser resolvido.
Os modelos, por vezes, respondiam na mesma.
E faziam-no de forma convincente.
Este ponto é fundamental.
O problema da inteligência artificial na escola nunca foi apenas o de produzir informações falsas.
É também o de conseguir produzir erros linguisticamente muito convincentes.
Uma resposta pode estar bem estruturada, ser clara, apresentar vocabulário especializado e, ainda assim, estar errada.
É precisamente por isso que a utilização competente da IA não elimina a necessidade de conhecimento.
Pode até torná-la maior.
Quem sabe pouco tem menos instrumentos para perceber quando a máquina está errada.
E isto coloca um problema sério à escola
Há um risco que merece ser discutido.
Um aluno com bons conhecimentos pode utilizar a inteligência artificial para avançar mais depressa: testar hipóteses, procurar contra-argumentos, melhorar um texto, comparar soluções ou explorar outras perspetivas.
Um aluno com conhecimentos frágeis pode utilizar exatamente a mesma ferramenta para aceitar respostas que não consegue avaliar.
A mesma tecnologia pode, portanto, aumentar capacidades num caso e aumentar dependência no outro.
A reportagem do TMTPost chama precisamente a atenção para esta possibilidade: à medida que os sistemas de IA se tornam mais poderosos, a diferença entre quem sabe utilizá-los criticamente e quem simplesmente aceita aquilo que produzem pode aumentar.
É por isso que a resposta educativa à IA não pode ser simplesmente:
“Os alunos agora podem usar o ChatGPT.”
Mas também dificilmente poderá continuar a ser:
“Os alunos não podem usar IA.”
Precisamos de uma terceira resposta:
os alunos precisam de aprender a trabalhar intelectualmente num mundo onde existe inteligência artificial.
Talvez tenhamos também de mudar algumas perguntas dos testes
A experiência de Fudan nasceu de uma constatação simples.
Segundo Xiao Yanghua, muitos dos exercícios tradicionalmente utilizados na disciplina avaliavam precisamente aquilo em que a IA já se tornou particularmente competente: cálculos, algoritmos, classificações ou procedimentos técnicos. Continuar a avaliar exclusivamente dessa forma significaria colocar os alunos a competir com a máquina no terreno onde esta é mais eficiente.
A questão estende-se muito para além da informática.
Pensemos numa aula de Português.
Em vez de pedir apenas:
“Resume este texto.”
podemos perguntar:
“Compara o teu resumo com o produzido por uma IA. Identifica duas perdas de informação relevantes e justifica as tuas escolhas.”
Em História:
“Analisa esta explicação produzida por IA e identifica afirmações que precisam de ser verificadas através das fontes fornecidas.”
Em Ciências:
“Apresentamos-te três respostas produzidas por um modelo. Qual é cientificamente mais rigorosa? Justifica.”
Em Matemática:
“A IA chegou a este resultado. Localiza o primeiro passo incorreto do raciocínio e corrige-o.”
Ou ainda:
“Cria um problema sobre esta matéria que uma IA tenha dificuldade em resolver e explica porquê.”
Nenhuma destas tarefas elimina o conhecimento disciplinar.
Pelo contrário.
Todas o exigem.
Não devemos transformar todas as aulas numa caça ao erro da IA
Convém, naturalmente, não retirar uma conclusão excessiva desta experiência.
Nem todos os testes devem transformar-se em confrontos entre alunos e modelos de inteligência artificial.
Os alunos continuam a precisar de ler sem assistência, escrever, calcular, memorizar determinados conhecimentos, desenvolver automatismos e realizar tarefas autonomamente.
Há momentos em que a utilização da IA é pedagogicamente produtiva.
E há outros em que a sua ausência é necessária.
A questão mais interessante já não será provavelmente decidir entre “IA sempre” e “IA nunca”.
Será perceber quando, para quê e em que condições a devemos integrar.
E sobretudo que aprendizagem pretendemos observar.
O professor não desaparece. Muda de posição
Há ainda outra conclusão interessante nesta experiência.
Quanto mais poderosa se torna a tecnologia, mais importante pode tornar-se o professor enquanto designer de experiências de aprendizagem.
A inovação de Fudan não esteve no acesso aos modelos de inteligência artificial. Os estudantes poderiam utilizá-los fora da universidade.
A inovação esteve no desenho pedagógico.
Alguém transformou uma tecnologia disponível numa situação em que os alunos foram obrigados a mobilizar conhecimento, criatividade, pensamento crítico, capacidade de verificação e julgamento.
Essa pessoa foi o professor.
É talvez uma das ideias que deveríamos guardar.
A grande transformação educativa provocada pela IA pode não estar em colocar um chatbot em todas as salas de aula.
Pode estar em repensar aquilo que pedimos aos alunos para fazer quando esse chatbot já existe.
De responder a perguntar. De executar a julgar.
Durante décadas, ensinámos os alunos a responder às perguntas que alguém preparava para eles.
A inteligência artificial obriga-nos talvez a recuperar uma competência que a escola nem sempre valoriza suficientemente:
saber construir boas perguntas.
Uma boa pergunta revela conhecimento.
Exige perceber relações.
Obriga a reconhecer limites.
Permite descobrir contradições.
E, como descobriram os estudantes de Fudan, para formular uma pergunta suficientemente boa para revelar a fragilidade de uma inteligência artificial é preciso dominar profundamente aquilo sobre que se está a perguntar.
Talvez seja essa a parte mais interessante desta história.
Não são os quatro estudantes que conseguiram derrotar completamente um modelo.
Nem sequer os 50 que conseguiram fazê-lo errar.
É perceber que, num mundo cheio de máquinas extraordinariamente boas a produzir respostas, a capacidade humana de fazer perguntas, verificar, interpretar e julgar pode tornar-se ainda mais valiosa.
E isso é uma questão que a escola não pode deixar apenas para amanhã.
Fontes principais: a experiência foi divulgada pela própria Universidade de Fudan em 29 de junho de 2026 e posteriormente descrita pelo TMTPost.
Os resultados do PISA 2025 colocam Portugal próximo da média da OCDE em Ciências, Leitura, Matemática e resolução computacional de problemas. Mas, por detrás dessa aparente estabilidade, há sinais que merecem atenção: a queda acentuada na leitura e na matemática, o peso persistente das desigualdades socioeconómicas e um paradoxo particularmente interessante — os alunos portugueses revelam bons resultados na resolução de problemas em ambientes digitais, precisamente quando a inteligência artificial começa a obrigar a escola a repensar o que significa aprender.
Há duas formas de olhar para os resultados do PISA 2025 em Portugal.
A primeira é relativamente tranquilizadora: os alunos portugueses de 15 anos estão, em todos os domínios avaliados, muito próximos da média dos países da OCDE.
A segunda obriga-nos a olhar para lá da fotografia de 2025. E aí o cenário torna-se bastante menos confortável.
Porque estar na média não significa necessariamente estar bem. Sobretudo quando a própria média está a descer.
O PISA 2025, realizado em 91 países e economias, avaliou Ciências, Leitura e Matemática e introduziu ainda um domínio particularmente relevante para uma escola cada vez mais digital: a Aprendizagem no Mundo Digital, centrada na resolução computacional de problemas. Em Portugal participaram 6945 alunos de 225 escolas.
E talvez seja precisamente a combinação destes quatro domínios que torna esta edição do PISA tão interessante.
Não estamos apenas perante mais uma comparação internacional de resultados escolares. O relatório levanta questões muito mais profundas sobre como se lê, como se aprende, como se pensa e qual deve ser o lugar da tecnologia — e agora da inteligência artificial — nesse processo.
Portugal na média, domínio após domínio
Os resultados portugueses são, à primeira vista, extraordinariamente próximos dos valores médios da OCDE:
Domínio
Portugal
Média OCDE
Ciências
482
482
Leitura
462
461
Matemática
460
463
Resolução computacional de problemas
501
500
A conclusão imediata é simples: Portugal apresenta resultados estatisticamente alinhados com a média da OCDE nos quatro domínios.
Mas esta tabela esconde uma parte importante da história.
Quando olhamos para a evolução temporal, encontramos descidas que dificilmente podem ser ignoradas.
O sinal de alarme vem da leitura
A leitura merece particular atenção.
Portugal obteve 462 pontos, praticamente o mesmo valor da média da OCDE, situada nos 461 pontos.
O problema está no percurso até aqui.
Em 2022, os alunos portugueses tinham obtido 477 pontos. Em apenas um ciclo, Portugal perdeu 15 pontos, uma descida estatisticamente significativa. E, entre 2018 e 2025, a quebra acumulada chega aos 30 pontos.
Há outro número que ajuda a perceber melhor a situação: 28,4% dos alunos portugueses estão abaixo do nível 2 de proficiência em leitura. Apenas cerca de 3% atingem os níveis superiores de desempenho.
Isto interessa muito mais à escola do que uma simples posição num ranking internacional.
O próprio conceito de leitura do PISA já não corresponde apenas a compreender aquilo que está escrito num texto. Inclui a capacidade de localizar informação, comparar fontes, avaliar a sua credibilidade, estabelecer relações, formular inferências e refletir criticamente sobre aquilo que se lê.
Ou seja: exatamente as competências de que precisamos num mundo de motores de pesquisa, redes sociais, desinformação e sistemas de inteligência artificial.
É difícil imaginar uma competência mais importante neste momento.
Ler num mundo de inteligência artificial
O relatório internacional da OCDE vai ainda mais longe.
Entre 2018 e 2025, o desempenho médio em leitura diminuiu significativamente em grande parte dos sistemas educativos. A OCDE chama a atenção para uma deterioração justamente nas capacidades que mais importam num ambiente informacional saturado: avaliar informação, relacionar diferentes fontes e pensar criticamente sobre aquilo que se lê.
Surge ainda uma expressão particularmente sugestiva no relatório: “hasty readers”, leitores apressados.
São alunos que avançam rapidamente pelos textos e respondem depressa, mas incorretamente. Segundo a OCDE, a proporção destes leitores quase duplicou entre 2018 e 2025.
Talvez esta seja uma das mensagens mais importantes de todo o PISA 2025.
Durante anos, discutimos se os alunos deveriam ler em papel ou no ecrã. A questão parece agora ser outra:
conseguem parar suficientemente para pensar sobre aquilo que estão a ler?
Num ambiente digital construído em torno da velocidade, da notificação, do scroll e da resposta imediata, ensinar a ler pode passar cada vez mais por ensinar a abrandar.
Há textos para percorrer rapidamente. Mas há outros que exigem atenção demorada, releitura, dúvida, confronto de fontes e silêncio cognitivo.
A escola terá de continuar a criar espaço para isso.
A matemática também recua
A Matemática apresenta um problema semelhante.
Portugal obteve 460 pontos, face aos 463 pontos da média da OCDE. A diferença não é estatisticamente significativa.
Mas, relativamente a 2022, verifica-se uma descida significativa de 12 pontos. Entre 2018 e 2025, a queda acumulada portuguesa é de 33 pontos.
Mais preocupante ainda: 35,2% dos alunos portugueses encontram-se abaixo do nível 2 de proficiência em Matemática. Apenas cerca de 6% atingem os níveis 5 e 6.
É provavelmente aqui que devemos evitar uma leitura demasiado disciplinar dos resultados.
O PISA não está apenas a testar se um aluno sabe executar um procedimento matemático. Procura perceber se consegue interpretar uma situação, raciocinar, selecionar informação relevante e utilizar a matemática para resolver problemas do mundo real.
São competências que atravessam praticamente todo o currículo.
Ciências: estabilidade relativa, mas não estagnação confortável
As Ciências foram o domínio principal do PISA 2025.
Portugal alcançou exatamente a média da OCDE: 482 pontos.
É o domínio em que o desempenho português apresenta maior estabilidade. Ainda assim, o país perdeu três pontos relativamente a 2022 e dez pontos entre 2018 e 2025.
Há, contudo, uma mudança conceptual importante que interessa diretamente às escolas.
O PISA deixa de entender a literacia científica apenas como domínio de conhecimentos. Valoriza a capacidade de pesquisar informação, avaliar evidências, distinguir ciência de opinião, identificar fragilidades num argumento e utilizar conhecimento científico para tomar decisões.
O mesmo acontece com as Ciências do Ambiente.
A sustentabilidade, as alterações climáticas, a biodiversidade ou a utilização dos recursos naturais não aparecem apenas como conteúdos a memorizar. O quadro conceptual procura perceber se os alunos conseguem compreender problemas, analisar evidências e participar na construção de soluções.
Há aqui uma aproximação evidente entre conhecimento disciplinar, pensamento crítico e cidadania.
E isso deveria ter consequências na forma como ensinamos.
E depois aparece uma surpresa: o digital
Talvez um dos resultados mais interessantes para a escola portuguesa esteja num domínio que até agora não existia no PISA: Aprendizagem no Mundo Digital.
O objetivo não era medir quantos programas os alunos utilizam nem a sua destreza operacional com computadores.
A avaliação procurou perceber se os jovens conseguem construir conhecimento, aprender autonomamente, adaptar estratégias e resolver problemas utilizando ferramentas computacionais.
Portugal obteve 501 pontos, face aos 500 da OCDE.
Na programação, Portugal e OCDE registaram 499 pontos. Na modelação, Portugal obteve 499 pontos e a OCDE 497.
Mas existe um dado ainda mais curioso.
Neste domínio, 24,5% dos alunos portugueses são top performers e 20,7% são low performers.
É o único domínio avaliado em que Portugal tem mais alunos nos níveis superiores do que abaixo do nível 2.
Não é um resultado menor.
Sugere que existe entre os jovens portugueses uma capacidade considerável para resolver problemas em ambientes computacionais.
Mas não devemos confundir isto com literacia digital plena.
Saber operar num ambiente digital não significa necessariamente saber avaliar criticamente informação digital.
E é precisamente aqui que os resultados da leitura e os resultados digitais começam a dialogar.
O verdadeiro desafio digital talvez não seja tecnológico
O relatório internacional do PISA 2025 traz dados especialmente relevantes para este debate.
A utilização moderada de dispositivos digitais para aprender surge associada, em média, a melhores resultados. Porém, quando os dispositivos são usados intensamente para lazer durante o período escolar, a relação com o desempenho torna-se negativa.
Mais ainda: 28% dos alunos da OCDE afirmam que os colegas se distraem com dispositivos digitais durante a maioria ou a totalidade das aulas de Ciências.
Isto obriga a ultrapassar dois discursos demasiado simples.
Um diz que a tecnologia melhora automaticamente a aprendizagem.
O outro diz que basta retirar a tecnologia das escolas.
Nenhum parece particularmente útil.
A questão decisiva continua a ser o que fazemos com a tecnologia.
E a inteligência artificial?
O PISA 2025 é também o primeiro grande ciclo internacional de avaliação realizado num contexto em que a inteligência artificial generativa já faz parte da vida escolar de muitos alunos.
Os resultados internacionais recomendam prudência.
A relação entre utilização de IA e desempenho não é linear. Em várias tarefas escolares específicas, os alunos que afirmam não recorrer a chatbots de IA apresentam, em média, melhores resultados do que aqueles que os utilizam.
Porém, a própria OCDE sublinha que os padrões mudam quando a utilização da IA é acompanhada por oportunidades de desenvolver literacia em IA — incluindo avaliar criticamente a informação produzida pelos sistemas.
A mensagem não deveria ser “usar IA” ou “não usar IA”.
Deveria ser:
usar a IA sem deixar que ela substitua o trabalho cognitivo do aluno.
O prefácio do relatório da OCDE formula esta ideia de forma particularmente feliz: a tecnologia deve funcionar como andaime e não como muleta.
É talvez uma boa regra pedagógica para os próximos anos.
Um aluno pode pedir a uma IA que proponha uma interpretação alternativa de um texto. Pode comparar respostas, identificar erros, verificar fontes, reformular argumentos ou solicitar feedback.
O problema começa quando aquilo que deveria provocar pensamento passa a evitá-lo.
A desigualdade continua sentada dentro da sala de aula
Há ainda outro resultado que não pode ser secundarizado.
O estatuto socioeconómico e cultural continua fortemente associado ao desempenho escolar.
Em Portugal, a diferença entre os alunos mais e menos favorecidos é de:
92 pontos em Ciências;
80 pontos em Leitura;
99 pontos em Matemática;
59 pontos na resolução computacional de problemas.
A Matemática é o domínio onde esta relação é mais forte: cerca de 17% da variação do desempenho em Portugal é explicada pelo estatuto socioeconómico e cultural dos alunos.
Há, contudo, um dado interessante no domínio digital.
A diferença entre os alunos mais favorecidos e menos favorecidos cai para cerca de 59 pontos, bastante abaixo dos restantes domínios. Além disso, 16% dos alunos portugueses em situação socioeconómica desfavorecida são considerados academicamente resilientes neste domínio, ligeiramente acima da média da OCDE, de 15%.
A tecnologia não elimina, evidentemente, as desigualdades.
Mas este dado merece ser estudado.
O que pode a escola retirar destes resultados?
Talvez a pior utilização possível do PISA fosse transformar mais uma vez os resultados numa discussão sobre rankings.
Há perguntas bem mais interessantes.
Que oportunidades damos aos alunos para ler textos longos sem interrupções?
Quantas vezes lhes pedimos que comparem fontes?
Ensinamos explicitamente a verificar a credibilidade de uma informação?
Criamos tarefas em que seja necessário persistir perante um problema cuja solução não aparece imediatamente?
Quando utilizamos tecnologia, ela aumenta a atividade intelectual do aluno ou apenas torna mais rápida a obtenção de uma resposta?
Quando recorremos à inteligência artificial, pedimos ao aluno que pense com a ferramenta ou permitimos que a ferramenta pense por ele?
Estas perguntas atravessam Português, Matemática, Ciências, História, Geografia, línguas estrangeiras e praticamente todas as restantes disciplinas.
Por isso, talvez uma das mensagens mais fortes do PISA 2025 seja esta:
a literacia deixou definitivamente de caber dentro de uma disciplina.
Ensinar a pensar continua a ser a tecnologia mais importante
O PISA 2025 chega num momento curioso.
Nunca os alunos tiveram acesso tão rápido a tanta informação. Nunca tiveram ferramentas tão poderosas para escrever, calcular, programar, traduzir, pesquisar e gerar conteúdos.
E, no entanto, alguns dos indicadores que mais preocupam estão relacionados com capacidades muito antigas: ler cuidadosamente, compreender, relacionar ideias, persistir perante uma dificuldade e distinguir informação sólida de uma resposta apenas plausível.
Há aqui uma aparente contradição.
Talvez não seja uma contradição.
Quanto mais poderosas forem as tecnologias que colocamos nas mãos dos alunos, mais importantes se tornam as competências que lhes permitem decidir quando confiar, quando desconfiar, quando perguntar, quando verificar e quando continuar a pensar por si próprios.
O PISA 2025 não nos pede uma escola menos digital.
Pede-nos provavelmente uma escola mais exigente cognitivamente dentro do digital.
O comité de IA do MIT admite que a inteligência artificial já resolve, de forma credível, quase qualquer trabalho de licenciatura — e propõe repensar exames, notas e todo o modelo de ensino superior. O que isto já está a mudar também nas universidades portuguesas.
Um comité criado pelo MIT para estudar o impacto da inteligência artificial na sala de aula chegou a uma conclusão que poucas instituições do seu prestígio assumiriam publicamente: a IA já consegue, hoje, completar de forma credível praticamente qualquer trabalho escrito exigido a um aluno de licenciatura, do ensaio ao problema de matemática, passando pela demonstração e pelo código. A resposta que o MIT propõe não é proibir nem baixar os braços — é repensar, com alguma urgência, o que significa ensinar e avaliar numa universidade onde essa ferramenta já está em cada telemóvel. O que o relatório descreve sobre o ensino superior norte-americano já tem eco nas universidades portuguesas, onde a mesma tensão entre proibir e adaptar está a dividir docentes e instituições.
Uma frase que poucas universidades diriam em voz alta
Em janeiro de 2026, a reitoria do Instituto de Tecnologia de Massachusetts encarregou um comité ad hoc, copresidido pelos professores Eric Klopfer e Samuel Madden, de avaliar o uso de inteligência artificial no ensino, identificar inovações pedagógicas e propor uma política institucional. Cinco meses de reuniões, investigação e auscultação junto de estudantes, docentes e bibliotecários depois, o comité entregou, a 13 de agosto de 2026, um relatório que ultrapassa largamente o mandato inicial (MIT Ad Hoc Committee, 2026).
A frase mais citada do documento resume, com uma frieza quase técnica, o problema de fundo: os sistemas de IA generativa já conseguem «produzir soluções credíveis e dar respostas razoáveis a quase qualquer trabalho escrito» do currículo de licenciatura do MIT — uma das universidades mais seletivas do mundo em engenharia e ciências exatas (MIT Ad Hoc Committee, 2026). Não se trata de uma opinião isolada de um professor descontente: é a conclusão formal de um comité institucional, construída a partir de meses de trabalho de campo dentro da própria instituição.
O que a IA já está a mudar no campus, antes de qualquer exame
O relatório insiste que o problema não se resume a copiar respostas. Em menos de três anos, o comité documentou mudanças visíveis na vida do campus: menos alunos a frequentar horas de atendimento dos docentes, menos participação em discussões online e, segundo relatos recolhidos junto de estudantes, menos grupos de estudo presenciais em residências e bibliotecas (MIT Ad Hoc Committee, 2026). A explicação que o próprio comité avança é que, quando um aluno pode obter uma resposta razoável em segundos, o incentivo para procurar um colega, um assistente ou o próprio professor diminui — mesmo quando essa procura seria mais formativa do que a resposta obtida.
O comité dá um nome a este fenómeno: «rendição cognitiva», o momento em que um aluno recorre à IA ao primeiro sinal de dificuldade, em vez de persistir na luta produtiva que, segundo o relatório, é onde a aprendizagem duradoura efetivamente acontece. A preocupação central não é tanto que os alunos usem IA — é que, ao fazê-lo cedo de mais, percam a oportunidade de aprender que a própria tarefa devia proporcionar.
Repensar a avaliação: exames orais, portefólios e desenho ao contrário
Perante este diagnóstico, o MIT não recomenda banir a ferramenta — recomenda desenhar de novo a avaliação. O relatório propõe que cada disciplina reveja primeiro os seus objetivos de aprendizagem, usando uma técnica de planeamento conhecida como «desenho ao contrário»: em vez de perguntar se a IA deve ser proibida ou permitida, o docente começa por definir o que o aluno deve efetivamente saber fazer no final, e só depois decide que papel a IA pode ou não desempenhar nesse percurso (MIT Ad Hoc Committee, 2026).
Na prática, isto significa dar mais peso a formas de avaliação menos vulneráveis à automação: exames orais, portefólios semestrais, trabalhos fora da aula combinados com conversas presenciais sobre o que foi produzido. O comité reconhece que isto tem um custo em tempo docente e em assistentes disponíveis, e reconhece também um efeito colateral incómodo: quando as instituições reagem apenas aumentando o peso dos exames feitos na aula, correm o risco de reduzir o incentivo dos alunos para investirem em projetos longos e exigentes — precisamente os que constroem mestria a prazo.
Um segundo eixo da proposta é usar a própria capacidade da IA para tornar os projetos mais ambiciosos: se um sistema de IA já ajuda a programar ou a desenhar, os trabalhos podem exigir mais do que exigiam há três anos, libertando tempo para uma aprendizagem mais experimental e menos repetitiva. O relatório dá como exemplo os cursos de engenharia de software, onde projetos que antes tinham de ser limitados no seu âmbito passaram a poder aproximar-se, num único semestre, de produtos quase prontos para produção.
Um pensamento radical sobre notas
Uma das passagens mais assinaláveis do relatório é também das mais discretas: o comité admite ter discutido, como exercício de reflexão, a hipótese de o MIT deixar simplesmente de atribuir notas — porque, sem notas a maximizar, grande parte do incentivo para trapacear com IA desapareceria (MIT Ad Hoc Committee, 2026). O comité não recomenda esta mudança, mas usa-a para argumentar contra outra tentação comum: limitar por regulamento o número de notas máximas que um docente pode atribuir. Segundo o relatório, essa política tenderia a ser contraproducente, porque intensificaria exatamente a pressão para recorrer à IA que se pretende reduzir.
O documento sugere, em alternativa, explorar sistemas de avaliação por competências e valorizar mais os portefólios de trabalho como prova de mestria — reconhecendo que, cada vez mais, os próprios empregadores dão menos peso às notas do que ao desempenho em provas próprias de seleção.
Porque não detetores de IA nem exames trancados
O relatório é particularmente direto quanto às soluções tecnológicas fáceis. Recomenda, explicitamente, não confiar em detetores automáticos de texto gerado por IA: além de gerarem uma corrida armamentista entre detetores e «humanizadores» de texto, estas ferramentas penalizam de forma desproporcionada estudantes que escrevem em inglês como segunda língua e estudantes neurodivergentes, cujo estilo de escrita tende a acionar falsos positivos com mais frequência (MIT Ad Hoc Committee, 2026). O comité nota ainda que a própria comissão disciplinar do MIT já não aceita o resultado de um detetor, isolado, como prova suficiente para abrir um processo de integridade académica.
Quanto aos chamados navegadores de exame trancados — que bloqueiam o acesso à internet durante uma prova digital —, o comité recomenda estudá-los, mas descreve a geração atual destas ferramentas como pouco fiável e com um efeito que se assemelha a vigilância. Por agora, considera que os exames presenciais com vigilância humana continuam a ser, na maioria dos casos, a opção mais equilibrada — ainda que exijam mais espaço físico e mais pessoal do que o MIT tem atualmente disponível.
Portugal já está a ter a mesma discussão
O que o MIT descreve não é uma singularidade norte-americana. Em janeiro de 2026, um manifesto assinado por 28 professores de instituições de ensino superior de todo o país pediu formalmente a proibição da IA generativa nos processos de ensino-aprendizagem, acusando a maioria das instituições de ter adotado, por receio de «perder o comboio do progresso», uma política que o texto qualifica como demasiado permissiva, e alertando para o risco de os estudantes se tornarem «cretinos digitais» (Lusa, 2026a). É uma posição mais radical do que a do MIT — mas nasce exatamente do mesmo diagnóstico de urgência.
Um mês depois, em fevereiro de 2026, uma reportagem da agência Lusa mostrava que a maioria das universidades portuguesas seguia, de facto, o caminho inverso ao da proibição: repensar métodos de avaliação sem fechar a porta à tecnologia, na medida em que esta já é parte integrante do mercado de trabalho que os seus diplomados vão integrar. A ideia que resume essa posição institucional — de que «a IA pode apoiar o trabalho académico, mas não pode substituir o pensamento crítico» do estudante (Lusa, 2026b) — é, quase palavra por palavra, o mesmo princípio de «aumentar em vez de automatizar» que estrutura as recomendações do MIT. Segundo a mesma reportagem, o ISCTE já dá formação aos seus docentes sobre como incorporar IA no trabalho letivo, e a NOVA SBE criou um centro dedicado à inovação pedagógica, sinais concretos de que universidades portuguesas estão a experimentar respostas semelhantes às que o MIT agora sistematiza num relatório de referência.
O caso mais visível de resposta institucional continua a ser, no entanto, norte-americano: em maio de 2026, o corpo docente de Princeton votou pôr fim a 133 anos de exames sem vigilância, um dos códigos de honra mais antigos do ensino superior dos Estados Unidos, depois de um aumento assinalado de queixas sobre facilidade de acesso a ferramentas de IA durante provas presenciais. A partir de 1 de julho de 2026, os professores passaram a estar presentes nas salas de exame — um recuo simbólico que ilustra, melhor do que qualquer estatística, a distância entre a confiança institucional de há três anos e a cautela de hoje.
Clicar na imagem para ver a apresentaç
Uma proposta para a sala de aula
Uma forma simples de trazer esta discussão para uma reunião de departamento não exige qualquer ferramenta nova. Antes de qualquer disciplina decidir se proíbe, permite ou exige o uso de IA num trabalho, vale a pena aplicar o mesmo exercício que o MIT recomenda aos seus próprios docentes: perguntar primeiro o que se quer que o aluno saiba fazer no final, sem qualquer referência à ferramenta, e só depois decidir onde a IA ajuda essa aprendizagem e onde a atravessa. Um trabalho escrito entregue fora da aula pode manter-se, desde que seja acompanhado por uma pergunta oral curta e ao acaso — «explica-me esta decisão» ou «porque escolheste este exemplo» — que revela, em menos de um minuto, se houve pensamento próprio por trás do que foi entregue, sem exigir qualquer ferramenta de deteção.
A segunda parte da proposta dirige-se a quem desenha os critérios de avaliação de uma disciplina ou curso. Vale a pena aproveitar a atualidade deste relatório para uma discussão curta sobre o que se pretende avaliar quando se pede um trabalho: o produto final, o processo que lhe deu origem, ou os dois em proporções diferentes consoante a natureza da tarefa. Não é preciso esperar que o problema se agrave para começar esta conversa — a distância entre a confiança de há três anos e a cautela de hoje, como mostra o próprio caso do MIT, pode instalar-se num único ano letivo.
Nota de transparência: este artigo foi elaborado com o apoio de inteligência artificial (Claude, da Anthropic), a partir da leitura direta e integral do relatório do comité ad hoc do MIT sobre IA no ensino, publicado em aiandeducation.mit.edu, e do artigo da Futurism que motivou este texto. Os factos relativos a Portugal foram verificados de forma independente junto de duas peças da agência Lusa (janeiro e fevereiro de 2026); os factos relativos a Princeton foram confirmados junto de múltiplas fontes independentes, incluindo o jornal estudantil The Daily Princetonian e o Times Higher Education, uma vez que não constavam do relatório do MIT nem do artigo da Futurism com o mesmo grau de detalhe.
MIT Ad Hoc Committee on AI Use in Teaching, Learning, and Research Training. (2026, 13 de agosto). Report. Massachusetts Institute of Technology. https://aiandeducation.mit.edu/report/
