Download |

Há uma pergunta que me tem acompanhado ultimamente, e que me parece cada vez mais urgente para quem trabalha em educação: e se o maior perigo da inteligência artificial não for a batota nos testes, mas algo muito mais silencioso e profundo — a erosão gradual da nossa capacidade de pensar?

Um relatório recém-publicado, assinado pelos professores Jason M. Lodge (Universidade de Queensland) e Leslie Loble (UTS), veio trazer-me alguma clareza sobre esta questão. E também algum desconforto.​

O paradoxo que ninguém quer ver

Os dados são desconcertantes. Em 2025, cerca de 80% dos estudantes australianos já usavam inteligência artificial. Dois terços dos professores do ensino secundário também. E ao mesmo tempo que a IA melhora os resultados imediatos — as tarefas ficam mais completas, mais coerentes, mais fluentes — a aprendizagem real parece estar a sofrer.​

Num estudo com quase mil alunos do ensino secundário, os que usaram IA para resolver problemas de matemática tiveram resultados aparentemente melhores durante o processo. Mas quando a ferramenta lhes foi retirada, o seu desempenho caiu a pique — porque nunca tinham construído o conhecimento verdadeiro, apenas tinham executado tarefas com um assistente muito competente.​

É isso que o relatório chama de paradoxo do desempenho: a IA melhora o produto final, mas prejudica o processo que dá origem ao conhecimento durável.​

O que é o “descarregamento cognitivo” e porque nos devia preocupar

O conceito central do documento é o de cognitive offloading — em português, algo como “descarregamento cognitivo”: a tendência humana de transferir trabalho mental para ferramentas externas. Escrever uma lista de tarefas é um exemplo simples. Pedir à IA que escreva um ensaio por nós é o exemplo extremo.​

O relatório faz uma distinção crucial que vale a pena reter:

• Descarregamento benéfico: quando usamos a IA para tratar das tarefas de baixo nível — verificar gramática, reformular frases, gerar um rascunho inicial de brainstorming — libertando capacidade cognitiva para o que realmente importa: analisar, argumentar, sintetizar.
• Descarregamento prejudicial: quando pedimos à IA que faça exatamente o trabalho que nos cabe a nós — e que, ao fazê-lo, nos rouba a oportunidade de aprender.​

A diferença entre os dois não está na ferramenta. Está na intenção e na estrutura pedagógica que envolve o seu uso.​

O problema não é a IA — é a “preguiça metacognitiva”

Um dos conceitos que mais me marcou neste relatório foi o de metacognitive laziness — “preguiça metacognitiva” — introduzido por Fan et al. (2024).​

A ideia é esta: a IA é tão conveniente, tão fluente, tão capaz de nos dar respostas imediatas e bem formuladas, que os alunos acabam por abdicar dos processos que sustentam a aprendizagem real — o planeamento, a monitorização do próprio entendimento, a revisão crítica do que se aprendeu.​

E o pior? Fazem-no convictos de que estão a aprender bem. Porque o texto que a IA produziu parece inteligente, coerente e completo, o aluno confunde a facilidade de leitura com a profundidade de compreensão. A isto chama-se ilusão de competência — e não é um fenómeno novo, mas a IA elevou-o a uma escala sem precedentes.​

Quem já corrigiu trabalhos em que tudo parecia certo na superfície mas vazio por baixo, sabe exatamente do que estou a falar.

O conhecimento continua a ser insubstituível

O relatório vai buscar a Daniel Willingham e a outros investigadores em ciências cognitivas para defender algo que me parece urgente reafirmar: o pensamento crítico não existe no vácuo. Não se pensa criticamente sobre nada — pensa-se criticamente a partir de conhecimento.​

Um historiador que analisa uma fonte primária mobiliza décadas de conhecimento contextual. Um cientista que questiona uma metodologia faz-o porque conhece o campo a fundo. Sem esse substrato de conhecimento em memória de longo prazo, a IA não pode ser avaliada — apenas aceite.​

Curiosamente, isto também explica o chamado Efeito Mateus da IA: os alunos que já têm mais conhecimento e melhores competências metacognitivas vão usar a IA de forma benéfica, acelerando a sua aprendizagem. Os que têm menos — muitas vezes os que mais precisam de apoio — serão os mais vulneráveis ao descarregamento prejudicial, aprofundando as desigualdades existentes.​

O que podem fazer os professores (e o que não devem abandonar)

A boa notícia: o impacto da IA na aprendizagem não é inevitável. É pedagógico.​

O relatório apresenta três caminhos com evidência empírica:

1. Instrução explícita e redução de carga: ensinar os alunos a delegar deliberadamente as tarefas de baixo nível à IA, concentrando o esforço próprio na análise e síntese. Um estudo com 240 participantes mostrou ganhos significativos em pensamento crítico com esta abordagem.​
2. Prompts metacognitivos integrados: incorporar nas interações com IA momentos obrigatórios de pausa e reflexão — questões que forçam o aluno a avaliar o que compreendeu, a questionar o que a IA produziu, a tomar posição. Não como sugestão, mas como parte estrutural da atividade.​
3. A IA como espelho cognitivo: em vez de dar respostas, a IA pode ser programada para fazer perguntas, simular confusão, pedir ao aluno que explique. Quem já usou o “efeito protégé” — aprender ensinando — reconhece a lógica: a explicação ativa consolida o conhecimento muito melhor do que a leitura passiva.​

Aumentar o professor, não substituí-lo

A conclusão do relatório é aquela que, honestamente, mais me tranquilizou: os humanos ainda aprendem melhor com outros humanos.​

O caminho mais promissor e mais equitativo não é dar a ferramenta poderosa ao aluno novato — é dá-la ao professor experiente, para que este possa escalar a sua expertise, diferenciar mais eficazmente, devolver tempo à relação pedagógica.​

Num estudo citado no relatório, uma ferramenta de IA criada para auxiliar tutores (não os alunos) produziu melhorias significativas nas taxas de aprovação — com um custo 165 vezes inferior ao do desenvolvimento profissional tradicional.​

Vivemos um momento em que é tentador posicionar-se num dos extremos: a IA como salvação ou como catástrofe. Este relatório recusa os dois e propõe algo mais difícil e mais útil: pensar com cuidado sobre quando, como e para quê a usamos.

No fundo, a questão não é tecnológica. É sempre pedagógica. E os professores continuam a ser a variável mais decisiva na equação.

Artigo baseado no relatório “Artificial intelligence, cognitive offloading and implications for education” (Lodge & Loble, março de 2026), publicado pela University of Technology Sydney no âmbito da Australian Network for Quality Digital Education.

Um estudo recente do MIT levanta uma questão incómoda: e se as ferramentas que tornam as nossas decisões mais inteligentes estiverem, silenciosamente, a enfraquecer o conhecimento coletivo da sociedade? É precisamente esta tensão que um working paper publicado em fevereiro de 2026 pelo NBER (National Bureau of Economic Research) coloca em cima da mesa.

O estudo que está a dar que falar

Intitulado “AI, Human Cognition and Knowledge Collapse“ (IA, Cognição Humana e Colapso do Conhecimento), o trabalho é assinado por três investigadores do MIT: o economista Daron Acemoglu (Prémio Nobel de Economia em 2024), Dingwen Kong e Asuman Ozdaglar. A sua tese central é tão simples quanto perturbadora: a IA agentique — aquela que vai além de fornecer informação e passa a emitir recomendações personalizadas e a agir autonomamente — pode melhorar a qualidade das decisões individuais a curto prazo, enquanto corrói progressivamente o stock coletivo de conhecimento no qual a sociedade assenta.

O argumento não é tecnofóbico nem ingénuo. É rigoroso. E é por isso que merece atenção.

Dois tipos de conhecimento

Para compreender o risco, os autores estabelecem uma distinção fundamental entre dois tipos de saber:​

• Conhecimento geral: os princípios teóricos, os quadros conceptuais, as leis estruturantes de um domínio — a fisiologia em medicina, os fundamentos macroeconómicos em finanças, os princípios normativos no direito. É cumulativo, transmite-se entre gerações e beneficia toda a comunidade.
• Conhecimento contextual: a informação específica de uma situação — o perfil de um paciente, a configuração de uma empresa, o caso concreto de um aluno.

Estas duas formas de saber são complementares. A informação contextual só é útil se quem a recebe tiver um quadro geral sólido onde a enquadrar. Aqui reside o problema: a IA agentique melhora dramaticamente o acesso ao conhecimento contextual — mas pode estar a desincentivar o investimento no conhecimento geral.

A lógica do desincentivo

O mecanismo é racional e subtil. Aprender exige esforço cognitivo. Esse esforço tem um custo individual e produz um benefício — não apenas privado, mas também coletivo, porque o que cada pessoa aprende alimenta o stock partilhado de conhecimento geral da comunidade.​

Quando a IA fornece recomendações cada vez mais precisas e personalizadas, a utilidade marginal do esforço humano diminui. A pergunta que qualquer pessoa racional acaba por fazer é: para quê estudar em profundidade se a máquina já me dá a resposta certa para a minha situação concreta?​

Individualmente, faz sentido. Coletivamente, é problemático. Se toda a gente reduz o investimento cognitivo, o stock de conhecimento geral contrai-se. E como esse stock é cumulativo, cada geração herda uma base ligeiramente mais fraca do que a anterior.

O “Colapso do Conhecimento”

O modelo teórico dos investigadores do MIT mostra que o sistema pode convergir para dois equilíbrios distintos:​

• Equilíbrio de alto conhecimento: a IA complementa o esforço humano, o stock geral mantém-se robusto, as decisões são boas porque assentam em fundamentos sólidos.
• Estado estacionário de colapso: quando as recomendações da IA atingem um limiar de precisão suficientemente alto, o esforço humano reduz-se tanto que o conhecimento geral tende para zero — apesar da qualidade das recomendações individuais.​

O colapso não é espetacular. É um deslize progressivo, quase invisível geração após geração.

Um resultado contraintuitivo do estudo merece destaque especial: mais preciso não é necessariamente melhor. O bem-estar coletivo pode ser não-monotónico em relação à precisão da IA. Abaixo de um certo limiar, a IA melhora as decisões sem destruir o incentivo de aprender. Acima desse limiar, a redução do esforço humano é tão marcada que a perda de conhecimento coletivo supera o ganho imediato.​

O que isto significa para a educação

Esta investigação tem implicações diretas para quem trabalha em contexto educativo — e que não se podem ignorar. A OCDE já alertou que “delegar tarefas cognitivas em chatbots cria riscos de preguiça metacognitiva” e que a vantagem dos alunos que usam IA desaparece nos exames quando o acesso é removido. O estudo do MIT oferece agora um quadro teórico robusto para explicar porquê.​

As implicações práticas para a escola e para a universidade são claras:

• Não proibir, mas redesenhar as práticas pedagógicas para que a IA apoie a apropriação do conhecimento, em vez de se substituir a ela.
• Exigir explicitação do raciocínio por trás de qualquer resposta gerada por IA — o processo de compreensão continua a ser insubstituível.
• Valorizar a compreensão dos modelos subjacentes, não apenas a utilização dos resultados.
• Investir em literacia de IA que inclua a dimensão crítica: saber quando confiar, quando questionar e quando aprofundar.​

Como sublinha a FNE, “a inteligência artificial pode ser uma aliada — mas só será verdadeiramente educativa se for integrada por professores confiantes, formados e críticos”. Caso contrário, corremos o risco de ter alunos mais rápidos a obter respostas, mas cada vez menos capazes de pensar por si próprios.​

A resiliência está na agregação do saber

O modelo identifica também um fator-chave de resiliência: a capacidade de agregação do conhecimento geral. Quanto mais uma sociedade consegue partilhar e consolidar contribuições individuais de forma eficaz — através de instituições científicas, universidades, comunidades profissionais, publicações estruturadas —, mais robusto é o stock coletivo e menor o risco de colapso.​

Isto significa que a mesma tecnologia pode ter efeitos muito diferentes consoante o contexto institucional e cultural. Uma sociedade com capital cognitivo elevado e instituições fortes resiste melhor ao efeito de substituição. Uma sociedade mais frágil pode deslizar mais depressa para o equilíbrio de baixo conhecimento.

Uma questão de governança, não de tecnologia

O estudo não pede o rejeição da IA. Pede inteligência na forma como a integramos. Os autores evocam a possibilidade de um design informacional — uma arquitetura dos sistemas que preserve os incentivos ao aprendizado, mesmo que isso implique, paradoxalmente, limitar nalguns contextos a precisão das recomendações.​

A pergunta que fica não é tecnológica. É reflexiva: como continuar a investir no saber comum quando a máquina torna o esforço individual menos indispensável?

É esta tensão silenciosa — entre conforto cognitivo e vitalidade intelectual — que Acemoglu e os seus coautores nos obrigam a encarar. E é a ela que as escolas, as universidades e as organizações terão de responder. Não os algoritmos.

Fontes: Acemoglu, D., Kong, D. & Ozdaglar, A. (2026). “AI, Human Cognition and Knowledge Collapse”. NBER Working Paper 34910. Fevereiro de 2026.

Elaborado em coautoria com Claude Sonnet 4.6