A Estónia volta a destacar-se no PISA 2025. O que sustenta estes resultados? Autonomia pedagógica, apoio às dificuldades e uma aposta na tecnologia que começa nos professores. Um olhar sobre as escolhas estónias e o que podem ensinar a Portugal.
Quando saem os resultados do PISA, procuramos quase sempre a mesma coisa: uma explicação que caiba numa frase. Um método de ensino, uma reforma curricular, uma tecnologia. Algo que possamos identificar, importar e pôr a funcionar no ano letivo seguinte.
A Estónia merece uma leitura mais demorada. O seu percurso obriga-nos a olhar para a maneira como se organiza uma escola, para a ajuda que chega a um aluno quando começa a ficar para trás e para a liberdade de um professor que conhece a turma que tem à frente.
Segundo a síntese do Ministério da Educação e Investigação estónio, a Estónia ocupa o primeiro lugar europeu em ciências e matemática e o segundo em leitura. São posições pela ordenação das médias; diferenças muito pequenas entre países não devem ser confundidas com diferenças estatisticamente significativas.
A comparação com Portugal ajuda a perceber a dimensão dos resultados:
A distância entre os dois países é de 45 pontos em ciências, 48 em matemática e 37 em leitura. Há, porém, uma nuance indispensável: o sucesso estónio também contém dificuldades. Entre 2022 e 2025, os resultados mantiveram-se estatisticamente estáveis em ciências e matemática, mas a média de leitura desceu 12 pontos.
Portugal registou variações de menos 3 pontos em ciências, menos 12 em matemática e menos 15 em leitura. Estar próximo da média da OCDE exige, por isso, uma pergunta adicional: como está a evoluir essa média? Neste ciclo, também ela desceu nos três domínios.
Um lugar elevado na tabela e uma melhoria das aprendizagens são coisas diferentes. A Estónia continua a conseguir resultados fortes, mas tem razões para se preocupar com a leitura. Portugal tem razões para olhar para a distância que o separa desse desempenho e para o seu próprio percurso.
Esta preocupação com a leitura aproxima-se do que defendemos em «Ler o mundo em múltiplos formatos: multiliteracias na era da inteligência artificial», a partir da conferência apresentada no IX Encontro Leitur@s, em Seia. A escola precisa de ensinar a ajustar a atenção à finalidade da leitura: procurar informação, estudar um argumento, comparar perspetivas ou permanecer num texto para o compreender melhor.
A qualidade vê-se também em quem consegue acompanhar
O indicador talvez mais expressivo está nas ciências: cerca de 90% dos alunos estónios atingem pelo menos o nível 2 de proficiência, o patamar básico definido pelo PISA. Em Portugal, são 76%; na média da OCDE, 74%.
Ao mesmo tempo, 11,3% dos alunos estónios chegam aos níveis mais elevados de ciências. Em Portugal, a nota nacional da OCDE aponta para 6%. O sistema estónio consegue combinar uma base ampla de alunos com competências essenciais e uma proporção apreciável de desempenhos de excelência.
A origem social continua a contar. Na Estónia, a diferença em ciências entre os quartos socioeconómicos mais e menos favorecidos é de 68 pontos. Em Portugal, atinge 92 pontos. Não estamos perante uma sociedade onde as desigualdades deixaram de existir; estamos perante resultados em que o peso dessas desigualdades é menor.
A própria análise da OCDE sobre desempenho e equidade inclui a Estónia num pequeno grupo de sistemas que combinam resultados acima da média, inclusão elevada da população de 15 anos no estudo e uma associação relativamente reduzida entre origem socioeconómica e desempenho em ciências.
Para a escola, esta combinação tem um significado concreto: vale a pena observar tanto os alunos que resolvem os problemas mais difíceis como aqueles que ainda precisam de ajuda para compreender o enunciado.
Ajudar cedo faz parte da organização da escola
Uma parte importante da explicação encontra-se na forma como a Estónia organiza o apoio aos alunos. A Education Estonia, iniciativa da agência pública de educação e juventude, descreve uma estrutura com dois níveis: a intervenção próxima, nos jardins de infância e nas escolas, e uma rede externa de aconselhamento especializado, os centros Rajaleidja, também conhecidos como Pathfinder.
Esta rede disponibiliza aconselhamento gratuito a famílias, professores e outros profissionais, com a participação de psicólogos, terapeutas da fala e especialistas em educação especial e apoio socioeducativo. Nas escolas, a diferenciação pode passar por pequenos grupos, materiais adaptados e apoio adicional. Também contempla desafios acrescidos para quem aprende mais depressa.
Estas medidas oferecem uma explicação plausível para a capacidade de sustentar as aprendizagens de muitos alunos. O PISA, por si só, não permite calcular quantos pontos se devem a cada uma delas, nem demonstrar uma relação causal isolada.
Ainda assim, o princípio é relevante para Portugal: uma dificuldade identificada precisa de uma resposta disponível. Entre reconhecer que um aluno necessita de apoio e conseguir prestá-lo há um intervalo que merece tanta atenção como qualquer reforma curricular.
No TALIS 2024, a OCDE identifica na Estónia maior autonomia pedagógica declarada pelos professores e maior participação docente nas decisões da escola do que na média dos países da organização, em pelo menos dois terços dos aspetos analisados em cada área.
A autonomia interessa quando permite tomar decisões úteis: voltar a um conceito que a turma não compreendeu, escolher materiais adequados, ajustar a sequência do trabalho ou construir uma atividade com outro professor. Para isso, quem decide precisa de preparação, tempo e apoio.
O mesmo inquérito mostra que 91% dos docentes estónios recentemente diplomados consideravam elevada a qualidade global da sua formação inicial, contra 75% na média da OCDE. É uma perceção dos professores, não uma medição direta da qualidade dos cursos, mas ajuda a compreender a base profissional em que essa autonomia assenta.
Há um exemplo especialmente esclarecedor no estudo da OCDE sobre flexibilidade curricular. Na escola Pelgulinna Gümnaasium, em Taline, foram organizados círculos de aprendizagem entre professores, com 75 minutos semanais libertados da atividade letiva para esse trabalho. Os grupos partilhavam o que aprendiam e aprofundavam problemas pedagógicos escolhidos pela escola.
É uma experiência de uma escola, não uma regra que possamos atribuir a todo o país. Mas torna visível uma escolha: dar tempo à colaboração dentro da organização do trabalho. Para os professores portugueses, frequentemente convidados a colaborar, investigar e inovar, esta concretização merece atenção.
A tecnologia entra numa escola que já sabe o que procura
O anúncio oficial de 2025 previa uma primeira fase dirigida a 20 mil alunos dos 10.º e 11.º anos e a três mil professores, com acesso a ferramentas e formação docente. A iniciativa recupera o legado do Tiger Leap, que décadas antes levara computadores e internet às escolas estónias.
A dimensão nacional da ambição deve distinguir-se da cobertura concreta de cada fase. Na atualização de setembro de 2026, o ministério anuncia o alargamento ao conjunto do secundário geral, a professores do ensino básico e a professores e alunos do secundário profissional. A formação, os materiais e a aprendizagem entre docentes continuam a fazer parte do programa.
Esta cronologia impede atribuir ao AI Leap o sucesso acumulado da Estónia no PISA. Uma iniciativa lançada em 2025, inicialmente dirigida a determinados anos do secundário, não explica o percurso anterior de um sistema, nem permite estabelecer o seu efeito sobre os resultados agora publicados.
O que ela mostra é a orientação de uma política. Na apresentação do programa no Tallinn Digital Summit, o ministério destacou a competência digital dos professores, a literacia em IA dos alunos e a investigação sobre os efeitos destas ferramentas na aprendizagem e no pensamento.
Há aqui uma proposta educativa que merece ser discutida: criar condições para experimentar, aprender a avaliar as respostas e acompanhar os efeitos sobre aquilo que os alunos conseguem fazer por si próprios.
Clicar na imagem para ver a apresentação…
Aprender a usar também é aprender a pensar
O perfil estónio do PISA 2025 acrescenta um dado relevante: 72,5% dos alunos referem aprender nas aulas a avaliar informação produzida por IA, acima dos 62,6% da média da OCDE. Trata-se de uma resposta a um questionário, que não equivale a uma prova de domínio dessa competência. Mas revela a presença do assunto no trabalho escolar.
Numa aula de Português, por exemplo, uma resposta gerada pode tornar-se objeto de leitura crítica: o aluno confronta-a com o texto literário, identifica uma interpretação sem apoio, procura uma passagem que sustente o argumento e reescreve a sua conclusão. Em ciências, pode examinar uma explicação e verificar se os dados apresentados permitem aceitá-la. Em matemática, pode discutir um procedimento e localizar o passo em que o raciocínio falha.
São propostas pedagógicas decorrentes desta abordagem, não descrições de práticas universais nas escolas estónias. O seu valor estará no trabalho intelectual que exigem ao aluno e na informação que dão ao professor sobre a aprendizagem.
Também a avaliação merece acompanhar esse trabalho. Como propusemos no artigo sobre autoria e avaliação do processo na presença da IA, pedir ao aluno que explique uma escolha, identifique as fontes verificadas e descreva o contributo da ferramenta ajuda a tornar visível a sua participação intelectual. Essa explicação dá ao professor elementos que o produto final, sozinho, pode não revelar.
Para Portugal, uma aposta desta natureza pede acesso equitativo, formação ligada às disciplinas, tempo para preparar atividades e avaliação dos resultados. Uma ferramenta pode entrar rapidamente na escola; uma prática pedagógica precisa de ser construída.
O que Portugal pode aprender, sem idealizar
A Estónia também enfrenta problemas. No PISA 2025, 73,5% dos seus alunos frequentavam escolas cujos diretores referiam que a falta de professores limitava, pelo menos em alguma medida, a capacidade de assegurar o ensino. E o recuo na leitura exige atenção, mesmo num país com resultados elevados.
Portugal tem, por sua vez, experiência que merece ser reconhecida. O estudo da OCDE sobre flexibilidade curricular inclui iniciativas portuguesas de aprendizagem entre pares e de experimentação pedagógica. A comparação deve ajudar-nos a perceber como dar consistência ao que funciona e como melhorar as condições para o generalizar.
Da leitura conjunta das fontes emerge uma interpretação: o desempenho estónio é compatível com um sistema que articula expectativas exigentes, apoio às dificuldades, autonomia profissional e continuidade do investimento educativo. Esta combinação é mais convincente do que uma explicação assente numa medida isolada. Continua, porém, a ser uma interpretação informada, não uma demonstração causal fornecida pelo PISA.
As perguntas que deixa às escolas portuguesas são bastante concretas. Quanto tempo demora a chegar o apoio a um aluno? Que decisões pode realmente tomar o professor? Que espaço existe no horário para trabalhar com os colegas? Como sabemos se uma atividade com tecnologia melhorou a compreensão, a escrita ou a capacidade de resolver um problema?
É nesse trabalho quotidiano que a comparação com a Estónia se torna útil. O próximo resultado começa muito antes do próximo teste: no aluno que recebe ajuda a tempo, no professor que consegue preparar melhor uma aula e na escola que dispõe de condições para transformar uma boa ideia numa aprendizagem duradoura.
Artigo preparado com informação consultada em 10 de setembro de 2026. Resultados: PISA 2025. Os dados do TALIS 2024 referem-se ao inquérito aos professores e são identificados separadamente. As ligações no texto conduzem aos artigos anteriores do blogue e às fontes institucionais utilizadas.
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.
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/
Desde 1946, a definição de «saber ler» já mudou pelo menos sete vezes — e a inteligência artificial obriga agora a uma redefinição nova. A partir de uma conferência apresentada em Seia, este artigo percorre o que muda na leitura, na autoria e na verificação de fontes, e o que a escola portuguesa já tem ao seu alcance para responder.”
A definição de «saber ler» já mudou pelo menos sete vezes desde 1946 — do decifrar ao emancipar, do texto único às multiliteracias. Uma conferência que Ana Paula Ferreira e Jorge Borges apresentaramm esta semana, no dia 4 de setembro, em Seia percorre essa história para chegar a uma pergunta muito concreta para qualquer sala de aula portuguesa: que parte do pensamento dos alunos estamos, hoje, dispostos a delegar a uma máquina?
Um aluno pode passar, no mesmo minuto, de uma legenda a um vídeo, de um parágrafo a uma palavra pesquisada, de uma nova janela a uma pergunta feita a um assistente de inteligência artificial — e receber, em segundos, uma síntese que nunca chegou a construir sozinho. Nenhuma destas mudanças é, em si, um problema; o problema é que a escola continua, muitas vezes, a fazer a estes alunos as mesmas quatro perguntas de sempre sobre um texto, quando aquilo que têm hoje à frente já não é bem um texto — é um ecossistema informacional inteiro, com autores, algoritmos e modelos de linguagem a decidir, a cada instante, o que lhes aparece primeiro.
Ver apresentação no encontro…
Sete redefinições em oitenta anos
A pergunta «o que significa saber ler, hoje?» parece nova, mas não é — é apenas a mais recente de uma longa série. Quando a UNESCO nasce, em 1946, a sua preocupação central em matéria de literacia é ainda a mais elementar: a alfabetização básica, próxima daquilo que a tradição escolar de língua inglesa já chamava, desde o século XIX, os «três erres» — reading, writing, arithmetic. Em 1958, a organização avança a primeira definição oficial de literacia: é literado quem consegue ler e escrever, com compreensão, uma frase simples sobre a sua própria vida quotidiana. Nas décadas de 1960 e 1970, a fasquia sobe: já não basta decifrar uma frase, é preciso conseguir usar a leitura para funcionar na comunidade e no trabalho — nasce a ideia de literacia funcional, que a UNESCO viria a formalizar em 1978.
Em 1968, Paulo Freire publica Pedagogia do Oprimido e desloca outra vez o centro da questão: a literacia deixa de ser funcional e passa a ser concebida como prática política de emancipação. A síntese que ficaria célebre — a ideia de que a leitura do mundo precede sempre a leitura da palavra — só surgiria, de forma explícita, catorze anos mais tarde, no livro A Importância do Ato de Ler (1982), mas a raiz do argumento já está em 1968: ler não é só decifrar sinais, é interpretar uma realidade antes de a nomear. Em pouco mais de vinte anos, a literacia já tinha mudado de definição três vezes — decifrar, funcionar, emancipar.
Em 1996, o coletivo de investigadores conhecido como New London Group publica, na Harvard Educational Review, o artigo que cunha o termo «multiliteracias»: já não basta pensar numa literacia única e baseada sobretudo na linguagem verbal, é preciso reconhecer a multiplicidade de linguagens, meios e formas de representação com que qualquer pessoa lida todos os dias. Isto não significa que a leitura tradicional se tenha tornado dispensável — significa que deixou de ser suficiente sozinha. Dez anos depois, em 2006, o relatório de monitorização da própria UNESCO volta a mexer na definição, desta vez para afirmar que a literacia não é um destino fixo, mas um contínuo que se desenvolve ao longo de toda a vida. E, em 2018, é a própria União Europeia que muda de vocabulário: até então, uma das oito competências-chave chamava-se «comunicação na língua materna»; a partir da Recomendação do Conselho de 22 de maio desse ano, passa a chamar-se, simplesmente, «competência de literacia» — e a definição passa a incluir, de forma explícita, materiais visuais, sonoros e digitais, além do texto escrito.
Ou seja: mesmo antes de qualquer conversa sobre inteligência artificial generativa, a própria ideia de «saber ler» já se tinha redefinido pelo menos sete vezes em pouco mais de setenta anos. Não é uma exceção dos nossos dias. É um padrão que já vem de longe — e a pergunta com que esta conferência começou – O que significa ler, hoje? – é apenas a próxima redefinição dessa mesma história.
Clicar na imagem para ver a apresentação… |NotebookLM|
Ler depressa, ler devagar: os quatro modos de leitura
Um dos enganos mais fáceis de cometer nesta discussão é assumir que digital significa superficial e que papel significa profundo — e a investigação não sustenta essa equação. É verdade que existe, em determinados contextos de leitura na Web, uma tendência forte para a leitura de exploração rápida: os olhos percorrem títulos, palavras-chave e zonas visualmente salientes, procurando informação relevante em segundos. O chamado padrão em F, documentado por Jakob Nielsen em 2006 a partir de estudos de rastreio ocular com centenas de utilizadores, descreve exatamente esse comportamento — duas faixas horizontais seguidas de uma faixa vertical descendente pelo lado esquerdo do ecrã. Mas este padrão não é uma prova de que a leitura digital seja, por natureza, superficial; é antes o efeito de interfaces desenhadas para a velocidade, a interrupção e o consumo contínuo, e uma resposta adaptativa razoável a ambientes com excesso de informação.
A questão mais interessante, por isso, não é «digital ou papel», mas que tipo de atenção está a ser mobilizada em cada momento. A investigadora Maryanne Wolf, no livro Reader, Come Home (2018), defende o valor daquilo que chama leitura profunda: uma forma de atenção prolongada, associada à inferência, à comparação de perspetivas, à interpretação de ambiguidades e à ligação entre informação nova e conhecimento anterior. Ler profundamente é permanecer tempo suficiente diante de um texto para que ele possa desafiar o modo como já se pensa — o que exige voltar atrás, perguntar, relacionar e, por vezes, discordar. Nada disto invalida a leitura rápida; em muitos contextos, fazer uma triagem eficiente de informação é útil e racional. O problema surge quando essa triagem se torna o único modo de leitura disponível a um aluno.
A tarefa pedagógica, por isso, não é obrigar todos os textos a serem lidos devagar, mas ensinar os alunos a escolher conscientemente o modo de leitura adequado a cada finalidade — a mudar de velocidade cognitiva consoante o texto exija ser atravessado, estudado, questionado ou, nalguns casos, habitado durante algum tempo. Esta pode ser, aliás, uma das funções mais concretas que a escola ainda tem para desempenhar: não ensinar apenas a ler mais, mas ensinar a reconhecer quando é preciso abrandar.
Quando a máquina decide o que aparece primeiro
Duas pessoas que fazem, no mesmo minuto, exatamente a mesma pesquisa — «melhores livros para o 5.º ano», por exemplo — podem ver, no topo do ecrã, resultados completamente diferentes. Não por engano nem por acaso: é o funcionamento normal de qualquer motor de pesquisa, feed ou sistema de recomendação atual. Entre o leitor e aquilo que lê passou a existir uma camada que ordena, seleciona e hierarquiza informação de forma diferente para cada pessoa — a chamada mediação algorítmica, que combina motores de pesquisa, sistemas de recomendação, métricas de popularidade, modelos de linguagem e filtros de moderação. O utilizador não vê «a realidade digital»; vê uma versão já selecionada e ordenada por sistemas técnicos e comerciais, o que não significa que os algoritmos controlem tudo, mas significa que aquilo que aparece a cada aluno já é o resultado de uma escolha que não foi dele.
Para quem trabalha em bibliotecas escolares, este não é um território totalmente desconhecido. Há muitas décadas que existe uma profissão inteira treinada para saber que o acesso à informação nunca foi neutro: uma classificação decimal é já uma decisão sobre o que fica ao lado de quê; uma política de aquisições é uma decisão sobre o que entra e o que não entra na coleção. A diferença séria entre um catálogo de biblioteca e um sistema de recomendação está em três propriedades. O catálogo é público — qualquer pessoa pode consultar a regra que o organiza. É estável — não muda de um dia para o outro. E é igual para todos — a mesma prateleira aparece a qualquer pessoa que a procure. Um sistema de recomendação não tem nenhuma destas três propriedades: é privado, muda todos os dias e é diferente para cada utilizador.
Esta mudança de terreno obriga a acrescentar perguntas àquelas que a literacia da informação já ensina há décadas: quem escreveu, quando foi publicado, onde foi publicado, qual é a fonte. Estas quatro perguntas continuam necessárias, mas já não chegam sozinhas. É preciso perguntar também porque é que determinado conteúdo apareceu precisamente àquele leitor, quem decidiu que era relevante para ele, o que ficou de fora e, quando a resposta vem de um sistema de inteligência artificial, de onde é que essa resposta veio. A diferença entre os dois conjuntos de perguntas não é de conteúdo, é de gramática: as primeiras avaliam o documento; as segundas avaliam a posição do próprio leitor perante o sistema que lhe apresentou aquele documento. É uma mudança maior do que parece à primeira vista — e é também a razão pela qual o quadro europeu de competência digital DigComp, na sua versão mais recente publicada pela Comissão Europeia em novembro de 2025, deixou de tratar a inteligência artificial como um capítulo isolado e passou a integrá-la de forma transversal nas suas vinte e uma competências, mantendo as cinco áreas e os quatro níveis de proficiência que já definiam as versões anteriores do quadro.
De quem é este texto, afinal?
Poucas perguntas provocam tanta discussão em salas de professores como esta: um aluno pede a uma ferramenta de inteligência artificial que escreva um texto, altera duas ou três frases, entrega no dia seguinte — e o resultado está bom, talvez melhor do que aquilo que costuma escrever sozinho. De quem é aquele texto? É provável que a pergunta, tal como costuma ser feita, esteja mal formulada, e é por isso que raramente se chega a uma resposta satisfatória. A palavra «autoria» junta, na verdade, três aspetos diferentes: quem escreveu materialmente as palavras, quem tomou as decisões sobre o que incluir e que ângulo seguir, e quem responde, no fim, pelo que ali está escrito. Durante toda a história da escola, estes três aspetos coincidiram sempre na mesma pessoa, e por isso nunca foi preciso separá-los. A inteligência artificial generativa tornou visível que já podem não coincidir — e a avaliação escolar continua, em larga medida, a comportar-se como se coincidissem sempre.
A resposta mais realista não passa por auditar cada trabalho, o que seria impraticável em turmas com dezenas de alunos e poucas horas semanais de contacto disponíveis para cada disciplina. Passa antes por deslocar parte da avaliação para o processo: uma pergunta oral curta, feita ao acaso a alguns alunos por turma — por exemplo, «explica-me a decisão que tomaste nesta linha» — revela com bastante clareza se houve participação intelectual real na tarefa, sem exigir qualquer ferramenta de deteção de inteligência artificial. Isto não torna a utilização de IA automaticamente suspeita: um aluno que lê três fontes, formula uma hipótese, pede a um sistema de inteligência artificial uma interpretação alternativa, identifica erros nessa resposta, confronta-a com as fontes originais e reformula o seu próprio argumento não delegou o pensamento — integrou a ferramenta num processo de reflexão genuíno. É por isso que a transparência passa a ser, ela própria, uma dimensão da autoria: um trabalho pode incluir uma breve declaração sobre que ferramenta foi usada, com que finalidade, que verificações foram feitas e que alterações foram introduzidas pelo próprio aluno. A pergunta binária «usou IA ou não usou?» deixa, assim, de ser a pergunta certa. As perguntas que a substituem são outras: o que foi delegado, porquê, o que foi verificado, o que foi rejeitado, o que foi acrescentado — e se o aluno continua capaz de responder por aquilo que entregou.
Um texto bem escrito nem sempre é verdadeiro
Há um exercício simples que qualquer professor pode fazer antes de o levar aos alunos: pedir a um assistente de inteligência artificial cinco referências bibliográficas sobre um tema da sua área, e depois procurá-las — num catálogo, numa base científica, onde for. Algumas vão existir. As que não existirem vão ser as mais perturbadoras, precisamente porque não se parecem com erros. Um exemplo fictício, construído apenas para ilustrar este ponto, ajuda a perceber porquê: uma referência com dois autores de apelidos portugueses correntes, um título que combina dois conceitos plausíveis e atuais na área — algo como «Leitura profunda e mediação algorítmica: um estudo longitudinal em bibliotecas escolares portuguesas» —, publicada numa revista com um nome que segue a fórmula habitual de metade dos periódicos portugueses de educação, com volume, número, um intervalo de páginas verosímil e até um DOI. Este exemplo específico não corresponde a nenhuma publicação real — foi inventado deliberadamente para esta demonstração, tal como a inteligência artificial pode inventar referências semelhantes quando confrontada com um pedido concreto. Um observador atento a estes detalhes ainda consegue notar que um DOI a começar por «10.00000» segue um formato de prefixo que não existe em nenhum registo real, mas essa é já uma pista técnica que dificilmente se pode esperar de um aluno — a instrução mais realista continua a ser tentar encontrar mesmo a revista e o artigo, e não decifrar prefixos de identificador.
O que este exercício revela é contraintuitivo, porque a escola passou décadas a ensinar precisamente o oposto: que um texto bem escrito, sem erros, com vocabulário cuidado, é sinal de confiança, e que um texto cheio de gralhas é sinal de alarme. Esse critério funcionou durante muito tempo. Com sistemas de inteligência artificial generativa, inverteu-se: a fluência, isolada, deixou de ser um indicador suficiente de veracidade. Duas perguntas simples resolvem a maior parte dos casos práticos: consigo chegar à fonte original? E a fonte diz mesmo aquilo que a resposta afirma que diz? A segunda apanha a maioria dos problemas reais, porque grande parte do que corre mal não é invenção pura — é uma fonte que existe de facto, mas está a ser citada a dizer algo que nunca disse.
Este deixou de ser, aliás, um problema apenas pedagógico. Desde 2 de agosto de 2026, aplicam-se em toda a União Europeia as obrigações de transparência previstas no artigo 50.º do Regulamento (UE) 2024/1689, o regulamento europeu sobre inteligência artificial, que exigem que os sistemas de IA informem claramente os utilizadores quando interagem diretamente com uma máquina e que os conteúdos gerados ou manipulados por IA sejam identificáveis como tal — um enquadramento legal que reforça, do lado das plataformas, exatamente o hábito que se pretende ensinar do lado dos alunos.
Cinco movimentos para uma escola que ensina a usar
Perante tudo isto, a escola tem três respostas fáceis à mão — proibir, ignorar ou deixar usar sem critério — e nenhuma delas é, na prática, suficiente. A alternativa mais difícil, mas também a mais útil, passa por ensinar a usar criticamente, e isso pode organizar-se em cinco movimentos concretos. O primeiro é continuar a ensinar leitura profunda, não apesar da inteligência artificial, mas precisamente por ela existir. O segundo é ensinar a verificar: uma resposta não se torna verdadeira só porque foi produzida por uma máquina com aparência de segurança. O terceiro é ensinar a explicitar a relação com a ferramenta — quando foi usada, para quê, com que contributo e que alterações foram introduzidas depois. O quarto é avaliar processos e não apenas produtos finais. E o quinto, talvez o mais fértil em sala de aula, é usar a própria inteligência artificial como objeto de leitura crítica.
Este último movimento é mais simples do que parece: em vez de pedir a um sistema de IA «escreve um texto perfeito», pode pedir-se «produz uma resposta sobre este assunto» — e depois transformar essa resposta num objeto de análise coletiva. O que está correto? O que está incompleto? Que afirmações precisam de confirmação? Que fontes faltam? Que argumentos são frágeis? Que palavras tornam a resposta aparentemente mais convincente do que é? Que perspetiva ficou de fora? E, por fim, «melhorem a resposta» — o momento em que a inteligência artificial deixa de ser uma máquina de respostas prontas e passa a ser, ela própria, matéria de leitura crítica.
Há, no entanto, um limite que atravessa todos estes movimentos: aquilo que a escola pretende formar não pode ser integralmente delegado a uma ferramenta. Se o objetivo é formar capacidade de argumentação, não se pode delegar a argumentação. Se o objetivo é formar leitura, não se pode delegar a leitura. Se o objetivo é formar pensamento crítico, não se pode delegar o julgamento. Se o objetivo é formar autoria, não se pode delegar todas as decisões que a compõem. A inteligência artificial pode ajudar, ampliar, provocar, acelerar e oferecer alternativas — mas há um ponto em que a responsabilidade tem sempre de voltar ao sujeito que a exerce.
O que isto diz à escola portuguesa
Nenhuma linha da conferência que dá origem a este artigo foi escrita a pensar no currículo português — Ana Paula Ferreira e Jorge Borges dirigem-se a uma sala com professores bibliotecários de várias origens, não a um conselho pedagógico específico —, mas o enquadramento para o aplicar em Portugal já existe, e cobre de forma quase completa aquilo que a conferência propõe. O Perfil dos Alunos à Saída da Escolaridade Obrigatória oferece o ponto de entrada mais transversal: entre as suas dez áreas de competência, o pensamento crítico e pensamento criativo é definido como a capacidade de interrogar a realidade e de formular juízos fundamentados sobre a informação a que se tem acesso (Direção-Geral da Educação, 2017) — uma formulação que cobre, quase palavra a palavra, o exercício de perguntar porque é que determinado conteúdo apareceu a um aluno em particular, e como se distingue fluência de veracidade. A Estratégia Nacional de Educação para a Cidadania, atualizada em agosto de 2025, mantém a literacia mediática entre os domínios obrigatórios da componente de Cidadania e Desenvolvimento em todos os ciclos, com um enunciado que cobre explicitamente a utilização crítica e segura das tecnologias digitais e dos conteúdos gerados por inteligência artificial (Portugal, 2025) — o espaço curricular onde os cinco movimentos descritos acima encaixam sem qualquer adaptação.
Para quem coordena a formação contínua de professores, o quadro europeu DigCompEdu situa a literacia informacional e a avaliação crítica de fontes digitais entre as competências que os próprios docentes devem desenvolver antes de as poderem ensinar (Redecker, 2017) — um lembrete oportuno num momento em que muitos professores recorrem eles próprios a assistentes de inteligência artificial para preparar aulas, sem necessariamente aplicar a essas ferramentas o mesmo escrutínio que pedem aos alunos. E a margem de autonomia curricular de 25% que o Decreto-Lei n.º 55/2018 já concede às escolas (Portugal, 2018) oferece o espaço formal onde uma escola ou agrupamento pode construir, sem esperar por orientação nacional, um pequeno percurso sobre leitura, autoria e verificação de fontes na era da inteligência artificial — precisamente o território que este artigo tem vindo a descrever.
Uma proposta para a sala de aula
Uma forma simples de começar não exige qualquer material que a escola não tenha já. O exercício das cinco referências bibliográficas inventadas por um assistente de inteligência artificial, descrito mais acima, funciona particularmente bem quando é o próprio professor a experimentá-lo primeiro, antes de o levar à turma — e ainda melhor quando é conduzido em conjunto com a biblioteca escolar, aproveitando os recursos de pesquisa que já lá existem. Numa segunda fase, pode pedir-se a pequenos grupos de alunos que repitam o exercício sobre um tema à sua escolha, registando, para cada referência obtida, se a conseguiram confirmar numa fonte independente e, quando a confirmaram, se a fonte diz mesmo aquilo que a resposta da inteligência artificial lhe atribuiu. O objetivo não é levar os alunos a desconfiar de tudo, é torná-los capazes de aplicar, sozinhos e da próxima vez, as duas perguntas que resolvem a maior parte dos casos práticos: consigo chegar à fonte, e a fonte diz mesmo isto?
A segunda parte da proposta dirige-se a quem coordena a Estratégia de Educação para a Cidadania de uma escola ou agrupamento, ou a equipa de biblioteca escolar. Vale a pena aproveitar a proximidade desta conferência para uma sessão curta em conselho pedagógico sobre a diferença entre um catálogo e um sistema de recomendação — a distinção entre informação pública, estável e igual para todos, por um lado, e informação privada, mutável e personalizada, por outro —, e sobre como essa diferença pode ser levada, de forma simples, a qualquer disciplina que peça pesquisa de informação aos alunos. Não se trata de propor uma disciplina nova, trata-se de reconhecer que a margem de autonomia curricular já existente é espaço suficiente para começar.
A conferência que dá origem a este artigo termina, precisamente, sem resolver o problema — porque a questão mais interessante é aquela que cada participante leva consigo para a sua própria escola. A pergunta que Ana Paula Ferreira propõe como ponto de partida para essa reflexão pode servir de fecho também aqui: o que quero que os meus alunos sejam capazes de fazer sozinhos, mesmo quando têm uma inteligência artificial disponível? É a partir dessa pergunta, mais do que de qualquer lista de regras, que se pode pensar a utilização pedagógica da inteligência artificial em cada sala de aula portuguesa.
Nota de transparência: este artigo foi elaborado com o apoio de inteligência artificial (Claude, da Anthropic), a partir do texto integral e dos materiais da conferência «Ler o mundo em múltiplos formatos: multiliteracias na era da inteligência artificial», apresentada por Ana Paula Ferreira e Jorge Borges no IX Encontro Leitur@s (Seia, 4 de setembro de 2026). Este texto não teve acesso à gravação áudio integral da conferência, apenas ao guião escrito e aos materiais de apresentação; a descrição de cada parte reflete esses documentos, não uma escuta da gravação. Os dados históricos sobre a evolução da definição de literacia (UNESCO, 1958 e 2006; New London Group, 1996; Conselho da União Europeia, 2018), os enquadramentos normativos europeus (DigComp 3.0 e o artigo 50.º do Regulamento (UE) 2024/1689) e os conceitos de leitura profunda e do padrão em F foram verificados de forma independente junto de fontes primárias, com elevado grau de confiança.
Ferreira, A. P., & Borges, J. (2026, 4 de setembro). Ler o mundo em múltiplos formatos: multiliteracias na era da inteligência artificial [Comunicação]. IX Encontro Leitur@s, Casa Municipal da Cultura de Seia.
Freire, P. (1968). Pedagogia do oprimido. Paz e Terra.
Freire, P. (1982). A importância do ato de ler: em três artigos que se completam. Cortez.
Parlamento Europeu e Conselho da União Europeia. (2024). Regulamento (UE) 2024/1689 que estabelece regras harmonizadas em matéria de inteligência artificial (Regulamento IA). Jornal Oficial da União Europeia. https://eur-lex.europa.eu/eli/reg/2024/1689/oj
Portugal. (2018). Decreto-Lei n.º 55/2018, de 6 de julho. Diário da República, 1.ª série, n.º 129.
Redecker, C. (2017). European framework for the digital competence of educators: DigCompEdu (Y. Punie, Ed.). Serviço das Publicações da União Europeia. https://doi.org/10.2760/159770
Um relatório da OCDE de 195 páginas mapeou 71 certificados de secundário em 38 países — e os dois certificados portugueses caem em modelos diferentes. O que isso revela sobre exames, avaliação interna e o uso da inteligência artificial em trabalhos e na PAP.
A OCDE acaba de publicar o mapa mais detalhado até hoje sobre como os países certificam o fim do secundário — e Portugal está lá, com os seus dois certificados a caírem em modelos diferentes, exatamente como qualquer professor de um curso científico-humanístico ou de um curso profissional intuiria.
Todos os verões, Portugal discute os exames nacionais — os que houve, as classificações, o peso que tiveram no acesso ao ensino superior. É uma discussão quase sempre feita de dentro, comparando este ano com o anterior, uma reforma com a que a precedeu. Um novo relatório da OCDE muda o ângulo: em vez de olhar para Portugal isolado, coloca-o ao lado de 37 outros países e 70 outros certificados, com uma pergunta simples — quem avalia o quê, como, e em que condições.
Este artigo parte da leitura direta de «The Theory and Practice of Upper Secondary Certification» (OCDE, 2026), relatório de 195 páginas produzido pelo projeto Transitions in Upper Secondary Education da OCDE, com base num exercício de mapeamento de 71 certificados de conclusão do secundário em 38 países — incluindo os dois certificados portugueses — realizado em 2024 e 2025. Portugal esteve representado no grupo de trabalho informal que acompanhou o relatório por Anabela Serrão e Gonçalo Santos. Este artigo seleciona os pontos de maior interesse direto para professores, diretores de turma e equipas de direção portuguesas — o lugar dos certificados portugueses no mapa internacional, o valor preditivo da avaliação feita pelos professores e os quatro modelos de utilização da inteligência artificial em avaliação de alto risco já em discussão entre os países da OCDE — e cruza-os com o Decreto-Lei n.º 55/2018, o Perfil dos Alunos à Saída da Escolaridade Obrigatória e as regras mais recentes sobre os exames nacionais.
Um mapa que não existia até agora
Comparar sistemas de certificação do secundário entre países é, surpreendentemente, um exercício raro. Cada país discute a reforma dos seus próprios exames como se fosse um caso único, mas há décadas que ministérios de educação de países diferentes fazem, isoladamente, perguntas parecidas: quanto deve pesar um exame nacional, quem deve marcar um trabalho de projeto, se uma prova oral é mais justa do que um teste escrito. O relatório da OCDE nasceu precisamente de conversas repetidas entre governos sobre estas mesmas questões, reunidas desde 2023 no Grupo de Trabalho Informal sobre Certificação e Avaliação, e resultou numa matriz que classifica cada componente de cada certificado por quatro eixos — o tipo de tarefa, as condições em que é realizada, o momento em que ocorre e quem é responsável por a definir e corrigir.
A fotografia que essa matriz produz é reveladora. Entre os 71 certificados analisados, 59 incluem exames ou testes, 39 incluem atividades práticas e desempenhos, 38 incluem avaliações definidas pelos próprios professores e 32 incluem projetos ou portefólios. A conclusão mais robusta do relatório não é que um destes formatos seja superior aos outros — é que a esmagadora maioria dos sistemas, 57 em 71, combina vários deles no mesmo certificado, precisamente porque cada formato compensa as fragilidades dos restantes. Um exame é eficiente a avaliar um corpo alargado de conhecimento em condições comparáveis entre escolas, mas dificilmente capta competências práticas; um projeto avalia essas competências com autenticidade, mas é difícil de tornar comparável entre milhares de alunos sem um grande investimento em fiabilidade.
Portugal aparece em dois modelos diferentes
A descoberta mais direta do relatório para um leitor português está numa tabela de classificação que junta os 71 certificados em apenas três modelos. O relatório distingue certificados com exame externo e sem avaliação interna (modelo 1, apenas 10 dos 71 — raro, e quase sempre em educação geral), certificados com avaliação interna e sem qualquer exame externo (modelo 2, 19 dos 71 — predominante em vias profissionalizantes) e certificados que combinam os dois (modelo 3, 42 dos 71 — o modelo mais frequente, sobretudo em educação geral, onde 36 dos 45 certificados analisados incluem exame externo).
Portugal não tem um certificado — tem dois, e a OCDE classifica-os em modelos diferentes. O certificado de conclusão do ensino secundário e diploma associado ao Nível 3 do Quadro Nacional de Qualificações, a via seguida pelos cursos científico-humanísticos, cai no modelo 3: combina avaliação interna contínua com exames nacionais externos. É exatamente o que qualquer diretor de turma do secundário geral reconhece na prática, e que o Decreto-Lei n.º 62/2023 confirma nas suas regras mais recentes — os alunos têm de realizar exames nacionais em três disciplinas, Português obrigatoriamente para todos, mais duas disciplinas da componente de formação específica do seu curso, ou, em alternativa, uma dessas disciplinas e Filosofia (Comissão Europeia/Eurydice, 2026). Já o certificado profissional — a via dos cursos profissionais — cai no modelo 2: assenta inteiramente na avaliação interna, sem qualquer exame nacional externo. Ver os dois certificados portugueses separados desta forma, lado a lado com os de outros 37 países, torna visível algo que a discussão interna portuguesa raramente formula assim: não existe «o» sistema de avaliação português, existem dois, desenhados para funções diferentes, e ambos encaixam com naturalidade nos modelos que a maioria dos países da OCDE também utiliza.
O relatório vai ainda mais longe na granularidade, e encontra em Portugal dois exemplos que cita explicitamente como boas ilustrações internacionais. Na Prova de Aptidão Profissional dos cursos profissionais, os alunos são avaliados no final do programa sobre a totalidade dos conhecimentos, competências e atitudes desenvolvidos ao longo dos três anos — o que a OCDE descreve como uma avaliação «sinóptica» ou de «capstone», com a vantagem de os alunos terem tido todo o percurso formativo para desenvolver as competências que essa prova final mede. E na formação em contexto de trabalho da mesma via profissional, o relatório usa Portugal como exemplo de avaliação sem restrições pré-definidas: não há tarefas específicas impostas antecipadamente, e os alunos são avaliados pela forma como respondem às tarefas que naturalmente surgem no local de trabalho, com acesso às mesmas ferramentas e tecnologias que teriam em qualquer contexto profissional real. Há ainda um pormenor mais discreto, mas relevante para quem explica notas a encarregados de educação: o relatório identifica Portugal, ao lado de poucos outros sistemas, como um caso em que os resultados dos exames finais são registados disciplina a disciplina, e não combinados numa média geral — ao contrário, por exemplo, do modelo francês, em que o baccalauréat exige uma média de 10 em 20 no conjunto das provas.
Quem avalia importa: o valor preditivo da nota do professor
Um dos achados mais úteis do relatório para qualquer conversa sobre o peso da avaliação interna diz respeito a quem, afinal, prevê melhor o sucesso futuro de um aluno. Em sistemas onde coexistem avaliação interna e um exame de acesso ao ensino superior separado — como a Suécia e os Estados Unidos —, é possível comparar diretamente o poder preditivo de cada um. Um inquérito nacional sueco sobre a avaliação escolar analisou, para o ano letivo de 2018/19, a correlação entre as notas atribuídas pelos professores, os testes nacionais estandardizados e o exame sueco de acesso ao ensino superior (SweSat) com o sucesso dos alunos no primeiro ano de ensino superior. A nota do professor foi a que mais se correlacionou com esse sucesso, com um coeficiente de 0,28; o SweSat foi o que menos se correlacionou, com 0,19. Um estudo anterior, com mais de 164 mil alunos suecos entre 1993 e 2001, tinha chegado à mesma conclusão, e nos Estados Unidos um estudo com quase 150 mil alunos de quatro estados encontrou o mesmo padrão: as notas atribuídas pelos professores previam melhor do que os resultados do SAT tanto a conclusão atempada do curso como a média final dos alunos no ensino superior.
A explicação que o relatório avança não é que os professores sejam melhores a medir conhecimento do que um teste padronizado — é que não medem apenas conhecimento. Estudos sobre a prática de avaliação de professores mostram que estes, ao atribuir uma nota, incorporam frequentemente juízos sobre assiduidade, comportamento, motivação e esforço, para tornarem a avaliação mais justa e mais útil à aprendizagem do próprio aluno. Isso torna a nota do professor menos fiável enquanto medida isolada de conhecimento — mas mais preditiva do sucesso futuro, porque capta competências como autocontrolo, autoeficácia e perseverança que também determinam esse sucesso. É um argumento que qualquer professor português reconhece intuitivamente, e que tem uma ligação direta com o Perfil dos Alunos à Saída da Escolaridade Obrigatória: áreas de competência como o desenvolvimento pessoal e autonomia ou o relacionamento interpessoal não têm equivalente direto num exame nacional, mas são precisamente o tipo de competência que a avaliação interna, feita ao longo do ano, está em posição privilegiada para captar.
Isto não significa que os exames sejam dispensáveis — o próprio relatório sublinha que os dois formatos cumprem funções diferentes e complementares, o que explica porque 42 dos 71 certificados analisados, incluindo o certificado geral português, combinam avaliação interna com exame externo. A avaliação interna ganha em validade e em relevância para competências mais amplas; o exame externo ganha em comparabilidade e em credibilidade perante quem seleciona candidatos para o ensino superior ou para o mercado de trabalho, especialmente quando a procura excede a oferta. É por isso que, nos Estados Unidos, o movimento de universidades «test-optional» — que deixam de exigir testes estandardizados na candidatura — cresceu de cerca de 12% das instituições antes de 2020 para mais de 85% em 2024, precisamente à medida que a evidência sobre o valor preditivo das notas escolares se consolidava.
Nenhum país permite IA num exame — mas quase todos discutem os outros formatos
A parte do relatório com maior interesse imediato para quem lida com trabalhos, portefólios e provas de aptidão profissional em Portugal é a que trata da inteligência artificial em avaliação de alto risco. À data do mapeamento, realizado em 2024 e 2025, nenhum dos países analisados permite o uso de ferramentas de inteligência artificial generativa sob condições de exame — nem um. O que já existe, em contrapartida, é regulação sobre o uso de IA em projetos e trabalhos de curso, onde a Nova Zelândia, a agência reguladora inglesa Ofqual e a Scottish Qualifications Authority têm posições publicadas, e onde a Joint Council for Qualifications inglesa já divulgou orientações sobre o que constitui uso indevido de IA em avaliação.
Nas conversas do grupo de trabalho, participantes da Áustria, da Dinamarca, da Noruega e da Escócia manifestaram interesse em encontrar formas reguladas de permitir o uso de IA em avaliação de alto risco fora do contexto estrito de exame, e o relatório identifica quatro modelos já em discussão entre países. No primeiro — «humano em circuito» —, os alunos podem usar IA livremente, mas têm de demonstrar que reviram e compreenderam o resultado, por exemplo através de um componente escrito reflexivo ou de uma prova oral. No segundo — «usos específicos» —, a IA só é permitida em certas fases da tarefa ou para certos fins, como gerar ideias mas não escrever o texto final. No terceiro — «qualquer uso com citação» —, os alunos têm de declarar sempre que recorreram a IA, mas não a podem citar como fonte única do trabalho. No quarto — «qualquer uso sob supervisão» —, os alunos têm acesso à totalidade das ferramentas disponíveis na internet, desde que o processo seja supervisionado, em tempo real através de navegadores vigiados ou, de forma assíncrona, através da recolha dos registos de diálogo com o sistema de IA.
O relatório organiza o debate público e político sobre este tema à volta de quatro tensões — equidade, relevância, exequibilidade e credibilidade — e é honesto quanto ao facto de os argumentos, para já, serem sobretudo conceptuais e ideológicos, não empíricos. Do lado das vantagens possíveis, a IA pode ajudar alunos com competências mais frágeis ou que não falam a língua de ensino como língua materna a concentrarem-se no que está a ser avaliado, apresentar informação de forma mais acessível a alunos com necessidades específicas, aproximar a avaliação das ferramentas que os alunos vão de facto usar na vida profissional e reduzir tarefas mecânicas como formatação e citações, libertando tempo para um ciclo de correção e feedback mais rápido. Do lado dos riscos, há a desigualdade de acesso às ferramentas entre alunos e entre escolas, o risco de a IA substituir em vez de reforçar o desenvolvimento de competências de tratamento de informação, questões de licenciamento e de proteção legal do aluno em caso de contestação, e — talvez o argumento mais delicado — a dificuldade em diferenciar o mérito real de cada aluno, e em comparar um certificado atual com os de anos anteriores, se todos passarem a produzir trabalhos de qualidade semelhante com apoio de IA.
O próprio relatório assinala porque é que esta discussão é particularmente difícil precisamente nos formatos que Portugal mais usa nas suas duas vias de certificação: é mais fácil regular o uso de IA em exames escritos ou digitais sem acesso à internet do que em trabalhos de projeto, portefólios ou provas de aptidão profissional, que decorrem em condições abertas e sob supervisão de professores e escolas individuais — a combinação exata que, segundo o relatório, gera mais receio e mais ansiedade sobre até que ponto os alunos estão a usar IA, e sobre se há inconsistências entre alunos e entre escolas na forma como esse uso é tratado.
Exames, resultados e ansiedade: o que os números da PISA mostram
Uma parte mais discreta do relatório, mas com peso direto na discussão pública sobre exames nacionais, é a análise original que a OCDE fez cruzando a proporção de alunos que fazem exames externos com os resultados do PISA 2022. Em sistemas onde uma fatia maior de alunos realiza exames externos, os resultados médios em matemática, leitura e ciências são de facto mais elevados — 43,6 pontos a mais em matemática, 30,8 em leitura e 37,4 em ciências, quando se compara quem faz exames com quem não faz. Mas essa relação deixa de ser estatisticamente significativa assim que se controla o contexto socioeconómico dos alunos e das escolas: a diferença cai para 13,6 pontos em matemática, 1,5 em leitura e 8,2 em ciências, valores que, face às respetivas margens de erro, já não permitem concluir que os exames, por si só, expliquem melhores resultados. A mesma cautela metodológica é válida para a ansiedade: os países com maior proporção de alunos a fazer exames externos tendem a registar níveis mais baixos de ansiedade face à matemática, mas essa associação também não se mantém estatisticamente significativa depois de controlado o contexto socioeconómico e o desempenho dos próprios alunos. Portugal surge, aliás, no gráfico do relatório com um índice de ansiedade matemática comparativamente baixo face a outros países com proporções semelhantes de alunos a realizar exames externos.
O relatório é cauteloso quanto às implicações destes números, e essa cautela merece ser levada para qualquer conversa de sala de professores sobre o tema: não há, nestes dados, prova de que os exames melhorem o desempenho dos alunos, mas também não há prova de que aumentem a sua ansiedade face à matemática. A explicação mais plausível é que, mesmo em sistemas sem exame nacional externo, os alunos continuam expostos a avaliação de alto risco — apenas conduzida na escola, de forma repetida ao longo do ano e em formatos mais variados —, e que o stress associado a essa avaliação depende sobretudo do peso real que os seus resultados têm no acesso ao percurso seguinte, e não do formato específico em que é medida.
O que isto diz à escola portuguesa
Nenhuma linha deste relatório foi escrita a pensar no currículo português — a OCDE dirige-se a decisores de política educativa de 38 países, não a um conselho pedagógico —, mas o enquadramento para o aplicar já existe, e cobre de forma quase completa aquilo que este texto tem vindo a descrever. O modelo misto do certificado geral português, combinando avaliação interna e exames nacionais em três disciplinas nos termos do Decreto-Lei n.º 62/2023, corresponde exatamente ao modelo que a maioria dos países da OCDE em educação geral utiliza, e que o relatório associa a um equilíbrio entre validade e credibilidade. O Perfil dos Alunos à Saída da Escolaridade Obrigatória oferece o enquadramento para reconhecer, com mais confiança, o valor da avaliação interna em áreas de competência que um exame nacional não mede diretamente — o desenvolvimento pessoal e autonomia, o relacionamento interpessoal, o pensamento crítico aplicado a um projeto concreto (Direção-Geral da Educação, 2017). E a margem de autonomia curricular de 25% que o Decreto-Lei n.º 55/2018 já concede às escolas oferece o espaço formal onde uma escola ou agrupamento pode desenhar, sem esperar por orientação nacional, critérios próprios para o uso de inteligência artificial em trabalhos de projeto, portefólios e provas de aptidão profissional — exatamente os formatos que este relatório identifica como os mais difíceis de regular a nível central, e para os quais Portugal, ao contrário do Reino Unido ou da Escócia, ainda não tem uma orientação nacional equivalente à da Joint Council for Qualifications inglesa.
Uma proposta para a sala de aula
Uma forma simples de levar os quatro modelos de uso de IA descritos no relatório a uma turma do secundário, seja de Cidadania e Desenvolvimento, seja de uma disciplina onde os alunos façam regularmente trabalhos de grupo ou projetos, não exige qualquer material que a escola não tenha já. Pode apresentar-se aos alunos os quatro modelos — humano em circuito, usos específicos, qualquer uso com citação, qualquer uso sob supervisão — sem os identificar como boa ou má prática, e pedir-lhes que escolham, em pequenos grupos, qual aplicariam ao próximo trabalho de projeto da turma, justificando a escolha à luz de quatro perguntas simples: torna o trabalho mais justo para todos os colegas, independentemente do acesso que cada um tem a ferramentas de IA em casa? Ajuda a desenvolver uma competência que vale a pena ter mesmo sem IA? É exequível verificar, sem sobrecarregar o professor? E continua a permitir distinguir o trabalho de um aluno do de outro? O objetivo não é chegar a uma resposta única, é tornar visível para o próprio aluno que a escolha de um modelo de uso de IA envolve sempre um compromisso entre estes quatro valores, e que nenhum modelo os satisfaz todos ao mesmo tempo.
A segunda parte da proposta dirige-se a quem coordena os cursos profissionais ou a comissão de avaliação de uma escola ou agrupamento. Vale a pena aproveitar a publicação deste relatório para rever, em conselho pedagógico, os critérios internos que já existem — ou que ainda faltam — para o uso de inteligência artificial na Prova de Aptidão Profissional e nos trabalhos de projeto de longa duração, precisamente os formatos que o relatório da OCDE identifica como os mais expostos a este risco e os menos cobertos por orientação nacional. Não se trata de copiar a solução de outro país, que o próprio relatório recusa recomendar como modelo único — trata-se de decidir, com clareza e por escrito, qual dos quatro modelos descritos faz mais sentido para a realidade concreta de cada curso, antes que a ausência de critério se torne, ela própria, o problema.
Nota de transparência: este artigo foi elaborado com o apoio de inteligência artificial (Claude, da Anthropic), a partir da leitura direta de «The Theory and Practice of Upper Secondary Certification» (OCDE, 2026).
