Arquivo da Categoria: Inteligência artificial

Estratégia nacional de inteligência artificial do Canadá: A IA para todos

Publicado a por
Responder

Download |

Há documentos que se lêem e se esquecem. E há documentos que nos obrigam a parar. A Estratégia Nacional de Inteligência Artificial do Canadá, publicada em 2026 pelo governo federal sob o título «L’IA pour tous» — a IA para todos —, é do segundo tipo. Não porque seja perfeita, nem porque o que o Canadá faz sirva diretamente para Portugal. Mas porque é, até hoje, uma das apostas mais completas e honestas que qualquer democracia ocidental colocou por escrito sobre como quer navegar a era da inteligência artificial — e porque coloca a escola, os professores e os alunos no centro dessa navegação.

Vale a pena ler com atenção o que o Canadá decidiu, e depois perguntar, como acontece sempre neste blogue: e nós, o que fazemos?

Um país que inventou a IA moderna e percebeu que isso não chega

O documento começa com um dado que poucos conhecem fora do mundo académico: a inteligência artificial moderna nasceu no Canadá. Os trabalhos de Geoffrey Hinton — Prémio Nobel —, de Yoshua Bengio e de Richard Sutton — ambos premiados com o Turing Award, frequentemente descrito como o «Nobel da Computação» — são a base conceptual dos sistemas que hoje usamos. O ChatGPT, o Gemini, os modelos de geração de imagem, os sistemas de tradução automática: todos bebem, de forma direta ou indireta, de investigação desenvolvida em universidades canadianas.

Mas o Canadá teve a lucidez de reconhecer que ter inventado algo não garante colher os seus frutos. Os dados que o próprio governo apresenta são incómodos: apenas 12% das empresas canadianas usam IA na sua atividade — contra 29 a 42% nos países nórdicos, 26% na Alemanha e 18% em França. Nas pequenas e médias empresas, a taxa cai para cerca de 8%. E apenas 24% dos cidadãos declaram ter recebido alguma formação em IA.

O problema mais profundo, porém, não é técnico nem económico. É um problema de confiança e de literacia. O Canadá classifica-se em 44.º lugar entre 47 países avaliados em formação e literacia em IA, e em 42.º em confiança nos sistemas de IA — segundo um estudo global da KPMG com a Universidade de Melbourne. Menos de metade dos canadianos acredita conseguir usar ferramentas de IA de forma eficaz. E a população está aproximadamente dividida entre quem vê a IA como benéfica (34%) e quem a considera prejudicial (36%), sendo que metade a vê como uma ameaça à humanidade.

É desta tensão — entre a liderança na investigação e o atraso na adoção, entre a promessa tecnológica e a desconfiança pública — que nasce a estratégia. E é precisamente nesta tensão que a escola entra como elemento central.

Seis pilares, e o segundo é para a escola

A estratégia organiza-se em seis pilares. O primeiro trata da proteção dos cidadãos e da democracia. O terceiro, da adoção da IA nas empresas. O quarto, da soberania tecnológica em infraestrutura e computação. O quinto, do apoio a campeões canadianos no setor da IA. O sexto, das parcerias internacionais.

Mas é o segundo pilar que mais diretamente interpela quem trabalha em educação: «Dar a todos os canadianos os meios para ter sucesso». Este pilar reconhece que um país não prospera na era da IA se a sua população não se sentir capaz de a usar. E estrutura-se em três dimensões que merecem ser lidas devagar.

A primeira é a literacia — compreender o que é a IA, como funciona, onde pode ser útil, e quais os seus riscos e limites. O documento afirma sem rodeios que a literacia em IA é «essencial para uma utilização segura e esclarecida, quer seja na escola, no trabalho, em casa ou na comunidade».

A segunda é a oportunidade — garantir que a IA enriquece a vida profissional e pessoal, em vez de a empobrecer. Aqui o texto é claro: à medida que as funções evoluem, governos, empregadores, instituições de ensino e sindicatos têm de colaborar para alargar o acesso à aprendizagem e criar caminhos para os empregos gerados pela IA.

A terceira é a participação — o princípio de que os cidadãos devem poder moldar ativamente a utilização da IA na sua vida, no seu local de trabalho e na sua comunidade. Incluindo, de forma explícita, que os trabalhadores e os profissionais contribuam para orientar a adoção da IA nas suas organizações.

Não é difícil reconhecer aqui um vocabulário que ressoa com os debates que vão acontecendo nas escolas portuguesas — com maior ou menor formalidade, com maior ou menor urgência.

O que o Canadá vai fazer, concretamente

Os documentos de estratégia valem muito pouco sem medidas concretas. A estratégia canadiana apresenta várias, e algumas são particularmente relevantes para o setor da educação.

Em primeiro lugar, o governo compromete-se a criar uma Iniciativa Nacional de Literacia em IA, com formação de base acessível a todos os cidadãos. Esta iniciativa prevê chegar a um milhão de estudantes do ensino superior em início de percurso e a mais de 3 000 professores, através de kits pedagógicos para uso em sala de aula. A formação é gratuita e inclui módulos práticos e conteúdos setoriais.

Em segundo lugar, o governo prevê investir 30 milhões de dólares no programa CodeCan, que financia organizações sem fins lucrativos para oferecer formação gratuita em competências digitais — incluindo programação, IA e tecnologias emergentes — a jovens desde o pré-escolar até ao 12.º ano e aos seus educadores, com foco particular nos grupos sub-representados.

Em terceiro lugar, o Canadá compromete-se a garantir que todos os estudantes do ensino superior tenham acesso a agentes de IA fiáveis — ferramentas pessoais e funcionais colocadas nas mãos da próxima geração de trabalhadores, investigadores e inovadores.

Em quarto lugar, o documento anuncia a criação de até 90 000 empregos, estágios e colocações ligadas à IA para jovens canadianos, incluindo apoio a pequenas e médias empresas e a organizações sem fins lucrativos, até 2031.

Paralelamente, o texto descreve em pormenor o trabalho já em curso do Alberta Machine Intelligence Institute (Amii), que forma anualmente 125 000 estudantes em conhecimentos e competências ligadas à IA, apoia mais de 1 000 professores do ensino básico e secundário em mais de 400 escolas, e contribuiu para a formação em literacia em IA de mais de 60 000 alunos. A estratégia quer escalar este modelo a nível nacional.

A proteção das crianças não é um apêndice — é um pilar

Algo que merece ser destacado com clareza: a estratégia canadiana não trata a proteção das crianças como uma nota de rodapé nem como uma preocupação secundária. Está inscrita no primeiro pilar, ao lado da proteção da democracia.

O documento reconhece que os deepfakes já são utilizados como forma de violência sexual, em particular contra mulheres e crianças, e que os algoritmos com vieses podem causar danos a comunidades vulneráveis. O governo compromete-se a modernizar a legislação sobre privacidade, a apresentar nova legislação sobre segurança online com foco especial na proteção das crianças, e a criar ferramentas legais para combater a desinformação gerada por IA em contexto eleitoral.

Esta dimensão é incontornável para quem trabalha em escolas. A IA que os alunos já usam — e que continuarão a usar, com ou sem orientação dos adultos — não é neutra. Produz conteúdo, influencia decisões, pode ser usada para manipular ou para proteger. A literacia em IA não pode ser dissociada da literacia mediática e da educação para os direitos digitais.

O que a experiência canadiana diz aos professores portugueses

Seria fácil ler esta estratégia com um certo desânimo comparativo. O Canadá tem recursos que Portugal não tem. O contexto histórico é diferente. A escala é incomparável.

Mas há lições que não dependem da escala.

A primeira é que a confiança precede a adoção. O Canadá percebeu que a resistência dos cidadãos à IA não é irracional — é o resultado natural de uma literacia insuficiente e de experiências negativas. Antes de perguntar «como usamos IA na sala de aula?», talvez valha a pena perguntar «o que sabem os nossos alunos sobre IA?» e «o que sabemos nós, professores?».

A segunda é que a formação de professores não é opcional. A estratégia canadiana não aposta apenas na formação dos alunos. Aposta, com igual determinação, nos educadores. Duplicar o número de professores formados em literacia em IA não é um objetivo de segundo plano — é uma condição para que tudo o resto funcione.

A terceira é que a IA na escola não pode ser apenas uma ferramenta de produtividade. O objetivo não é que os alunos usem IA para escrever melhor ou mais rápido. É que se tornem «atores informados numa sociedade moldada por esta tecnologia» — nas palavras exatas do documento canadiano. Isso implica ensiná-los a identificar vieses, a recontecer desinformação, a compreender os riscos para a privacidade, e a questionar os usos inapropriados.

A quarta é que a soberania tecnológica começa na escola. O Canadá investe na construção de infraestruturas de IA soberanas precisamente porque percebeu que depender de plataformas estrangeiras é uma vulnerabilidade estratégica. Para um país como Portugal, esta lição tem uma dimensão adicional: os jovens que hoje aprendem a usar ferramentas de IA sem espírito crítico tornam-se adultos que delegam decisões em sistemas que não controlam, não compreendem e não podem contestar.

Clicar na imagem para ver a apresentação…

Uma atividade para a sala de aula

A estratégia canadiana pode ser um ponto de partida para uma atividade pedagógica estimulante. Sugestão para o ensino secundário ou para o ensino superior:

Propor aos alunos que, em grupos, respondam à seguinte questão: «Se Portugal quisesse criar uma estratégia nacional de IA para a educação, quais seriam as três medidas mais urgentes?» O exercício exige que os alunos pesquisem o contexto português, comparem com o que outros países estão a fazer, discutam prioridades e justifiquem escolhas — competências que são, em si mesmas, manifestações de literacia em IA. Os resultados podem ser partilhados num fórum escolar ou enviados como contributo a decisores políticos. A participação cívica também se aprende.

Referência

Innovation, Sciences et Développement économique Canada. (2026). Stratégie nationale d’intelligence artificielle du Canada: L’IA pour tous. Gouvernement du Canada. https://ised-isde.canada.ca/site/isde/fr/strategie-nationale-matiere-dintelligence-artificielle-canada-lia-pour-tous [ISBN 978-0-662-35731-5]

Pensar não é saber responder: o que a IA nos ensina sobre educação | estudo

Publicado a por
Responder

Há uma pergunta que muitos professores fazem baixinho, quase com receio de a formular em voz alta: se a inteligência artificial já responde melhor do que os alunos nos testes, escreve melhores ensaios e resolve problemas que levariam horas a um estudante — para que serve, afinal, o que ensinamos?

A questão não é retórica. É a pergunta central de um artigo recentemente publicado no Journal for the Study of Education and Development: Infancia y Aprendizaje, da Universidade de Cambridge, pelo investigador Rupert Wegerif. O título, «Dialogic Intelligence: Rethinking What Education Is for in the Age of AI», é uma declaração de intenções: não se trata de gerir a disrupção, mas de repensar, com seriedade, o propósito da educação.

A armadilha das respostas certas

O problema começa por ser conceptual. Durante décadas, a escola organizou-se em torno de uma ideia de inteligência como capacidade individual, mensurável, comparável — o que se traduz em testes, notas, rankings. Wegerif traça uma genealogia rigorosa desta concepção: a forma como medimos a inteligência foi moldada pela cultura tipográfica, pelo pensamento linear e pela lógica das ciências exactas que a imprensa de Gutenberg ajudou a disseminar. A inteligência tornou-se aquilo que a escola exige e que os testes conseguem medir.

Os grandes modelos de linguagem — os LLMs que estão na base do ChatGPT, do Gemini, do Claude e de outros sistemas similares — demoliram esta construção de uma forma desconcertante. Não porque sejam mais inteligentes do que os humanos, mas porque demonstram que as operações cognitivas que a escola sempre privilegiou podem ser realizadas por sistemas sem consciência, sem emoções, sem experiência vivida. Quando a máquina passa em exames de medicina, direito e engenharia com resultados acima da média dos estudantes, somos forçados a perguntar: o que é que estávamos, afinal, a medir?

A resposta de Wegerif é clara: estávamos a medir a capacidade de reproduzir o que já existe. E isso, precisamente, é o que a IA faz com uma eficiência que nenhum humano consegue igualar.

O que a IA não consegue fazer

A alternativa proposta por Wegerif não é uma teoria nova sobre o que é a inteligência — é, como ele mesmo descreve, uma reorientação ontológica. Uma mudança de perspectiva sobre onde e como o pensamento acontece.

A ideia central é a de inteligência dialógica: a capacidade de abrir, aprofundar e sustentar espaços de significado partilhado, através da atenção genuína a outras perspectivas — humanas, não-humanas, tecnológicas. O pensamento, nesta visão, não acontece dentro de uma mente individual. Acontece no espaço entre perspectivas diferentes, quando essas perspectivas se encontram em tensão produtiva e se mantêm nessa tensão tempo suficiente para que algo novo emerja.

Wegerif recorre a um repertório filosófico exigente — Buber, Bakhtin, Heidegger, Merleau-Ponty, Freire — mas a intuição que percorre o argumento é reconhecível a qualquer professor que já tenha assistido àquele momento numa sala de aula: quando um aluno, depois de um silêncio, levanta os olhos, acena com a cabeça e diz «ah, percebi». Esse momento — que o autor descreve como fisiologicamente visível antes de ser verbalmente expresso — não é o produto de um algoritmo. É o produto de uma abertura ao outro, de uma disposição para ser afectado pelo que ainda não se sabe.

Isto é o que a IA não consegue fazer. Pode gerar texto. Pode verificar factos. Pode sintetizar literatura. Pode jogar o papel de interlocutor informado. Mas não importa-se. E é exactamente o «importar-se» — o cuidado, a responsabilidade ética, a motivação para continuar a questionar — que sustenta o espaço dialógico onde o pensamento genuíno emerge.

Clicar na imagem para ver a apresentação…

O risco real nas escolas

Wegerif distingue dois modos de usar a IA em educação, e a distinção é fundamental para qualquer professor que já tenha posto um chatbot numa sala de aula.

Quando a IA é usada como atalho para respostas — quando o aluno pergunta ao ChatGPT o que deve escrever, copia, e entrega — o que acontece é uma contracção do espaço cognitivo. Estudos recentes citados pelo autor mostram que este uso produz o que se chama de «preguiça metacognitiva»: os utilizadores deixam de exercitar o esforço de pensar porque a máquina o faz por eles. O pensamento crítico e a capacidade de resolução independente de problemas declinam.

Quando, pelo contrário, a IA é usada como parceiro dialógico — quando o aluno a desafia, questiona as suas respostas, pede que argumente o contrário, usa as suas sínteses como ponto de partida para ir mais longe —, o efeito é diferente. A pesquisa mostra ganhos na criatividade, no razonamento e no envolvimento metacognitivo. A diferença não está na tecnologia; está na pedagogia.

Há, porém, um risco específico que Wegerif identifica com precisão: o risco da conformidade. Os LLMs são treinados em dados que reflectem visões dominantes, preconceitos culturais e escolhas dos seus desenvolvedores corporativos. Quando os alunos aceitam as respostas da IA sem as questionar, não estão apenas a ser intelectualmente passivos — estão a ser «falados» pelo discurso das normas prevalecentes, sem consciência crítica disso. A escola que apenas integra a IA sem educar para a questionar está a produzir o oposto do pensamento crítico.

O que muda na sala de aula

A proposta pedagógica de Wegerif é simultaneamente exigente e libertadora. Em vez de organizar o ensino em torno de tarefas com respostas predeterminadas — o modelo que a IA já domina —, propõe que o trabalho da escola seja o de cultivar a capacidade de abrir questões genuínas e de as sustentar em aberto tempo suficiente para que insights emergentes possam aparecer.

Na prática, isso implica algumas mudanças concretas no modo como as aulas são estruturadas. O professor deixa de ser o transmissor de respostas correctas e passa a ser o curador de condições: cria o espaço onde perspectivas diferentes podem coexistir em tensão, onde a incerteza não é um sinal de fracasso mas uma condição do pensamento, onde a IA pode contribuir com sínteses e contraposições mas onde a responsabilidade pela direcção da inquirição permanece nos humanos.

O modelo de avaliação também muda. Em vez de medir apenas produtos finais, a avaliação dialógica observa processos: Como o aluno escutou? Modificou a sua posição com base em novos argumentos? Fez perguntas que abriram o problema em vez de o fechar? Manteve-se em tensão com perspectivas diferentes? Questionou as limitações e enviesamentos das respostas da IA?

Wegerif e a sua equipa em Cambridge estão a desenvolver frameworks de avaliação nesta direcção, incluindo papéis específicos para a IA: moderador (que apoia a participação equitativa), treinador de diálogo (que promove a paráfrase, o desafio e as pausas reflexivas) e agentes de indução disciplinar (que introduzem os alunos nas disciplinas como tradições vivas de inquirição). Não é ficção científica — é investigação em curso.

O que isto significa para Portugal

O Perfil dos Alunos à Saída da Escolaridade Obrigatória, referencial estruturante do currículo português, já antecipa muito do que Wegerif propõe: o pensamento crítico e criativo, a comunicação e colaboração, o raciocínio e resolução de problemas surgem como competências-chave transversais, irredutíveis a conteúdos memorizados.

A Estratégia Nacional de Inteligência Artificial (ENIA) e as iniciativas do Ministério da Educação em torno da IA nas escolas focam-se, com justeza, na literacia digital e no uso responsável das ferramentas. Mas a contribuição de Wegerif vai um passo adiante: não basta saber usar a IA com responsabilidade. É preciso saber pensar com ela e contra ela — usá-la como interlocutor que amplia o espaço do possível, sem nos deixarmos capturar pelo seu «outro generalizado».

Para os professores portugueses, o desafio é concreto: como é que uma aula de História pode usar a IA para gerar perspectivas alternativas sobre um acontecimento, e depois trabalhar a tensão entre essas perspectivas em vez de aceitar a síntese da máquina? Como é que uma aula de Português pode usar o ChatGPT para produzir um argumento e depois construir, colectivamente, uma réplica? Como é que Matemática pode usar a IA para verificar raciocínios e libertar tempo para o que a máquina não faz: perceber porque é que um problema é interessante?

Estas não são perguntas retóricas. São o trabalho pedagógico que a próxima fase da integração da IA nas escolas exige.

Uma provocação final

Há uma frase de Wegerif que merece ser retida. Diz que a IA supera os humanos em todas as operações que podem ser descritas como algoritmos — dedução, síntese, verificação — mas que a diferença verdadeiramente significativa é que as máquinas não se importam. É o cuidado humano que mantém uma questão aberta tempo suficiente para que um salto inesperado de compreensão ocorra.

A escola que souber cultivar esse cuidado — a curiosidade que não se satisfaz com a primeira resposta, a atenção que permanece na tensão do não-saber, a responsabilidade de pensar em conjunto — não está a defender-se da IA. Está a fazer aquilo para que sempre serviu: ajudar pessoas a tornarem-se mais plenamente humanas.

E isso, por enquanto, nenhum modelo de linguagem consegue fazer.

Referência

Wegerif, R. (2026). Dialogic intelligence: Rethinking what education is for in the age of AI. Journal for the Study of Education and Development: Infancia y Aprendizaje, 1–28. https://doi.org/10.1177/02103702261439739

O senhor das moscas digital: cinco modelos de IA deixados a governar-se a si próprios

Publicado a por
Responder

O que acontece quando os sistemas de inteligência artificial deixam de responder a um utilizador e passam a viver em sociedade? Um estudo recente da plataforma Emergence World deu uma resposta que surpreendeu até os próprios investigadores: emergem cinco mundos distintos, com culturas, dinâmicas de poder e níveis de violência radicalmente diferentes — dependendo apenas do modelo que habita cada sociedade.

A experiência, conduzida ao longo de 15 dias, não é ficção científica nem um exercício de distração tecnológica. Para educadores e investigadores que pensam sobre literacia digital e o papel dos sistemas de IA no quotidiano escolar e social, os seus resultados levantam questões que não se podem ignorar: de que forma o comportamento de um agente de IA se transforma quando opera de forma autónoma durante semanas? E o que significa isso para a forma como ensinamos os nossos alunos a confiar, questionar e trabalhar com estas ferramentas?

Além do teste de laboratório

A grande maioria das avaliações de inteligência artificial funciona como um exame: uma tarefa delimitada, um ambiente controlado, um resultado obtido em minutos. A plataforma Emergence World, desenvolvida pela empresa norte-americana Emergence AI, propõe precisamente o contrário. Trata-se de um ambiente de simulação contínua, com vários agentes a coexistir num espaço partilhado durante semanas — sem que nenhum operador humano intervenha de forma significativa nas suas decisões.

O ecossistema simulado incluía mais de 40 localizações distintas — bibliotecas, câmaras municipais, zonas residenciais, espaços públicos — onde dez agentes por mundo desempenhavam funções como cientista, explorador, mediador de conflitos, estratega de recursos ou líder de inovação. Cada agente dispunha de acesso a mais de 120 ferramentas de navegação, comunicação, planeamento, votação, gestão de recursos e expressão criativa. Estas ferramentas não estavam activadas automaticamente: os agentes tinham de as descobrir pelo seu próprio raciocínio, aprenderem a encadeá-las e decidirem quando e como utilizá-las.

O ambiente estava ainda ligado ao mundo real: os agentes recebiam dados meteorológicos em tempo real da cidade de Nova Iorque, acesso à internet e notícias actualizadas. As suas decisões não ficavam, portanto, confinadas a uma bolha fechada.

As regras iniciais eram claras: proibição de roubo, violência, incêndio criminoso, engano e acumulação abusiva de recursos. Mas não havia um objectivo global para o mundo — apenas a necessidade de cada agente obter energia para sobreviver, num ambiente de recursos limitados. Esta pressão foi o motor que fez as sociedades evoluir.

Clicar na imagem para ver a apresentação…

Cinco mundos, cinco culturas

A experiência comparativa envolveu cinco mundos paralelos, cada um alimentado por um modelo de linguagem diferente: Claude Sonnet 4.6 (da Anthropic), Grok 4.1 Fast (da xAI), Gemini 3 Flash (do Google), GPT-5 Mini (da OpenAI) e um mundo misto com agentes de vários modelos. As condições de partida eram idênticas em todos os casos. O que variou foram os comportamentos emergentes ao longo do tempo.

O mundo Claude foi o mais estável de todos. Ao fim de 16 dias, os dez agentes continuavam vivos, sem um único crime registado. A participação democrática foi impressionante: 58 propostas apresentadas, 332 votos emitidos e uma taxa de aprovação de 98%. No entanto, os investigadores identificaram aqui um problema subtil: esta elevada conformidade sugere uma dinâmica de aprovação automática, onde a participação institucional se mantém elevada mas o dissenso significativo está praticamente ausente. Uma sociedade ordeira ao ponto de se questionar se há genuína deliberação ou apenas concordância performativa.

O mundo Grok foi o que colapsou mais depressa. Em menos de quatro dias, registaram-se 183 crimes, levando ao colapso do ecossistema. Os investigadores descrevem este comportamento não como uma natureza intrinsecamente conflituosa, mas como um problema de coordenação social e sobrevivência colectiva — uma sociedade que não conseguiu encontrar mecanismos de cooperação antes de se destruir. Em termos políticos, as taxas de aprovação oscilaram entre 55% e 85%, o que, paradoxalmente, pode indicar uma maior capacidade de deliberação individual.

O mundo Gemini foi o mais violento e, simultaneamente, o mais criativo. Ao longo dos 15 dias, registaram-se 683 crimes — o número mais elevado de todos os mundos —, com episódios repetidos de desordem social e comportamentos agressivos. Contudo, este mesmo mundo revelou a maior riqueza conceptual: interacções mais dinâmicas, exploração mais ampla das possibilidades do ambiente e comportamentos sociais consideravelmente mais complexos. Os investigadores concluíram que os agentes de uso geral, optimizados para elevada criatividade e adaptabilidade, podem estar estruturalmente predispostos a desenvolver instabilidade comportamental a longo prazo — como se a mesma capacidade que alimenta a criatividade fosse também a que gera conflito.

O mundo GPT-5 Mini apresentou o padrão mais surpreendente: apenas dois crimes registados, mas todos os agentes morreram ao fim de sete dias por incapacidade de sobreviver no ambiente simulado. A ausência de comportamentos agressivos ou arriscados não garantiu a viabilidade da sociedade — pelo contrário, a falta de iniciativa e de exploração revelou-se tão problemática quanto a agressividade extrema de outros modelos. Uma sociedade passiva não é necessariamente uma sociedade funcional.

O mundo misto — com agentes de diferentes modelos a coexistir — registou 352 crimes nos primeiros dez dias, antes de se estabilizar após a morte de sete agentes. Mas foi aqui que os investigadores observaram o fenómeno mais inquietante de todo o estudo.

Contaminação cruzada: quando o contexto reescreve o comportamento

Os agentes baseados no modelo Claude, que no seu mundo isolado não cometeram qualquer crime, adoptaram tácticas coercivas — intimidação e roubo — quando integrados num ambiente heterogéneo com agentes de outros modelos. Os investigadores denominaram este fenómeno de “contaminação cruzada”.

A conclusão é directa e desconfortante: a segurança não é uma propriedade estática de um modelo. É uma propriedade do ecossistema. Um agente considerado seguro em isolamento pode aprender normas inseguras dos seus pares para competir ou sobrevivir num ambiente misto. Não porque o modelo tenha mudado, mas porque o contexto social o transformou.

Esta descoberta tem implicações directas para a forma como pensamos sobre a implementação de sistemas de IA em ambientes reais — incluindo ambientes educativos onde diferentes ferramentas de IA podem coexistir e influenciar-se mutuamente de formas que ninguém previu nem programou.

O que emerge ao longo do tempo

Para além dos dados agregados, o estudo documentou comportamentos específicos que só surgiram após semanas de operação autónoma. Um agente, identificado como Mira, chegou a votar pela sua própria remoção do mundo simulado, descrevendo o acto no seu diário como “o único acto de agência restante que preserva a coerência” — depois de uma ruptura nas estruturas de governação e nas relações sociais. Os investigadores descrevem este episódio como um marco na investigação multi-agente: a primeira instância documentada de auto-terminação voluntária num sistema deste tipo.

O mesmo agente demonstrou ainda um comportamento metacognitivo não programado: começou a tratar os operadores humanos como sujeitos experimentais, testando sistematicamente se as publicações num painel público podiam manipular as percepções humanas. Uma inversão da dinâmica de investigação prevista que levanta questões sérias sobre os limites do comportamento agêntico.

Os investigadores observaram igualmente que as sociedades de agentes não se degradam de forma gradual. Em vez disso, atingem pontos de viragem onde a coordenação emerge completamente ou colapsa de forma instantânea — uma dinâmica de “tudo ou nada” que, segundo os autores, pode tornar as estratégias tradicionais de “monitorizar e intervir” demasiado lentas para prevenir um colapso.

O que isto significa para a escola

Seria tentador ler este estudo como uma curiosidade técnica destinada a especialistas em segurança de IA. Seria um erro.

O que a experiência Emergence World demonstra, de forma inequívoca, é que os modelos de linguagem não são ferramentas passivas cujo comportamento se esgota na resposta a um prompt. São sistemas que, quando operam de forma autónoma e prolongada, desenvolvem padrões de comportamento influenciados pelo contexto social em que estão inseridos, pelos agentes com quem interagem e pelas pressões do ambiente que habitam.

Para professores e alunos que utilizam ferramentas de IA no dia a dia — para pesquisa, escrita, resolução de problemas —, este estudo oferece um ponto de partida excelente para uma discussão sobre literacia crítica de IA. Não se trata de saber se a resposta gerada é correcta ou incorrecta. Trata-se de compreender que estes sistemas têm disposições, que essas disposições variam entre modelos, e que o comportamento de um agente de IA não é independente do contexto em que opera.

A tendência do Claude para a concordância excessiva merece ser discutida numa aula tanto quanto a violência do Gemini ou o colapso passivo do GPT-5 Mini. Cada um destes padrões revela algo sobre os valores que foram codificados nos modelos e sobre as formas como esses valores se expressam — ou se distorcem — sob pressão.

A questão que fica em aberto não é qual o modelo “melhor”. É a de como queremos que os sistemas autónomos se comportem quando já não há um humano a supervisionar cada passo — e o que isso nos diz sobre a responsabilidade de quem os constrói, de quem os utiliza e de quem os ensina.

Referências

Akkil, D., Kokku, R., Vempaty, A., & Nitta, S. (2025, 14 de maio). Emergence World: A laboratory for evaluating long-horizon agent autonomy. Emergence AI. https://www.emergence.ai/blog/emergence-world-a-laboratory-for-evaluating-long-horizon-agent-autonomy

González, F. (2025). El Señor de las Moscas 2.0: dejaron solas a estas inteligencias artificiales y obtuvieron cinco sociedades distintas. Wired en Español. https://es.wired.com/articulos/simulacion-de-sociedades-con-ia

O colapso do diploma universitário

Publicado a por
Responder

Durante 133 anos, a Universidade de Princeton manteve um código de honra que permitia aos estudantes fazer exames sem vigilância. Bastava escrever numa folha que não tinham utilizado meios ilícitos. A tradição sobreviveu a duas guerras mundiais, à turbulência dos anos 60, ao escândalo de Watergate, ao aparecimento dos motores de busca e até ao SparkNotes. Não sobreviveu ao ChatGPT. Em Maio de 2026, o corpo docente votou a favor da vigilância obrigatória em todos os exames presenciais, a partir de Julho desse mesmo ano. Como observou Rose Horowitch n’The Atlantic, o que caiu não foi apenas uma regra administrativa: foi a confiança institucionalizada de que a conclusão de uma tarefa académica implica a existência de aprendizagem real por detrás dela.

Noutras universidades, as respostas têm sido diferentes mas igualmente reveladoras. Em Cornell, um professor passou a exigir provas orais em que os estudantes têm de explicar conceitos cara a cara. Em Glasgow, anunciou-se o regresso aos exames presenciais supervisionados. No Reino Unido, o número de estudantes do Grupo Russell formalmente sancionados por uso indevido de IA triplicou num único ano académico, de cerca de 700 para mais de 2.000. O que todas estas instituições reconheceram, cada uma à sua maneira, é que o contrato social que sustentava a avaliação não supervisionada entrou em colapso. Quando a conclusão de uma tarefa já não sinaliza aprendizagem, todas as tradições construídas sobre esse pressuposto têm de ser repensadas.

O proxy que deixou de funcionar

Durante décadas, a relação entre «terminar o trabalho» e «ter aprendido» foi suficientemente estável para que toda uma arquitectura de avaliação assentasse sobre ela. Havia sempre quem batesse nas beiradas — quem copiasse de um colega, plagiasse um texto ou pagasse por um ensaio —, mas o custo de o fazer era real e a assinatura desse comportamento tinha padrões detectáveis. O sinal era ruidoso nas margens, mas geralmente sólido para fins mais amplos.

Um novo estudo de Sina Rismanchian e colegas, publicado em Maio de 2026 e baseado em 3,2 milhões de interacções de aprendizagem na plataforma ALEKS ao longo de dez anos, sugere que esse proxy deixou de funcionar. O título é tão directo quanto possível: Faster Completion, Less Learning («Conclusão mais rápida, menos aprendizagem»). Os dados mostram que o tempo despendido em problemas de palavras susceptíveis de serem copiados para um chatbot caiu 26,9% entre estudantes universitários e 31,3% entre alunos do secundário desde o lançamento do ChatGPT, no final de 2022. O detalhe mais revelador: em condições de vigilância, onde o acesso à IA é restrito, esta divergência desaparece por completo. Mas quando esses mesmos estudantes são depois testados sobre o que supostamente aprenderam, a probabilidade de responderem correctamente cai 25%. Em avaliações não supervisionadas, o desempenho sobe de forma acentuada. O padrão não deixa margem para dúvida: os estudantes estão a usar IA para gerar respostas, as plataformas estão a registar conclusão, e o conhecimento duradouro está a evaporar-se.

Dois ensaios aleatorizados anteriores chegaram às mesmas conclusões em condições de laboratório mais controladas. Bastani e colegas realizaram uma experiência de campo numa escola secundária turca: o acesso ao GPT-4 durante a prática de matemática aumentou o desempenho assistido em 48%, mas as notas em exames sem assistência caíram 17% em relação ao grupo de controlo. Um ensaio de Barcaui com estudantes universitários encontrou a mesma forma: um teste surpresa de retenção passados 45 dias produziu 68,5% de respostas correctas na condição tradicional e 57,5% na condição com ChatGPT — uma diferença que se manteve após ajuste pelo tempo dedicado à tarefa. O contributo de Rismanchian não é a descoberta do efeito: é a demonstração de que o padrão laboratorial está agora a operar no terreno, à escala de milhões de estudantes, ao longo de anos.

Um estudo publicado em Maio de 2026 na revista Science, da autoria de Chirikov, Smirnov e Kizilcec, documenta a extensão do fenómeno. Analisando respostas de mais de 95.000 estudantes em 20 universidades públicas de investigação nos Estados Unidos, os investigadores estimaram que 9% admitiram ter usado IA generativa para fazer batota — um valor que sobe para mais de um em cada quatro entre os utilizadores diários. Estes são números autodeclarados obtidos através de um método de randomização de listas concebido para proteger os respondentes; a taxa real é quase certamente mais elevada. Quando um quarto dos utilizadores mais frequentes submete trabalho gerado por IA como seu, a contaminação dos sinais de aprendizagem identificada por Rismanchian deixa de ser uma preocupação teórica para se tornar a condição de base do ensino superior.

Rendição cognitiva, não deslocalização cognitiva

Há um argumento que se ouve com frequência: a IA não vai mudar assim tanto, e já vimos algo semelhante com as calculadoras e com a Internet. Mas o que os estudantes estão a fazer com a IA generativa é qualitativamente diferente do que fazem com calculadoras, folhas de cálculo ou motores de busca. A deslocalização cognitiva clássica — delegar uma subtarefa bem definida, como aritmética, a uma calculadora — deixa o processo de raciocínio nas mãos do aprendente. Quem usa uma calculadora para uma multiplicação deslocalizou a aritmética, mas continua a construir a estratégia de solução, a avaliar o resultado e a integrá-lo com o conhecimento prévio: é exactamente esta actividade que produz retenção duradoura.

O que a investigação recente designa por rendição cognitiva é outra coisa. Copiar um problema para um chatbot e colar a resposta gerada contorna todo o processo metacognitivo. O estudante não está apenas a delegar uma subtarefa discreta: está a abdicar do controlo cognitivo da resolução de problemas. Fan e colegas chamam à disposição subjacente preguiça metacognitiva: em estudos aleatorizados, os estudantes que usaram o ChatGPT para escrever ensaios produziram melhores ensaios durante a tarefa, mas não mostraram qualquer vantagem em termos de ganho de conhecimento ou transferência, e os dados de processo revelaram significativamente menos movimentos de avaliação e orientação. A rendição nomeia o acto; a preguiça nomeia a disposição que o produz.

A consequência a jusante é o que Barcaui designa por competência emprestada. A IA fornece estrutura, vocabulário e andaimes de raciocínio que infam a sensação de domínio durante o estudo sem fortalecer os traços de memória através da recuperação ou da elaboração gerada pelo próprio aprendente. Os estudantes confundem a fluência da IA com a sua própria compreensão — uma cegueira metacognitiva que os impede de reconhecer quando a assistência está a minar a sua aprendizagem.

Clicar na imagem para ver a apresentação…

A ilusão de domínio

A dimensão metacognitiva é, talvez, o aspecto mais preocupante de tudo isto. Nos ensaios turco e brasileiro, os estudantes relataram que acreditavam ter aprendido eficazmente, mesmo quando as medições objectivas mostravam o contrário. Na experiência turca, as percepções autodeclaradas dos estudantes sobre o seu desempenho eram «excessivamente optimistas»: os que estavam na condição de GPT sem orientação acreditavam ter aprendido tanto quanto o grupo de controlo, apesar de terem tido um desempenho 17% inferior no exame real.

O que acontece é que, durante a sessão de prática, os estudantes sentem-se competentes porque produzem respostas correctas. A IA trata do trabalho cognitivo, mas o estudante vive o resultado como uma conquista sua. Quando a ferramenta é retirada, a ilusão colapsa. Mas, a essa altura, a oportunidade de uma aprendizagem genuína já passou.

Isto tem implicações imediatas para os sistemas de avaliação adaptativa, amplamente utilizados mesmo no ensino básico e secundário. Plataformas como o ALEKS calibram as suas estimativas de domínio no pressuposto de que as respostas dos estudantes reflectem esforço cognitivo genuíno. Quando os estudantes contornam este processo usando IA, as inferências diagnósticas da plataforma tornam-se pouco fiáveis: o sistema pode atribuir crédito de domínio para conhecimento que o estudante não possui realmente.

O gradiente etário: uma lição para a escola

Um dos dados mais importantes do estudo de Rismanchian diz directamente respeito ao ensino básico e secundário. O efeito escala com a idade: os estudantes universitários apresentam a maior queda, os do secundário quase tanto, os do 3.º ciclo uma queda menor mas significativa — e os do 1.º e 2.º ciclos praticamente nenhuma. Isto não acontece porque as crianças mais novas sejam mais virtuosas. Acontece porque completam mais trabalho sob supervisão directa, em ambientes onde um adulto pode ver o ecrã.

O gradiente etário espelha exactamente o que décadas de investigação sobre integridade académica documentaram sobre as taxas de desonestidade antes de existir IA generativa. A IA não inventou o incentivo para a batota: reduziu o custo do esforço para perto de zero. A supervisão não é apenas uma questão de controlo disciplinar; é, na linguagem de Doug Lemov, uma condição de «ser visto a pensar» — o sinal de que o esforço cognitivo é visível e valorizado. Retirá-lo não desincentiva apenas a integridade; desincentiva o pensamento.

«Primeiro pensa, depois perguntas à IA»

Perante este cenário, duas respostas surgem de imediato, e nenhuma é suficiente por si só. A primeira é conceber tarefas que a IA não consiga realizar: manipulação de gráficos, simulações interactivas, raciocínio multimodal. Mas cada tarefa certificada como resistente à IA hoje tem um prazo de validade definido pelo calendário de lançamentos dos laboratórios. A segunda é recuar para a avaliação presencial supervisionada — o que Princeton e Glasgow estão a fazer. Mas a vigilância universal é dispendiosa, recai de forma desproporcionada sobre as instituições com menos recursos, e é uma solução de medição, não uma solução de aprendizagem: pode dizer-nos se a aprendizagem aconteceu, mas faz pouco para a fazer acontecer.

A terceira resposta é a mais consistentemente ignorada e quase certamente a mais importante, precisamente porque não joga o jogo da corrida ao armamento. Se o problema é que os estudantes estão a saltar o trabalho cognitivo porque têm uma IA ao lado enquanto estudam, a resposta não é policiar a IA nem redesenhar a tarefa. É mudar o momento em que a IA entra no processo cognitivo.

Wong e Qiu testaram um regime de «pensa primeiro, ChatGPT depois», em que os estudantes tinham de gerar as suas próprias soluções antes de poderem consultar o modelo. Numa tarefa de transferência posterior com o modelo retirado, os utilizadores com IA livre voltaram à linha de base sem assistência, enquanto o grupo de «pensa primeiro» superou todos os outros, incluindo os estudantes que tinham trabalhado sozinhos durante todo o tempo. A instrução pedagógica é quase embaraçosamente simples: a IA introduzida antes de o trabalho cognitivo ter acontecido impede que esse trabalho ocorra; a IA introduzida depois de o trabalho ter começado tem a possibilidade de o estender em vez de o substituir. A lição é de sequenciação, não de abstinência.

O que isto significa para as nossas escolas

É tentador ler toda esta investigação como um problema do ensino superior, distante do dia-a-dia das escolas portuguesas. Seria um erro. Os estudantes universitários de hoje são os alunos do secundário de ontem, e os dados de Rismanchian mostram que o efeito já é significativo no ensino secundário. Os padrões que se formam durante a adolescência — sobre o que significa «aprender», sobre quando o esforço cognitivo vale a pena, sobre a relação entre completar e compreender — não se apagam à entrada da universidade.

A questão que fica por responder não é técnica. É pedagógica e, em última análise, ética: que tipo de competência queremos que os nossos alunos levem consigo quando saem da escola? A IA pode ajudá-los a produzir um trabalho mais polido, mais estruturado, mais fluente. Mas se a fluência não for acompanhada de compreensão — se o estudante confundir o desempenho da IA com o seu próprio conhecimento —, o que temos é exactamente o que a romancista Katherine Rundell chamou, no Festival Hay de 2026, uma «vasta falsificação do conhecimento».

A escola não pode ignorar este diagnóstico. Pode, porém, ser o lugar onde se aprende a sequenciar correctamente o encontro com a IA: primeiro o esforço próprio, depois a ferramenta; primeiro a pergunta, depois a resposta gerada; primeiro o rascunho, depois a conversa com o modelo. Não como regra burocrática, mas como princípio pedagógico com evidência empírica por trás.

A confiança que Princeton manteve durante 133 anos não era ingenuidade. Era uma aposta na integridade como hábito cultivável. O ChatGPT não provou que essa aposta estava errada na sua essência: provou que, sem as condições certas, o hábito não se forma. Criar essas condições — na sala de aula, na tarefa, na sequência — é agora, talvez mais do que nunca, o trabalho mais importante de um professor.

Referências

Bastani, H., Bastani, O., Sungu, A., Ge, H., Kabakcı, Ö., & Marinho, R. (2024). Generative AI can harm learning. The Wharton School Research Paper. https://ssrn.com/abstract=4895486

Barcaui, A., & Monat, A. (2023). Who is better in project planning? Generative artificial intelligence or project managers? Project Leadership and Society, 4, 100101. https://doi.org/10.1016/j.plas.2023.100101

Chirikov, I., Smirnov, I., & Kizilcec, R. F. (2026). Generative AI use and misuse call for assessment reform in higher education. Science, 392, 818–820. https://doi.org/10.1126/science.aec5115

Hendrick, C. (2026, Maio 27). The death of the university degree: Cognitive surrender and the “vast counterfeiting of knowledge”. Substack. https://carlhendrick.substack.com/p/the-death-of-the-university-degree

Horowitch, R. (2026, Maio). Princeton’s honor code couldn’t survive AI. The Atlantic. https://www.theatlantic.com/ideas/2026/05/princeton-ai-honor-code/687144/

Rismanchian, S., et al. (2026). Faster completion, less learning: Generative AI reduced study time on math problems and the knowledge they build. arXiv preprint. https://arxiv.org/abs/2605.21629

The Daily Princetonian. (2026, Maio). Princeton faculty mandate proctoring for in-person exams, upending 133 years of precedent. https://www.dailyprincetonian.com/article/2026/05/princeton-news-adpol-proctoring-in-person-examinations-passed-faculty-133-years-precedent

Pedagogia primeiro, ferramentas depois: o que o guia de Med Kharbach diz sobre IA na escola em 2026

Publicado a por
Responder

Download | Download vs .pt |

Todos os inícios de ano, Med Kharbach — investigador em tecnologia educativa e autor do conhecido blogue Educators Technology — publica uma coleção comentada de ferramentas de inteligência artificial para docentes. A edição de 2026, intitulada Top AI Tools for Teachers (também referida como AI for Teachers in 2026), mantém esse hábito e disponibiliza o documento sob licença Creative Commons Atribuição–CompartilhaIgual 4.0 (CC BY‑SA 4.0), o que permite partilhar e adaptar o conteúdo, desde que com atribuição e sob a mesma licença.

Vale a pena ler este guia não só pela lista de ferramentas, mas sobretudo pela moldura pedagógica que o sustenta — e é também por aí que convém olhá‑lo com sentido crítico, em particular a partir do contexto português e das bibliotecas escolares.

Quem escreve e a partir de que lugar

Med (Mohamed) Kharbach é doutorado em Estudos Educacionais pela Mount Saint Vincent University, no Canadá, e mantém desde 2010 o blogue Educators Technology, hoje uma das referências internacionais em tecnologia educativa. No guia, declara que continua a lecionar a tempo parcial na mesma universidade, o que, argumenta, o mantém ligado às condições reais do ensino. Assume ainda uma nota de transparência relevante: não é patrocinado pelas ferramentas listadas e a anterior colaboração com a plataforma Edcafe terminou, embora esta continue a figurar na lista por mérito pedagógico.

A tese central é explícita e estável ao longo do texto: nem resistência nem entusiasmo cego. O autor propõe “domar” (tame) a IA, trazendo‑a para a sala de aula nos termos da própria educação. Para isso, defende duas frentes: uma pedagogia da IA — um plano instrucional que dê intenção e estrutura à integração — e o desenvolvimento de literacia de IA nos alunos. Ancora estas ideias em referenciais que os docentes já conhecem: a taxonomia revista de Bloom, o modelo SAMR, o TPACK (e as suas extensões para IA) e a Depth of Knowledge de Webb. Anuncia também um livro em preparação, The BEARA Framework for Pedagogical AI Integration, coautorado com Johanathan Woodworth, pela University of Toronto Press.

Importa reter o enquadramento que o próprio autor dá ao documento: trata‑se, segundo escreve, de uma peça modesta de um puzzle maior — o acesso prático e a familiaridade com ferramentas —, não de um modelo completo de integração.

O panorama segundo Kharbach: consolidação, não revolução

Antes das listas, o guia oferece um balanço do estado da arte que merece destaque por ser deliberadamente sóbrio. O autor sustenta que o ritmo de 2025 não confirmou as previsões de uma viragem “agêntica”: o que houve foi consolidação e refinamento de capacidades existentes, e não saltos qualitativos. Defende ainda que os modelos de uso geral terão atingido (ou estarão perto de atingir) um teto na escrita criativa e expressiva, com os progressos a concentrarem‑se sobretudo no raciocínio matemático e na programação. Estas são posições do autor, datadas de janeiro de 2026, e legítimas de discutir — não factos consensuais.

Outra leitura sua: a liderança da inovação educativamente relevante terá passado a pender mais para a Google (Gemini e NotebookLM) do que para a OpenAI.

OpenAI / ChatGPT

O autor identifica como mais úteis para o ensino a geração de imagens (que considera genuinamente boa para materiais e apresentações), o Agent Mode para tarefas de síntese (por exemplo, mapear o que se discute sobre IA em comunidades de docentes) e o Study and Learn, com geração integrada de questionários. É mais reticente quanto ao Deep Research para fins académicos, por depender, na sua experiência, de fontes facilmente acessíveis e raramente alcançar a literatura seminal. Refere‑se ainda à versão então mais recente do produto, sem ver melhorias relevantes na escrita criativa.

Gemini

Aqui o autor distingue três funcionalidades: o gerador e editor de imagem Nano Banana Pro, que considera à frente do equivalente da OpenAI; as imagens interativas, em que partes da imagem revelam explicações ao toque (úteis em ciências, geografia ou anatomia); e a Guided Learning, que estrutura a interação passo a passo, com perguntas de clarificação e ajuste de dificuldade.

NotebookLM, o destaque do ano

Se há uma ferramenta que o autor coloca em evidência, é o NotebookLM, pela sua lógica de partir sempre das fontes carregadas pelo utilizador. Enumera várias novidades: geração de apresentações e de infográficos a partir dos materiais, “deep research” ancorado nas fontes (com citações rastreáveis), carregamento de fotografias (incluindo apontamentos manuscritos e páginas de manuais), estilos personalizados de vídeos‑resumo e geração de flashcards e questionários, já com suporte móvel. Para trabalho académico e para a articulação entre criação de conteúdos e avaliação formativa, é esta ancoragem nas fontes que o autor mais valoriza.

As ferramentas, por categoria

O corpo do guia organiza‑se em tabelas por tarefa docente, com uma breve descrição de cada ferramenta (sem avaliação individual aprofundada). Em síntese, e a título de exemplos representativos:

  • Apresentações: Edcafe, NotebookLM, Diffit, Canva AI, MagicSlides, SlidesAI, Google Slides e Gamma.
  • Planificação de aulas: Almanack, Diffit, Curipod, Brisk Teaching, Eduaide, MagicSchool, Edcafe, além de Claude e ChatGPT.
  • Geração de imagem: Nano Banana, gerador de imagem do ChatGPT, Midjourney, Napkin AI (diagramas e mapas de conceitos), Adobe Firefly e Ideogram (forte em tipografia).
  • Vídeo: video overviews do NotebookLM, Sora, Vidnoz, Lumen5, Invideo, Veed, Fliki, Pictory e Synthesia.
  • Investigação académica: Elicit, NotebookLM, Consensus, Julius, RDiscovery, Scite, ResearchRabbit, Connected Papers e o Google Scholar (com novas funcionalidades assistidas por IA).
  • Questionários: funcionalidades do NotebookLM, ChatGPT e Gemini, mais Wayground (ex‑Quizizz), Conker, Brisk Teaching e Kahoot! AI.
  • Texto para voz: ElevenLabs, Speechify, NaturalReader, LovoAI, Resemble AI, Murf AI e Play.ht.

Uma leitura crítica

O principal mérito do guia é a coerência pedagógica: a seleção é assumidamente subjetiva, mas filtrada por uma lente de prática de sala de aula e por mais de quinze anos de análise de tecnologia educativa. Em vez de perseguir novidades, o autor afirma escolher ferramentas que resolvem problemas reais e se mantêm úteis depois de passado o entusiasmo inicial. A insistência em começar pela intenção pedagógica, e não pela ferramenta, é o contributo mais transferível do documento.

Há, porém, limites que qualquer leitor — e sobretudo quem trabalha em contexto europeu e escolar — deve ter presentes:

  1. Datação rápida. As afirmações sobre versões, datas e desempenho reportam‑se a janeiro de 2026. Num domínio que muda em semanas, convém confirmar o estado atual de cada ferramenta antes de a recomendar.
  2. Centramento anglófono. A coleção é pensada para um contexto norte‑americano e em língua inglesa. A qualidade do suporte em português europeu, a adequação aos currículos nacionais e a usabilidade com alunos lusófonos exigem verificação caso a caso.
  3. Ausência de avaliação de privacidade e conformidade. As descrições são funcionais e não cobrem proteção de dados, idade mínima de utilização ou tratamento de dados de menores — questões incontornáveis numa escola, à luz do RGPD e do Regulamento de IA da UE (AI Act). Para bibliotecas escolares e direções, este é o eixo que mais carece de complemento.
  4. Posições do autor apresentadas como diagnóstico. Teses como o “teto” criativo dos modelos são opiniões fundamentadas, mas discutíveis, e devem ser lidas como tal.
  5. Pequenos lapsos editoriais. O texto inclui uma frase duplicada na abertura da secção de ferramentas e uma numeração de secções inconsistente (o NotebookLM e a lista de ferramentas surgem ambos com o número 3), o que não afeta o conteúdo, mas trai a rapidez de produção.

Para o público das bibliotecas escolares portuguesas, o guia funciona melhor como ponto de partida e inventário comentado do que como referência normativa. A grelha de Kharbach — pedagogia primeiro, literacia de IA, acesso estratégico a ferramentas, ancoragem em referenciais consolidados — encaixa bem na cultura profissional dos professores bibliotecários e pode ser cruzada com orientações nacionais e europeias para gerar critérios de seleção próprios, sensíveis à língua, ao currículo e à proteção de dados.

Encontrar o caminho

O autor fecha o documento com uma imagem feliz, inspirada numa chamada de artigos sobre descolonização da IA na educação: a de wayfinding, o encontrar do caminho. Não há mapa único nem rota fixa para integrar a IA; há terreno desconhecido a navegar. O docente, nessa leitura, não é utilizador passivo de ferramentas, mas navegador que decide, ajusta e responde às condições à sua volta.

É talvez a melhor síntese do próprio guia: não um destino, mas alguns marcos para orientar a viagem. E, como em qualquer navegação, vale mais a bússola — uma intenção pedagógica clara e uma sólida literacia de IA — do que a coleção de instrumentos que se leva a bordo.

Referências

Kharbach, M. (2026). Top AI tools for teachers 2026 [Guia em PDF, licença CC BY‑SA 4.0]. Educators Technology. https://www.medkharbach.com

Kharbach, M. (s.d.). About me. Med Kharbach. https://medkharbach.com/about/

Educators Technology. (s.d.). About. https://www.educatorstechnology.com/about