A “era da AGI”: promessa, marketing ou já realidade?

Publicado a Setembro 9, 2026 por Jorge Borges

Os próprios laboratórios que constroem a inteligência artificial não concordam sobre o que é a IA geral, nem sobre quando vai chegar. Para a escola, essa incerteza pode ser mais útil do que parece: é um caso de estudo pronto a usar sobre como avaliar afirmações extraordinárias.

Nos últimos meses, os responsáveis das maiores empresas de inteligência artificial do mundo têm feito afirmações cada vez mais ousadas sobre a chamada inteligência artificial geral — a ideia de uma máquina capaz de fazer, tão bem ou melhor do que um ser humano, praticamente qualquer tarefa intelectual. O problema é que essas mesmas empresas não conseguem concordar sobre o que a expressão significa, nem sobre quando esse momento chegaria, havendo mesmo quem admita tratar-se sobretudo de uma expressão de marketing. Para a escola portuguesa, essa disputa não é uma curiosidade da imprensa tecnológica: é um caso de estudo pronto a usar sobre como avaliar afirmações extraordinárias feitas por quem tem interesse direto em que sejam acreditadas.

Uma palavra que nem os seus criadores sabem definir

Perguntar «o que é a inteligência artificial geral?» parece, à partida, uma pergunta simples. Não é.

Quando uma equipa da Google DeepMind se propôs, em 2023, sistematizar o conceito, começou por rever nove definições populares de IA geral já em circulação — do teste de Turing a formulações baseadas em valor económico — antes de propor a sua própria (Morris et al., 2023). Se a comunidade científica que constrói estes sistemas ainda precisa de reconciliar nove definições concorrentes só para começar a conversa, talvez a primeira coisa que valha a pena ensinar aos alunos seja precisamente essa: nem todos os termos que soam a categoria técnica são, de facto, categorias técnicas bem definidas.

A OpenAI, a empresa que criou o ChatGPT, define a inteligência artificial geral no seu documento fundador como «sistemas altamente autónomos que superam os humanos na maioria dos trabalhos economicamente valiosos» (OpenAI, 2018). É uma definição operacional, mas que deixa por resolver perguntas incómodas: que trabalhos contam como economicamente valiosos? Superar um humano em quê — velocidade, exatidão, criatividade, tudo ao mesmo tempo?

Dario Amodei, diretor executivo da Anthropic — a empresa responsável pelo assistente Claude, com quem este artigo foi redigido —, é ainda mais direto. Já afirmou publicamente que a sigla AGI nunca foi, para si, um termo bem definido, preferindo descrevê-la como uma «frase de marketing» (Amodei, citado em Business Insider Nederland, 2026). Amodei prefere falar de IA poderosa: sistemas melhores do que quase todos os humanos em quase todas as tarefas, sem se comprometer com a ideia de uma inteligência geral no sentido em que os humanos a possuem.

Este é, já de si, um dado interessante para uma aula de Filosofia ou de Cidadania e Desenvolvimento: quando as próprias pessoas que constroem uma tecnologia hesitam sobre como a chamar, talvez a pergunta mais produtiva não seja «o que é a AGI?», mas sim que evidência concreta está por trás de cada afirmação feita sobre ela.

Seis níveis para medir aquilo que ainda não existe

Perante a falta de consenso, a Google DeepMind propôs uma alternativa pragmática: em vez de discutir se a AGI «existe» ou «não existe» — uma pergunta binária e pouco útil —, mede-se o desempenho e a generalidade de cada sistema, à semelhança do que já se faz com os níveis de condução autónoma nos automóveis (Morris et al., 2023).

O resultado é uma escala com seis patamares, definidos por comparação com o desempenho de adultos qualificados:

Nível	Designação	Critério de desempenho
0	Sem IA	Nenhuma capacidade relevante de IA envolvida
1	Emergente	Igual ou ligeiramente superior a um adulto sem preparação específica
2	Competente	Ao nível de, pelo menos, metade dos adultos qualificados na tarefa
3	Perito	Ao nível de, pelo menos, 90% dos adultos qualificados na tarefa
4	Virtuoso	Ao nível de, pelo menos, 99% dos adultos qualificados na tarefa
5	Sobre-humano	Supera a totalidade dos seres humanos na tarefa

Esta escala aplica-se tanto a sistemas estreitos, especializados numa única tarefa, como a sistemas gerais. E é aqui que reside o detalhe mais instrutivo: os próprios autores classificaram, em 2023, sistemas como o AlphaFold — que prevê a estrutura tridimensional de proteínas — ou o motor de xadrez Stockfish como já «sobre-humanos», nível 5, precisamente por serem estreitos: dedicam-se a uma única tarefa e superam nela qualquer humano (Morris et al., 2023). Nesse mesmo ano, os autores classificaram os assistentes conversacionais generalistas então mais avançados apenas no nível 1, emergente — cobrindo muitas tarefas, mas sem alcançar em nenhuma delas a robustez de um profissional competente. Este artigo não avalia, porque isso exigiria novos testes que não constam do estudo original, se os sistemas atuais — incluindo aqueles com que a maioria dos alunos portugueses já contacta em 2026 — subiram de nível desde então.

Para uma aula, esta tabela é mais útil do que parece: pode servir literalmente para classificar, com os alunos, as ferramentas de IA que já utilizam — um corretor ortográfico, uma aplicação de tradução, um assistente de escrita — e discutir em que patamar de desempenho e generalidade cada uma se situa. Não é preciso esperar por uma resposta definitiva sobre a AGI para começar a pensar assim.

Datas que os próprios especialistas não conseguem combinar

Se a definição já gera discórdia, o calendário gera ainda mais.

Em agosto de 2026, numa longa reportagem da revista TIME sobre a reestruturação interna da OpenAI, o diretor de investigação da empresa, Mark Chen, estimou que a OpenAI estaria a «80% do caminho» para a AGI. O presidente Greg Brockman foi mais longe, sugerindo que, vistos daqui a dois anos, estes meses poderão ser recordados como o momento em que a AGI foi criada. O próprio Sam Altman, diretor executivo, admitiu que a empresa ainda não tinha chegado lá, mas garantiu que, até ao final de 2026, teria um sistema interno ao qual chamaria AGI (Heath, 2026). Poucos meses antes, em fevereiro de 2026, Altman já tinha dito a uma audiência de estudantes em Stanford que quem estivesse então no segundo ano do curso «vai formar-se para um mundo com AGI dentro dele» (Stanford Daily, 2026).

Do outro lado, Dario Amodei tem vindo a repetir, desde finais de 2024, que a IA poderosa — o seu equivalente funcional à AGI — poderia chegar já em 2026. Numa entrevista divulgada em janeiro de 2026, comparou o resultado a um «país de génios num centro de dados», com uma capacidade coletiva equivalente a dezenas de milhares de vencedores do Prémio Nobel a trabalhar em conjunto, atribuindo a este cenário uma probabilidade de 90% dentro de dez anos e de cerca de 50% já nos dois anos seguintes (iTiger, 2026). Nesse mesmo mês, num ensaio próprio, elevou a comparação para um conjunto de computação com capacidade equivalente a 50 milhões de vencedores do Prémio Nobel, alertando também para os riscos de segurança associados a um poder de cálculo dessa escala (Quiroz-Gutierrez, 2026).

Nem todos concordam com a proximidade do marco. Yann LeCun, até há pouco cientista-chefe de IA da Meta e hoje à frente da sua própria empresa, a AMI Labs, discorda frontalmente da ideia de que bastará continuar a aumentar os atuais modelos de linguagem para lá chegar. Numa conferência de janeiro de 2026, LeCun argumentou que estes sistemas continuam a ter falhas estruturais em memória de longo prazo, planeamento e compreensão do mundo físico, e que alcançar uma inteligência mais próxima da humana exigirá arquiteturas totalmente novas — não apenas mais dados e mais capacidade de cálculo (TechNews, 2026).

E depois há os próprios números. Em janeiro de 2024, um inquérito a 2778 investigadores que tinham publicado em conferências de referência da área — o maior estudo do género alguma vez realizado — estimou uma probabilidade de 50% de que máquinas não assistidas por humanos consigam, um dia, superar os humanos em absolutamente todas as tarefas até 2047 (Grace et al., 2024). É um dado com uma particularidade reveladora: essa mesma estimativa, apenas um ano antes, num inquérito equivalente, apontava para 2060. Em doze meses, a data mediana avançou treze anos. Se os próprios especialistas mudam de opinião com esta amplitude de um ano para o outro, talvez a lição mais honesta a retirar não seja «a AGI vai chegar em determinado ano», mas sim que ninguém sabe, com fiabilidade, quando vai chegar — nem sequer quem a está a construir.

Esta semana, o argumento ganhou um exemplo em tempo real

A 3 de setembro de 2026 — enquanto este artigo estava a ser preparado —, a OpenAI apresentou o GPT-6 Astra, o seu novo modelo principal, sucessor do GPT-5.6 Sol lançado apenas dois meses antes. No final do briefing de apresentação aos jornalistas, o presidente da empresa, Greg Brockman, fechou a sessão com uma frase que a OpenAI sempre tinha evitado pronunciar sem reservas: «Welcome to the AGI era» — bem-vindos à era da AGI (Betanews, 2026).

Vale a pena olhar para os bastidores desta frase antes de a tomar pelo valor facial. Durante anos, um eventual anúncio de AGI por parte da OpenAI esteve contratualmente ligado a uma cláusula com a Microsoft, a sua principal investidora: a parceria original, de 2019, atribuía à Microsoft direitos preferenciais sobre a tecnologia «pré-AGI», e esses direitos caducariam no momento em que a AGI fosse declarada. Em dezembro de 2024, essa cláusula ganhou um critério financeiro concreto — a AGI seria considerada atingida quando os sistemas da OpenAI gerassem 100 mil milhões de dólares de lucro para os primeiros investidores —, e, em outubro de 2025, passou a exigir a verificação de um painel independente de especialistas, em vez de uma decisão unilateral da própria empresa. Essa arquitetura contratual deixou, no entanto, de existir: a 27 de abril de 2026, a OpenAI e a Microsoft reescreveram o acordo entre si, tornando a licença da Microsoft não exclusiva e desligando o mecanismo que ligava a palavra AGI a consequências financeiras de milhares de milhões de dólares (Pillitteri, 2026). Só depois dessa alteração é que Brockman pôde, cinco meses mais tarde, usar a expressão sem acionar qualquer revisão externa ou obrigação contratual.

A reação da comunidade científica foi, também aqui, tudo menos unânime. Gary Marcus, um dos críticos mais conhecidos das afirmações de AGI feitas pela indústria, reconheceu ao Astra um avanço genuíno, mas rejeitou publicamente o rótulo no próprio dia do anúncio, sublinhando que um bom resultado no teste chamado ARC-AGI não é, apesar do nome, prova de inteligência geral. Apontou ainda uma discrepância nos números divulgados: o modelo obteve 63% no teste ARC-AGI-3 nas condições habituais de avaliação, um valor que só subiu para 99% através de um adaptador construído propositadamente para essa tarefa — uma diferença que torna a alegada saturação do teste bem menos direta do que os comunicados sugeriram (Pillitteri, 2026).

Este episódio não obriga a corrigir nada do que já foi dito neste artigo: confirma-o, quase em tempo real. Uma frase de efeito, proferida num briefing de imprensa, sem verificação externa, sem consequências contratuais e contestada no próprio dia por especialistas independentes, é exatamente o tipo de afirmação que a escola deve preparar os alunos para examinar antes de a repetir — e não para aceitar apenas porque veio de quem construiu a tecnologia.

Porque é que isto já interessa à escola — mesmo que a AGI nunca chegue

Há uma tentação de arrumar todo este debate na gaveta da ficção científica e esperar para ver. Seria um erro, por uma razão muito concreta: os sistemas de IA já hoje se aproximam, em tarefas específicas, de capacidades que antes pareciam exclusivamente humanas — e essa aproximação, gradual e mensurável, está a acontecer independentemente de alguém decidir chamar-lhe AGI.

A própria OCDE tem vindo a documentar este movimento. Um relatório de 2023 comparou diretamente o desempenho de sistemas de IA com o de adultos em testes internacionais de leitura e matemática, concluindo que a IA já ultrapassa uma parte significativa da população adulta nessas competências — com alguns dos especialistas consultados a antecipar, na altura, que a IA pudesse resolver a totalidade dos testes de literacia e numeracia usados no estudo já por volta de 2026 (OCDE, 2023). O mesmo trabalho da OCDE deu origem a um programa contínuo de medição — os indicadores de capacidade de IA e o correspondente índice de exposição ocupacional — precisamente para acompanhar, ano após ano, a distância entre aquilo que a IA já consegue fazer e as competências que cada profissão exige (OCDE, s.d.). É a mesma lógica que já levou a própria OCDE a introduzir, no PISA 2025, um domínio inteiramente novo dedicado à aprendizagem no mundo digital — sinal de que a avaliação internacional já não separa a literacia da capacidade de trabalhar de forma crítica com ferramentas computacionais.

Perante isto, a resposta educativa não pode depender de esperar por uma definição consensual de AGI. E, felizmente, já existe enquadramento para agir sem essa certeza. A UNESCO publicou, em 2024, dois documentos de referência — um quadro de competências de IA para alunos e outro para professores — organizados, precisamente, em torno de um princípio central: manter o ser humano no centro, mesmo perante sistemas cada vez mais autónomos e capazes (UNESCO, 2024a, 2024b). O quadro para alunos identifica doze competências agrupadas em quatro dimensões — uma mentalidade centrada no ser humano, a ética da IA, técnicas e aplicações de IA, e a conceção de sistemas de IA —, sem em momento algum depender de saber se, ou quando, a IA se tornará geral.

Este enquadramento cruza-se com naturalidade com aquilo que já está consagrado no currículo português. O Perfil dos Alunos à Saída da Escolaridade Obrigatória situa o pensamento crítico e a autonomia entre as dez áreas de competência que qualquer aluno deve desenvolver (Direção-Geral da Educação, 2017) — precisamente as ferramentas necessárias para avaliar, e não apenas absorver, afirmações como as de Altman, Amodei ou LeCun. E a Estratégia Nacional de Educação para a Cidadania, atualizada em 2025, mantém a literacia mediática entre os domínios obrigatórios de Cidadania e Desenvolvimento (Portugal, 2025) — o espaço curricular mais óbvio para ensinar, de forma explícita, a distinguir uma previsão fundamentada de uma promessa comercial.

A Europa decidiu regular aquilo que ainda não sabe definir

Há um episódio pouco conhecido que resume bem este impasse: quando a União Europeia teve de escrever, em lei, regras para os sistemas de IA mais poderosos, também não encontrou uma definição consensual de inteligência geral a que se pudesse agarrar. Optou, em vez disso, por um critério mensurável — qualquer modelo de IA de finalidade geral treinado com mais de 10²⁵ operações de vírgula flutuante, uma medida da quantidade de cálculo computacional usada no treino, é presumido como tendo risco sistémico e fica sujeito a obrigações reforçadas de avaliação e mitigação de risco (Regulamento (UE) 2024/1689, artigo 51.º). Em julho de 2025, a Comissão Europeia publicou orientações técnicas adicionais para clarificar como esse limiar deve ser calculado e atualizado à medida que a tecnologia evolui (Comissão Europeia, 2025).

A escolha é reveladora. Perante um conceito filosoficamente indefinido, mas com consequências reais, o legislador europeu preferiu ancorar-se num número verificável — a quantidade de cálculo usada no treino — em vez de esperar por um consenso científico que, como se viu, ainda não existe. É uma lição de pragmatismo que também pode servir de modelo à escola: não é preciso resolver o debate filosófico sobre a AGI para começar a agir com critérios claros e verificáveis.

Uma proposta para a sala de aula

Uma forma simples de levar este tema para uma aula de Filosofia, de Cidadania e Desenvolvimento ou de TIC não exige qualquer material que a escola não tenha já. Pode apresentar-se aos alunos, sem identificar de início os autores, três afirmações reais sobre quando a inteligência artificial geral vai chegar — uma otimista, uma cautelosa e uma cética — e pedir-lhes que identifiquem, para cada uma, que evidência concreta é apresentada, que interesse comercial ou profissional a pessoa que a fez pode ter, e como se poderia testar, na prática, se a previsão se veio a confirmar. Só depois se revelam os nomes. O exercício raramente falha em gerar discussão, e treina exatamente a competência que o Perfil dos Alunos já pede: interrogar a informação antes de a aceitar.

A segunda parte da proposta dirige-se a quem coordena a formação de professores ou o departamento de Informática e Tecnologias. Vale a pena usar a tabela dos níveis de AGI da DeepMind como ferramenta de trabalho, pedindo aos docentes que classifiquem, em conjunto, duas ou três ferramentas de IA já usadas na escola segundo os critérios de desempenho e generalidade. O exercício não resolve o debate sobre quando a AGI vai chegar — mas ajuda a substituir o entusiasmo ou o alarme genéricos por uma linguagem mais precisa para falar de capacidades reais, que é, afinal, exatamente aquilo que o quadro de competências da UNESCO pede aos professores que sejam capazes de fazer.

Talvez a incerteza seja a própria lição

Há uma ironia final que vale a pena sublinhar. Depois de anos a insistir junto dos alunos que devem desconfiar de afirmações extraordinárias sem prova extraordinária, a escola tem agora à sua frente um caso de estudo perfeito: as próprias pessoas que constroem a tecnologia mais discutida da década não conseguem concordar nem sobre o que estão a construir, nem sobre quando vão terminar de a construir.

Isso não é motivo para ignorar o tema — os sinais de progresso são reais e mensuráveis, como mostram os relatórios da OCDE. Mas é motivo para resistir à tentação de adotar, em bloco, a data ou a definição de qualquer um dos protagonistas desta corrida. A competência mais útil que a escola pode transmitir não é uma opinião sobre quando a AGI vai chegar. É a capacidade de pedir evidência a quem afirma sabê-lo — seja essa pessoa um colega de turma, um professor, ou o diretor executivo de uma das empresas mais valiosas do mundo.

Nota de transparência: este artigo foi elaborado com o apoio de inteligência artificial (Claude, da Anthropic), a partir de pesquisa direta e independente em fontes primárias e jornalísticas verificáveis, incluindo o artigo original da revista TIME sobre a OpenAI, o paper da Google DeepMind sobre os níveis de AGI, o inquérito da AI Impacts publicado em arXiv, o relatório da OCDE de 2023, os dois quadros de competências de IA da UNESCO (2024) e o texto do Regulamento (UE) 2024/1689. As declarações de Dario Amodei e de Yann LeCun foram confirmadas através de múltiplas fontes jornalísticas independentes que as reportam de forma consistente.

Referências

Betanews. (2026, 3 de setembro). OpenAI launches GPT-6 Astra, calls it the start of the AGI era. https://betanews.com/article/openai-gpt-6-astra-agi-era/

Business Insider Nederland. (2026). Anthropic CEO says AGI is a marketing term and the next AI milestone will be like a “country of geniuses in a data center.” https://www.businessinsider.nl/anthropic-ceo-says-agi-is-a-marketing-term-and-the-next-ai-milestone-will-be-like-a-country-of-geniuses-in-a-data-center/

Comissão Europeia. (2025, 18 de julho). Guidelines on the scope of the obligations for general-purpose AI models [C(2025) 5045 final].

Direção-Geral da Educação. (2017). Perfil dos alunos à saída da escolaridade obrigatória. Ministério da Educação. https://www.dge.mec.pt/sites/default/files/Noticias_Imagens/perfil_do_aluno.pdf

Grace, K., Stewart, H., Sandkühler, J. F., Thomas, S., Weinstein-Raun, B., & Brauner, J. (2024). Thousands of AI authors on the future of AI. arXiv. https://doi.org/10.48550/arXiv.2401.02843

Heath, A. (2026, 26 de agosto). Inside OpenAI’s reboot. TIME. https://time.com/article/2026/08/26/openai-sam-altman-interview/

iTiger. (2026). Anthropic leader forecasts end of exponential AI growth, predicts “genius collective in data centers” by 2026. https://www.itiger.com/news/1151088077

Morris, M. R., Sohl-Dickstein, J., Fiedel, N., Warkentin, T., Dafoe, A., Faust, A., Farabet, C., & Legg, S. (2023). Levels of AGI: Operationalizing progress on the path to AGI. arXiv. https://doi.org/10.48550/arXiv.2311.02462

OCDE. (2023). Is education losing the race with technology? AI’s progress in maths and reading. OECD Publishing. https://doi.org/10.1787/73105f99-en

OCDE. (s.d.). Artificial intelligence and the future of skills. Consultado em setembro de 2026. https://www.oecd.org/en/about/projects/artificial-intelligence-and-future-of-skills.html

OpenAI. (2018). OpenAI charter. https://openai.com/charter/

Pillitteri, P. (2026, 3 de setembro). Brockman declara a era da AGI com Astra, mas a definição continua vaga. https://pasqualepillitteri.it/pt/news/14563/brockman-era-agi-astra-pt-openai

Portugal. (2025). Resolução do Conselho de Ministros n.º 127/2025, de 29 de agosto — Estratégia Nacional de Educação para a Cidadania. Diário da República, 1.ª série. https://www.dge.mec.pt/sites/default/files/Curriculo/enec-2025.pdf

Quiroz-Gutierrez, M. (2026, 27 de janeiro). ‘Country of geniuses in a data center’: Every AI cluster will have the brainpower of 50 million Nobel Prize winners, Anthropic CEO says. Fortune. https://fortune.com/2026/01/27/country-of-geniuses-anthropic-dario-amodei-50-million-nobel-prize-winners

Regulamento (UE) 2024/1689 do Parlamento Europeu e do Conselho, de 13 de junho de 2024, que estabelece regras harmonizadas em matéria de inteligência artificial. Jornal Oficial da União Europeia. https://eur-lex.europa.eu/eli/reg/2024/1689/oj

Stanford Daily. (2026, 15 de fevereiro). Sam Altman projects AGI development, AI integration at TreeHacks. https://stanforddaily.com/2026/02/15/sam-altman-agi-treehacks-keynote/

TechNews. (2026, 4 de fevereiro). 楊立昆對AGI的未來發表深刻見解 [Yann LeCun apresenta perspetivas profundas sobre o futuro da AGI]. https://technews.tw/2026/02/04/yann-lecun-agi/

UNESCO. (2024a). AI competency framework for students. UNESCO Publishing. https://unesdoc.unesco.org/ark:/48223/pf0000391105

UNESCO. (2024b). AI competency framework for teachers (F. Miao & M. Cukurova, Autores). UNESCO Publishing. https://unesdoc.unesco.org/ark:/48223/pf0000391104

Para saber mais

Levels of AGI: Operationalizing Progress on the Path to AGI, o paper original da Google DeepMind, com a proposta completa dos seis níveis e a discussão das nove definições de AGI em disputa.

Inside OpenAI’s Reboot, na TIME, com o retrato mais detalhado disponível sobre o estado atual da corrida à AGI dentro da OpenAI.

Thousands of AI Authors on the Future of AI, o inquérito da AI Impacts, com os dados completos sobre as previsões de mais de 2700 investigadores da área.

AI competency framework for students, da UNESCO, com as doze competências completas e os exemplos de aplicação curricular.

Is Education Losing the Race with Technology?, da OCDE, com a comparação direta entre o desempenho da IA e o dos adultos em testes de literacia e numeracia.

Brockman declara a era da AGI com Astra, mas a definição continua vaga, com o enquadramento contratual completo da cláusula que ligava a AGI à Microsoft e as reações céticas ao anúncio do GPT-6 Astra.

E se, no exame, fossem os alunos a avaliar a inteligência artificial?

Publicado a Setembro 8, 2026 por Jorge Borges

Responder

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.

Ler a reportagem que serviu de ponto de partida a este artigo, no TMTPost

Para derrotar a IA era preciso saber

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 MIT admite que a IA já cumpre quase qualquer trabalho universitário — e pondera reinventar o ensino

Publicado a Setembro 7, 2026 por Jorge Borges

Responder

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.

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.

Referências

Landymore, F. (2026, 30 de agosto). MIT warns that AI can now credibly complete pretty much any undergrad assignment, considers overhaul of entire educational model. Futurism. https://futurism.com/artificial-intelligence/mit-warns-ai-undergrad-assignments

Lusa. (2026a, 19 de janeiro). Professores pedem proibição da IA em universidades e politécnicos portugueses. Rádio Renascença. https://rr.pt/noticia/pais/2026/01/19/professores-pedem-proibicao-da-ia-em-universidades-e-politecnicos-portugueses/455905/

Lusa. (2026b, 28 de fevereiro). Universidades não fecham a porta à IA, mas repensam métodos de avaliação. Rádio Renascença. https://rr.pt/noticia/pais/2026/02/28/universidades-nao-fecham-a-porta-a-ia-mas-repensam-metodos-de-avaliacao/461216/

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/

Para saber mais

Report, no site oficial do comité de IA e Educação do MIT, com o texto integral das oito conclusões e das recomendações discutidas neste artigo.

MIT warns that AI can now credibly complete pretty much any undergrad assignment, na Futurism, o artigo que motivou este texto.

Universidades não fecham a porta à IA, mas repensam métodos de avaliação, na Rádio Renascença, com o retrato da situação em universidades portuguesas.

Menos ecrãs não é a resposta: o que a APA recomenda às escolas sobre tecnologia educativa

Publicado a Setembro 6, 2026 por Jorge Borges

Responder

Um novo relatório da American Psychological Association avisa que gostar de uma aplicação não é o mesmo que aprender com ela. Dez recomendações que interessam a qualquer escola portuguesa a decidir que tecnologia vale a pena manter.

Download |

Nos últimos dez anos, a discussão sobre tecnologia nas escolas costuma reduzir-se a uma única pergunta: quantas horas de ecrã são demasiadas? A American Psychological Association acaba de publicar um relatório que muda a pergunta. Não é quanto tempo, dizem os autores — é o quê, para quê, com quem e em vez de quê. E há uma frase que resume todo o argumento: uma criança pode estar completamente entretida com uma aplicação e não estar a aprender nada com ela.

Foi essa a ideia que a Wired em Espanhol escolheu destacar num artigo publicado a 4 de setembro sobre o relatório, e é também o fio condutor que aqui se segue, cruzado com a leitura direta do documento original e com a cobertura que o meio norte-americano Chalkbeat lhe dedicou no dia da apresentação.

Um relatório que chega no meio de um debate aceso

O relatório da APA não nasce num vazio: nasce a meio de uma discussão que já dividiu escolas, câmaras municipais e parlamentos em vários países. Nos Estados Unidos, distritos escolares inteiros têm vindo a banir portáteis e tablets nos anos mais baixos, escolas em Nova Iorque adotaram este ano uma das políticas mais restritivas do país para inteligência artificial generativa, e outras optaram pelo caminho inverso, apostando em cada vez mais dispositivos. A equipa de quinze investigadores que assina o relatório — psicólogos do desenvolvimento, especialistas em ciência da aprendizagem e pediatras ligados a universidades como Temple, Delaware, Illinois em Urbana-Champaign, Santa Barbara, Cornell e à Digital Promise — escolheu não tomar partido em nenhum dos dois lados. Nicole Barnes, psicóloga responsável pela área da educação na APA, resumiu o objetivo dizendo que quer que as decisões sejam tomadas a partir de evidência, e não de pânico nem de entusiasmo cego.

O documento aplica-se a crianças e adolescentes entre os 5 e os 18 anos, e cobre três camadas distintas de tecnologia: ferramentas construídas especificamente para ensinar, como sistemas de tutoria inteligente ou aplicações de leitura; ferramentas de uso geral que também servem para aprender, como processadores de texto, motores de pesquisa ou assistentes de inteligência artificial; e a infraestrutura à volta de tudo isto, como os programas de um computador por aluno ou as plataformas de gestão da aprendizagem. Fica de fora, e isto é importante para não misturar debates diferentes, o uso puramente recreativo de ecrãs e a política de telemóveis pessoais fora do contexto de aprendizagem — matérias que a própria APA trata noutros documentos.

O engano do tempo de ecrã

Uma das ideias mais úteis do relatório para quem gere uma escola é também a mais contraintuitiva: perguntar quantas horas de ecrã um aluno usa por dia diz muito pouco sobre se está a aprender. O que importa, argumentam os autores, é o que essas horas estão a substituir. Duas crianças podem passar exatamente o mesmo tempo diante de um ecrã e ter experiências completamente diferentes, consoante estejam a fazer leitura ativa com um adulto por perto ou a assistir passivamente a conteúdo com outro ecrã ligado ao fundo. O tempo total de exposição está associado a menos sono, menos leitura, menos atividade física e menos conversas com outras crianças — mas é a atividade concreta que ocupa esse tempo, e aquilo que fica de fora por causa dela, que determina se há benefício ou prejuízo.

Vale a pena notar que este ponto não colide com a legislação portuguesa mais recente sobre telemóveis nas escolas. O Decreto-Lei n.º 95/2025, de 14 de agosto, que regula a utilização de equipamentos eletrónicos com acesso à internet pelos alunos do 1.º e do 2.º ciclos, trata precisamente do uso pessoal e recreativo que o relatório da APA deixa de fora do seu âmbito. As duas questões são compatíveis e até se reforçam: proibir o telemóvel pessoal no recreio é uma decisão sobre socialização e distração; avaliar se uma aplicação de matemática ensina matemática é uma decisão diferente, sobre currículo e eficácia pedagógica. Confundir as duas leva a políticas que resolvem o problema errado.

Gostar de uma aplicação não é o mesmo que aprender com ela

O relatório insiste, com uma persistência quase didática, numa distinção que qualquer professor já sentiu na pele: entusiasmo não é aprendizagem. Uma aplicação pode receber avaliações excelentes de satisfação, manter os alunos concentrados durante toda a aula e ainda assim não produzir qualquer ganho mensurável de conhecimento. A razão tem uma explicação incómoda: aquilo que parece fácil e agradável no momento nem sempre corresponde ao esforço mental que realmente fixa informação a longo prazo, e a confiança que um aluno sente em relação ao que aprendeu não é prova de que aprendeu.

O teste que os autores propõem é simples de aplicar em qualquer sala de aula: fechar a aplicação e pedir ao aluno que explique, sem ecrã à frente, o que acabou de fazer, ou que aplique a mesma ideia a um problema ligeiramente diferente. Se o aluno só consegue ter sucesso dentro da própria ferramenta, é provável que esteja a aprender a usar a ferramenta, não a matéria que ela devia ensinar. Nicole Barnes ilustrou a ideia com um episódio doméstico, contado à Chalkbeat: ao observar o filho a jogar em vez de fazer o trabalho de casa, percebeu que o jogo era, na verdade, o próprio trabalho de casa — e que bastava um minuto de atenção para perceber que não estava a resultar em aprendizagem, apesar de ser exatamente isso que a aplicação prometia vender.

O que a ciência da aprendizagem já sabe que funciona

Nem todas as ferramentas educativas devem ser avaliadas da mesma forma, e esta talvez seja a distinção mais prática de todo o relatório. Uma aplicação desenhada para treinar uma competência específica e mensurável — reconhecer letras, memorizar factos numéricos, praticar vocabulário — pode e deve mostrar evidência de que essa competência específica melhora. Já as promessas de desenvolver «pensamento crítico», «capacidade de resolução de problemas» ou inteligência de forma genérica merecem desconfiança redobrada: a investigação citada no relatório não sustenta a ideia de que praticar numa aplicação estreita produza ganhos amplos que se transfiram para outras áreas da vida escolar.

Do lado positivo, há décadas de ciência cognitiva que qualquer ferramenta digital bem desenhada pode aproveitar, e que qualquer professor pode também aplicar sem tecnologia nenhuma. Pedir a um aluno que tente responder de memória antes de consultar a resposta produz retenção mais forte do que reler o material várias vezes. Espaçar o estudo ao longo de várias sessões, em vez de o concentrar numa só, fixa mais informação a prazo. Misturar tipos de problemas dentro da mesma sessão de estudo, em vez de treinar um de cada vez, ajuda os alunos a distinguir conceitos parecidos, mesmo sentindo-se mais difícil no momento. E os sistemas de tutoria inteligente — incluindo alguns apoiados em inteligência artificial — têm mostrado resultados positivos precisamente quando obrigam o aluno a praticar, respondem ao seu desempenho específico e dão retorno durante a própria aprendizagem, e não apenas no final.

Inteligência artificial generativa: cautela redobrada

Dos dez pontos do relatório, este é provavelmente o que mais interessa a quem já lida, esta semana, com alunos a usar assistentes de IA para fazer os trabalhos de casa. A investigação preliminar citada sugere um padrão que devia preocupar qualquer escola: os alunos produzem respostas mais completas e com aparência mais polida quando usam inteligência artificial, mas retêm menos do conteúdo depois, e têm mais dificuldade em resolver sozinhos um problema parecido. Um trabalho final bem escrito deixa de ser um bom indicador do que o aluno sabe, precisamente porque já não é possível separar, só pelo produto entregue, o que veio do pensamento do aluno e o que veio da ferramenta.

Há ainda um segundo risco, mais subtil, que o relatório trata com particular cuidado: quanto mais um assistente de inteligência artificial usa linguagem calorosa, próxima e do tipo relacional, mais fácil se torna para uma criança confiar nele como se fosse uma pessoa, e não uma ferramenta. Para os mais novos, entre os 5 e os 8 anos, essa confusão é especialmente difícil de gerir sozinhos — um sistema que «lembra» conversas anteriores ou fala com calor emocional pode parecer-lhes mais parceiro do que instrumento. A recomendação prática para as escolas é concreta: definir uma política explícita de uso de IA, incluir tarefas que avaliem o conhecimento do aluno sem qualquer apoio da ferramenta, e pedir sempre uma primeira tentativa própria antes de qualquer resposta gerada — usar a inteligência artificial para rever e melhorar o que já existe, nunca como substituto da primeira ideia.

Sem adultos por perto, a tecnologia rende menos

Um dos achados mais consistentes do relatório é também o mais simples de aplicar sem gastar um euro: as crianças aprendem mais com uma ferramenta digital quando um adulto está por perto do que quando a usam sozinhas. A atenção de uma criança é limitada, e não se dirige automaticamente para aquilo que mais importa para a aprendizagem — dirige-se, com frequência, para aquilo que foi desenhado para capturar atenção, como pontos, medalhas ou sequências de dias consecutivos de uso. Um adulto que acompanha, faz perguntas e ajuda a ligar o que aparece no ecrã ao que já foi discutido na aula funciona como um filtro que a própria criança ainda não sabe aplicar sozinha.

Isto tem uma implicação incómoda para qualquer escola com poucos recursos: se uma ferramenta só funciona bem quando há um adulto disponível para a acompanhar, comprar mais licenças sem investir em tempo de acompanhamento docente resolve pouco. O relatório é direto quanto a isto — a adoção de tecnologia, por si só, raramente melhora a aprendizagem sem formação contínua, tempo de planificação e suporte técnico que continuem depois do primeiro mês de utilização.

Acesso desigual e dados que nem sempre servem quem os produz

Duas recomendações do relatório merecem, pelo menos, uma nota rápida, mesmo sem esgotar aqui toda a sua extensão. A primeira é que um resultado positivo em média pode esconder grupos inteiros de alunos que não beneficiam nada, ou que são mesmo prejudicados — traduzir uma ferramenta para outra língua não a torna automaticamente igualmente eficaz para quem fala essa língua em casa, e o acesso a computador e internet fora da escola continua a variar muito consoante o rendimento familiar. A segunda é que quase todas as ferramentas educativas recolhem dados sobre os alunos, e a pergunta que interessa não é se recolhem, mas para que servem esses dados depois: apoiar o professor a identificar quem precisa de mais ajuda é um uso legítimo; alimentar publicidade ou desenvolvimento de produto sem que a escola o saiba, não é.

O que isto diz à escola portuguesa

Nenhuma linha deste relatório foi escrita a pensar no currículo português — os seus autores dirigem-se a um público norte-americano, no meio de um debate legislativo que não é o nosso —, mas o enquadramento para o aplicar por cá já existe. O Perfil dos Alunos à Saída da Escolaridade Obrigatória situa o pensamento crítico e a autonomia entre as dez áreas de competência que qualquer aluno deve desenvolver (Direção-Geral da Educação, 2017), uma formulação que cobre com naturalidade a distinção entre usar uma ferramenta e aprender com ela que este relatório torna tão central. A margem de autonomia curricular de 25% que o Decreto-Lei n.º 55/2018 já concede às escolas (Portugal, 2018) é também o espaço formal onde um agrupamento pode construir critérios próprios de avaliação de aplicações e plataformas antes de as adotar, sem esperar por orientação central. A Estratégia Nacional de Educação para a Cidadania, atualizada em 2025, mantém a literacia mediática entre os domínios obrigatórios de Cidadania e Desenvolvimento (Portugal, 2025b), o espaço curricular mais óbvio para discutir com os alunos a diferença entre estar entretido e estar a aprender. E para quem coordena a formação de professores, o quadro europeu DigCompEdu já situa a avaliação crítica de ferramentas digitais entre as competências que os próprios docentes devem desenvolver antes de as poderem ensinar (Redecker, 2017) — o que inclui, precisamente, saber pedir a um fornecedor de tecnologia educativa que prove o que promete.

Uma proposta para a sala de aula

Uma forma simples de trazer este relatório para uma reunião de departamento ou de conselho pedagógico não exige nenhuma ferramenta nova. Antes de qualquer decisão de compra ou renovação de uma aplicação, três perguntas do próprio relatório bastam para começar: que competência específica esta ferramenta diz ensinar, e existe alguma avaliação independente disso, feita por alguém que não seja o próprio fornecedor? Um aluno consegue explicar ou aplicar o que aprendeu fora da aplicação, dias depois, sem o ecrã à frente? E o que é que esta ferramenta está, na prática, a substituir — tempo de leitura, conversa com o professor, interação com colegas — e vale a pena essa troca para este objetivo em concreto? Nenhuma destas perguntas exige conhecimento técnico, e as três juntas filtram uma parte significativa das promessas de marketing que correm mais depressa do que a evidência que as sustenta.

A segunda parte da proposta dirige-se a quem já usa, ou pondera usar, assistentes de inteligência artificial generativa em contexto letivo. Vale a pena experimentar, numa única disciplina e por um período experimental curto, a regra que o relatório sugere para os trabalhos escolares: pedir sempre uma primeira tentativa do aluno antes de qualquer uso de IA, e reservar a ferramenta para depois — para rever, comparar e melhorar o que já foi pensado sozinho, nunca para substituir a primeira ideia. É uma regra fácil de comunicar às famílias e simples de verificar, e resolve, na prática, boa parte da tensão entre aproveitar a tecnologia e continuar a saber o que cada aluno é capaz de fazer sem ela.

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 original da American Psychological Association, «APA Expert Report on Children’s and Adolescents’ Learning With Educational Technology» (setembro de 2026), fornecido em PDF.

Referências

American Psychological Association. (2026). APA expert report on children’s and adolescents’ learning with educational technology. https://www.apa.org/pubs/reports/children-adolescent-learning-educational-technology

Meltzer, E. (2026, 3 de setembro). American Psychological Association calls for higher ed tech standards, not screen bans in new report. Chalkbeat. https://www.chalkbeat.org/2026/09/03/psychological-assocation-calls-for-higher-ed-tech-standards-not-screen-bans/

Portugal. (2018). Decreto-Lei n.º 55/2018, de 6 de julho. Diário da República, 1.ª série, n.º 129.

Portugal. (2025a). Decreto-Lei n.º 95/2025, de 14 de agosto. Diário da República, 1.ª série.

Portugal. (2025b). Resolução do Conselho de Ministros n.º 127/2025, de 29 de agosto — Estratégia Nacional de Educação para a Cidadania. Diário da República, 1.ª série. https://www.dge.mec.pt/sites/default/files/Curriculo/enec-2025.pdf

Redecker, C. (2017). European framework for the digital competence of educators: DigCompEdu (Y. Punie, Ed.). Publications Office of the European Union. https://doi.org/10.2760/159770

Wired em Espanhol. (2026, 4 de setembro). Menos pantallas en las aulas no significa más aprendizaje, advierte la APA. https://es.wired.com/articulos/menos-pantallas-en-las-aulas-no-significa-mas-aprendizaje-advierte-la-apa

Para saber mais

APA expert report on children’s and adolescents’ learning with educational technology, o relatório integral com as dez recomendações e a evidência que as sustenta.

American Psychological Association calls for higher ed tech standards, not screen bans in new report, na Chalkbeat, com o contexto do debate norte-americano e as declarações de Nicole Barnes.

Perfil dos alunos à saída da escolaridade obrigatória, na Direção-Geral da Educação, para enquadrar as áreas de competência referidas neste artigo.

Estratégia Nacional de Educação para a Cidadania (2025), na Direção-Geral da Educação, com a descrição completa do domínio da literacia mediática.

Ler o mundo em múltiplos formatos: multiliteracias na era da inteligência artificial | IX Encontro Leitur@s (Seia)

Publicado a Setembro 4, 2026 por Jorge Borges

Responder

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.

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.

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.

Referências

Conselho da União Europeia. (2018). Recomendação do Conselho, de 22 de maio de 2018, relativa às competências essenciais para a aprendizagem ao longo da vida. Jornal Oficial da União Europeia, C 189. https://eur-lex.europa.eu/legal-content/PT/TXT/?uri=CELEX:32018H0604(01)

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.

Joint Research Centre, Comissão Europeia, Cosgrove, J., & Cachia, R. (2025). DigComp 3.0: European digital competence framework (5.ª ed.). Serviço das Publicações da União Europeia. https://joint-research-centre.ec.europa.eu/projects-and-activities/education-and-training/digital-transformation-education/digital-competence-framework-digcomp/digcomp-30_en

New London Group. (1996). A pedagogy of multiliteracies: Designing social futures. Harvard Educational Review, 66(1), 60–92. https://doi.org/10.17763/haer.66.1.17370n67v22j160u

Nielsen, J. (2006, 17 de abril). F-shaped pattern for reading web content (original eyetracking research). Nielsen Norman Group. https://www.nngroup.com/articles/f-shaped-pattern-reading-web-content-discovered/

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

UNESCO. (2006). Education for all global monitoring report 2006: Literacy for life. UNESCO Publishing. https://unesdoc.unesco.org/ark:/48223/pf0000144270

Wolf, M. (2018). Reader, come home: The reading brain in a digital world. Harper.

Para saber mais

A pedagogy of multiliteracies: Designing social futures, na Harvard Educational Review, o artigo fundador de 1996 que cunhou o termo «multiliteracias».

DigComp 3.0, no Joint Research Centre da Comissão Europeia, com a descrição completa das cinco áreas e das vinte e uma competências digitais referidas neste artigo.

F-shaped pattern for reading web content, na Nielsen Norman Group, com a investigação original sobre o padrão de leitura em F.

Perfil dos alunos à saída da escolaridade obrigatória, na Direção-Geral da Educação, para enquadrar as áreas de competência referidas neste artigo.

Uma palavra que nem os seus criadores sabem definir

Seis níveis para medir aquilo que ainda não existe

Datas que os próprios especialistas não conseguem combinar

Esta semana, o argumento ganhou um exemplo em tempo real

Porque é que isto já interessa à escola — mesmo que a AGI nunca chegue

A Europa decidiu regular aquilo que ainda não sabe definir

Uma proposta para a sala de aula

Talvez a incerteza seja a própria lição

Referências

Para saber mais

Partilhar:

Like this:

Um exame ao contrário

Para derrotar a IA era preciso saber

A competência que pode tornar-se cada vez mais importante

Os estudantes encontraram precisamente aquilo que procuravam

E isto coloca um problema sério à escola

Talvez tenhamos também de mudar algumas perguntas dos testes

Não devemos transformar todas as aulas numa caça ao erro da IA

O professor não desaparece. Muda de posição

De responder a perguntar. De executar a julgar.

Partilhar:

Like this:

Uma frase que poucas universidades diriam em voz alta

O que a IA já está a mudar no campus, antes de qualquer exame

Repensar a avaliação: exames orais, portefólios e desenho ao contrário

Um pensamento radical sobre notas

Porque não detetores de IA nem exames trancados

Portugal já está a ter a mesma discussão

Uma proposta para a sala de aula

Referências

Para saber mais

Partilhar:

Like this:

Um relatório que chega no meio de um debate aceso

O engano do tempo de ecrã

Gostar de uma aplicação não é o mesmo que aprender com ela

O que a ciência da aprendizagem já sabe que funciona

Inteligência artificial generativa: cautela redobrada

Sem adultos por perto, a tecnologia rende menos

Acesso desigual e dados que nem sempre servem quem os produz

O que isto diz à escola portuguesa

Uma proposta para a sala de aula

Referências

Para saber mais

Partilhar:

Like this:

Sete redefinições em oitenta anos

Ler depressa, ler devagar: os quatro modos de leitura

Quando a máquina decide o que aparece primeiro

De quem é este texto, afinal?

Um texto bem escrito nem sempre é verdadeiro

Cinco movimentos para uma escola que ensina a usar

O que isto diz à escola portuguesa

Uma proposta para a sala de aula

Referências

Para saber mais

Partilhar:

Like this: