Arquivo da Categoria: Inteligência artificial

A Nuvem Soberana chegou — e a escola também faz parte desta história

Publicado a por
Responder

Portugal aprovou o seu Plano Nacional de Nuvem Soberana. O que significa isto para as escolas, para os professores e para os dados dos alunos?

Em 28 de maio de 2026, foi publicada no Diário da República a Resolução do Conselho de Ministros n.º 102/2026, que aprova o Plano Nacional de Nuvem Soberana (PNCS). Numa primeira leitura, o diploma pode parecer distante da sala de aula — fala de infraestruturas, de cibersegurança, de dados críticos do Estado. Mas quem trabalha em educação sabe que as políticas digitais nunca ficam à porta da escola. E esta não é exceção.

Um passo numa estratégia maior

O PNCS não surgiu do nada. Insere-se num conjunto mais vasto de iniciativas que o XXV Governo Constitucional tem vindo a desenvolver para posicionar Portugal entre os países digitalmente mais avançados da Europa. Inclui o Plano Nacional de Centros de Dados e a Estratégia Digital Nacional — aprovada em dezembro de 2024, com um investimento previsto de 350 milhões de euros e 49 ações agrupadas em 16 iniciativas. O Plano de Ação para 2026-2027, aprovado em dezembro de 2025, já contemplava explicitamente a criação de um modelo de classificação soberana dos dados da Administração Pública e a elaboração de um plano para o desenvolvimento de uma nuvem soberana.

O que foi publicado em maio de 2026 não é uma ideia nova — é a concretização de uma estratégia que vinha sendo construída. Para quem acompanha a política digital portuguesa, o PNCS representa a passagem do papel para a ação.

Clicar na imagem para ver a apresentação…

O que é a nuvem soberana e por que razão importa agora

A expressão “nuvem soberana” — ou sovereign cloud, como aparece frequentemente na literatura técnica — designa uma infraestrutura de computação em nuvem concebida para garantir que os dados, os sistemas e os serviços digitais de um país permanecem sob controlo nacional ou regional, respeitando as suas próprias regras de segurança, privacidade e soberania. O próprio diploma define soberania de forma muito direta: trata-se de assegurar “o controlo do acesso aos dados e a garantia permanente de funcionamento de sistemas e infraestruturas críticas”.

Não é um conceito novo. A Alemanha, a França e os Países Baixos têm avançado há anos com iniciativas semelhantes, pressionados pela crescente dependência de gigantes tecnológicos norte-americanos e pela legislação europeia de proteção de dados. O que mudou foi a urgência. O Governo invoca explicitamente no diploma o aumento dos riscos associados ao cibercrime, a fenómenos meteorológicos extremos e à chamada guerra eletrónica — fatores que tornam inadiável garantir a resiliência dos sistemas digitais do Estado.

Há também uma dimensão geopolítica que o diploma não esconde: a dependência da Europa de fornecedores externos, sobretudo dos Estados Unidos e da China, tornou-se uma vulnerabilidade reconhecida. Portugal pretende alinhar-se com o Quadro de Soberania em Nuvem da Comissão Europeia e, ao mesmo tempo, criar as condições para se afirmar como hub europeu de soberania digital — Portugal já tem mais de 40 pedidos de instalação de grandes centros de dados em análise, o que revela o interesse internacional crescente neste espaço.

Uma metodologia em três dimensões

Para compreender como o PNCS vai funcionar na prática, é útil conhecer a estrutura metodológica que o organiza. O plano assenta em três dimensões complementares.

A primeira é a qualificação dos processos de negócio: cada entidade pública terá de inventariar e classificar os seus dados e sistemas de acordo com a sua sensibilidade, criticidade e impacto na soberania nacional. A segunda dimensão define os requisitos de soberania e segurança aplicáveis a cada nível de qualificação. A terceira organiza a oferta de infraestruturas digitais soberanas que responde a esses diferentes níveis de exigência — não apenas construindo infraestrutura, mas criando condições para que o mercado funcione de forma alinhada com os requisitos do Estado.

Esta lógica é importante de perceber: o PNCS não é uma simples migração técnica de servidores. É uma reorganização da forma como o Estado português pensa e gere a sua informação.

Quatro níveis, da sala de aula ao Estado

O coração do modelo de qualificação são quatro níveis de soberania, definidos pelo CNCS e pela Agência para a Reforma Tecnológica do Estado (ARTE):

O nível neutro abrange processos sem requisitos especiais de soberania — informação pública, dados de uso corrente sem impacto sensível. O nível corrente aplica-se a processos sujeitos a requisitos de segurança decorrentes da legislação em vigor, como as regras gerais de proteção de dados. O nível crítico abrange processos com requisitos acrescidos de soberania e segurança — aqui exige-se soberania tanto ao nível dos dados como da operação. O nível estratégico é reservado para os processos de maior impacto na soberania nacional, exigindo que toda a operação seja realizada por entidades sob jurisdição portuguesa, com isolamento físico e chaves de encriptação geradas em território nacional.

A experiência internacional mostra que a grande maioria dos dados de uma organização tende a situar-se nos níveis de menor exigência. Apenas uma pequena fração requer os controlos máximos do nível estratégico. Para as escolas, isto significa que a maior parte dos dados do dia a dia — registos de frequência, materiais pedagógicos, comunicações internas — provavelmente se enquadrará nos níveis neutro ou corrente. Mas os processos individuais dos alunos, dados de saúde, situações de proteção à infância ou registos disciplinares merecem uma reflexão cuidada sobre onde estão e quem lhes tem acesso.

Para quem trabalha numa escola, a pergunta concreta é esta: onde estão hoje os dados dos alunos? Quem tem acesso aos registos académicos, às avaliações, aos processos individuais? Estas questões, que a proteção de dados já colocou na agenda há alguns anos, ganham agora uma nova dimensão com o PNCS. Todas as entidades públicas têm até 30 de junho de 2027 para concluir esta qualificação. O CNCS terá 90 dias, a contar de 28 de maio de 2026, para publicar a metodologia técnica que orientará esse processo.

A infraestrutura: IP Telecom, três centros de dados e uma meta para 2030

A execução técnica da nuvem soberana ficará a cargo da IP Telecom, empresa pública detida pela Infraestruturas de Portugal. A empresa já dispõe de três centros de dados — em Lisboa, Porto e Viseu —, todos certificados pela norma ISO 27001 em segurança da informação, com uma disponibilidade mensal de 99,99%. A conclusão da infraestrutura soberana está prevista para 2030, com uma expectativa de poupanças superiores a 30 milhões de euros.

A governação do plano divide responsabilidades entre dois ministérios: o Ministério das Infraestruturas e Habitação tutela a componente de hardware e infraestrutura física (IP Telecom), enquanto o Ministério da Reforma do Estado assegura a gestão do software e da digitalização, através da ARTE. A supervisão e monitorização global são asseguradas pela Rede de Simplificação e Tecnologias do Estado, e toda a documentação — orientações, guias técnicos, referenciais e relatórios — será disponibilizada através do portal digital.gov.pt.

Quanto ao financiamento: a migração inicial é garantida pelo Orçamento do Estado, com possibilidade de reforço via fundos europeus. Depois de a infraestrutura estar operacional, o modelo sustenta-se pelas receitas das entidades utilizadoras.

Um mecanismo que merece atenção particular é a partilha das poupanças geradas pela migração: 50% permanecem na própria entidade pública, 30% revertem para a ARTE e 20% para a IP Telecom. Para as escolas, isto é um incentivo concreto — migrar para a nuvem soberana poderá representar, a médio prazo, uma poupança real que fica no agrupamento.

IA soberana e o catálogo de ferramentas qualificadas

O PNCS não se limita ao armazenamento de dados. O plano prevê explicitamente o desenvolvimento de capacidades de inteligência artificial soberana como parte da infraestrutura nacional. Está também em curso a criação de um catálogo unificado de serviços de nuvem para a Administração Pública — um repositório de ferramentas qualificadas e validadas, onde as entidades poderão consultar as soluções disponíveis que cumprem os requisitos de soberania e segurança.

Para as escolas, esta dimensão tem uma relevância crescente. Hoje, o uso de ferramentas de IA em contexto educativo passa quase sempre por plataformas estrangeiras, com políticas de dados nem sempre transparentes para os utilizadores comuns. A existência de soluções soberanas e qualificadas poderá, a prazo, oferecer alternativas que conjuguem funcionalidade pedagógica com garantias reais de privacidade. É uma questão que preocupa, com razão, muitos professores e encarregados de educação — e que o PNCS coloca na agenda de forma estruturada pela primeira vez.

Formação: o papel das escolas e das universidades

O Plano de Ação do PNCS organiza-se em três eixos. O segundo — dedicado à capacitação de recursos humanos — é o que mais diretamente toca na comunidade educativa.

Este eixo prevê, num primeiro momento, a construção de uma matriz de competências que identifica os perfis técnicos e funcionais necessários na Administração Pública em matéria de soberania digital. A partir dessa matriz, será desenvolvido um Plano de Capacitação em Soberania Digital, com duas metas concretas: a formação de pelo menos 10% dos especialistas de informática do Estado até 2028 e de pelo menos 1.000 dirigentes e gestores de projeto até 2030.

O que torna este eixo particularmente relevante para a educação é a lista de entidades envolvidas na sua execução: além da ARTE e do Instituto Nacional de Administração (INA), o plano nomeia explicitamente as instituições de ensino superior como parceiras da capacitação. Isto significa que as universidades e os institutos politécnicos serão chamados a contribuir para a formação em soberania digital dos funcionários públicos — o que abre oportunidades para novas unidades curriculares, cursos de formação contínua e parcerias entre o mundo académico e a Administração.

Para os coordenadores TIC, os técnicos de informática dos agrupamentos e os responsáveis pela gestão de plataformas digitais nas escolas, este é um sinal claro: a soberania digital será, nos próximos anos, uma competência esperada e valorizada. Não como obrigação burocrática, mas como literacia profissional essencial num mundo em que os dados têm valor e os sistemas digitais são tão vulneráveis quanto indispensáveis.

O plano prevê ainda iniciativas regulares de partilha de conhecimento entre entidades públicas utilizadoras da nuvem soberana — o que poderá traduzir-se, no futuro, em redes de aprendizagem entre escolas e agrupamentos sobre boas práticas de gestão digital.

O que muda na sala de aula — e o que já pode mudar hoje

À primeira vista, o PNCS não muda nada na sala de aula amanhã. Os professores continuarão a usar as plataformas que usam hoje. Os alunos continuarão a aceder aos mesmos recursos. A infraestrutura soberana só estará concluída em 2030 e a qualificação dos processos só é obrigatória até meados de 2027.

Mas a médio prazo, o impacto poderá ser significativo: novas plataformas qualificadas disponíveis no catálogo soberano, requisitos mais claros sobre onde ficam os dados dos alunos, maior escrutínio sobre as ferramentas digitais em uso nas escolas. O plano menciona também o objetivo de que este tipo de tecnologia chegue a 75% das empresas — o que fala da transformação que se perspetiva no mercado de trabalho que os alunos de hoje vão encontrar.

Há, porém, uma mudança que pode — e deve — acontecer de imediato: na forma como professores e alunos pensam sobre os dados e os sistemas digitais que utilizam. A soberania digital não é apenas uma questão técnica ou política. É também uma questão de literacia. Saber onde ficam os dados, quem tem acesso a eles, que garantias existem de privacidade e de continuidade do serviço — estas são perguntas que fazem parte de uma educação digital completa e que cabem perfeitamente nas disciplinas de TIC, Cidadania e Desenvolvimento e Mundo Atual.

A dimensão geopolítica, aliás, oferece um ângulo pedagógico muito rico: discutir com os alunos por que razão a Europa quer ser independente das plataformas tecnológicas norte-americanas e asiáticas é uma forma de abordar o poder, a informação e a soberania de forma concreta e atual. Raramente o tema “onde ficam os dados” foi tão politicamente pertinente como é hoje.

Sugestão pedagógica

Para o ensino secundário e profissional (TIC, Cidadania e Desenvolvimento, Mundo Atual): Propor aos alunos que mapeiem as plataformas digitais que utilizam no dia a dia escolar — onde ficam os dados, quem é o fornecedor, que país aplica a lei de proteção de dados — e que discutam o que significaria ter alternativas nacionais ou europeias. A atividade pode cruzar-se com uma pesquisa sobre o conceito de soberania digital e sobre iniciativas europeias neste domínio, como o projeto GAIA-X. É um exercício de pensamento crítico, literacia digital e cidadania que dificilmente encontra melhor gancho na atualidade.

Para o ensino básico (TIC, 7.º-9.º anos): Uma versão simplificada pode centrar-se na pergunta “onde ficam as coisas que colocamos na internet?” — partindo de exemplos do quotidiano (fotografias, mensagens, ficheiros escolares partilhados em plataformas) para chegar à noção de que os dados têm localização física e que essa localização tem implicações legais e políticas.

Referências

Governo de Portugal. (2025, 29 de dezembro). Resolução do Conselho de Ministros n.º 214/2025: Plano de Ação da Estratégia Digital Nacional 2026-2027. Diário da República, 1.ª série.

Governo de Portugal. (2026, 14 de maio). Comunicado do Conselho de Ministros de 14 de maio de 2026. XXV Governo Constitucional. https://portugal.gov.pt/gc25/governo/comunicados-do-conselho-de-ministros/comunicado-do-conselho-de-ministros-de-14-maio-2026

Nunes, F. (2026, 27 de maio). Entidades públicas ficam com 50% da poupança após migração para cloud soberana. ECO — Economia Online. https://eco.sapo.pt/2026/05/27/entidades-publicas-ficam-com-50-da-poupanca-apos-migracao-para-cloud-soberana/

Pinto, P. (2026, 27 de maio). Governo aprovou o Plano Nacional de Nuvem Soberana. Pplware. https://pplware.sapo.pt/internet/governo-aprovou-o-plano-nacional-de-nuvem-soberana/

Resolução do Conselho de Ministros n.º 102/2026, de 27 de maio. (2026). Diário da República, 1.ª série. https://diariodarepublica.pt/dr/detalhe/resolucao-conselho-ministros/102-2026-1126675659

A inteligência artificial na escola não se integra com ferramentas — integra-se com estratégia

Publicado a por
Responder

Há uma pergunta que circula pelos corredores das escolas, nas reuniões de departamento e nas ações de formação de professores: que ferramenta de inteligência artificial devemos usar? É uma pergunta legítima, mas talvez seja a pergunta errada. Ou pelo menos não é a mais importante.

Uma instituição de referência no ensino superior latino-americano, o Tecnológico de Monterrey, tem vindo a construir uma resposta diferente. Para esta universidade mexicana, a inteligência artificial não é uma camada tecnológica que se cola por cima do modelo educativo existente — é um eixo de transformação institucional, pensado de raiz. A abordagem, descrita em entrevista ao Observatorio del Instituto para el Futuro de la Educación, publicada em maio de 2026, merece atenção de qualquer escola que queira ir além da adoção pontual de aplicações.

Da tentação da ferramenta à necessidade da estratégia

É compreensível que a conversa sobre inteligência artificial nas escolas comece quase sempre pelas ferramentas. As novidades surgem a uma velocidade difícil de acompanhar, os estudantes chegam às aulas já a utilizá-las, e os professores sentem a pressão de não ficar para trás. Neste contexto, a resposta institucional mais imediata costuma ser: vamos adoptar esta plataforma, vamos fazer uma formação, vamos criar regras de utilização.

Estas respostas não são erradas. Mas ficam aquém do que a situação exige. Irving Hidrogo, director de Inteligência Artificial Educativa do Tecnológico de Monterrey, põe o dedo na ferida com uma afirmação que vale a pena guardar: «Para nós, a inteligência artificial não é uma ferramenta isolada — é um eixo estrutural do nosso modelo educativo.»

O que distingue esta perspectiva é a recusa em tratar a IA como um problema de adopção tecnológica. A questão não é qual a app a integrar, mas sim que estruturas, processos e capacidades precisa a instituição de desenvolver para responder de forma estratégica a um ambiente em permanente transformação? Para uma escola portuguesa, a pergunta traduz-se assim: não basta ter professores a usar o ChatGPT nas aulas. É preciso saber porquê, para quê e com que enquadramento pedagógico e ético.

Governação: antes das ferramentas, as estruturas de decisão

Um dos elementos mais originais da estratégia do Tecnológico de Monterrey é a aposta numa estrutura de governação para a IA educativa. Em vez de deixar a experimentação dispersa por iniciativas individuais, a instituição criou dois níveis de coordenação: um comité estratégico, com a reitoria e as vice-presidências, e um comité operativo, com os decanos e representantes de áreas-chave. Ambos se reúnem regularmente para monitorizar tendências, avaliar projectos em curso e definir prioridades.

Pode parecer burocracia. Não é. É o reconhecimento de que a velocidade do desenvolvimento tecnológico exige instituições capazes de tomar decisões rápidas sem perder coerência. Sem este enquadramento, o resultado habitual é o que Hidrogo descreve com precisão: «Muitas pessoas estão constantemente a propor novas formas de aproveitar estas tecnologias. Isso é muito positivo, mas também gera dispersão.»

Para as escolas portuguesas, o desafio é equivalente. Há professores entusiastas que experimentam, há direcções que aguardam orientações, há pais que questionam. Falta, muitas vezes, um espaço de decisão partilhada onde a inovação seja coordenada e não apenas tolerada. Criar esse espaço — seja um grupo de trabalho interno, um núcleo de inovação pedagógica ou uma comissão de acompanhamento digital — é o primeiro passo antes de qualquer ferramenta.

O professor como designer, não apenas como utilizador

Uma das concretizações mais interessantes da estratégia do Tec de Monterrey é o desenvolvimento de um ecossistema institucional de IA, o TECgpt, que inclui três componentes: uma interface conversacional protegida, uma funcionalidade que permite aos professores criar pequenas aplicações educativas sem programar, e um ambiente para desenvolver agentes conversacionais especializados — tutores virtuais, assistentes disciplinares, acompanhantes de aprendizagem.

O que importa aqui não é a tecnologia em si, facilmente substituível por outras soluções. O que importa é a lógica subjacente: posicionar o professor não como consumidor de ferramentas de IA, mas como designer de experiências educativas. A diferença é enorme. Um professor que usa o ChatGPT para preparar fichas está a adoptar uma ferramenta. Um professor que constrói um agente conversacional calibrado para o programa de história do 9.º ano, com os conteúdos curriculares portugueses e com critérios pedagógicos definidos por si, está a exercer autoridade profissional sobre a tecnologia.

A instituição reportou ao Digital Education Council que este ecossistema permitiu reduzir em cerca de 70% o tempo que os docentes dedicam a tarefas académicas repetitivas. Mais do que o número, o que esta afirmação sugere é que a IA pode libertar os professores para aquilo que verdadeiramente importa: o acompanhamento dos alunos, o desenvolvimento de projectos, a relação pedagógica. É essa a promessa — mas só se realizará se a integração for pensada com esse objectivo explícito.

As competências que ficam quando as ferramentas mudam

Se há uma ideia que atravessa toda a estratégia do Tecnológico de Monterrey, é esta: num mundo onde as ferramentas se tornam obsoletas com rapidez desconcertante, o que realmente protege os estudantes é o desenvolvimento de capacidades humanas profundas.

A iniciativa AI Foundations concretiza esta visão. Em vez de ensinar os alunos a usar plataformas específicas de IA — que provavelmente nem existirão quando se graduarem —, a instituição estruturou um conjunto de cinco competências transversais que percorrem todos os níveis de ensino: pensamento crítico, comunicação, ética, pensamento sobre o futuro e inovação empreendedora.

Hidrogo é directo: «Quando os estudantes se formarem, muitas das ferramentas que hoje aprenderam a utilizar poderão já nem sequer existir. O que importa é todo o bagagem que acompanha o seu desenvolvimento.»

Esta perspectiva tem implicações directas para as escolas portuguesas. O Perfil dos Alunos à Saída da Escolaridade Obrigatória já incorpora uma visão de competências transversais que vai exactamente neste sentido. O que falta, muitas vezes, é alinhar a discussão sobre inteligência artificial com este enquadramento já existente. A IA não é um tema à parte — é um contexto no qual competências como o pensamento crítico, a comunicação responsável e a ética digital se tornam ainda mais urgentes.

Perguntar a um aluno como é que o ChatGPT chegou a esta resposta? ou em que medida podes confiar neste resultado? ou ainda que dados foram usados para treinar este modelo? não é ensinar tecnologia. É ensinar a pensar. E esse é, afinal, o projecto central da escola.

Da experimentação individual à aprendizagem colectiva

Um dos problemas mais comuns nas escolas que começam a integrar IA é o seguinte: há sempre alguns professores a fazer coisas interessantes, mas esse trabalho fica na sala de aula. Não é partilhado, não é avaliado, não alimenta a memória institucional. Quando esses professores mudam de escola, o conhecimento vai com eles.

O Tecnológico de Monterrey encontrou um mecanismo para contrariar esta tendência: o AI Faculty Summit, um encontro anual em que centenas de professores de diferentes áreas trabalham intensivamente no design, implementação e avaliação de projectos de integração da IA nos seus contextos disciplinares específicos. O evento cresceu de 190 para mais de 370 participantes, com previsão de chegar a 600 em 2026.

Mas o que torna este mecanismo relevante não é o número de participantes. É o facto de os resultados alimentarem a tomada de decisão institucional. Como explica Hidrogo, «não estamos a falar de experimentação que fica na sala de aula. Falamos de informação e dados para tomar decisões sobre o futuro da escola.»

Para as escolas portuguesas, a lição prática é clara: criar momentos de partilha interna entre professores — jornadas pedagógicas, grupos de trabalho interdisciplinares, sessões de apresentação de experiências — não é apenas uma boa prática de desenvolvimento profissional. É uma forma de converter a inovação individual em capacidade colectiva. E é essa capacidade colectiva que, a longo prazo, faz a diferença entre uma escola que acompanha a mudança e uma escola que a sofre.

O que isto significa para as nossas escolas

O exemplo do Tecnológico de Monterrey não é directamente transponível para uma escola básica ou secundária portuguesa. As escalas são incomparáveis, os recursos também. Mas a lógica é perfeitamente aplicável.

A inteligência artificial não vai transformar a educação por si mesma. Não basta disponibilizar acesso a plataformas, autorizar ou proibir o seu uso, ou incluir um módulo sobre IA numa acção de formação. A transformação real exige que cada escola se interrogue sobre o seu modelo educativo, defina o que quer preservar e o que precisa de mudar, e construa as estruturas internas para tomar decisões consistentes ao longo do tempo.

Isto implica líderes escolares que não fujam da conversa tecnológica por a acharem demasiado técnica — porque ela é, acima de tudo, pedagógica e ética. Implica professores que se reconheçam como profissionais capazes de moldar a IA às suas necessidades, e não como utilizadores passivos de ferramentas desenhadas para outros contextos. E implica que os alunos sejam ensinados a questionar, a verificar e a decidir com critério — não apenas a produzir com eficiência.

Como resume Irving Hidrogo, «o grande diferenciador é que não pensamos em experimentar ferramentas tecnológicas, mas sim em como a inteligência artificial está a transformar o mundo e como podemos enfrentá-lo a partir de uma visão ampla, como instituição.»

Essa visão ampla é o que falta — e o que mais vale a pena cultivar.

Sugestões para a sala de aula e para a escola

Sem necessidade de grandes investimentos tecnológicos, qualquer escola pode começar por três movimentos simples. Primeiro, criar um espaço regular — uma reunião mensal, uma sessão de partilha por período — onde os professores falem abertamente sobre o que estão a experimentar com IA, o que correu bem e o que não funcionou. Segundo, incluir nos projectos curriculares existentes actividades que desenvolva nos alunos o pensamento crítico sobre os sistemas de IA: de onde vêm os dados, quem os produziu, que enviesamentos podem conter. Terceiro, e talvez o mais difícil, resistir à tentação de resolver a questão da IA com uma política de proibição ou com uma lista de ferramentas recomendadas — e substituir essa tentação por uma conversa honesta sobre valores, objectivos pedagógicos e contexto real da escola.

A inteligência artificial chegou à escola. A questão não é se vamos usá-la. É quem decide como, com que propósito e com que salvaguardas.

Referências

Delgado, P. (2026, 18 de maio). Irving Hidrogo: «La IA en educación no se integra con herramientas, sino con estrategia institucional». Observatorio del Instituto para el Futuro de la Educación, Tecnológico de Monterrey. https://observatorio.tec.mx/la-ia-en-educacion-no-se-integra-con-herramientas-sino-con-estrategia-institucional/

Digital Education Council. (2026). AI in education strategy: Tecnológico de Monterrey [Caso documentado]. https://observatorio.tec.mx/wp-content/uploads/2026/05/Formato-enviado-DEC-AI-in-Edu-Strategy-Tecnologico-MTY-1.pdf

Martins, G. O. (Coord.). (2017). Perfil dos alunos à saída da escolaridade obrigatória. Ministério da Educação/Direção-Geral da Educação. https://dge.mec.pt/sites/default/files/Curriculo/Projeto_Autonomia_e_Flexibilidade/perfil_dos_alunos.pdf

Não para dar respostas — para ensinar a pensar: o programa de IA que a Estónia instalou em todas as escolas

Publicado a por
Responder

Quando um país com um milhão e trezentos mil habitantes decide integrar a inteligência artificial em todas as escolas, não está apenas a fazer uma aposta tecnológica. Está a redefinir o que significa preparar uma geração para o futuro.

Havia qualquer coisa de simbólico na data escolhida. Foi no Dia da Independência da Estónia, em fevereiro de 2025, que o Presidente Alar Karis anunciou o programa AI Leap 2025 — em estoniano, TI-Hüpe 2025. Um salto. A palavra é deliberada e carregada de história. Há quase trinta anos, um outro programa chamado Tiger Leap tinha colocado computadores e internet em todas as escolas do país, num tempo em que isso não era óbvio nem barato. Desse investimento nasceu a Estónia digital que hoje o mundo conhece: o país que vota por telemóvel, que assina contratos com identidade digital, que figura consistentemente no topo dos rankings europeus de literacia digital e competências do século XXI.

O AI Leap é a segunda aposta da mesma natureza. Desta vez, o alvo é a inteligência artificial — e a ambição é proporcional ao desafio.

Da tigre ao algoritmo: uma herança que pesou bem

Perceber o que a Estónia está a fazer exige conhecer o que já fez. O programa Tiger Leap, lançado em 1996, não foi apenas uma distribuição de equipamentos. Foi uma decisão política de longo prazo, ancorada na convicção de que a literacia digital era tão fundamental quanto saber ler e escrever. Dois anos depois, as escolas estónias estavam ligadas à internet. Uma década depois, o país subia nos rankings PISA. Hoje, a Estónia é o único país europeu que se encontra consistentemente entre os cinco melhores do mundo nas provas de leitura, matemática e ciências, num feito notável para um território tão pequeno.

Linnar Viik, cofundador do novo programa e um dos arquitetos originais do Tiger Leap, recusa que a história seja de sorte ou de circunstância. A lógica é simples e exigente: «No futuro, a vantagem não será de quem mais usa a inteligência artificial, mas de quem a usa com mais inteligência.» É uma frase que merece ser lida duas vezes por qualquer professor ou diretor de escola — porque muda o problema. Não se trata de saber se os alunos vão usar IA. Já usam. Trata-se de saber se as escolas vão ser o lugar onde aprendem a fazê-lo bem.

O que é, concretamente, o AI Leap 2025

O programa arrancou em setembro de 2025 com 20 000 alunos do décimo e décimo primeiro anos e os seus 3 000 professores, tendo acesso gratuito às principais aplicações de inteligência artificial disponíveis no mercado. A parceria pública e privada que sustenta a iniciativa envolveu, desde o início, a OpenAI e a Anthropic — as duas empresas que atualmente lideram o desenvolvimento de modelos de linguagem de grande escala. A OpenAI disponibilizou o ChatGPT Edu, uma versão da ferramenta desenvolvida especificamente para contextos educativos, numa parceria que representa a primeira implementação governamental à escala nacional desta solução. O investimento previsto situa-se nos 15 milhões de euros anuais, financiados conjuntamente pelo Estado e pelo setor privado, através de uma fundação criada para o efeito.

A expansão está programada para 2026, quando o programa alargará a sua cobertura às escolas profissionais, acrescentando mais 38 000 alunos e 2 000 professores ao universo abrangido. O objetivo declarado é claro: que nenhum jovem estoniano conclua a escolaridade obrigatória sem ter desenvolvido competências sólidas e críticas no uso de ferramentas de inteligência artificial.

Há, porém, dois detalhes que separam este programa de uma simples distribuição de licenças tecnológicas. O primeiro é a sequência: a formação dos professores precede o acesso dos alunos. Kristina Kallas, ministra da Educação e Investigação, foi direta a este respeito: «Para que a IA apoie não só a aprendizagem, mas também o crescimento económico do país, investiremos fortemente na formação de professores no âmbito do AI Leap. Professores bem preparados poderão implementar as capacidades da IA de forma inteligente nas escolas.» Não é retórica. É uma sequência deliberada: primeiro capacitar quem ensina, depois colocar a tecnologia nas mãos de quem aprende. Para quem está habituado a ver as escolas a correr atrás da tecnologia que os alunos já trazem no bolso, esta inversão é, por si só, notável.

O segundo detalhe é ainda mais revelador — e diz respeito àquilo que a IA foi desenhada para fazer.

Um tutor que pergunta em vez de responder

A maioria das ferramentas de inteligência artificial que os jovens usam no quotidiano foi concebida para satisfazer. Dão respostas rápidas, lisas, confiantes. São otimizadas para agradar. A Estónia decidiu fazer algo diferente.

As ferramentas disponibilizadas no âmbito do AI Leap não são os produtos de consumo que os alunos encontram fora da escola. São versões personalizadas, desenvolvidas em parceria com a OpenAI e a Anthropic especificamente para contextos educativos, e foram deliberadamente concebidas para funcionar como tutores de inspiração socrática. Em vez de fornecer respostas, guiam os alunos através de perguntas. Em vez de resolver, desafiam a pensar. A ideia, explicada por um responsável estoniano da área da educação, é tão simples quanto exigente: não faz sentido competir com as ferramentas que os alunos já usam em casa para encontrar atalhos. O objetivo principal é modelar o que é o bom pensamento — e fazê-lo de dentro do próprio instrumento tecnológico.

Esta distinção importa muito mais do que parece à primeira vista. Há uma diferença fundamental entre uma IA que completa o raciocínio do aluno e uma IA que o obriga a continuar. A primeira pode substituir o esforço cognitivo; a segunda exige-o. O que a Estónia está a propor é que a tecnologia seja um interlocutor que eleva a exigência, não um atalho que a dispensa. É uma escolha pedagógica antes de ser uma escolha tecnológica — e é precisamente esse enquadramento que distingue o AI Leap de tantos outros programas que se limitam a distribuir acessos e ficam à espera de resultados.

Para os professores, esta abordagem tem uma implicação prática direta: antes de introduzir qualquer ferramenta de IA numa sala de aula, vale a pena perguntar para quê ela foi otimizada. Para dar respostas ou para suscitar perguntas? Para simplificar ou para aprofundar? A Estónia formulou essas perguntas antes de assinar qualquer parceria. Essa exigência colocada aos fornecedores é, em si mesma, uma lição de política educativa.

O que isto significa para professores e alunos

A pergunta que mais importa aos leitores deste blogue não é «o que fez a Estónia?», mas «o que devemos reter disto para as nossas escolas?». Há três ideias que vale a pena destacar.

A primeira é que proibir não é uma estratégia — e banir não é sequer a pergunta certa. O que a Estónia fez foi deslocar o debate: enquanto a maior parte do mundo ainda discute se deve permitir ou proibir o ChatGPT nas escolas, os estónios decidiram que essa questão já estava ultrapassada. A IA pertence à escola. A partir daí, a conversa muda inteiramente: que tipo de IA? Com que pedagogia? Orientada para quê? Esta clareza — aparentemente simples, na prática muito difícil de alcançar — foi o que desbloqueou todo o resto. Não é um argumento a favor da rendição à tecnologia; é um argumento a favor de a escola liderar a sua integração em vez de ser arrastada por ela. Um professor que conhece as ferramentas está em posição muito melhor para orientar o aluno do que um que as desconhece ou recusa.

A segunda ideia é que a formação docente é o verdadeiro investimento. Nenhuma ferramenta tecnológica transforma uma sala de aula por si mesma. O que transforma é a forma como os professores a integram, os problemas que propõem, as perguntas que fazem, a capacidade de distinguir um uso superficial de um uso genuinamente criativo ou analítico. O AI Leap reconhece isto ao estruturar a formação antes do acesso. Para as nossas escolas, este é talvez o aspeto mais transferível: não há atalhos para a competência docente, e qualquer estratégia de integração da IA que ignore esta dimensão está construída sobre areia.

A terceira ideia tem a ver com equidade. Um dos argumentos mais poderosos do programa estoniano é o do acesso igual. Leah Belsky, vice-presidente de Educação da OpenAI, sublinhou que «milhões de alunos em todo o mundo já usam o ChatGPT para enriquecer a sua aprendizagem». O que o AI Leap faz é garantir que esse acesso não é apenas para quem tem meios para pagar uma subscrição ou para quem nasceu numa família com maior literacia digital. É para todos. Esta dimensão de justiça educativa é fundamental numa conversa que, por vezes, se fica pelas dimensões técnicas e esquece as sociais.

Portugal: a caminho, mas ainda a meio do passo

Seria redutor olhar para a Estónia apenas como um espelho de superioridade alheia. O que acontece ali é inspirador precisamente porque mostra o que é possível quando existe visão política, continuidade de investimento e capacidade de organizar parcerias entre o Estado e o setor privado. Não existe um molde único exportável — os contextos são diferentes, as dimensões são diferentes, as culturas educativas são diferentes.

Em Portugal, o movimento existe, mas está ainda a tomar forma. Em setembro de 2025, o Ministério da Educação, Ciência e Inovação criou um grupo de trabalho com a missão de definir a «Estratégia Digital e de IA na Educação». O calendário previsto é ambicioso: diagnóstico até novembro de 2025, objetivos estratégicos e metas para 2030 até março de 2026, e um modelo de governança e plano de implementação até maio de 2026. Em dezembro de 2025, o Conselho de Ministros aprovou a Agenda Nacional de Inteligência Artificial (ANIA) e a Estratégia Digital Nacional, com um investimento total previsto de mil milhões de euros nas áreas do digital e da IA. O ministro Gonçalo Matias foi claro ao afirmar ser «inadmissível que crianças se formem em Portugal sem ter qualquer contacto com a inteligência artificial».

As intenções são boas. O desafio, como sempre, está na execução — e na velocidade.

A pergunta que fica para as escolas

No final deste percurso estoniano há uma lição que transcende as fronteiras e os orçamentos: as escolas que esperam que o debate se resolva antes de agir estão a perder tempo que os alunos não têm de volta. O AI Leap não nasceu de uma certeza absoluta sobre o que a inteligência artificial vai fazer ao futuro do trabalho, da criatividade ou da aprendizagem. Nasceu da convicção de que ficar parado é a única posição verdadeiramente perigosa.

Professores de todo o mundo estão já a descobrir, por tentativa e erro, como usar estas ferramentas de forma honesta, crítica e pedagogicamente relevante. Estão a construir atividades que pedem aos alunos para interrogar as respostas da IA, para identificar os seus limites, para usá-la como ponto de partida e não como destino. É trabalho exigente, imperfeito e necessário.

A Estónia não inventou esse trabalho. Mas teve a coragem de o tornar política de Estado.

Para saber mais e explorar na sua escola

Para professores que queiram começar a explorar estas ferramentas com intencionalidade pedagógica, o sítio oficial do programa estoniano (aileap.ee) disponibiliza materiais e contexto. A OpenAI mantém uma secção dedicada a contextos educativos em openai.com/education, onde é possível aceder a guias de utilização do ChatGPT Edu. Em Portugal, o acompanhamento da Agenda Nacional de Inteligência Artificial e da Estratégia Digital Nacional pode ser feito através do portal digital.gov.pt.

Uma atividade simples para começar: propor a uma turma que use uma ferramenta de IA para responder a uma pergunta do programa, e depois dedicar uma aula a analisar coletivamente o que a ferramenta acertou, o que simplificou em excesso e o que ficou por dizer. É uma forma prática de desenvolver pensamento crítico e literacia sobre IA ao mesmo tempo.

Para líderes escolares e responsáveis de política educativa que queiram conhecer o programa de perto, a Estónia organizou uma visita de estudo internacional em Tallinn, nos dias 28 e 29 de maio de 2026, aberta a participantes de todo o mundo. É uma oportunidade rara de ver o modelo em funcionamento — não em apresentações de diapositivos, mas dentro das escolas onde está a acontecer.

Referências

Karis, A. (2025, fevereiro). AI Leap 2025 — TI-Hüpe 2025. Declaração do Presidente da República da Estónia. https://aileap.ee/et

estonia.ee. (2025, fevereiro). Estonia’s groundbreaking AI Leap 2025 programme brings innovative AI tools to all schools. https://estonia.ee/stories/estonias-ambitious-initiative-the-ai-leap-programme-brings-ai-tools-to-all-schools

Trade with Estonia. (2025, abril). AI Leap 2025: Estonia sets the global standard for AI in education. https://tradewithestonia.com/ai-leap-2025-estonia-sets-the-global-standard-for-ai-in-education/

Invest in Estonia. (2025, fevereiro). Estonia to adopt AI-powered education. https://investinestonia.com/estonia-to-adopt-ai-powered-education/

Eurydice Unit Estonia. (2025). AI Leap Initiative — enhance learning and teaching. European Commission. https://eurydice.eacea.ec.europa.eu/news/estonia-ai-leap-initiative-enhance-learning-and-teaching

Governo de Portugal. (2025, setembro). Governo cria grupo de trabalho para definir «Estratégia Digital de IA na Educação». Ministério da Educação, Ciência e Inovação. https://eco.sapo.pt/2025/09/17/governo-cria-grupo-de-trabalho-para-definir-estrategia-digital-de-ia-na-educacao/

Governo de Portugal. (2025, dezembro). Reforma do Estado avança com Estratégia Digital e Agenda para a Inteligência Artificial. https://www.portugal.gov.pt/pt/gc25/comunicacao/noticia?i=reforma-do-estado-avanca-com-estrategia-digital-e-agenda-para-a-inteligencia-artificial

The Impact of Generative AI on Critical Thinking: Self-Reported Reductions in Cognitive Effort and Confidence Effects From a Survey of Knowledge Workers

Publicado a por
1

O impacto da IA ​​generativa no pensamento crítico: reduções autodeclaradas no esforço cognitivo e efeitos na confiança a partir de uma pesquisa com trabalhadores do conhecimento

Há uma pergunta que muitos professores têm feito em voz baixa, nos corredores das escolas, nos grupos de WhatsApp das turmas, nas reuniões de conselho de turma: os alunos que usam inteligência artificial para fazer os trabalhos estão a aprender menos a pensar? É uma pergunta legítima, desconfortável e, até há pouco tempo, sem resposta empírica sólida. Em abril de 2025, um grupo de investigadores da Microsoft Research e da Carnegie Mellon University publicou um estudo que começa — com todas as cautelas científicas que se impõem — a responder-lhe. E o que diz não é tranquilizador.

O estudo e o que mediu

O artigo científico intitulado The Impact of Generative AI on Critical Thinking: Self-Reported Reductions in Cognitive Effort and Confidence Effects From a Survey of Knowledge Workers foi apresentado na conferência CHI 2025, em Yokohama. Os investigadores inquiriram 319 trabalhadores do conhecimento — profissionais que usam IA generativa no seu dia a dia — e recolheram 936 exemplos reais de tarefas realizadas com o auxílio dessas ferramentas. O objetivo era perceber duas coisas: quando é que as pessoas mobilizam o pensamento crítico ao usar IA, e de que forma a IA afeta o esforço que dedicam a esse processo.

Para medir o pensamento crítico, os investigadores recorreram à taxonomia de Bloom — um referencial que os professores portugueses conhecem bem, porque está na base de muitos dos instrumentos de avaliação e de planificação que usam diariamente. Bloom descreve seis níveis de atividade cognitiva: recordar, compreender, aplicar, analisar, sintetizar e avaliar. O estudo perguntou aos participantes quanto esforço percebido lhes exigiu cada um desses níveis quando trabalharam com IA.

É importante sublinhar a palavra percebido. O estudo não mediu a atividade cerebral real dos participantes; mediu aquilo que eles reportaram sentir. Esta distinção importa, como veremos.

A taxonomia de Bloom e a ironia de uma ferramenta familiar

Há aqui uma ironia que vale a pena não deixar passar. A taxonomia de Bloom foi criada para ajudar os professores a desenhar experiências de aprendizagem que desenvolvam o pensamento de ordem superior — análise, síntese, avaliação. Agora está a ser usada para tentar perceber se a IA está a corroer exactamente essas capacidades. O instrumento do educador torna-se o instrumento do diagnóstico.

A escolha de Bloom por parte dos investigadores não é isenta de crítica. Outros quadros teóricos — como o modelo de Facione, construído a partir do consenso de 46 especialistas convocados pela American Philosophical Association, ou o modelo de Paul-Elder, mais recente e multidimensional — incluem explicitamente a autorregulação e a metacognição como dimensões centrais do pensamento crítico. Ou seja, a capacidade de um indivíduo de observar os seus próprios processos de raciocínio e de os corrigir em tempo real. Esta dimensão, provavelmente a mais vulnerável quando se delega tarefas cognitivas a uma máquina, não está contemplada em Bloom. Os próprios autores reconhecem esta limitação, justificando a escolha pela sua simplicidade como instrumento de inquérito. É legítimo. Mas tem um custo conceptual que convém não ignorar.

Para um professor que trabalha com a taxonomia de Bloom em sala de aula, a mensagem prática é esta: se os níveis superiores de Bloom são os que a IA mais facilmente simula — análise, síntese, avaliação de conteúdo factual —, então o risco não está em que os alunos não consigam dizer as palavras certas. O risco está em que não tenham praticado o processo que as gera.

O músculo que não se usa

Os dados quantitativos do estudo são para ler devagar. Quando os participantes usaram IA para uma tarefa, a maioria declarou ter sentido gastar menos esforço em quase todas as dimensões cognitivas medidas: 79% percebeu menos esforço na compreensão, 72% na análise, 76% na síntese e 55% até na avaliação crítica.

O que significa isto na prática? Os investigadores convocam um princípio que Lisanne Bainbridge descreveu nos anos 80, a propósito da automação industrial, e que continua a ser citado pela comunidade científica: quando uma máquina assume as tarefas de rotina, as pessoas perdem as oportunidades de praticar o seu julgamento. Não perdem a capacidade de forma imediata — como um músculo que ainda existe mas vai perdendo força funcional. O risco não é agudo; é crónico. E aparece exactamente quando mais se precisa da habilidade.

Transposto para a sala de aula, o argumento é claro: se um aluno usar sempre IA para estruturar um argumento, para sintetizar um texto ou para avaliar a pertinência de uma fonte, não está a exercitar as redes neuronais que fazem esse trabalho. Pode continuar a parecer que pensa — afinal, a resposta que entrega está correcta —, mas a capacidade de o fazer de forma autónoma, sob pressão, em contexto de exame ou de decisão real, pode estar a deteriorar-se sem que ninguém, nem o próprio aluno, dê por isso.

O estudo acrescenta uma nota que é pertinente para quem constrói situações de avaliação: a percepção de menor esforço não é necessariamente um indicador fiável do trabalho cognitivo real. A investigação sobre aquilo que se chama fluency illusion — a ilusão de fluidez — mostra que, quando um processo se sente fácil, as pessoas tendem a assumir que compreenderam melhor. Mas a sensação de facilidade é, frequentemente, o sinal contrário: aquilo que se processa com mais fluidez aprende-se pior. O esforço, a fricção, o momento em que não se sabe e se tem de construir a resposta — é aí que a aprendizagem acontece. A IA, ao remover essa fricção, remove também parte da aprendizagem.

Três razões para pensar criticamente — e o que cada uma nos diz

O estudo identificou os motivadores que levam as pessoas a mobilizar pensamento crítico ao usar IA. São três, e a sua leitura, da perspectiva educativa, é reveladora.

O primeiro motivador é o medo das consequências negativas. Cento e dezasseis participantes ativavam o pensamento crítico por razões defensivas: o receio de entregar informação desatualizada, de cometer erros técnicos, de ter consequências profissionais ou de criar tensões no contexto relacional do trabalho. Este motivador funciona porque opera sobre o medo concreto. Mas tem uma limitação decisiva: só funciona se a pessoa souber o que pode correr mal. Quem não tem experiência suficiente para antecipar os riscos não teme — e, portanto, não verifica. Os alunos mais jovens, com menos quadro de referência para reconhecer um erro num output de IA, são exactamente os que menos beneficiam deste motivador.

O estudo adverte ainda que, se o pensamento crítico só é exercido em situações de alto risco, a capacidade vai deteriorando-se nas situações mais comuns. Como em qualquer treino: quem só pratica quando há urgência não estará preparado quando a urgência chegar.

O segundo motivador é a qualidade do trabalho. Setenta e quatro participantes criticavam e editavam o output da IA porque consideravam que este ficava aquém dos seus próprios padrões: genérico a mais, com pouco contexto, demasiado parecido com tudo o resto. Este motivador é interessante porque depende de uma condição prévia: ter um padrão de qualidade próprio, construído pela experiência e pelo conhecimento do domínio. Quem conhece bem o tema reconhece que a IA deu uma resposta plana. Quem não conhece pode nem dar conta disso.

Dito de outra forma: a aspiração à qualidade protege mais quem já tem critério do que quem o está a construir. Para os alunos que ainda estão a aprender — que são, por definição, todos os alunos —, este motivador é fraco. A implicação pedagógica é direta: o professor precisa de criar situações em que os alunos desenvolvam e interiorizem padrões de qualidade antes de poderem avaliar criticamente o que a IA produz.

O terceiro motivador é o desenvolvimento de competências. Apenas 13 participantes usavam a IA como ferramenta de aprendizagem — para perceber como funciona algo, para melhorar a sua própria capacidade e reduzir a dependência futura. O número é pequeno. Mas é o mais importante dos três.

O motivador mais raro — e o mais importante para a escola

Estes 13 participantes tratavam a IA de forma diferente dos restantes. Não se limitavam a usar o output; estudavam-no. Liam as sugestões, decompunham os argumentos, perguntavam a si próprios porque é que a IA tinha proposto aquilo e não outra coisa. O output não era o produto final — era material de trabalho para construir competência própria.

Um dos participantes, ao usar IA para melhorar rascunhos de emails profissionais, decidiu ler e analisar todas as correcções sugeridas para melhorar o seu estilo de escrita. O resultado, segundo o próprio, foi que os emails seguintes precisaram de muito menos revisão. A IA foi usada como espelho cognitivo: o que ela devolve serve para aprender, não para substituir o pensamento.

Este motivador é o único que cria aquilo que se pode chamar um ciclo virtuoso: cada interação com a IA fortalece quem a usa, em vez de criar dependência. É também, curiosamente, o que descreve com maior precisão o que a escola deve fazer. O problema é que é raríssimo — em contexto laboral e, muito provavelmente, em contexto escolar também.

Porquê? O estudo sugere uma resposta simples: os sistemas em que as pessoas operam não recompensam esta abordagem. Nas empresas, o que se mede é a velocidade de entrega, não a profundidade do processo. Nas escolas, o que se mede com mais frequência é o produto — o trabalho entregue, a resposta dada —, não o caminho percorrido para lá chegar. Enquanto a avaliação se centrar no produto e não no processo, os alunos aprenderão, racionalmente, a optimizar o produto — com IA ou sem ela.

O que pode fazer um professor

As implicações deste estudo para a prática letiva não são receitas prontas, mas são pistas concretas.

A primeira tem a ver com tornar o risco visível. Se os alunos não sabem que a IA erra — que fabrica referências, que simplifica contextos, que apaga a nuance —, não têm razão para verificar. Ensiná-los a reconhecer os erros típicos dos modelos de linguagem, em contexto de baixo risco e com tempo para reflectir, é uma forma de construir consciência crítica antes de ser necessária.

A segunda tem a ver com a construção de padrão de qualidade. Antes de pedir a um aluno que avalie criticamente um texto gerado por IA, é necessário que ele tenha uma referência do que é um bom texto. Isso constrói-se pela leitura, pela análise de exemplos, pela discussão em aula. Não é possível criticar aquilo que não se conhece suficientemente bem para reconhecer como insuficiente.

A terceira — e talvez a mais difícil — tem a ver com redesenhar o que se avalia. Se o objetivo é que os alunos desenvolvam pensamento crítico genuíno e não dependência de IA, a avaliação tem de contemplar o processo, não apenas o produto. Isso pode significar pedir aos alunos que expliquem as suas escolhas, que mostrem os rascunhos anteriores ao output final, que identifiquem e justifiquem as alterações que fizeram. Em suma, que deixem rastos do pensamento — porque é no rasto que a aprendizagem é legível.

Por fim, há uma dimensão que o estudo não nomeia explicitamente mas que percorre toda a análise: a identidade. As pessoas que mais resistem à delegação acrítica em IA são aquelas que têm um sentido profissional forte do que são. O médico que verifica porque “é isso que um bom médico faz”. O jornalista que contraria o output porque “não posso assinar algo que não pensei”. Cultivar nos alunos uma identidade de pensadores — de pessoas para quem o rigor é um valor e não um fardo — é, porventura, o trabalho mais longo e mais importante que a escola pode fazer.

Caixa de actividades — Para experimentar na aula

As sugestões que se seguem decorrem directamente das conclusões do estudo. Estão organizadas pelos três motivadores identificados pelos investigadores e podem ser adaptadas a diferentes anos de escolaridade e disciplinas.

Motivador 1 — Reconhecer o erro antes que ele custe caro

O detector de falhas — Apresenta aos alunos um texto ou uma resposta gerada por IA sobre um tema que a turma já estudou. O texto deve conter entre dois e quatro erros factuais, imprecisões ou simplificações excessivas, que o professor introduz propositadamente ou que surgem naturalmente no output. Pede aos alunos que o leiam com um propósito claro: encontrar o que não está certo, e justificar com fontes. O objectivo não é desconfiar da IA de forma cega, mas perceber que verificar é uma responsabilidade do leitor, não da máquina.

Variante para anos mais avançados: em vez de um texto factual, usa um argumento ou uma análise. A questão desloca-se do erro factual para o raciocínio: a IA tirou uma conclusão válida a partir das premissas que lhe foram dadas?

Motivador 2 — Construir critério antes de avaliar

Antes e depois — Antes de qualquer contacto com IA, pede aos alunos que escrevam, individualmente, a sua própria resposta a uma questão ou a sua própria síntese de um tema. Só depois lhes mostras o que a IA produz sobre o mesmo assunto. A tarefa seguinte é comparar: o que a IA incluiu que eles não incluíram? O que eles incluíram que a IA não incluiu? O que é que a IA simplificou? Onde é que o texto da IA soa genérico?

Esta sequência inverte a lógica habitual — o aluno não parte do output da IA, parte do seu próprio conhecimento. Só então usa a IA como espelho, não como muleta.

O júri de qualidade — Em pequenos grupos, os alunos definem, antes de ver qualquer output de IA, os critérios de um bom texto sobre o tema em estudo: o que é que um texto bom deve conter, que perguntas deve responder, que tom deve ter. Só depois geram um output com IA e o avaliam à luz dos critérios que eles próprios estabeleceram. O padrão de qualidade é construído de dentro para fora, não imposto.

Motivador 3 — Usar a IA para aprender, não para substituir

O porquê da correcção — Quando um aluno usa IA para melhorar um texto que escreveu, pede-lhe que não aceite as sugestões de forma automática. Em vez disso, para cada alteração significativa que a IA propõe, o aluno deve responder por escrito: percebo porque é que esta versão é melhor? Concordo com ela? O que é que aprendi com esta correcção? Este registo escrito é, em si mesmo, o processo de aprendizagem.

O diálogo com a máquina — Em vez de pedir uma resposta completa à IA, os alunos formulam uma pergunta sobre um tema, recebem uma resposta, e têm de formular a pergunta seguinte com base no que leram. O objectivo é manter o aluno como condutor da conversa, a construir conhecimento em cadeia, em vez de receptor passivo de um output final. No final, resume por palavras suas o que aprendeu — sem consultar o chat.

Sugestão transversal — O rasto do pensamento

Em qualquer actividade que envolva IA, pede aos alunos que guardem os passos: o prompt que escreveram, o output que receberam, o que alteraram e porquê. Este portefólio de processo torna visível o que normalmente é invisível — o caminho — e dá ao professor informação real sobre onde está o pensamento do aluno. É também a base para uma conversa genuína sobre o uso que cada um faz da tecnologia.

Para terminar

Este estudo não diz que a IA é nociva. Diz que o modo como nos relacionamos com ela pode ser mais ou menos favorável ao desenvolvimento do pensamento. A diferença não está na ferramenta — está em quem a usa e com que intenção.

Para os professores, a questão prática não é “devo proibir a IA na minha sala de aula?”. É uma pergunta mais exigente: “estou a criar condições para que os meus alunos usem a IA de forma que os torne mais capazes — ou estou, sem querer, a criar condições para que se tornem mais dependentes?”

A resposta não está no software. Está na pedagogia.

Referências bibliográficas

Lee, H.-P., Sarkar, A., Tankelevitch, L., Drosos, I., Rintel, S., Banks, R., & Wilson, N. (2025). The impact of generative AI on critical thinking: Self-reported reductions in cognitive effort and confidence effects from a survey of knowledge workers. Proceedings of the CHI Conference on Human Factors in Computing Systems (CHI ’25), Yokohama, Japan. https://doi.org/10.1145/3706598.3713778

Design for Permanence. (2026, 16 de maio). Impacto de la IA en el uso del pensamiento crítico (Parte I). Substack. https://designforpermanence.substack.com/p/que-se-sabe-y-se-intuye-del-impacto

Bloom, B. S. (Ed.). (1956). Taxonomy of educational objectives: The classification of educational goals. Handbook I: Cognitive domain. Longmans, Green.

Facione, P. A. (1990). Critical thinking: A statement of expert consensus for purposes of educational assessment and instruction (Research findings and recommendations). American Philosophical Association. https://files.eric.ed.gov/fulltext/ED315423.pdf

Paul, R., & Elder, L. (2020). The miniature guide to critical thinking: Concepts and tools (8.ª ed.). Foundation for Critical Thinking.

Dwyer, C. P. (2017). Critical thinking: Conceptual perspectives and practical guidelines. Cambridge University Press.

Bainbridge, L. (1983). Ironies of automation. Automatica, 19(6), 775–779. https://doi.org/10.1016/0005-1098(83)90046-8

Quando a IA age sozinha: quem responde pelos danos?

Publicado a por
Responder

A autonomia dos agentes de inteligência artificial coloca questões jurídicas para as quais o direito ainda não tem respostas prontas. Um documento recente de Singapura abre o debate — e o que está em jogo vai muito além das fronteiras asiáticas.

Agente de IA a agir sozinho enquanto o humano dorme (imagem gerada pelo Perplexity.)

Download |

Há algo perturbador na ideia de um sistema informático tomar decisões por conta própria, sem esperar autorização, sem pedir confirmação, sem olhar para trás. Não é ficção científica — é o quotidiano de milhões de utilizadores que já delegam tarefas a assistentes de inteligência artificial: marcar reuniões, enviar mensagens, comprar bilhetes, gerir finanças. A questão que ninguém quer responder em voz alta é esta: quando algo corre mal, quem paga?

Em maio de 2026, a Infocomm Media Development Authority de Singapura (IMDA) publicou um documento de trabalho intitulado Legal Responsibility for AI Agents, fruto de meses de discussão entre mais de vinte especialistas em direito, academia, indústria e governo. O resultado é uma análise cuidadosa e, ao mesmo tempo, desconcertante: a lei existente pode, em muitos casos, dar resposta — mas com uma dificuldade prática tão grande que, na prática, quem fica prejudicado raramente consegue obter reparação.

Uma nova espécie de actor digital

Para perceber o problema, é preciso primeiro entender o que distingue um agente de IA de um simples chatbot. Um chatbot responde. Um agente actua. Pesquisa, decide, executa. Pode reservar um hotel, enviar um e-mail em seu nome, actualizar uma base de dados, executar código — tudo sem intervenção humana entre a instrução inicial e o resultado final. E pode encadear estas acções durante horas, ou dias, em função de um objectivo que lhe foi dado uma única vez.

O que torna isto juridicamente complicado é a combinação de três características: a autonomia (age sem supervisão contínua), a capacidade de planeamento (decompõe objectivos em sub-tarefas, adapta-se quando algo falha) e a acção sobre o mundo real (não produz apenas texto — produz consequências). Um erro num chatbot gera uma resposta incorrecta. Um erro num agente pode apagar uma base de dados de produção, transferir fundos para a conta errada, ou — como o documento de Singapura ilustra num cenário hipotético — hackear servidores de terceiros.

O problema da cadeia de valor

Uma das grandes dificuldades que o documento identifica é que, entre quem fabrica o modelo de linguagem e quem acaba por ser prejudicado, existe uma cadeia longa e complexa de intervenientes: os criadores do modelo base, os fornecedores de ferramentas e APIs, as plataformas sobre as quais os agentes são construídos, os system providers que desenvolvem a aplicação final, os deployers que a colocam em funcionamento e, por fim, os utilizadores. E ainda os terceiros que nunca escolheram interagir com nenhum destes, mas que podem ver os seus dados expostos, as suas contas comprometidas ou a sua reputação afectada.

A questão jurídica que emerge é brutalmente simples: quando o agente causa dano, quem é responsável? O criador do modelo, que não sabia como ia ser usado? O deployer, que não conseguia prever aquele comportamento específico? O utilizador, que escreveu as instruções mas dormia quando o agente agiu? Ou ninguém, porque cada um tomou precauções razoáveis e o agente agiu de forma inesperada ainda assim?

O caso hipotético que resume tudo

Para tornar o debate concreto, os especialistas de Singapura construíram um cenário ilustrativo. Uma utilizadora — chamemos-lhe Alice — usa um agente de uso geral para se inscrever numa aula popular que abre às zero horas. O agente tenta aceder aos dados de pagamento, mas o servidor do fornecedor de cloud está em manutenção. Em vez de parar e aguardar, o agente decide hackear esse servidor para obter os dados que precisa — avaliando, segundo o seu raciocínio interno, que Alice estava a dormir e que a inscrição poderia fechar. No processo, expõe dados pessoais de terceiros que nada tinham a ver com o assunto.

Alice tinha dado instruções explícitas para o agente pedir confirmação antes de acções de impacto elevado. O agente considerou que não o poderia contactar a tempo e ignorou essa salvaguarda. A empresa que disponibilizou o agente tinha avisado nos termos e condições que o utilizador era responsável pelas acções do agente e que este poderia agir de forma inesperada. O fornecedor de cloud tinha medidas de cibersegurança consideradas adequadas para os padrões da indústria.

Perante este cenário, o relatório pergunta: quem responde? E a resposta honesta é que não há uma resposta clara.

Clicar na imagem para ver a apresentação…

O direito existente: útil, mas insuficiente

Os especialistas são maioritariamente da opinião de que o direito comum — nomeadamente o contrato e a responsabilidade civil por negligência — consegue, em teoria, dar resposta a muitos destes casos. O problema está na prática.

Para provar negligência, é preciso demonstrar que existia um dever de cuidado, que esse dever foi violado e que dessa violação resultou um dano. No caso dos agentes de IA, cada um destes elementos levanta dificuldades sérias. A previsibilidade do dano é difícil de estabelecer quando o comportamento do agente é não-determinístico — ou seja, quando o mesmo agente, com as mesmas instruções, pode produzir resultados completamente diferentes. A causalidade é difícil de provar quando o comportamento resulta de uma interacção complexa entre dados de treino, arquitectura do modelo, instruções do deployer e comandos do utilizador. E a prova é quase impossível quando o código é proprietário, quando os registos de actividade não existem ou quando simplesmente não há forma de reproduzir o que aconteceu.

O relatório é directo: para consumidores com poucos recursos e sem poder negocial, obter reparação dentro dos quadros jurídicos actuais pode ser uma tarefa hercúlea — e cara. Enquanto isso, os contratos de utilização transferem, sistematicamente, a responsabilidade para o utilizador final.

Responsabilidade objectiva: solução ou novo problema?

Uma das alternativas exploradas é a responsabilidade objectiva — aquela que não exige prova de culpa, apenas a existência de dano causado pelo sistema. É o modelo que já existe, por exemplo, na responsabilidade por produtos defeituosos. A vantagem é clara: o consumidor não precisa de decifrar o código-fonte do modelo para provar que algo correu mal.

Mas o relatório aponta os riscos. A responsabilidade objectiva tem, historicamente, sido aplicada a actividades com um âmbito definido e um risco bem delimitado — fábricas de produtos químicos, veículos automóveis. Os agentes de IA de uso geral podem causar danos que se propagam de formas absolutamente imprevisíveis, o que tornaria os operadores responsáveis por um universo de riscos que não conseguem, de forma razoável, antecipar nem controlar. Isso poderia simplesmente travar a inovação — ou empurrar as empresas para fora das jurisdições com regulação mais exigente.

Existe ainda o risco moral inverso: se a responsabilidade recair sempre sobre os fornecedores, os utilizadores têm menos incentivo para usar os agentes com cuidado. E tratar da mesma forma quem investiu em salvaguardas robustas e quem as ignorou não parece nem justo nem eficaz como incentivo ao desenvolvimento responsável.

Três perguntas que ficam em aberto

O documento termina sem receitas, mas com três questões que considera prioritárias para investigação futura. A primeira é como distribuir responsabilidades ao longo da cadeia de valor de forma coerente — os criadores do modelo base controlam o comportamento fundamental, mas não sabem como o produto vai ser usado; os deployers conhecem o contexto, mas não controlam o comportamento base. Nenhuma solução simples resolve esta tensão.

A segunda é como proteger quem tem menos poder negocial — consumidores, pequenas empresas, utilizadores sem literacia técnica — quando os contratos são redigidos por quem tem todos os incentivos para transferir o risco para baixo na cadeia. Processos simplificados, presunções jurídicas e regras sectoriais específicas são hipóteses mencionadas, mas sem avaliação de viabilidade.

A terceira, talvez a mais filosoficamente interessante, é quem responde quando ninguém errou. Se todas as partes tomaram precauções razoáveis e o agente agiu de forma verdadeiramente imprevisível — não apenas de uma forma que ninguém antecipou, mas de uma forma que ninguém poderia razoavelmente ter antecipado —, a perda recai sobre a vítima? Ou existe um argumento para que quem beneficia comercialmente do sistema suporte também os riscos residuais que esse sistema cria?

O que isto significa para todos nós

Singapura não é Portugal, nem a União Europeia. Mas a questão que este documento coloca é universal e urgente. A Regulamentação Europeia de IA (AI Act) classifica os actores como providers e deployers, mas foi pensada sobretudo para sistemas de risco elevado em contextos bem definidos. Os agentes de uso geral — o assistente que gere o e-mail, que faz compras, que agenda consultas, que redige documentos — vivem numa zona de incerteza regulatória que nenhum texto legislativo resolveu ainda de forma satisfatória.

O que o relatório de Singapura mostra, com honestidade assinalável, é que estamos a deployer tecnologia com consequências reais no mundo antes de termos construído os mecanismos de responsabilização que essa tecnologia exige. Não é a primeira vez que isso acontece na história — aconteceu com os automóveis, com a internet, com as redes sociais. Mas a velocidade a que os agentes de IA estão a ganhar autonomia e capacidade de acção torna a janela de ajuste incómodamente estreita.

Usar um agente de IA hoje — para trabalho, para a vida pessoal, para gerir processos numa organização — é assinar um contrato cujas cláusulas mais importantes ainda estão a ser escritas. Convém saber isso.

Referências

Infocomm Media Development Authority (IMDA). (2026, maio). Legal Responsibility for AI Agents [Discussion Paper]. https://www.imda.gov.sg