Uma nova geração de ferramentas de IA já não se limita a responder: planeia, decide e executa tarefas em vários passos, sozinha. Este artigo isola o que interessa a professores, alunos e escolas — incluindo o risco, pouco falado, de deixarmos de exercitar o próprio pensamento.

Download |

Um relatório do Laboratório de Inteligência Artificial da Faculdade de Direito da Universidade de Buenos Aires (IALAB) descreve a passagem de assistentes de IA que respondem para agentes que planeiam e agem sozinhos. Este artigo isola, desse relatório, o que interessa a uma escola: o que muda quando um aluno deixa de perguntar a uma IA e passa a delegar-lhe uma tarefa inteira — e porque é que a própria literatura técnica já admite que estes agentes falham mais do que a publicidade costuma sugerir.

A obra Gobernar la IA Agéntica*, de Juan Gustavo Corvalán, Mariana Sánchez Caparrós e Carolina Melanie Martín, publicada pelo IALAB da Universidade de Buenos Aires, foi partilhada diretamente para este blogue e é dirigida, em primeira instância, a organizações e profissionais do direito. Não fala de escolas nem de alunos. Mas descreve, com um rigor pouco comum neste tipo de literatura, uma mudança tecnológica que já está a chegar às salas de aula portuguesas pela porta do fundo — dentro dos mesmos assistentes de IA que muitos alunos já usam para os trabalhos de casa. Este artigo segue as suas ideias mais relevantes e cruza-as com os quadros de literacia de IA e os documentos curriculares já disponíveis às escolas portuguesas.*

Há uma diferença que a maior parte dos alunos — e não poucos professores — ainda não distingue com clareza: a diferença entre perguntar a uma IA e mandar uma IA fazer. Perguntar é o que já se faz há anos com o ChatGPT, o Claude ou o Gemini: escreve-se uma pergunta, a IA responde dentro daquela conversa, e cabe a quem pergunta decidir o que fazer com a resposta. Mandar fazer é outra coisa. É dar um objetivo a um sistema — «organiza estas notas num resumo e envia-o por email aos colegas do grupo de trabalho», por exemplo — e deixar que seja o próprio sistema a decidir os passos: que ficheiros abrir, que informação procurar, em que ordem agir, quando parar. É essa segunda categoria que a literatura técnica chama IA agêntica, e é dela que trata o relatório Gobernar la IA Agéntica, do IALAB (Corvalán et al., 2026).

De responder a agir: o que distingue um agente de um assistente

O relatório propõe uma distinção que vale a pena levar para a sala de aula, porque explica com precisão aquilo que muitos professores já sentem informalmente: nem toda a IA que os alunos usam é igual, mesmo quando parece igual por fora. Os autores distinguem dois conceitos que costumam confundir-se — agência e autonomia. A agência é a capacidade de agir sobre o mundo: consultar uma base de dados, escrever um ficheiro, enviar uma mensagem. A autonomia é o grau em que essa ação acontece sem intervenção humana direta (Corvalán et al., 2026). Um assistente como o ChatGPT, o Claude ou o Gemini, no seu uso mais comum, já tem alguma agência — pode pesquisar na internet ou escrever código —, mas mantém-se de baixa autonomia: cada ação depende de um pedido explícito, dentro da mesma conversa. Um agente de IA propriamente dito inverte essa relação: recebe um objetivo, não uma instrução passo a passo, e é ele que decide o caminho para lá chegar, corrigindo o rumo consoante o que vai descobrindo (Corvalán et al., 2026).

Para um professor, a pergunta útil já não é «este aluno usou IA?» — sozinha, essa pergunta já não distingue quase nada. A pergunta útil é: quantos passos deu essa IA sem que o aluno tivesse de aprovar cada um deles? Foi um resumo pedido e lido de imediato, ou foi uma tarefa inteira — pesquisar, organizar, escrever, formatar — entregue de uma vez e recebida já pronta?

As ferramentas que já estão dentro da mochila digital dos alunos

Esta distinção deixou de ser teórica em 2026, porque as principais plataformas de IA já oferecem, ao alcance de um clique, um modo agêntico que qualquer aluno com conta paga pode ativar. O ChatGPT introduziu, em julho de 2025, um «modo agente» que dispõe de um navegador próprio e consegue planear e executar tarefas de vários passos — desde investigar um tema até preencher um documento — pedindo ajuda ao utilizador apenas quando precisa (Corvalán et al., 2026). A Anthropic lançou, a 12 de janeiro de 2026, o Claude Cowork, uma ferramenta que já não vive dentro de uma janela de conversa: acede a pastas e ficheiros do computador do próprio utilizador, dentro dos limites que este autoriza, e mantém sessões de trabalho que continuam mesmo que o ecrã se feche (Aragon Research, 2026; InfoQ, 2026). É a diferença entre uma IA que descreve o que faria e uma IA que já o fez, à espera de aprovação — ou, nalguns casos, sem sequer esperar por ela.

Nenhuma destas ferramentas foi construída a pensar na escola. Mas os alunos não separam o que usam nos trabalhos de casa das ferramentas de produtividade que veem os adultos usar — e, mais cedo do que tarde, vão encontrar-se com um botão que promete «fazer isto por ti» em vez de «responder a isto para ti». Vale a pena que a escola chegue lá primeiro.

Um aviso que a própria indústria da IA já reconhece: os agentes falham mais do que parecem

Um dos pontos mais úteis do relatório para desmontar o mito da IA infalível não é uma opinião, é um facto incómodo que a própria literatura técnica documenta. Segundo o relatório, testes consolidados de capacidade agêntica — com nomes como GAIA, SWE-bench Verified, AgentBench e WebArena — mostram taxas de sucesso em tarefas reais que oscilam entre 30% e 70%, consoante a área, mesmo nos sistemas comerciais mais avançados (Corvalán et al., 2026). Os autores resumem a distância entre a promessa e a prática numa frase que qualquer professor de literacia digital pode usar tal e qual numa aula: «a indústria comunica os agentes como se fossem trabalhadores confiáveis; a evidência experimental sustenta uma imagem mais matizada» (Corvalán et al., 2026, tradução livre). Este artigo não reavaliou, de forma independente, os números exatos desses testes — a afirmação é do próprio relatório —, mas o padrão geral que descrevem, o de que os agentes de IA erram com frequência significativa mesmo quando parecem seguros do que fazem, está amplamente documentado noutras fontes técnicas sobre o tema.

Esta é, provavelmente, a ideia mais diretamente utilizável numa aula de literacia mediática ou de Cidadania e Desenvolvimento: uma resposta fluente e bem escrita não é o mesmo que uma resposta correta, e um agente que executa uma tarefa inteira sem qualquer interrupção não está necessariamente a executá-la bem — está apenas a executá-la sem que ninguém tenha verificado nada pelo caminho.

O risco que mais interessa à escola: o «sedentarismo cognitivo»

Do ponto de vista pedagógico, o conceito mais relevante que o relatório recupera não é técnico, é cognitivo, e já tem nome próprio em português: sedentarismo cognitivo. O termo, cunhado por Mariano Sigman e Santiago Bilinkis e desenvolvido por Juan Gustavo Corvalán — um dos autores do relatório aqui analisado — noutro livro seu, publicado também em 2026, descreve o que acontece quando uma competência é delegada de forma permanente a uma máquina: atrofia, tal como um músculo que deixa de ser exercitado (Corvalán, 2026, citado em Perfil, 2026). O relatório aplica esta ideia à IA agêntica através de quatro «paradoxas da automação», originalmente formuladas pela investigadora Lisanne Bainbridge em 1983 e agora atualizadas para o contexto dos agentes: cada competência que se delega por completo deixa de ser exercitada; quanto mais fiável parece um agente, menos sustentada tende a ser a supervisão humana sobre ele; e a própria automação pode não eliminar o esforço mental, apenas transformá-lo — da execução ativa de uma tarefa para a fiscalização passiva, e cansativa, do que outro já fez (Corvalán et al., 2026).

Para uma escola, este último ponto merece particular atenção. Um aluno que delega a um agente a totalidade de um trabalho — pesquisa, estrutura, redação — não está a poupar esforço cognitivo, está a trocar um tipo de esforço por outro: já não precisa de pensar sobre o tema, mas precisaria, para que a aprendizagem se mantivesse, de verificar com igual cuidado tudo o que o agente produziu. Na prática, é exatamente esse segundo esforço que costuma desaparecer primeiro — e é aí, mais do que na simples cópia de um texto gerado por IA, que reside o risco real para a aprendizagem.

Delegar uma tarefa não é delegar a responsabilidade

Há uma ideia jurídica no relatório que se transporta, quase sem alterações, para o regulamento interno de qualquer escola: o facto de uma tarefa ter sido executada por um agente de IA não retira a responsabilidade de quem a encomendou. Os autores insistem neste ponto a propósito das ações que um agente executa em nome de uma organização: cada ação é uma manifestação de vontade atribuível a quem ativou o agente, e a delegação operativa não equivale a delegação de responsabilidade (Corvalán et al., 2026). Trocando a linguagem jurídica pela linguagem escolar: um trabalho de casa gerado, em grande parte, por um agente de IA continua a ser um trabalho apresentado — e assinado, ainda que informalmente — pelo aluno que o entregou, com as mesmas consequências de integridade académica que já se aplicam hoje a trabalhos copiados de outras fontes.

O relatório sugere ainda um princípio de desenho útil para qualquer política escolar sobre IA: as ações irreversíveis, ou de maior peso, deveriam exigir sempre validação humana explícita — não como boa prática opcional, mas como condição do próprio desenho do sistema (Corvalán et al., 2026). Aplicado à sala de aula, isto sugere uma regra simples: quanto maior for o peso de uma tarefa na avaliação final de um aluno, menor deveria ser a margem de autonomia que se concede a um agente de IA na sua realização — e maior a exigência de que o próprio aluno consiga explicar, passo a passo, o que foi feito e porquê.

O que isto diz à escola portuguesa

Nenhuma destas ideias foi escrita a pensar no currículo português, mas o enquadramento para as aplicar já existe, e cobre praticamente todos os pontos que o relatório levanta. O domínio «gerir a IA», um dos quatro pilares do Quadro de Literacia em IA (AILit) da OCDE e da União Europeia, pede explicitamente aos alunos que compreendam como e quando delegar tarefas a sistemas de IA, e que saibam avaliar criticamente os seus resultados — exatamente a distinção entre agência e autonomia que este artigo tem vindo a seguir (OCDE/União Europeia, 2026). O quadro DigCompEdu, já adotado como referência europeia para a competência digital docente, situa a capacitação dos aprendentes e a avaliação crítica de ferramentas digitais entre as competências que os próprios professores precisam de desenvolver antes de as poderem ensinar (Redecker, 2017) — um lembrete de que esta conversa não pode ficar reservada aos alunos.

O Perfil dos Alunos à Saída da Escolaridade Obrigatória oferece um terceiro ponto de entrada, talvez o mais direto: entre as suas dez áreas de competência, inclui o raciocínio e resolução de problemas e o pensamento crítico e pensamento criativo, definidos como a capacidade de interrogar a realidade e formular juízos fundamentados, e não apenas de obter uma resposta (Direção-Geral da Educação, 2017) — uma formulação que se aplica, sem qualquer adaptação, à diferença entre um aluno que usa um agente de IA para verificar o seu próprio raciocínio e um aluno que o usa para o substituir. A componente de Cidadania e Desenvolvimento, por seu lado, já inclui a literacia mediática entre os seus domínios obrigatórios (Portugal, 2025), o espaço curricular mais óbvio para discutir, de forma sistemática, o que significa confiar — ou não confiar — no resultado de uma tarefa que um sistema executou sozinho.

Uma proposta para a sala de aula

Uma forma simples de tornar tudo isto tangível para uma turma do 3.º ciclo ou do secundário não exige qualquer ferramenta de IA agêntica — exige apenas tornar visível um processo que, de outra forma, ficaria escondido. Pode pedir-se a cada aluno que peça a um assistente de IA comum, no modo habitual de pergunta e resposta, que resolva uma pequena tarefa em várias etapas — por exemplo, resumir um texto, identificar os três argumentos mais fortes e propor um contra-argumento a cada um. Em vez de aceitar apenas o resultado final, pede-se ao aluno que peça à própria IA para mostrar o raciocínio passo a passo, e que assinale, nesse raciocínio, o momento em que teria sido razoável parar e verificar antes de continuar. O objetivo não é desconfiar da ferramenta por princípio — é treinar o hábito de procurar o momento de verificação, que é exatamente o que desaparece quando uma tarefa inteira é delegada a um agente sem qualquer interrupção.

A segunda parte da proposta dirige-se a quem coordena a política de IA de uma escola. Vale a pena que qualquer regulamento sobre o uso de IA nos trabalhos escolares distinga explicitamente entre os dois níveis que este artigo tem vindo a descrever — pedir uma resposta pontual e delegar uma tarefa inteira, sem supervisão intermédia — em vez de tratar «uso de IA» como uma categoria única. É essa distinção, mais do que qualquer proibição genérica, que vai continuar a fazer sentido à medida que os assistentes que os alunos já conhecem forem, eles próprios, ganhando cada vez mais autonomia.

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 «Gobernar la IA Agéntica», de Juan Gustavo Corvalán, Mariana Sánchez Caparrós e Carolina Melanie Martín (IALAB, Universidade de Buenos Aires), partilhado diretamente para este blogue.

Referências

Aragon Research. (2026, 16 de janeiro). Anthropic democratizes agentic AI with Claude Cowork. https://aragonresearch.com/anthropic-claude-cowork/

Corvalán, J. G. (2026). Sedentarismo cognitivo: Productividad, agentes de IA y los riesgos de delegar el pensamiento. La Ley.

Corvalán, J. G., Sánchez Caparrós, M., & Martín, C. M. (2026). Gobernar la IA agéntica. IALAB, Facultad de Derecho, Universidad de Buenos Aires; AI Academy by doinGlobal. https://bit.ly/4qtyJqz

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

InfoQ. (2026, 12 de janeiro). Anthropic announces Claude CoWork. https://www.infoq.com/news/2026/01/claude-cowork

OCDE/União Europeia. (2026). Empowering learners for the age of AI: An AI literacy framework for primary and secondary education. OECD Publishing. https://doi.org/10.1787/65cd27d4-en

Perfil. (2026, 3 de julho). Hay cosas que no deberíamos delegarle a la inteligencia artificial, aunque las haga mejor que nosotros.https://bit.ly/4xOonUR

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

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

Para saber mais

O relatório integral «Gobernar la IA Agéntica», do IALAB (Universidade de Buenos Aires), em acesso aberto, fonte principal deste artigo.

Anúncio oficial da Anthropic sobre o Model Context Protocol, o protocolo aberto referido neste texto que já liga agentes de IA a ferramentas externas em várias plataformas.

Quadro de Literacia em IA (AILit), na sua página oficial, incluindo o domínio «gerir a IA» mencionado neste artigo.

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

Um professor de bioengenharia da UCLA pergunta-se, num texto de opinião, se a universidade ainda faz sentido quando a IA já explica quase tudo. Este artigo cruza a sua tese com o primeiro diagnóstico nacional sobre IA no ensino superior português e com o modelo de mentoria que já existe, entre nós, na formação de professores.

Dino Di Carlo, professor catedrático e presidente do Departamento de Bioengenharia da Universidade da Califórnia em Los Angeles (UCLA), pergunta-se, num texto de opinião partilhado diretamente com este blogue, se a universidade ainda tem função quando a inteligência artificial já consegue explicar praticamente tudo, a qualquer nível e a qualquer hora. Este artigo acompanha o seu raciocínio e cruza-o com o primeiro diagnóstico nacional sobre IA no ensino superior português, publicado em abril de 2026, e com o modelo de mentoria que já existe, entre nós, na formação inicial de professores.

Há uma pergunta que anda a percorrer salas de reuniões de reitoria e conversas de família com a mesma insistência: para quê pagar quatro anos de propinas e alojamento se um assistente de IA explica tudo, a qualquer hora, ao ritmo de cada um? É essa a pergunta que Dino Di Carlo decidiu enfrentar de frente, num ensaio publicado esta semana e partilhado diretamente com os autores deste blogue. Di Carlo não é um crítico de fora: dirige um departamento universitário, cofundou seis empresas de biotecnologia nascidas do seu laboratório e passou a vida adulta dentro de campi. Começa por admitir esse viés — beneficiou enormemente da universidade, vive dela — e é exatamente por isso que insiste em não partir do princípio de que ela é necessária, mas em perguntar, com genuína abertura, o que é que as universidades sempre fizeram, e se as condições que justificavam essa função já mudaram o suficiente para a tornarem dispensável.

A resposta a que chega é desconfortável para quem trabalha em ensino superior: uma das funções mais visíveis da universidade, a transmissão de conteúdo, está mesmo a mudar de forma profunda. Mas essa mudança, argumenta, pode estar a revelar que o valor mais fundo da instituição sempre esteve noutro lado.

Quando o conteúdo deixa de ser escasso

Durante a maior parte da história, aprender qualquer coisa avançada dependia de ter acesso físico a quem já sabia — a um professor, um laboratório, uma biblioteca bem apetrechada. As universidades existiram, em larga medida, para concentrar esse acesso escasso. Di Carlo (2026) nota que essa escassez está a desaparecer a um ritmo notável: já não é preciso vasculhar manuais estáticos à procura de uma explicação, basta perguntar, e a explicação chega ajustada ao nível de quem pergunta. Se a primeira resposta não ficar clara, pede-se outra. Pede-se uma analogia, a dedução matemática, o porquê de um pressuposto, um contraexemplo, a ligação a algo que já se sabe.

É esta possibilidade — combinar as melhores explicações, simulações e exemplos produzidos em qualquer parte do mundo e adaptá-los a cada pessoa — que leva Di Carlo (2026) a questionar um pressuposto antigo do ensino superior: o de que cada professor precisa de preparar e entregar, isoladamente, um corpo extenso de conteúdo praticamente igual ao que milhares de outros colegas, noutras instituições, também estão a preparar. Isso fazia sentido quando a aula era o principal veículo de distribuição de saber especializado. Faz cada vez menos sentido quando esse saber pode ser gerado ou recuperado em segundos.

Do que ensinar para o que interrogar

Isto não torna o professor menos importante — pode, na verdade, torná-lo mais importante, só que de outra forma. Quando o conteúdo se torna abundante, o recurso escasso muda de sítio. A pergunta deixa de ser «onde encontro esta explicação» e passa a ser outra, bem mais difícil de responder com uma pesquisa: em que devo pensar, que perguntas importam, que pressupostos merecem ser desafiados, que provas me fariam mudar de ideia, que problema vale seis meses da minha vida. São perguntas que nenhum motor de busca, por mais sofisticado, resolve sozinho.

Di Carlo (2026) imagina o professor a deslocar-se de emissor de conteúdo para mentor, crítico e curador de perguntas difíceis — e vê nisso uma consequência com potencial: se o corpo docente deixar de gastar tanto tempo a preparar e repetir aulas sobre conteúdo já estabelecido, esse tempo pode voltar-se para aquilo que é mais difícil de escalar e, provavelmente, mais valioso — reuniões individuais com estudantes, orientação de projetos, discussão em grupo pequeno, supervisão de investigação. Num curso assim desenhado, o conteúdo deixa de ser o fim e passa a estar ao serviço da pergunta: aprende-se o essencial de forma autónoma e guiada pela IA, e reserva-se o tempo de sala de aula para o que não tem resposta óbvia — porque acreditamos nisto, que experiência distinguiria estas duas explicações rivais, o que aconteceria se este pressuposto estivesse errado.

Talvez a sala de aula nunca tenha sido o mais importante

Quanto mais Di Carlo (2026) pensa nisto, mais suspeita que o argumento mais forte a favor da universidade tem pouco que ver com aulas. Tem que ver com o ambiente. Uma boa universidade coloca um jovem dentro de um ecossistema invulgarmente denso de gente a construir conhecimento e competências — investigadores, artistas, engenheiros, empreendedores, e outros jovens no momento mais formativo das suas vidas, a descobrir do que gostam e do que são capazes. Muito do que aí acontece resiste a qualquer plano curricular: alguém diz que o argumento de um estudante ainda não é suficientemente bom, um professor sugere que se junte a um laboratório, um colega apresenta-lhe uma área de que nunca tinha ouvido falar, um seminário que mal se compreende deixa uma ideia que fica anos depois. Di Carlo dá nome a este fenómeno — «serendipidade estruturada» — para o distinguir do puro acaso: a universidade não junta pessoas ao calhas, junta pessoas com interesses parcialmente sobrepostos, capacidades e experiência diferentes, e dá-lhes anos de oportunidades repetidas para se cruzarem.

O autor recorre a uma analogia recente para sustentar o argumento: durante a pandemia, os congressos científicos passaram a ser online, e em muitos aspetos ficaram objetivamente mais eficientes — sem viagens, com gravações reutilizáveis, mais acessíveis a quem não tinha meios para se deslocar. Mesmo assim, assim que voltou a ser possível encontrar-se pessoalmente, as pessoas regressaram em massa. A explicação de Di Carlo (2026) é simples: aceder às comunicações não era o mesmo que participar no congresso. Grande parte do valor sempre esteve nos interstícios — a pergunta feita depois da apresentação, a conversa imprevista junto a um poster, o colega que diz «tens de conhecer esta pessoa». A tecnologia reproduziu bem a transferência de informação; teve muito mais dificuldade em reproduzir o ecossistema intelectual.

O que a indústria mostra — e onde para

A ideia de que só a universidade consegue criar este tipo de ambiente não resiste, porém, a um exame cuidado. A Bell Labs reuniu, no seu tempo, uma concentração extraordinária de cientistas e produziu avanços fundamentais em comunicações, computação e materiais; hoje, organizações como a DeepMind concentram investigadores de topo à volta de problemas de enorme ambição. Di Carlo (2026) usa estes exemplos para admitir, sem rodeios, que a universidade não tem o monopólio destes ecossistemas — e que, nalguns casos, a indústria consegue construir ambientes melhores.

Mas há uma fragilidade que estes exemplos também revelam: um ambiente de investigação industrial de excelência tende a ser frágil precisamente porque a instituição que o sustenta existe, no fundo, para outra coisa. A Bell Labs floresceu sob condições económicas invulgares, que permitiam horizontes de investigação muito longos; quando essas condições mudaram, o ambiente de investigação mudou também. As organizações de investigação de hoje continuam sujeitas a estratégia empresarial, pressão competitiva e retorno de capital — a sua continuidade é, por isso, contingente, e um ecossistema intelectual construído ao longo de anos pode ser desmontado com rapidez. As universidades não estão imunes a pressões financeiras ou políticas, mas têm, nas palavras de Di Carlo, um mandato distinto: preservar, transmitir, questionar e ampliar conhecimento ao longo de gerações. Talvez seja precisamente essa persistência — mais do que qualquer aula — a função social mais difícil de substituir.

Um aviso, não uma garantia

Este raciocínio não deveria, sublinha Di Carlo (2026), servir de conforto às universidades. Não basta dizer que a instituição existe há séculos para justificar que continue a existir, nem presumir que juntar milhares de jovens no mesmo campus produz, por si só, um ecossistema intelectual com significado. Um estudante pode passar quatro anos a assistir a aulas de grande dimensão, a cumprir trabalhos formulaicos, com pouquíssimo contacto real com o corpo docente, e sair sem ter vivido nada do que este ensaio descreve. Nesse cenário, alternativas como um estágio profissional, uma escola de ofícios ou uma empresa bem gerida podem oferecer bem mais orientação e responsabilidade real do que um curso superior mal desenhado.

A pergunta que Di Carlo (2026) deixa às universidades é, por isso, incómoda: se a distribuição de informação deixou de ser a sua vantagem comparativa, o que é que estão realmente a oferecer? A resposta que propõe aponta para um redesenho substancial — menos aulas repetidas de conteúdo estático, mais trabalho em pequenos grupos, mais participação em investigação real, mais interseção entre licenciatura, mestrado, doutoramento e o mundo fora do campus. E aponta ainda para uma inversão do argumento mais comum sobre IA e ensino: em vez de obrigar os professores a fazer mais — redesenhar cada avaliação, policiar cada entrega, produzir mais testes —, a IA pode libertar tempo humano precisamente para as tarefas que só humanos conseguem fazer bem: mentoria, orientação, discussão de ideias na fronteira do que se sabe.

O que isto diz ao ensino superior português

Nenhuma destas teses foi escrita a pensar em Portugal, mas o país já tem, entretanto, o seu próprio retrato do problema — e é um retrato que confirma, com números, exatamente a tensão que Di Carlo descreve. Em abril de 2026, o Conselho Nacional para a Inovação Pedagógica no Ensino Superior (CNIPES) publicou o primeiro diagnóstico nacional sobre o uso institucional de IA nas universidades e politécnicos portugueses, com base num inquérito a 68 instituições. Os números mostram um sistema claramente em movimento no que toca a conteúdo e ensino: 52,9% das instituições reportam já usar IA no ensino, contra 42,6% na investigação e apenas 26,5% na gestão (Zagalo et al., 2026). Ou seja, tal como Di Carlo (2026) descreve, a IA está a entrar primeiro onde se distribui conteúdo — precisamente a função que ele considera mais automatizável — e mais devagar onde se decide estratégia institucional, ou seja, onde se decidiria como reorganizar a própria universidade em torno disso.

O dado mais revelador do diagnóstico português, porém, não é a adoção — é a governação. Apenas 14,7% das instituições têm políticas de IA já em prática; 42,6% estão a elaborá-las e outras 42,6% não têm ainda qualquer enquadramento formal (Zagalo et al., 2026). Os autores do relatório resumem a situação numa frase que podia ter saído do próprio ensaio de Di Carlo: o sistema português está a avançar mais depressa do que a governação que o deveria enquadrar. O relatório propõe um modelo de três pilares para organizar a resposta — «saber sobre IA», «fazer com IA» e «ser sem IA» —, sendo este último, o da autorregulação e do discernimento sobre quando não delegar numa máquina, o que mais se aproxima da pergunta de fundo que Di Carlo coloca: não o que a IA consegue fazer por nós, mas o que continua a exigir presença humana (Zagalo & Couvaneiro, 2025, citados em Zagalo et al., 2026).

Há ainda um ponto em que o sistema português já dispõe, sem o ter desenhado para isso, de algo parecido com a resposta que Di Carlo propõe. A formação inicial de professores organiza-se, desde o Decreto-Lei n.º 79/2014, de 14 de maio, em dois ciclos de estudos a nível de mestrado, e o segundo culmina obrigatoriamente numa prática supervisionada — um período longo de acompanhamento individual, em contexto real, por um professor cooperante e por um orientador de instituição de ensino superior (Portugal, 2014). Não é uma aula, é mentoria: alguém mais experiente a acompanhar, semana após semana, alguém a aprender a decidir em situações que nenhum manual cobre por completo. É, em pequena escala e restrita a um curso, exatamente o tipo de estrutura que Di Carlo (2026) gostaria de ver generalizada — e vale a pena perguntar, à luz do seu ensaio, se outros cursos superiores portugueses não teriam a ganhar com formas equivalentes de acompanhamento próximo, em vez de dependerem quase inteiramente da aula magistral para transmitir aquilo que a IA já consegue explicar sozinha.

Uma proposta para orientar decisões e redesenhar aulas

Uma forma simples de levar este debate a um grupo de finalistas do secundário não passa por lhes dizer se devem, ou não, ir para a universidade — essa decisão é deles —, passa por lhes emprestar as perguntas que o próprio Di Carlo deixa a quem está nessa idade. Numa sessão de orientação vocacional, pode pedir-se a cada aluno que escreva, em poucas linhas, o que espera obter da universidade que não conseguiria obter de outra forma — e que investigue, sobre um curso ou instituição concretos que estejam a considerar, não apenas o plano de estudos, mas um exemplo real de mentoria, investigação de estudantes ou atividade interdisciplinar que a instituição ofereça fora da sala de aula. A discussão que costuma seguir-se ajuda os alunos a perceberem que escolher uma universidade não é escolher um catálogo de disciplinas, é escolher a comunidade e o acompanhamento que vão encontrar dentro dela — e que essa pergunta vale tanto quanto a nota de candidatura.

A segunda parte da proposta dirige-se a quem já ensina no ensino superior, nomeadamente a quem forma futuros professores em escolas superiores de educação e universidades. Propõe-se que cada docente escolha uma unidade curricular que ensina e identifique, com honestidade, que parte do conteúdo que atualmente expõe em aula poderia ser aprendida de forma autónoma, com apoio de IA, fora do tempo letivo — e que desenhe, para o tempo assim libertado, uma atividade que dependa de julgamento humano e não seja substituível por uma explicação gerada automaticamente: um debate com posições atribuídas, uma defesa oral de um trabalho, a orientação individual de um projeto. O objetivo não é reduzir horas de contacto, é mudar o que se faz com elas — de transmitir aquilo que a IA já sabe explicar, para acompanhar aquilo que só um professor consegue.

Este artigo foi elaborado com o apoio de inteligência artificial (Claude, da Anthropic), a partir da leitura direta e integral do texto de opinião de Dino Di Carlo, partilhado diretamente com os autores deste blogue, e da verificação cruzada de todas as afirmações factuais junto de fontes independentes: a página oficial da UCLA sobre o autor, o relatório do CNIPES sobre IA no ensino superior português, publicado pelo Instituto para o Ensino Superior, e o texto do Decreto-Lei n.º 79/2014 e das suas alterações.

Referências

Di Carlo, D. (2026, 10 de agosto). If AI can teach us anything, what are universities for? [texto partilhado diretamente pelos autores deste blogue; plataforma de publicação original não confirmada de forma independente].

Portugal. (2014). Decreto-Lei n.º 79/2014, de 14 de maio. Diário da República, 1.ª série, n.º 92.

Zagalo, N., Silva, F., & Faryal, S. (2026, abril). Inteligência artificial no ensino superior em Portugal: Diagnóstico nacional para governação institucional. CNIPES — Conselho Nacional para a Inovação Pedagógica no Ensino Superior, Instituto para o Ensino Superior, I.P. https://doi.org/10.5281/zenodo.19555760

Zagalo, N., & Couvaneiro, J. (2025). Inteligência artificial na educação: Três pilares para uma integração consciente e transformadora. Revista Educação e Matemática, (177). https://em.apm.pt/index.php/em/article/view/3066

Para saber mais

Relatório completo do CNIPES sobre IA no ensino superior português, com os dados de adoção e de maturidade institucional citados neste artigo.

Decreto-Lei n.º 79/2014, de 14 de maio, na versão consolidada, que regula a formação inicial de professores em Portugal e a prática supervisionada referida neste texto.

Perfil profissional de Dino Di Carlo na UCLA Samueli School of Engineering, para quem quiser confirmar o percurso académico do autor do texto original.

#ticeweb