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
