Da Escola ao Trabalho:

1. Introdução Os dois primeiros artigos desta série partiram das transformações observadas no mercado de trabalho. O primeiro examinou evidências de que a inteligência artificial começa a modificar a composição das tarefas profissionais e pode estar afetando de maneira diferente trabalhadores jovens e experientes. O segundo discutiu as competências que passam a ganhar importância nesse ambiente, entre elas conhecimento disciplinar, pensamento crítico, resolução de problemas, criatividade, metacognição, comunicação, colaboração, competência em IA, julgamento e aprendizagem contínua. Essa discussão produz uma consequência que não pode ser resolvida apenas pelas empresas. Se essas capacidades serão necessárias quando o indivíduo entrar no mercado, é preciso considerar quando e por quais experiências seu desenvolvimento deve começar. Pensamento crítico não surge no primeiro emprego, assim como autonomia dificilmente é adquirida em um curso de capacitação de algumas horas. A capacidade de formular problemas, avaliar evidências, reconhecer limites do próprio conhecimento, comunicar ideias e continuar aprendendo resulta de processos construídos ao longo do tempo. A questão alcança, portanto, a educação. A OCDE vem formulando o problema de maneira particularmente direta. Em What Should Teachers Teach and Students Learn in a Future of Powerful AI?, a organização sustenta que a evolução das capacidades da inteligência artificial exige reconsiderar questões centrais do currículo: quais conhecimentos, habilidades e atitudes continuarão sendo importantes para as pessoas; que novas capacidades deverão ser desenvolvidas; quais tarefas poderão ser realizadas pela IA; e como conteúdos e experiências de aprendizagem devem ser organizados diante dessa transformação. A preocupação ganhou também crescente repercussão pública. Em agosto de 2026, uma reportagem da Folha de S.Paulo chamou atenção para evidências de perda de aprendizagem associada ao uso de IA por estudantes da Educação Básica. A reportagem não constitui, naturalmente, a evidência científica em si, mas é significativa porque mostra que a discussão já ultrapassou documentos especializados e alcançou o debate educacional mais amplo. O estudo que fundamentou a matéria acompanhou dezenas de milhares de estudantes chineses e identificou uma diferença expressiva entre melhoria do desempenho nas tarefas realizadas com IA e aprendizagem posteriormente demonstrada em avaliações sem assistência tecnológica. Essa distinção será central neste artigo. Durante muito tempo, escolas e universidades trabalharam com uma relação relativamente estável: determinadas atividades cognitivas precisavam ser realizadas pelo próprio estudante para que ele pudesse produzir determinado resultado. Escrever um texto, resolver um problema, desenvolver um código, sintetizar documentos ou elaborar uma análise funcionavam simultaneamente como atividades de aprendizagem e como evidências aproximadas de que determinadas capacidades haviam sido desenvolvidas. A inteligência artificial generativa modifica essa relação. Atualmente, o estudante pode obter resultados de alta qualidade sem necessariamente realizar todos os processos cognitivos que, anteriormente, eram necessários para produzi-los. Isso obriga a educação a lidar com uma distinção cada vez mais importante: um desempenho melhor com IA não significa necessariamente que tenha ocorrido maior aprendizagem. 2. Quando desempenho e aprendizagem deixam de caminhar juntos Uma das evidências mais recentes sobre esse fenômeno é apresentada por David Strömberg, Victor Lei e Yanhui Wu em The Generative AI Learning Penalty: Evidence from Chinese Secondary Education, publicado como Discussion Paper do Centre for Economic Policy Research (CEPR) em junho de 2026. O estudo utiliza 30 meses de dados de painel de 26.811 estudantes chineses do 7º ao 12º ano, combinando resultados de tarefas de casa, tempo utilizado para realizá-las, provas mensais sem consulta e exames de ingresso no Ensino Médio e no Ensino Superior. Os pesquisadores exploram a adoção gradual de ferramentas de IA pelos estudantes por meio de um desenho de diferença-em-diferenças. Os resultados mostram uma combinação particularmente relevante. Após a adoção da IA, as notas nas tarefas de casa aumentaram 18%, enquanto o tempo necessário para concluí-las caiu aproximadamente 30%. Entretanto, em até seis meses, o desempenho dos mesmos estudantes nas provas mensais realizadas sem assistência caiu cerca de 20%. Nos exames de maior importância realizados posteriormente, foram observadas reduções de 18% e 24%, dependendo do exame considerado. Mais importante que qualquer percentual isolado é o comportamento divergente dessas medidas. Com acesso à IA, os estudantes produziram tarefas de melhor qualidade em menos tempo; posteriormente, quando avaliados sem assistência tecnológica, apresentaram desempenho inferior. A melhora observada no produto, portanto, não correspondeu a um ganho equivalente de aprendizagem. Os pesquisadores identificam ainda que as perdas se concentram principalmente entre aproximadamente 80% dos usuários cujo comportamento é compatível com terceirização das tarefas de casa, isto é, estudantes que passam a produzir resultados elevados em intervalos excepcionalmente curtos. Entre aqueles que utilizaram IA sem reduzir substancialmente o tempo dedicado à atividade, as perdas observadas foram pequenas. Esses resultados precisam ser tratados com cautela. Trata-se de um discussion paper recente, e não de um artigo publicado em periódico após revisão por pares. Além disso, os resultados foram obtidos em um contexto educacional específico e não autorizam generalizações automáticas para outros países, idades ou sistemas escolares. Apesar dessas limitações, o mecanismo sugerido merece atenção porque encontra correspondência em outras pesquisas. Em estudo publicado em 2025 na Proceedings of the National Academy of Sciences (PNAS), Hamsa Bastani e colaboradores analisaram experimentalmente a utilização de IA generativa no ensino de matemática. Os resultados mostraram que o acesso a sistemas de IA podia elevar significativamente o desempenho dos estudantes durante a prática; entretanto, quando a assistência era retirada, determinados grupos apresentavam aprendizagem inferior. O efeito negativo diminuía quando a ferramenta era estruturada com salvaguardas pedagógicas destinadas a evitar que simplesmente fornecesse a resposta. As duas pesquisas apontam, por caminhos metodológicos diferentes, para uma questão semelhante. O efeito educacional da inteligência artificial não pode ser compreendido apenas pela presença ou ausência da tecnologia. É necessário considerar a função que ela assume no processo cognitivo do estudante. 3. A OCDE e a distinção entre realizar e aprender O OECD Digital Education Outlook 2026 reúne diferentes pesquisas recentes e chega a conclusão próxima. A OCDE afirma que realizar com sucesso uma tarefa utilizando inteligência artificial generativa não conduz automaticamente à aprendizagem. Ferramentas generalistas podem elevar a qualidade dos produtos realizados pelos estudantes enquanto estão disponíveis, mas essa vantagem pode desaparecer — e, em alguns estudos, inverter-se — quando posteriormente é necessário demonstrar conhecimento sem assistência. O relatório chama atenção para o risco de cognitive offloading, entendido como a transferência para recursos externos de operações cognitivas que, em determinadas situações educacionais, deveriam participar da construção da competência. O fenômeno não é necessariamente negativo. Pessoas utilizam instrumentos externos para ampliar sua capacidade cognitiva há séculos, e livros, calculadoras, computadores, mecanismos de busca e bancos de dados fazem parte dessa história. A questão pedagógica surge quando a atividade transferida à ferramenta é justamente aquela que a experiência educacional pretendia desenvolver. Se o objetivo de um exercício é construir capacidade de argumentação, delegar integralmente a argumentação pode remover parte importante do processo de aprendizagem. Da mesma maneira, se o objetivo é aprender programação, obter um código funcional não equivale necessariamente a compreender como ele funciona. Quando se pretende desenvolver capacidade de resolver determinado problema matemático, possuir a resposta correta também não demonstra, por si só, que os esquemas cognitivos necessários à resolução tenham sido construídos. A OCDE associa o uso indiscriminado de ferramentas generalistas ao risco de desengajamento e de menor exercício metacognitivo. Em sentido diferente, ferramentas utilizadas com finalidade pedagógica clara podem promover aprendizagem, argumentação, pensamento crítico, criatividade e colaboração. Essa diferença ajuda a evitar duas interpretações extremas: a de que a simples presença da IA modernizaria a educação e a de que sua utilização seria necessariamente prejudicial à aprendizagem. As evidências disponíveis não sustentam nenhuma dessas conclusões de maneira geral. Os efeitos dependem, entre outros fatores, da arquitetura da atividade de aprendizagem e do papel atribuído à tecnologia. 4. Nem toda redução de esforço representa progresso educacional O estudo do CEPR introduz uma questão importante para a educação porque uma de suas evidências poderia, em outro contexto, ser considerada inequivocamente positiva: os estudantes passaram a concluir as tarefas aproximadamente 30% mais rapidamente. Em processos produtivos, reduzir tempo mantendo ou aumentando qualidade costuma ser interpretado como ganho de produtividade. Na educação, essa lógica não pode ser aplicada automaticamente. Durante a aprendizagem, parte do esforço possui função formativa. Ler um problema mais de uma vez, tentar uma solução que não funciona, retornar ao conceito, comparar alternativas, corrigir um erro e reconstruir uma explicação consomem tempo. É justamente durante essas operações, entretanto, que determinadas estruturas cognitivas podem ser construídas. Uma tecnologia que elimina esse esforço pode aumentar a eficiência da produção do resultado ao mesmo tempo em que diminui oportunidades de aprendizagem. Isso não significa defender dificuldades artificiais ou preservar atividades apenas porque sempre foram realizadas dessa maneira. Há tarefas repetitivas, administrativas ou cognitivamente pouco relevantes que podem ser automatizadas sem prejuízo e frequentemente com benefício. A distinção necessária está entre o esforço que pouco contribui para a aprendizagem e aquele que participa efetivamente da construção de conhecimento e competência. Essa distinção não pode ser estabelecida pela tecnologia isoladamente; depende dos objetivos pedagógicos da atividade. O estudante não precisa realizar manualmente tudo aquilo que uma ferramenta consegue fazer. Precisa, entretanto, realizar suficientemente os processos necessários para desenvolver as capacidades que aquela experiência pretende formar. A recomendação da OCDE é coerente com esse princípio ao defender a preservação de conhecimentos e capacidades fundamentais e a introdução seletiva da IA, de maneira que a tecnologia enriqueça a aprendizagem sem substituir indiscriminadamente o esforço cognitivo necessário à aquisição de competências. 5. O conhecimento continua sendo necessário A facilidade de acesso a sistemas capazes de responder perguntas pode produzir uma conclusão aparentemente lógica: se a informação está permanentemente disponível, talvez seja menos necessário aprendê-la. Essa interpretação confunde acesso à informação com capacidade de utilizá-la. Para formular uma pergunta relevante, interpretar uma resposta, reconhecer uma inconsistência ou relacionar uma informação nova a conhecimentos anteriores, são necessárias estruturas cognitivas construídas previamente. Conhecimento não serve apenas para recuperar respostas; permite compreender situações, estabelecer relações e pensar sobre problemas para os quais ainda não existe uma resposta pronta. Essa função torna-se especialmente importante diante da IA generativa. Um estudante sem conhecimento suficiente sobre determinado domínio possui também menor capacidade de reconhecer quando uma resposta produzida pelo sistema está errada, incompleta ou inadequada. A qualidade linguística desses sistemas pode agravar o problema, porque uma explicação clara e convincente pode ser aceita como verdadeira por quem ainda não dispõe de conhecimento suficiente para avaliá-la. A própria relação entre conhecimento e delegação aparece na pesquisa divulgada em agosto. Ao discutir as implicações de seus resultados, David Strömberg observa que utilizar IA competentemente em tarefas complexas exige capacidade para decidir o que delegar e avaliar se o resultado produzido está correto. A reportagem da Folha de S.Paulo utiliza o exemplo da programação: quem não possui conhecimento suficiente da atividade pode não conseguir avaliar adequadamente o código gerado pela IA. Essa observação aproxima diretamente aprendizagem e competências profissionais discutidas no Artigo 2 desta série. Quanto maior a capacidade da IA de produzir respostas, maior pode se tornar a importância da capacidade humana de avaliá-las. O conhecimento formal não perde, portanto, sua função; muda a maneira como passa a ser mobilizado em ambientes nos quais parte da execução pode ser compartilhada com sistemas inteligentes. 6. Educação Básica: a formação começa antes da utilização profissional da IA Se pensamento crítico, autonomia, comunicação, criatividade e metacognição serão importantes para o trabalho, seria inadequado imaginar que devam começar a ser desenvolvidos apenas nos últimos anos da formação. A própria natureza dessas capacidades exige progressão. Nos primeiros anos da escolarização, a prioridade não deve ser antecipar a preparação ocupacional nem transformar crianças em usuárias especializadas de sistemas generativos. O desafio está em construir fundamentos cognitivos, linguísticos, sociais e emocionais sobre os quais capacidades posteriores poderão se desenvolver. Leitura, escrita, numeracia, compreensão científica, linguagem, curiosidade, imaginação e progressiva capacidade de explicar o próprio raciocínio permanecem centrais. A IA pode participar desse ambiente, mas sua função precisa ser compatível com o objetivo da atividade. Se uma criança está aprendendo a escrever, delegar integralmente a escrita ao sistema contradiz a finalidade pedagógica. Em outro momento, o mesmo sistema pode ser utilizado para comparar versões de um texto, explorar vocabulário, discutir alternativas narrativas ou receber feedback. A ferramenta pode ser a mesma e produzir experiências educacionais bastante diferentes. Por isso, respostas genéricas sobre a IA ajudar ou prejudicar a educação têm utilidade limitada. Seus efeitos dependem de quem a utiliza, da finalidade, do momento da trajetória de aprendizagem e, principalmente, do desenho pedagógico em que sua utilização está inserida. 7. Ensino Fundamental: aprender a investigar em um ambiente de respostas prontas À medida que o estudante avança na escolarização, começa a lidar com maior variedade de fontes, problemas mais estruturados e níveis crescentes de autonomia. Nesse estágio, a IA modifica uma prática comum da escola: a pesquisa. Tradicionalmente, o estudante recebia um tema, procurava informações, selecionava fontes, organizava o conteúdo e produzia uma síntese. Um sistema generativo consegue realizar grande parte dessa sequência rapidamente. Se o produto final continuar sendo o principal objeto de avaliação, torna-se difícil saber quais partes do processo foram efetivamente desenvolvidas pelo estudante. Isso não torna a pesquisa escolar obsoleta, mas exige maior clareza sobre seu objetivo. Se pesquisar significa aprender a formular perguntas, comparar fontes, distinguir evidência de opinião, identificar contradições e justificar conclusões, essas operações precisam permanecer visíveis na atividade. A IA pode ser utilizada para ampliar esse processo. Pode produzir hipóteses que deverão ser verificadas, apresentar versões contraditórias, gerar questões, auxiliar na exploração inicial ou oferecer resultados que o estudante deverá validar. A diferença está em utilizar a tecnologia como parte de uma atividade investigativa, e não simplesmente como substituta da investigação. O AI Competency Framework for Students, da UNESCO, propõe uma formação que vai além do domínio instrumental da tecnologia. O framework organiza competências em quatro dimensões — abordagem centrada no ser humano, ética da IA, técnicas e aplicações de IA e design de sistemas — e prevê uma progressão entre compreender, aplicar e criar. Essa lógica é relevante porque aprender sobre IA não significa apenas aprender a operar uma interface. Implica compreender, em nível adequado à etapa educacional, o que o sistema faz, avaliar criticamente seus resultados e reconhecer consequências decorrentes de seu uso. 8. Ensino Médio: deslocar a atenção da resposta para o problema No Ensino Médio, a aproximação com problemas complexos pode tornar-se mais intensa. O estudante já dispõe de maior repertório disciplinar e começa a tomar decisões relacionadas à formação posterior e à trajetória profissional. Nesse estágio, a inteligência artificial pode tornar ainda mais evidente uma diferença importante entre muitas atividades escolares e situações encontradas fora da escola. Problemas profissionais raramente aparecem como questões perfeitamente formuladas. É necessário delimitá-los, lidar com informações incompletas, mobilizar conhecimentos de diferentes áreas e, frequentemente, considerar alternativas que envolvem objetivos conflitantes. Uma solução também pode precisar ser revista quando surgem novas evidências. Projetos interdisciplinares, estudos de caso, investigação e aprendizagem baseada em problemas podem ganhar importância justamente por aproximar a atividade educacional dessa condição. A IA pode contribuir para essas experiências oferecendo hipóteses, auxiliando na busca de informações, simulando perspectivas, produzindo alternativas ou apoiando análises. Sua utilização, entretanto, não elimina a necessidade de o estudante compreender e justificar as decisões tomadas. A avaliação pode, nesse contexto, observar por que determinada informação foi considerada confiável, quais partes do trabalho foram realizadas com auxílio da IA, como os resultados foram verificados, por que uma alternativa foi escolhida e quais limitações permanecem. Essas questões deslocam parte da atenção da simples entrega do produto para a qualidade do processo intelectual que levou a ele. 9. Ensino Superior: aprender a trabalhar com IA sem deixar de aprender a profissão No Ensino Superior, a tensão torna-se ainda mais evidente. Universidades formam profissionais para áreas nas quais sistemas inteligentes já estão sendo incorporados a processos de trabalho. Ignorar essas tecnologias pode criar distância crescente entre formação e prática profissional, mas permitir indiscriminadamente sua utilização também não garante preparação adequada. Será necessário distinguir, em cada área, aquilo que o futuro profissional precisa saber realizar autonomamente, o que deverá ser capaz de fazer com apoio de IA e o que precisa compreender e avaliar quando a própria IA realiza parte da atividade. A proporção entre essas dimensões provavelmente será diferente entre profissões e poderá mudar à medida que as tecnologias evoluírem. Um engenheiro precisa compreender princípios suficientes para reconhecer quando uma solução aparentemente adequada viola uma restrição fundamental. Um profissional de saúde precisa exercer julgamento mesmo quando utiliza sistemas de apoio à decisão. Um administrador precisa compreender hipóteses, dados e consequências antes de transformar uma recomendação automatizada em decisão organizacional. O estudo de Strömberg, Lei e Wu acrescenta um elemento relevante a essa discussão. Se a aprendizagem anterior for reduzida pela terceirização sistemática das tarefas, o indivíduo poderá chegar à fase em que deveria gerenciar ou supervisionar a IA sem possuir o conhecimento e a experiência necessários para fazê-lo competentemente. Surge, assim, uma tensão formativa importante. Um estudante pode recorrer à IA justamente porque ainda não domina determinada atividade; se essa delegação ocorrer de forma sistemática durante a própria fase de aquisição da competência, pode reduzir as oportunidades pelas quais desenvolveria o conhecimento necessário para, posteriormente, decidir o que delegar e avaliar a qualidade do resultado recebido. Isso não constitui argumento contra a utilização da IA no Ensino Superior, mas reforça a necessidade de uma progressão pedagógica consciente. 10. O problema da experiência reaparece Os resultados do estudo educacional recente encontram uma conexão interessante com o problema discutido no primeiro artigo desta série. Naquele texto, examinamos evidências do Stanford Digital Economy Lab sugerindo mudanças nas oportunidades de trabalhadores jovens em ocupações altamente expostas à IA. Uma das hipóteses discutidas foi que determinadas tarefas iniciais do trabalho possuem duas funções: produzem valor para a organização e, simultaneamente, ajudam a formar o profissional. A educação apresenta fenômeno semelhante. Um exercício pode parecer rotineiro depois que a competência já está desenvolvida; durante sua aquisição, porém, pode desempenhar função importante. Escrever versões preliminares, resolver problemas, cometer erros, revisar decisões e realizar atividades repetidamente são experiências por meio das quais conhecimentos começam a ser transformados em capacidade. A pesquisa do CEPR sugere que a terceirização sistemática dessas tarefas pode produzir uma antecipação do desempenho aparente: o estudante obtém resultados semelhantes aos de alguém mais competente antes de desenvolver efetivamente a competência correspondente. Essa possibilidade permite estabelecer uma relação entre duas transformações que normalmente são analisadas separadamente. No trabalho, a automação pode reduzir algumas oportunidades pelas quais jovens adquiriam experiência profissional. Na educação, a delegação prematura à IA pode reduzir algumas experiências cognitivas pelas quais estudantes construiriam capacidades necessárias para trabalhar. Ainda não há evidência suficiente para afirmar como esses dois fenômenos irão interagir em larga escala, mas a hipótese merece investigação. Se parte das experiências formativas tradicionalmente disponíveis no início das carreiras diminuir, escolas e, principalmente, instituições de Ensino Superior poderão precisar atribuir maior importância a experiências autênticas antes da entrada profissional. Projetos realizados com organizações, extensão, laboratórios, clínicas, empresas juniores, estágios, simulações, desafios reais e pesquisa aplicada podem adquirir relevância adicional nesse cenário. 11. Avaliar o processo, e não apenas o produto A avaliação talvez seja uma das áreas nas quais a transformação se torna mais evidente. Grande parte das práticas avaliativas foi construída em torno de produtos: uma resposta, um texto, um relatório, um programa ou uma apresentação. Enquanto existia correspondência razoável entre produzir o resultado e realizar o processo cognitivo necessário para obtê-lo, o produto funcionava como indicador aproximado da aprendizagem. Essa correspondência tornou-se menos segura. O estudo do CEPR oferece um exemplo particularmente claro: as notas nas tarefas aumentaram ao mesmo tempo em que o desempenho posterior nas avaliações sem IA diminuiu. A qualidade do produto, portanto, deixou de constituir evidência suficiente do conhecimento ou da capacidade efetivamente desenvolvida. Isso sugere ampliar aquilo que é observado durante a avaliação. Além do resultado entregue, torna-se relevante verificar se o estudante consegue explicar o raciocínio utilizado, defender decisões, reconhecer limitações, revisar o trabalho diante de uma crítica, identificar onde e por que utilizou IA e demonstrar como verificou os resultados obtidos. Ao mesmo tempo, retirar toda tecnologia das avaliações também pode produzir uma medida incompleta da preparação do estudante. Se ambientes profissionais utilizarão IA, será necessário saber não apenas o que ele consegue fazer autonomamente, mas também o que consegue realizar quando trabalha competentemente com tecnologia. A avaliação poderá, portanto, contemplar situações distintas. Em determinados momentos, será necessário verificar aquilo que o estudante consegue realizar sem assistência, especialmente quando se tratar de conhecimentos e capacidades que precisam estar internalizados. Em outros, será igualmente relevante observar o que consegue realizar com IA. Progressivamente, uma terceira dimensão poderá tornar-se ainda mais importante: sua capacidade de decidir quando utilizar a tecnologia, como utilizá-la e como manter responsabilidade sobre o resultado. 12. O risco da ilusão de competência Há ainda um risco menos visível: a IA pode permitir que estudantes obtenham resultados superiores à sua capacidade real e, com isso, desenvolvam uma percepção imprecisa sobre o próprio nível de domínio. Pesquisas em programação vêm explorando essa possibilidade. Estudos com aprendizes sugerem que alguns usuários conseguem concluir problemas com auxílio de IA sem desenvolver compreensão equivalente do processo e podem superestimar a própria competência. Em contraste, estudantes que utilizam sistemas como tutores — solicitando explicações, examinando conceitos e discutindo soluções — podem apresentar padrões diferentes daqueles que transferem à ferramenta a resolução dos exercícios. Esse aspecto é especialmente relevante porque a metacognição depende de o indivíduo possuir percepção razoavelmente adequada sobre aquilo que sabe e aquilo que ainda precisa aprender. Sistemas capazes de produzir resultados de alta qualidade podem tornar essa fronteira menos visível. Um estudante pode produzir um trabalho com aparência profissional e interpretar a qualidade do produto como evidência de sua própria competência, mesmo quando parte substancial dela permanece externa, incorporada à ferramenta. O problema não está necessariamente nessa distribuição da atividade, desde que o indivíduo consiga reconhecê-la e avaliar seus limites. A formação para um mundo de IA precisa, nesse sentido, incluir não apenas capacidade de obter bons resultados, mas também consciência sobre quais conhecimentos e decisões pertencem ao próprio estudante, quais foram apoiados pela tecnologia e em quais situações ele ainda não possui condições suficientes para avaliar autonomamente o que foi produzido. 13. Autonomia não significa fazer tudo sozinho A preocupação com terceirização cognitiva não deve conduzir a uma concepção equivocada de autonomia. Profissionais competentes utilizam instrumentos, consultam colegas, recorrem a especialistas, pesquisam literatura e empregam sistemas tecnológicos. A capacidade de procurar e utilizar apoio adequadamente faz parte da própria competência. A autonomia relevante para ambientes mediados por IA está relacionada à capacidade de reconhecer quando o auxílio é necessário, selecionar recursos apropriados, avaliar aquilo que foi recebido e retomar o controle do processo quando a situação exigir. A própria IA pode ampliar essa capacidade. Sistemas podem oferecer tutoria personalizada, fornecer feedback imediato, apresentar perspectivas alternativas e ajudar estudantes a explorar assuntos além das limitações temporais de uma aula. A OCDE reconhece esse potencial e destaca que sistemas desenvolvidos com finalidade educacional e alinhados a princípios da ciência da aprendizagem podem produzir ganhos sustentados. Autonomia e utilização de IA, portanto, não precisam ser tratadas como condições opostas. O desafio formativo está em permitir que o estudante utilize recursos tecnológicos sem transferir integralmente a eles a responsabilidade por compreender, avaliar e decidir. 14. Da introdução da IA à transformação das experiências de aprendizagem Grande parte das primeiras respostas educacionais à inteligência artificial concentrou-se nas ferramentas: quais sistemas permitir, quais restringir, como identificar sua utilização e que regras estabelecer. São questões necessárias, mas insuficientes para responder às transformações discutidas neste artigo. Introduzir IA em uma prática educacional tradicional não transforma necessariamente a aprendizagem. Uma aula expositiva permanece essencialmente a mesma se a IA apenas auxilia o professor a produzir os slides. Um trabalho baseado em reprodução continua baseado em reprodução quando o estudante utiliza IA para gerar o texto. Da mesma forma, uma avaliação incapaz de observar o raciocínio mantém essa limitação mesmo quando realizada em uma plataforma tecnologicamente sofisticada. A questão mais relevante passa a ser quais experiências de aprendizagem se tornam necessárias quando os estudantes dispõem permanentemente de sistemas capazes de produzir respostas, análises e conteúdos. Uma consequência possível é atribuir maior atenção a problemas, investigação, argumentação, experimentação e tomada de decisão. A IA pode participar dessas experiências de diferentes maneiras. Pode produzir respostas que serão criticadas, criar hipóteses que deverão ser verificadas, atuar como interlocutor, oferecer diferentes caminhos para comparação ou permitir simulações antes inviáveis. Nessas situações, a tecnologia deixa de funcionar apenas como instrumento de produtividade e passa a integrar o desenho da própria experiência de aprendizagem. Essa mudança desloca a discussão de uma pergunta predominantemente instrumental — como utilizar IA na educação — para outra de natureza pedagógica: que aprendizagens queremos produzir e qual papel a IA deve assumir para que elas efetivamente ocorram? 15. Considerações finais As evidências recentes acrescentam uma dimensão importante à discussão sobre inteligência artificial na educação. Avaliar seus efeitos exige considerar não apenas se a tecnologia melhora o desempenho imediato dos estudantes, mas também o que permanece aprendido quando sua assistência é retirada. O estudo de Strömberg, Lei e Wu oferece um sinal particularmente relevante. Entre mais de 26 mil estudantes acompanhados, a adoção de IA esteve associada simultaneamente a melhores resultados nas tarefas e menor tempo para realizá-las, mas também a pior desempenho posterior em avaliações realizadas sem assistência. As perdas concentraram-se principalmente entre estudantes cujo padrão de utilização era compatível com terceirização das tarefas. Esses resultados não devem ser generalizados indiscriminadamente. O trabalho é recente, ainda não passou pelo processo de publicação em periódico revisado por pares e foi realizado em um contexto educacional específico. Sua direção, entretanto, é consistente com pesquisas experimentais e com a síntese apresentada pela OCDE: a IA generativa pode elevar o desempenho sem produzir aprendizagem equivalente quando substitui justamente o esforço cognitivo que a atividade pretendia desenvolver. Isso não implica que a tecnologia deva ser afastada dos processos educacionais. A mesma IA pode atuar como tutora, estimular investigação, ampliar acesso à informação, oferecer feedback e apoiar criatividade, argumentação e colaboração. Os efeitos dependem da relação entre objetivo pedagógico, conhecimento prévio, estágio de desenvolvimento, desenho da atividade e função atribuída à tecnologia. A resposta educacional, portanto, dificilmente será encontrada em proibições genéricas ou na incorporação indiscriminada das ferramentas. Em determinados momentos da formação, estudantes precisarão desenvolver conhecimentos e capacidades sem assistência da IA; em outros, poderão utilizá-la para ampliar suas possibilidades de aprendizagem. Progressivamente, precisarão também aprender a atuar em situações nas quais sistemas inteligentes estarão permanentemente disponíveis e a decidir o que pode ser delegado sem comprometer sua capacidade de compreender e avaliar o resultado. Essa progressão precisa ser construída, e sua construção ultrapassa a responsabilidade individual do estudante. Exige professores preparados para orientar diferentes formas de utilização, instituições capazes de rever currículos e avaliações, famílias que compreendam as transformações em curso e sistemas educacionais capazes de estabelecer políticas, orientações e condições adequadas para diferentes níveis e contextos de ensino. A discussão que começou com a competência individual chega, assim, a uma unidade de análise mais ampla. Preparar estudantes para um mundo mediado por inteligência artificial dependerá também da capacidade do ecossistema educacional de compreender, organizar, acompanhar e avaliar essa transformação. Essa passagem da competência individual para a maturidade do ecossistema educacional constitui o objeto do quarto e último artigo desta série. Referências BASTANI, Hamsa et al. Generative AI without guardrails can harm learning: Evidence from high school mathematics. Proceedings of the National Academy of Sciences, v. 122, 2025. DOI: 10.1073/pnas.2422633122. FOLHA DE S.PAULO. IA prejudica aprendizado na escola e piora desempenho nas provas, diz estudo. São Paulo, 9 ago. 2026. LEHMANN, Matthias; CORNELIUS, Philipp B.; STING, Fabian J. AI Meets the Classroom: When Does ChatGPT Harm Learning? 2024. MIAO, Fengchun; SHIOHIRA, Kelly; LAO, Natalie. AI Competency Framework for Students. Paris: UNESCO, 2024. MIAO, Fengchun; CUKUROVA, Mutlu. AI Competency Framework for Teachers. Paris: UNESCO, 2024. OECD. What Should Teachers Teach and Students Learn in a Future of Powerful AI? OECD Education Spotlights, n. 20. Paris: OECD Publishing, 2025. DOI: 10.1787/ca56c7d6-en. OECD. OECD Digital Education Outlook 2026: Exploring Effective Uses of Generative AI in Education. Paris: OECD Publishing, 2026. DOI: 10.1787/062a7394-en. STRÖMBERG, David; LEI, Victor; WU, Yanhui. The Generative AI Learning Penalty: Evidence from Chinese Secondary Education. CEPR Discussion Paper n. 21577. Paris; London: CEPR Press, 2026. UNESCO. AI Competency Framework for Students. Paris: UNESCO, 2024.