IA na aprendizagem: 26 mil alunos e equipes de trabalho

O que este artigo ensina:

• A variável que separa quem aprende de quem só entrega é quem produziu a primeira versão do trabalho, você ou a máquina. Dá para observar isso na sua equipe sem aplicar prova em ninguém.
• O maior estudo já feito sobre IA na aprendizagem acompanhou 26.811 alunos por 30 meses: dever de casa 18% melhor, tempo de tarefa 30% menor, prova 20% pior. A erosão da aprendizagem cresce com o tempo de uso.
• O adulto no trabalho paga a mesma conta e demora mais a descobrir. Médicos que já sabiam fazer colonoscopia passaram a encontrar seis pólipos a menos a cada 100 exames, e a queda foi medida nos exames feitos sem IA.
• Você não vai perceber sozinho. No experimento com alunos turcos, quem aprendeu menos com IA foi justamente quem achou que tinha melhorado bastante.
• O profissional brasileiro está na ponta da adoção, com 95% usando IA contra 85% da média global, e 47% com formação no assunto contra 23% no mundo.
• O que muda o resultado é o desenho de uso e a avaliação na era da IA cobrando a defesa do método, não a troca de ferramenta.

Peço aos meus alunos de pós-graduação que usem inteligência artificial no trabalho de conclusão da disciplina, e faço isso justamente porque quero ver o efeito da IA na aprendizagem deles em vez de fingir que ele não existe. Digo isso na primeira aula, sem meio-termo. Eles vão trabalhar num mercado onde a IA está sobre a mesa todo dia, e formar alguém para um mercado que já acabou desperdiça o tempo deles e o meu.

O que peço junto é a lista de prompts e o raciocínio por trás de cada uso. Em cada trecho, a pessoa tem que dizer se copiou a saída da IA sem editar e por que achou que não precisava editar, ou o que editou e por quê. A nota principal está aí, no raciocínio, e não no texto final: o que ela aceitou, o que questionou e com que critério decidiu cada uma das duas coisas.

Comecei a fazer isso porque a qualidade do trabalho entregue tinha parado de me dizer alguma coisa. Os trabalhos ficaram melhores, mais bem escritos, mais organizados e mais parecidos entre si. E na hora da apresentação, sem consulta, uma parte da turma não conseguia explicar por que o próprio trabalho tinha ficado daquele jeito.

Meus exemplos vêm de sala de aula e de treinamento porque é onde passo a maior parte do tempo, e a mesma coisa acontece bem longe da escola: gente entregando trabalho que não sabe defender.

• Reunião de resultados. Alguém mostra um número e não sabe de onde ele saiu.
• Proposta comercial. Trava quando o cliente pergunta por que o escopo foi desenhado daquele jeito.
• Relatório de mercado. Chega no prazo e não sobrevive à primeira pergunta de acompanhamento.

Nas empresas que fundei, e antes disso quando eu ainda escrevia código, quem não conseguia explicar a própria entrega não dominava o que tinha entregado. A pós só me deu um lugar onde essa diferença dá para medir toda semana. O que trago aqui sobre crianças e adolescentes vem inteiramente de pesquisa, porque esse não é o meu campo de observação.

Em agosto de 2026, o Banco Mundial dedicou uma seção inteira do World Development Report exatamente a esse problema, sob o título “IA generativa e a erosão do conhecimento, da aprendizagem e das habilidades humanas”. O que eu via em sala apareceu no relatório com número em cima.

Este artigo complementa o e-book gratuito A.C.T., Pensamento Crítico na Prática. Ele ensina a separar dado de narrativa e a criar o intervalo de lucidez antes de aceitar uma conclusão pronta, que é a habilidade que o uso descuidado de IA corrói primeiro.

As duas metades que não conversam

A evidência mais forte sobre aprendizagem com IA vem de escola e de universidade, e existe um motivo para isso: é lá que há prova sem consulta, turma de comparação e nota que dá para conferir. Empresa nenhuma mede desse jeito o que a equipe aprendeu. O que a sala de aula consegue registrar com número é o mesmo que se repete na formação da força de trabalho, com a diferença de que ali o processo corre sem instrumento nenhum medindo.

Um estudo publicado em junho de 2026 pelo CEPR, centro europeu de pesquisa em economia, acompanhou 26.811 estudantes chineses durante 30 meses. Cruzou nota de dever de casa, tempo gasto na tarefa, provas de consulta fechada e os exames de entrada da faculdade.

O desenho da pesquisa aproveita uma coincidência útil. As turmas começaram a usar IA em épocas diferentes, então cada aluno pôde ser comparado com colegas parecidos que ainda não tinham começado. É isso que separa o efeito da ferramenta do efeito de ser um aluno melhor ou pior.

Nota melhor no dever, nota pior na prova

O resultado tem duas metades que não conversam.

Na primeira metade, a nota do dever de casa subiu 18% e o tempo de conclusão caiu 30%. Trabalho melhor, em menos tempo. Qualquer gestor assinaria embaixo desse ganho de produtividade.

A segunda metade é a conta. A nota das provas mensais de consulta fechada caiu 20% em seis meses, e a perda continuou crescendo com o tempo de uso: quem usava havia cerca de dois anos chegou ao pior resultado, e o estrago apareceu maior nos exames que decidem a entrada na faculdade.

Quem já ia bem perdeu mais, e os alunos mais jovens vieram logo atrás. O estudo mostra o padrão e não explica a causa, então fico com a hipótese mais simples: quem já ia bem tinha mais a perder, porque tinha mais método próprio para abrir mão.

Uma ressalva que muda o peso do dado: o estudo ainda não passou pela revisão por pares, o exame que outros pesquisadores da área fazem antes de uma revista científica publicar. O relatório do Banco Mundial registra isso ao citá-lo. É a maior amostra e o desenho mais claro que existem hoje sobre o assunto, e ainda assim é resultado preliminar.

O que separa os dois grupos é quem produz a primeira versão

Entre os alunos que usaram IA, cerca de 80% se comportaram como quem terceiriza a tarefa: entregavam rápido demais para a nota que tiravam. É nesses 80% que a perda de aprendizado se concentra. Os outros 20% usaram IA e continuaram dedicando à tarefa mais ou menos o mesmo tempo que os colegas sem IA. Esse grupo quase não perdeu, e é justo dizer o que ele abriu mão: da economia de tempo. Ficou com a ferramenta e com o esforço.

Mesma ferramenta. Mesma turma. Mesmo período. Resultados de aprendizado opostos.

Quem está levantando o peso

Explico isso nas turmas com uma analogia de academia. Ninguém malha porque precisa levantar peso para sobreviver. A modernidade tirou o esforço físico do dia a dia, e a academia apareceu como compensação de um movimento que a vida deixou de exigir.

Com a cognição está acontecendo a mesma coisa. O que importa é quem está levantando o peso enquanto você está lá.

Um personal trainer que corrige sua postura, aumenta a carga na hora certa e explica por que aquele exercício existe deixa você mais forte. Um personal que vai baixando a carga toda vez que você reclama deixa você com a ficha preenchida e o músculo igual. Os dois cobram a mesma mensalidade e os dois aparecem na foto da academia. A diferença só aparece no dia em que você precisa carregar alguma coisa sozinho.

O estudante que entregou o dever em 30% menos tempo com nota alta tinha a ficha preenchida. A prova de consulta fechada foi o dia de carregar sozinho.

Por que 80% escolhem o caminho de baixo

A explicação fácil é preguiça, e ela não sobrevive ao dado. Boa parte desses 80% eram alunos com nota alta, gente que estava trabalhando, e trabalhando rápido.

Um levantamento do ETS, a organização americana que aplica o TOEFL e outros exames, feito com o instituto Harris Poll em 2025, mediu o tamanho do medo de ficar obsoleto entre trabalhadores americanos: 58% temiam perder relevância por falta de habilidade, e entre quem trabalha com tecnologia e com serviços financeiros a proporção era ainda maior. É dado dos Estados Unidos, e a pesquisa mede o medo sem ligá-lo a comportamento de uso.

A ligação é minha leitura, e vem do que ouço em treinamento. Quem tem medo de ficar para trás adota rápido e adota sem examinar, porque examinar parece luxo de quem tem tempo sobrando. O uso acrítico raramente nasce de quem tem preguiça de pensar. Nasce de quem tem pressa de não sumir.

Por que errar e refazer é o que fixa

O esforço de errar e refazer é o que grava. Quando a IA elimina o desconforto de não conseguir na primeira tentativa, o que ela remove é o exercício.

Isso já foi medido com modelo de linguagem. Num estudo publicado na revista Computers in Human Behavior em 2024, quem pesquisa uma questão apoiado em IA tem carga cognitiva menor e produz raciocínio mais fraco na resposta final. Menos trabalho mental durante a tarefa, resposta pior no fim dela.

A busca na internet já tirava parte desse trabalho, e deixava um resto: você lia, comparava e decidia entre dez links. A IA generativa devolve a conclusão pronta e redigida, e o esforço de avaliar, que era a parte que ainda te fazia pensar, virou opcional.

O conforto chega na hora. A dívida cognitiva chega depois, como toda dívida.

A vontade de aprender vai junto com o esforço

Além da perda de retenção, há um segundo efeito, e minha leitura é que ele preocupa mais. A pessoa não perde só a capacidade, perde a vontade de exercitá-la.

Um estudo publicado na Scientific Reports em abril de 2025 mediu essa perda de vontade: a colaboração com IA generativa melhorou a qualidade imediata da tarefa, falhou em sustentar o ganho no trabalho independente seguinte, e no caminho reduziu a motivação dos participantes e aumentou o tédio.

A perda de habilidade se recupera com prática. A perda de vontade de praticar é outro problema, porque ataca justamente o mecanismo que faria a recuperação acontecer.

Vejo isso nas turmas e reconheço nas equipes. Quem terceirizou o trabalho não fica com culpa, fica entediado. A tarefa virou expediente a despachar, e a curiosidade que fazia a pessoa querer entender aquele assunto foi embora sem barulho, junto com o tempo que a pessoa economizou.

O adulto no trabalho paga a mesma conta

Os dados de gente grande são piores que os de adolescente com dever de casa, e o resultado só aparece quando já custou caro.

Experimentos randomizados acompanharam desenvolvedores aprendendo uma biblioteca de programação nova, com e sem apoio de IA. O uso de IA prejudicou a compreensão conceitual, a leitura de código e a capacidade de depurar, e não entregou ganho de eficiência significativo na média. Quem delegou a tarefa inteira ganhou produtividade e não aprendeu a biblioteca.

Os pesquisadores separaram seis maneiras de interagir com a ferramenta, e três preservaram o aprendizado. O que as três têm em comum é a pessoa continuar pensando durante a tarefa, em vez de despachar a tarefa para a máquina.

Nenhuma política de “pode usar” ou “não pode usar” enxerga essa diferença, porque ela não está na ferramenta, está no que a pessoa faz com ela.

O especialista também perde, e demora mais a notar

Médicos que fazem colonoscopia passaram a encontrar menos pólipos quando examinavam sem a ajuda da IA, comparados com o que eles mesmos encontravam antes de a ferramenta chegar. A cada 100 exames, os que terminavam com um pólipo encontrado caíram de 28,4 para 22,4. São seis exames que antes achavam alguma coisa e passaram a terminar sem nada. O levantamento comparou exames feitos sem IA na Polônia, nos três meses anteriores e nos três meses posteriores à chegada da ferramenta, e saiu no The Lancet Gastroenterology & Hepatology em 2025. São os mesmos médicos, medidos antes e depois. É observação de campo, não experimento controlado.

Pólipo é a lesão que pode virar câncer de intestino se ninguém achar a tempo, e achar é o objetivo do exame. Isso em profissionais experientes, medido exatamente na situação em que a IA não estava lá para compensar. Ninguém tinha reclamado de nada. A ferramenta funcionava. O que mudou foi o médico.

Por que você não vai perceber sozinho

Existe um agravante que torna o autodiagnóstico pouco confiável, e ele aparece nas duas pontas.

Na escola: no experimento de tutoria com alunos turcos, publicado na PNAS, os que foram pior na prova sem IA não perceberam que tinham ido pior, e os que não melhoraram acharam que tinham melhorado bastante. No trabalho: a Microsoft Research e a Carnegie Mellon ouviram 319 trabalhadores do conhecimento sobre usos reais de IA no próprio trabalho e acharam o mesmo desalinhamento por outro caminho. Quanto maior a confiança da pessoa na ferramenta, menos pensamento crítico ela aplicava. Quanto maior a confiança na própria capacidade, mais aplicava.

O segundo é autorrelato, não desempenho medido em prova, e essa é a limitação dele. O que ele acrescenta é a população: analistas, gente de finanças, de design e de administração, fazendo o trabalho que você faz. Somados, os dois dizem a mesma coisa. A sensação de estar aprendendo mais rápido não prova nada, porque foi exatamente essa a sensação de quem aprendeu menos.

Existe ainda um efeito de segunda ordem que o relatório do Banco Mundial levanta. Se a IA substitui a tarefa mecânica que formava o profissional júnior, o degrau que levava da entrada à senioridade some, e o conhecimento tácito que só nasce de anos fazendo deixa de se formar na empresa inteira. O incentivo trabalha contra a solução: quem banca a formação do júnior paga sozinho por um profissional que o mercado inteiro vai aproveitar, e por isso ninguém banca. É um problema de arquitetura organizacional, e a solução passa por decidir quem paga essa formação.

Não há resposta universal aqui. Cada empresa vai ter que escolher quais tarefas continuam sendo feitas do jeito difícil, porque é a fricção delas que forma alguém, e essa escolha muda conforme a função e o setor: o que forma um analista de crédito não é o que forma um redator ou um engenheiro de campo.

O que dá para delegar sem prejuízo

Ninguém vai voltar a fazer à mão o que a máquina faz bem, e essa objeção procede. Parte das habilidades que perdemos não faz falta nenhuma.

Quase ninguém decora número de telefone hoje. A agenda do celular assumiu isso e a perda não cobrou nada, porque memorizar telefone nunca sustentou carreira de ninguém. O mesmo vale para conta de cabeça, ortografia sem corretor e caminho sem mapa. Delegar essas coisas foi um bom negócio.

O problema aparece quando o que você entrega para a máquina é fundamento da sua profissão em vez de periferia dela. É a diferença entre deixar a máquina fazer a conta e deixar a máquina decidir qual conta fazer. O caso polonês é do segundo tipo: aqueles médicos delegaram o próprio olho clínico.

O teste das duas perguntas antes de delegar

Antes de passar uma atividade para a IA em definitivo, faça uma pergunta em duas partes. A primeira: se a ferramenta sumisse amanhã, isso me impediria de trabalhar? A segunda, mais desconfortável: isso é a coisa pela qual as pessoas me contratam?

Se a resposta às duas for não, delegue e siga em frente sem culpa. Se for sim em alguma, você está diante de uma escolha que quase ninguém faz de forma consciente: continuar entregando aquilo à máquina e aceitar que a capacidade vai embora, ou reservar uma parte pequena e regular daquele trabalho para fazer sem a ferramenta, com a única finalidade de continuar sabendo fazer.

A regra para você e a regra para a sua equipe

Duas regras convivem neste texto e valem para pessoas diferentes, o que costuma confundir. Para você, a regra é produzir a primeira versão do que é fundamento seu. Para a sua equipe, a regra é poder usar a ferramenta à vontade e ter que defender a entrega, porque você avalia resultado e não consegue vigiar o processo de cada um. A segunda existe para fazer a primeira acontecer sem ninguém olhando por cima do ombro.

Avaliação na era da IA: quando a entrega para de dizer o que a pessoa sabe

Pesquisadores da Universidade de Zurique estudaram um processo de contratação de professores em Gana poucos meses depois do lançamento do ChatGPT. Um detector de texto gerado por IA sinalizou pelo menos uma redação como suspeita em 60% dos candidatos. A partir daí, escrever bem virou motivo de suspeita, e quem escreveu sozinho e escreveu bem perdeu pontos por isso.

Os avaliadores continuaram premiando a redação melhor, só que descontavam parte desse mérito quando desconfiavam de uso de IA. E o que a redação carregava, a capacidade de sustentar esforço e raciocínio ao longo de um texto inteiro, parou de funcionar como sinal.

Por que comprar detector é o reflexo errado

O reflexo natural de quem administra é comprar detector e endurecer as regras. Vejo isso em toda instituição que me procura depois de descobrir o problema.

Não recomendo esse caminho, e não por generosidade com quem cola. Detector nenhum é confiável, e o custo de errar recai sobre o aluno honesto que escreve bem. Redesenhar o que se pede resolve o problema pela raiz; policiar a ferramenta só move a disputa para um terreno onde a instituição perde.

E quando a peça escrita é a triagem de trezentos candidatos

Defesa de viva voz resolve numa turma de quarenta e trava num funil de trezentos. A etapa de trabalho feito em casa existe justamente porque não dá para sentar na frente de todo mundo, e é ela que o resultado de Gana derruba.

Minha leitura é que sobram três saídas, e nenhuma delas é comprar detector.

• Peça o rastro da decisão junto com a entrega. Os prompts usados e o critério que a pessoa aplicou para aceitar ou recusar cada saída da máquina. Não é à prova de fraude, e não precisa ser: ele troca o que está sendo avaliado, de qualidade do texto para critério de decisão, e critério de decisão é bem mais caro de simular do que texto bem escrito.
• Mude o caso para algo que dependa de contexto interno. Um dado da sua operação, uma restrição do seu cliente, um histórico que não está na internet. A máquina redige bem e não sabe o que é verdade dentro da sua empresa.
• Assuma que a peça escrita virou filtro de esforço mínimo. Ela ainda elimina quem não fez nada. Encolha o peso dela na nota e mova a decisão para uma conversa curta, numa etapa em que sobraram trinta pessoas e não trezentas.

A terceira é a mais honesta e a que menos gente adota, porque admitir que uma etapa perdeu poder de discriminar dá mais trabalho político do que comprar uma ferramenta.

O que peço em sala e em treinamento

Nos treinamentos corporativos eu fecho com a mesma regra que uso em sala: você pode usar inteligência artificial para fazer todo o seu trabalho, e na hora de apresentar precisa ser capaz de defender por que ele ficou daquela maneira.

Essa exigência muda o que a pessoa faz durante o trabalho, não depois. Para defender a escolha, ela precisa entender por que a IA optou por aquele método, decidir se concorda, e saber o suficiente do assunto para questionar a máquina antes de assinar embaixo da resposta dela.

No Brasil isso já está acontecendo

Nada disso é observação de longe. Pesquisa da EY divulgada em maio de 2026 classificou o Brasil como mercado pioneiro em adoção de IA: 95% dos profissionais brasileiros já usam IA, contra 85% da média global.

O número da formação vai contra a expectativa. 47% dos brasileiros declaram ter treinamento relevante em IA, mais que o dobro dos 23% da média global. O que está em jogo aqui não é gente destreinada mexendo numa ferramenta nova.

E 74% dizem que a supervisão humana continua necessária mesmo quando a IA parece precisa. O profissional brasileiro já usa muito, já foi treinado acima da média e ainda assim sabe que precisa conferir. A consciência do risco existe. O que falta é o método de conferir sem abrir mão do ganho.

Nos treinamentos que conduzo, a maior parte dos programas de IA que as empresas contratam ensina a operar a ferramenta, e quase nenhum ensina a avaliar o que ela devolve.

O que a evidência mostra que funciona em IA na aprendizagem

Três estudos mediram o que muda o resultado, e nenhum deles trocou de ferramenta. Os três mexeram no desenho de uso, com ajustes que qualquer pessoa consegue reproduzir.

Duas linhas de instrução mudaram o resultado

É o mesmo experimento turco que citei acima, e ele tinha três grupos. O primeiro estudou sem IA nenhuma. O segundo recebeu uma interface igual à do ChatGPT, que responde o que a pessoa perguntar. O terceiro recebeu a mesma ferramenta com dois ajustes escritos no texto de instrução: a solução correta e a lista de erros que os alunos costumam cometer entraram no contexto, e o modelo foi proibido de entregar a resposta, podendo apenas dar dica.

Repare na última linha da tabela. O grupo que só recebia dica produziu mais que todo mundo durante a prática e saiu da prova sem dever nada. Os dois ajustes cabem num prompt, e o prejuízo que o segundo grupo pagou não veio da ferramenta, veio de duas linhas de instrução que ninguém escreveu.

Vale a ressalva de que os ajustes evitaram o dano sem produzir ganho de aprendizado sobre quem nunca usou a ferramenta. O que esse desenho derruba é o trade-off que quase todo gestor assume, entre proteger o aprendizado da equipe e entregar rápido. Aqui os dois vieram juntos. Não é uma lei geral, é a prova de que existe pelo menos um desenho em que a escolha não aparece.

Ensinar a usar sai mais barato que trocar de ferramenta

Um experimento da Universidad Adolfo Ibáñez, no Chile, testou algo ainda mais barato de implementar, e o resultado aparece no mesmo relatório do Banco Mundial: instruir o aluno a usar a ferramenta como tutor, em vez de como fonte de resposta, aumentou a nota de exame e a taxa de aprovação. O ganho veio de ensinar a usar, com a mesma ferramenta de sempre.

Menos esforço com mais aprendizado, quando a IA reage em vez de produzir

Um resultado recente complica a leitura fácil de que esforço é tudo. Quatro experimentos pré-registrados, com cerca de 9.800 participantes, saíram do grupo de Angela Duckworth, na Universidade da Pensilvânia. Quem praticou escrita com apoio de IA gastou menos esforço e escreveu cartas de apresentação melhores num teste feito sem IA. Bateu quem praticou sozinho, quem procurou exemplos no Google e quem recebeu feedback de editores humanos experientes.

O detalhe do desenho reconcilia esse achado com todo o resto: a ferramenta revisava o texto que o participante já tinha escrito, devolvendo a versão dele aplicada aos princípios de boa escrita profissional. Ela não escrevia a carta. O artigo ainda não passou por revisão de outros pesquisadores, então trate o resultado como forte e preliminar.

Medir tempo funciona enquanto a IA produz no seu lugar, e deixa de funcionar quando ela reage ao que você produziu. O que continua valendo nos dois casos é quem escreveu a primeira versão.

Os desenhos que funcionam devolvem trabalho para a pessoa; os que falham fazem o trabalho no lugar dela.

Onde começar amanhã

Nada aqui exige comprar uma ferramenta nem escrever uma política nova.

E nada aqui existe para pegar ninguém. O que se procura é saber se a pessoa está mesmo se desenvolvendo, porque no caso do profissional isso é a carreira dele, e no caso do aluno é o preparo para o mercado que ele vai encontrar. Quem descobre cedo que parou de aprender ainda tem tempo de corrigir a rota.

Sinais de erosão da aprendizagem no seu time

Você não vai aplicar prova em ninguém, então precisa de sintomas observáveis. Quatro que costumam aparecer juntos:

• As entregas ficaram uniformes. Estrutura e tom iguais vindos de pessoas diferentes, sem que exista template mandando ser assim.
• Pararam de aparecer perguntas. Nem dúvida de escopo, nem pedido de contexto, nem discordância sobre método.
• O documento sustenta a leitura e não sustenta a conversa. Ele passa numa lida silenciosa e cai quando alguém pergunta.
• O prazo caiu e o retrabalho subiu. Chega mais rápido, volta mais vezes.

Um sinal isolado não diz nada, e é fácil achar explicação inocente para cada um deles. Quando aparecem juntos e se repetem, aí vale investigar.

Peça a defesa, não o produto

Pegue três entregas recentes, das melhores, e marque dez minutos com quem assinou cada uma. Não precisa ser com o time inteiro, e uma amostra pequena já mostra o padrão. Sem consulta, sem slide, sem a ferramenta aberta. Só a pergunta: por que ficou assim? Se a pessoa não consegue explicar as escolhas, o trabalho é da máquina e ela ainda não sabe o que a máquina fez. Isso vale para o aluno de pós e vale para o analista que entregou o relatório na sexta.

Cobre o rastro das decisões, não só o resultado

É o que faço nas minhas turmas, e chamo de rastro de decisão: junto com o trabalho, a pessoa entrega os prompts que usou e marca, trecho a trecho, o que aceitou sem editar e por quê, e o que editou e por quê. O rastro revela em cinco minutos o que o texto final esconde, porque expõe o critério de aceitação de cada pessoa. Aceitar a saída da IA sem mexer é uma decisão legítima, e quem tomou essa decisão sabe dizer por quê. Quem não sabe dizer por quê em nenhum trecho não avaliou nada.

Meça o tempo, não só a nota

O sinal de alerta do estudo chinês foi tempo curto demais com nota alta demais. Se a entrega da sua equipe melhorou e o tempo dedicado despencou, você tem uma hipótese a testar antes de comemorar o ganho de produtividade. Um projeto sozinho não prova nada. A mesma combinação, repetida ao longo de um trimestre, prova bastante.

Use a IA para te examinar, já que você não consegue se avaliar

Se você não pode confiar na própria sensação de ter aprendido, a saída é terceirizar a avaliação para algo que não tenha interesse em agradar você. Depois de terminar um trabalho com IA, abra uma conversa nova, sem o histórico da anterior, e mande a máquina te arguir:

Você vai me examinar sobre o material colado abaixo, e não me ensinar.
Faça uma pergunta por vez, de resposta aberta, sem alternativas.
Comece pelas decisões: por que este método, por que este recorte, por que esta conclusão.
Não aceite resposta vaga. Se eu responder por cima, pergunte de novo, mais fundo.
Depois de cinco perguntas, aponte onde eu não soube defender o que entreguei.
Não elogie.

Conversa nova importa, porque no mesmo fio a ferramenta já sabe a resposta que ela mesma te deu e tende a validar o que você repetir. A última linha importa porque o comportamento padrão do modelo é concordar com você.

O que fazer quando os sinais aparecem

Descobrir que alguém não sabe defender o próprio trabalho quase sempre diz mais sobre o processo do que sobre a pessoa. O que se pediu foi entregar bem e entregar rápido, e foi isso que ela fez.

Três movimentos, do mais barato para o mais caro.

• Mude o que você cobra. Inclua o raciocínio na própria entrega e o comportamento muda já na semana seguinte, porque as pessoas otimizam para o que é avaliado.
• Devolva a etapa que sumiu. Exija a primeira versão feita pela pessoa antes de qualquer prompt, mesmo que ela saia ruim.
• Combine uma rotina de manutenção. No que for fundamento da função, um pedaço do trabalho continua sendo feito sem a ferramenta, com frequência combinada.

Nos treinamentos que conduzo, o primeiro formato que quase toda empresa tenta é a reunião de conscientização sobre uso responsável de IA. Ela muda o discurso da equipe e não muda a entrega.

Levo um critério para todo treinamento: a IA acelera o que você já entende. No assunto que você não domina, ela acelera a entrega e não o seu aprendizado, porque quem chega lá é ela, não você.

Há uma exceção honesta. Quando o trabalho é algo que você não faria de jeito nenhum e não tem como pagar alguém para fazer, uma versão mediana feita com IA vale mais do que nada. O critério é a responsabilidade que você vai assumir. No trabalho do dia a dia, aquele de que depende o seu sucesso profissional, raramente dá para entregar mediano.

Aqueles alunos que não conseguiam explicar o próprio trabalho não eram preguiçosos. Vários estavam entre os melhores da turma. Tinham feito exatamente o que o sistema pedia: entregar bem e entregar rápido. Enquanto o que você mede for só o produto, você não tem como distinguir quem ficou rápido porque aprendeu de quem ficou rápido porque parou de aprender. Os dois entregam igual, e só um dos dois continua entregando quando a ferramenta sai da mesa.

Perguntas frequentes

Como saber se estou aprendendo ou só terminando a tarefa mais rápido?

Comece por quem produziu a primeira versão. Se foi a máquina, você revisou; se foi você, você aprendeu. Depois feche a ferramenta e tente explicar em voz alta por que o trabalho ficou daquele jeito, por que aquele método, aquele recorte, aquela conclusão. Quem não consegue defender as escolhas entregou sem aprender. E não use a própria sensação como termômetro: nos experimentos, quem se saiu pior não percebeu que tinha se saído pior.

Isso vale para o que eu já sei fazer ou só para o que estou aprendendo?

Vale para os dois, e no que você já domina o declínio é mais silencioso, porque ninguém avisa. Nem toda perda importa: existem habilidades que a tecnologia absorveu sem custo nenhum para a sua carreira. O critério é se aquilo é fundamento da sua profissão ou periferia dela. Sendo fundamento, ou você continua praticando, ou aceita que a capacidade vai embora enquanto você não olha.

Qual uso de IA na aprendizagem ajuda e qual atrapalha?

Ajuda o uso em que você produz primeiro e a ferramenta reage ao que você fez: rascunho seu e crítica dela; o método antes da resposta; um contraexemplo; a próxima pergunta em vez da conclusão. Atrapalha o uso em que ela produz e você recebe, porque apaga a etapa em que você teria errado e refeito, que é a etapa que grava. Teste rápido no fim da sessão: se você sabe explicar o caminho, o uso foi bom; se você só tem o resultado, houve troca de tempo por conhecimento.

Proteger o aprendizado da equipe custa produtividade?

Os dados dizem que não. No experimento com alunos de ensino médio na Turquia, o grupo cuja ferramenta foi instruída a dar dica em vez de resposta foi o que mais produziu durante a prática e ainda saiu sem prejuízo no exame feito sem IA, enquanto o grupo com a interface comum produziu menos que ele na prática e ainda foi pior no exame. Proteger o aprendizado e entregar rápido saíram do mesmo desenho, não de desenhos concorrentes.

Detector de texto gerado por IA funciona?

Não de forma confiável, e o efeito colateral sai caro. Num processo seletivo em Gana, o detector levantou suspeita sobre a maioria dos candidatos, e os avaliadores passaram a descontar pontos justamente de quem escrevia bem, porque escrever bem virou indício. Quem fez sozinho e fez bem pagou o preço. Sai mais barato mudar o que você pede: entrega que precisa ser defendida de viva voz dispensa detector.

Proibir IA na escola ou na empresa funciona?

Proibição tira o uso do seu campo de visão sem mudar o incentivo de quem usa. Na pesquisa de 2026 do Higher Education Policy Institute, 94% dos universitários britânicos declararam usar IA generativa em trabalho avaliado, num período em que boa parte das instituições restringia o uso. O caminho com evidência é mudar o que se pede e o que se avalia, de forma que a entrega só se sustente na mão de quem entendeu o método.

Adulto em treinamento corporativo sofre a mesma erosão de aprendizagem?

Sofre, e demora mais a descobrir, porque no trabalho o erro não aparece numa prova, aparece num projeto que já foi entregue. Em experimentos com programadores aprendendo uma biblioteca nova, quem usou IA saiu com pior compreensão do conceito e pior capacidade de achar erro, sem ganho de eficiência na média. O que separou quem aprendeu de quem não aprendeu foi continuar pensando durante a tarefa, e nenhuma política de pode ou não pode enxerga essa diferença.

Meu filho usa IA para fazer a lição de casa. Devo proibir?

A pesquisa disponível é sobre uso, não sobre proibição, e mostra que o dano se concentra em quem entrega rápido demais para a nota que tira. O sinal a observar em casa é o mesmo do trabalho: peça para a criança explicar, sem a tela na frente, por que a resposta é aquela. Se ela não consegue, a lição foi entregue e não foi aprendida. A observação de sala que trago aqui é de aprendizagem adulta; o recorte infantil vem inteiramente de pesquisa.

O efeito é reversível?

Nenhum dos estudos citados aqui mediu recuperação, então a resposta honesta é que não se sabe. O que se sabe é o mecanismo: a perda se concentra em quem parou de fazer a etapa que exigia esforço, e habilidade costuma voltar quando a prática volta. O problema é que a mesma pesquisa que mostra a perda de habilidade mostra também queda de motivação, e vontade de praticar é justamente o que a recuperação exige. Quem quiser testar, o caminho é devolver a etapa que a ferramenta tinha eliminado e aceitar que isso custa de volta um pouco da velocidade ganhada.

Para quem quiser aprofundar o lado organizacional disso, escrevi sobre o risco de formar equipes despreparadas e sobre a defesa da própria capacidade de julgar. O mesmo desenho de avaliação aplicado ao contexto acadêmico está em um texto sobre pesquisa e orientação, e o efeito mais amplo da tecnologia sobre a cognição está em outro sobre o que as telas fazem com o cérebro.

Se quiser filtrar quais cursos da minha curadoria na ESPM tocam este tema, o Consultor de Carreira faz essa triagem no catálogo. A decisão de qual fazer continua sendo sua, com os critérios deste artigo.

Edney “InterNey” Souza atua com tecnologia desde 1990 como professor, palestrante e conselheiro consultivo de empresas em tecnologia e inovação. Fundou sete startups ao longo da carreira. Leciona na ESPM, Insper, USP, PUCRS e IBGC. É autor do livro gratuito Engenharia de Prompts na Prática: do Zero ao Avançado com ChatGPT, Gemini e Claude.