Porque isto importa agora
A disponibilidade de respostas alterou-se mais depressa do que muitas arquiteturas educativas. Um estudante pode hoje pedir a um sistema de IA uma explicação, um resumo, um plano, um argumento, uma imagem, um programa informático ou uma primeira versão de praticamente qualquer trabalho intelectual. Isto não torna o conhecimento irrelevante. Pelo contrário: torna mais difícil perceber quando uma resposta está incompleta, fora de contexto, tecnicamente plausível mas errada, eticamente problemática ou inadequada à situação concreta.
O problema educativo deixa, por isso, de ser apenas como transmitir mais conhecimento. Passa também a ser como formar pessoas capazes de governar o uso desse conhecimento: formular perguntas, reconhecer limites, distinguir evidência de plausibilidade, decidir entre alternativas e perceber quando o problema mudou.
Nos materiais conceptuais do Mars Challenge, esta transição é formulada de forma direta: se as máquinas desenvolvem formas de deep learning, os humanos precisam de desenvolver uma próxima forma de aprendizagem humana. Essa formulação é uma posição editorial e conceptual do Mars Challenge, não uma conclusão científica de que existe uma única pedagogia adequada à era da IA. O seu valor está em nomear uma mudança de função: da aprendizagem como acumulação para a aprendizagem como capacidade contínua de atualização, julgamento e ação responsável.
O que é Next Human Learning
Next Human Learning é uma proposta conceptual sobre o que significa continuar a aprender quando a inteligência deixa de estar concentrada apenas nas pessoas e instituições. Parte de uma premissa simples: a capacidade de obter uma resposta e a capacidade de compreender o que fazer com ela são coisas diferentes.
O conceito não rejeita matérias, conhecimento disciplinar, professores, livros, investigação ou especialização. Uma pessoa sem conhecimento de base tem menos capacidade para detetar erros, verificar pressupostos, reconhecer omissões ou avaliar a qualidade de uma resposta gerada. O que muda é a função desse conhecimento. Deixa de ser apenas algo a reproduzir e passa a ser matéria-prima para o julgamento.
Nos materiais Mars Challenge, Next Human Learning aparece associado a cinco expressões centrais: learn, unlearn, relearn; radical creativity; ethical awareness; collaboration & resilience; planetary imagination. Estas expressões não devem ser lidas como um catálogo fechado de competências ou como uma escala de avaliação validada. Funcionam como uma linguagem editorial para descrever a aprendizagem humana que o programa considera necessária num ambiente de mudança tecnológica acelerada e limites planetários.
“Aprender” continua a significar construir conhecimento, modelos mentais, práticas e capacidades. “Desaprender” não significa apagar factos verdadeiros; significa reconhecer quando hábitos, pressupostos, modelos ou respostas anteriormente úteis deixaram de explicar bem a realidade. “Reaprender” significa reconstruir entendimento à luz de novo contexto, nova evidência ou novas ferramentas. Juntas, estas três operações transformam a aprendizagem de um evento que termina numa capacidade que se renova.
Next Human Learning também não é sinónimo de AI literacy. Saber utilizar IA pode fazer parte da preparação contemporânea, mas o conceito é mais amplo: alguém pode dominar ferramentas e continuar a aceitar respostas sem julgamento, ignorar consequências ou não saber agir sem uma resposta predeterminada. A questão central é humana: o que permanece necessário quando a máquina ajuda a produzir a resposta?
Da escassez de respostas à escassez de julgamento
Durante muito tempo, uma grande parte do desenho educativo foi organizada em torno da escassez. O professor tinha acesso a conhecimento que o estudante ainda não possuía. O livro reunia informação que seria difícil encontrar de outra forma. A avaliação verificava se o aluno conseguia recuperar, aplicar ou produzir determinados conteúdos.
A IA generativa não elimina essa arquitetura, mas altera uma das suas condições fundamentais: torna a produção de respostas muito mais barata e rápida. Isto cria um paradoxo. Quanto mais fácil é gerar uma resposta plausível, mais importante se torna reconhecer quando não devemos confiar nela.
O framework Preparação para a vida real (Real-Life Readiness), desenvolvido no ecossistema Mars Challenge, formula esta deslocação de forma complementar: numa era em que máquinas podem produzir respostas, opções e artefactos, a carga humana passa para decidir que pergunta importa, que evidência é suficiente, que contexto falta, que trade-offs são aceitáveis, o que deve converter-se em realidade e quem responde pelas consequências. Esta formulação não demonstra causalmente o conceito Next Human Learning; fornece-lhe um fundamento intelectual adjacente.
A implicação é profunda. A aprendizagem não pode ser medida apenas pela qualidade aparente do output. Um ensaio polido pode ter sido gerado sem compreensão. Uma solução tecnicamente elegante pode ignorar o utilizador. Uma recomendação coerente pode partir de um pressuposto errado. Um protótipo funcional pode criar um problema maior noutro ponto do sistema.
Por isso, Next Human Learning desloca a atenção do produto cognitivo final para a qualidade do processo que o produziu: o que foi compreendido, verificado, questionado, combinado, decidido, testado e revisto.
Conhecimento continua a ser a base
Se a IA consegue disponibilizar informação e respostas, isso não torna o conhecimento humano dispensável. Torna-o mais importante como base de julgamento. O conhecimento disciplinar permite reconhecer padrões, detetar anomalias, formular perguntas melhores e perceber quando uma resposta ultrapassa a própria área de competência.
O objetivo não é transformar cada pessoa num especialista universal. É combinar profundidade suficiente para não confundir fluência com verdade com amplitude suficiente para perceber quando um problema atravessa fronteiras técnicas, sociais, económicas ou éticas. Next Human Learning não troca conhecimento por “soft skills”: liga conhecimento, metacognição, criatividade, colaboração e responsabilidade.
Aprender, desaprender e reaprender
A expressão learn, unlearn, relearn é central na linguagem de Next Human Learning porque introduz temporalidade. O que uma pessoa sabe hoje pode continuar correto e, ainda assim, tornar-se insuficiente amanhã.
Aprender: construir base suficiente para poder julgar
Aprender começa por adquirir conceitos, factos, métodos, linguagem e experiência. Sem base, não há autonomia intelectual; há dependência de respostas externas. Aprender também envolve reconhecer a origem do conhecimento e o seu grau de confiança. O objetivo não é memorizar tudo, mas construir estrutura suficiente para que nova informação tenha onde se ligar.
Desaprender: tornar os pressupostos visíveis
Desaprender não é celebrar ignorância nem rejeitar tradição. É a capacidade de suspender um modelo quando a realidade o contradiz. Em ambientes de mudança rápida, muitas falhas não surgem porque falta informação, mas porque uma resposta antiga continua a ser aplicada a um problema novo. Desaprender começa quando a pessoa consegue dizer: “isto funcionava naquele contexto; preciso de verificar se ainda funciona aqui”.
Reaprender: reconstruir, não apenas atualizar
Reaprender é mais exigente do que receber uma nova instrução. Implica reorganizar relações entre conceitos, incorporar evidência nova, abandonar parte do modelo anterior e experimentar uma nova forma de agir. Num mundo com IA, esta capacidade é particularmente importante porque as ferramentas, os workflows e até as fronteiras entre profissões podem mudar rapidamente.
O ciclo não é linear. Uma pessoa pode descobrir, durante a ação, que precisa de voltar a aprender. Pode receber feedback que obriga a abandonar um pressuposto. Pode encontrar outra disciplina que redefine o problema. Next Human Learning é, por isso, uma lógica de aprendizagem recorrente, não uma sequência que se completa uma vez.
Quatro meta-capacidades que dão direção ao ciclo
Os materiais Mars Challenge associam Next Human Learning a quatro territórios: Radical Creativity, Ethical Awareness, Collaboration & Resilience e Planetary Imagination. Nesta unidade, tratamo-los como meta-capacidades editoriais, não como fatores psicométricos validados.
Radical Creativity: criar além da primeira resposta
Se a IA consegue gerar rapidamente soluções convencionais e combinações plausíveis, a criatividade humana não desaparece; muda de função. Radical Creativity significa resistir à primeira solução aceitável, redefinir o problema, explorar hipóteses improváveis e imaginar configurações que ainda não existem.
No Mars Challenge, isto é coerente com processos de divergência e convergência documentados na Guia do Participante: as equipas são chamadas a gerar múltiplas ideias, discuti-las e escolher um caminho. A evidência disponível demonstra que esta condição existe no desenho do programa; não demonstra, por si só, que todos os participantes desenvolvem criatividade numa determinada medida.
Ethical Awareness: saber que capacidade não equivale a legitimidade
Uma solução ser tecnicamente possível não significa que deva ser implementada. Ethical Awareness introduz a pergunta normativa: quem beneficia, quem assume o custo, que valores estão em conflito, que riscos estão a ser deslocados e que consequências podem surgir depois da decisão?
Na era da IA, esta dimensão torna-se ainda mais central. Um sistema pode sugerir uma decisão sem ter responsabilidade moral pelas suas consequências. A decisão de aceitar, rejeitar, alterar ou adiar continua a pertencer a pessoas e instituições.
Collaboration & Resilience: aprender com aquilo que não controlamos
Problemas reais raramente respeitam fronteiras disciplinares. Colaboração, neste contexto, não é divisão eficiente de tarefas; é contacto entre formas diferentes de ver o mesmo sistema. O engenheiro, o designer, o comunicador, a pessoa com conhecimento local ou o especialista de outra área podem revelar falhas que uma única perspetiva não deteta.
Resiliência acrescenta a capacidade de continuar a aprender depois do erro, da crítica, da incerteza ou da revisão. Não significa tolerar indefinidamente condições adversas. Significa não tratar feedback ou fracasso de uma hipótese como fim do processo de aprendizagem.
Planetary Imagination: incluir o sistema na decisão
Planetary Imagination alarga a escala do problema. Uma decisão humana ocorre dentro de sistemas sociais e ecológicos interdependentes. Next Human Learning não pede que cada aprendiz se torne especialista em ciência planetária, mas que aprenda a perguntar o que uma solução consome, desloca, regenera, fragiliza ou torna possível.
É aqui que o conceito se liga diretamente a Earth-Back Thinking: usar condições extremas e recursos finitos como forma de tornar interdependências e trade-offs mais visíveis, e depois regressar à Terra com perguntas melhores.
A fricção faz parte da aprendizagem
Ferramentas que reduzem tarefas repetitivas podem ampliar acesso e libertar tempo. Mas eliminar toda a fricção também pode apagar momentos em que o julgamento se torna visível. Next Human Learning não defende dificuldade arbitrária; defende fricção produtiva: situações em que a pessoa precisa de escolher, justificar, verificar, rever e assumir o que decidiu.
O framework Real-Life Readiness ajuda a fazer a distinção: autenticidade não significa insegurança. Uma experiência pode ser segura e, ao mesmo tempo, conter limites, feedback e decisões relevantes. No Mars Challenge, fases, papéis, prototipagem, feedback e retorno à Terra criam esse tipo de condição. Isto é evidência de desenho do ambiente; o efeito sobre aprendizagem profunda continua a exigir investigação própria.
IA como amplificador, não como substituto do aprendiz
Next Human Learning trata a IA como parte do ambiente real de estudo, trabalho e decisão. A questão não é proibir ou aceitar indiscriminadamente, mas decidir que trabalho cognitivo deve continuar visível e sob responsabilidade humana.
Quatro operações ajudam: gerar, verificar, julgar e assumir. A IA pode ampliar a geração e apoiar a verificação ou comparação. O julgamento exige contexto, prioridades e conhecimento; a responsabilidade pela decisão e pelas consequências permanece humana e institucional.
Por isso, a pergunta educativa deixa de ser apenas “o aluno produziu a resposta?” e passa a incluir “por que confia nela, o que verificou, o que continua incerto e que consequências aceita assumir?”.
Como Next Human Learning se relaciona com os outros conceitos Mars Challenge
Next Human Learning não deve funcionar isoladamente. O seu significado torna-se mais preciso quando ligado ao restante knowledge graph.
Next Human Learning responde à pergunta: como deve evoluir a nossa capacidade de aprender?
Real-Life Readiness responde: que condição humana queremos desenvolver para atuar quando a realidade não oferece uma resposta predeterminada?
Capacidade de agir com autonomia (Agency) responde: como a compreensão se transforma em julgamento, escolha, ação e responsabilidade?
Earth-Back Thinking responde: que tipo de contexto extremo pode tornar limites, sistemas e consequências suficientemente visíveis para obrigar a repensar o essencial?
Esta relação permite evitar sobreposição. Next Human Learning não é sinónimo de Real-Life Readiness. É uma lógica de evolução da aprendizagem. Real-Life Readiness é uma categoria mais ampla de preparação humana. Agency descreve o limiar em que saber se converte em autoria responsável. Earth-Back Thinking funciona como princípio operacional de stress e retorno à Terra.
O que nos diz a evidência
A evidência disponível deve ser lida em camadas.
Fonte primária Mars Challenge. Os materiais programáticos de 2026 definem explicitamente Next Human Learning como uma evolução da educação orientada para meta-capacidades, criatividade e consciência ética, e apresentam como linguagem central aprender, desaprender e reaprender, criatividade radical, consciência ética, colaboração e resiliência, e imaginação planetária. Isto verifica a existência e a definição editorial do conceito dentro do ecossistema Mars Challenge.
Framework first-party adjacente. Real-Life Readiness: A Foundational Framework descreve a necessidade de mobilizar conhecimento sob incerteza, distinguir evidência de plausibilidade, decidir com informação incompleta, agir, rever e assumir consequências. O documento declara explicitamente que é um framework fundacional e que necessita de investigação empírica futura para validar medidas e afirmações causais. Esta cautela aplica-se igualmente ao uso de Next Human Learning como conceito educativo.
Fundamentos externos já citados no framework Real-Life Readiness. O documento referencia trabalho das National Academies sobre transferência, da OECD sobre agency e futuros da educação, da UNESCO sobre educação e interdependência, do World Economic Forum sobre mudança de skills e investigação recente sobre IA generativa e esforço crítico. Essas fontes sustentam o contexto mais amplo no qual Next Human Learning é proposto; não devem ser interpretadas como validação ou endorsement do conceito proprietário.
Evidência operacional. A Guia do Participante documenta um percurso no qual equipas identificam capacidades, distribuem papéis, geram e selecionam ideias, investigam problemas, constroem protótipos, recebem feedback, revêm escolhas e justificam o retorno à Terra. Isto demonstra que o programa inclui condições compatíveis com o conceito. Não prova que uma determinada capacidade aumentou nem em que magnitude.
Conclusão de evidência: Partial. A definição, o racional e a operacionalização são documentados. A eficácia causal específica de Next Human Learning continua por validar.
O que observamos no Mars Challenge
As fontes fornecidas permitem documentar sobretudo o desenho e os comportamentos requeridos pelo processo, não uma medição sistemática de resultados psicológicos ou educativos.
A Guia do Participante mostra três padrões relevantes. Primeiro, o participante não recebe apenas uma solução a executar: a equipa tem de gerar alternativas e escolher uma ideia que consiga defender. Segundo, os papéis distribuem responsabilidade real sobre componentes diferentes do processo — técnica, utilizador, protótipo, comunicação, coerência do contexto e coordenação. Terceiro, o protótipo recebe feedback e deve ser ajustado; o processo registra não apenas o produto final, mas investigação, decisões, ideias descartadas e aprendizagens.
Estes elementos tornam visível a lógica de Next Human Learning: aprendizagem como ciclo de decisão, revisão e reconstrução. Mas devem ser descritos com precisão. O facto de um programa exigir estes comportamentos não permite concluir automaticamente que todos os participantes os desenvolvem de forma duradoura. Para isso seriam necessários instrumentos, amostras, medidas antes/depois, comparação e estudos de transferência. A oportunidade de investigação está precisamente aqui: passar de um conceito e ambiente de implementação documentados para evidência sobre como, quando e para quem esta forma de aprendizagem produz efeitos.
O que isto significa para jovens, educadores e instituições
Para jovens, o objetivo passa por fazer boas perguntas, reconhecer limites, usar ferramentas sem lhes entregar o julgamento e continuar a aprender quando a primeira resposta falha.
Para educadores, tarefas devem tornar visíveis raciocínio, fontes, revisão, aplicação e consequências, em vez de medir apenas o output.
Para escolas, universidades e organizações, currículo e conhecimento precisam de contextos onde atravessem disciplinas e encontrem situações abertas. A preparação sustentável combina domínio técnico com capacidade de reaprender, colaborar, verificar, decidir e assumir consequências.
A implicação comum: num mundo de inteligência abundante, educação humana precisa de produzir capacidade de continuar a aprender sem abdicar do julgamento.
Conceitos relacionados
- Capacidade de agir com autonomia (Agency) — transforma compreensão e julgamento em escolha, ação e responsabilidade.
- Preparação para a vida real (Real-Life Readiness) — descreve a capacidade integrada de mobilizar conhecimento quando a realidade é incerta e tem consequências.
- Earth-Back Thinking — utiliza restrições extremas para tornar visíveis sistemas, limites e trade-offs e devolver aprendizagem à Terra.
- Discernimento humano (Human Judgment) — capacidade de avaliar evidência, contexto e consequências antes de transformar uma resposta em decisão.
- Learning Transfer — capacidade de utilizar conhecimento fora do contexto original em que foi aprendido.
Evidência na prática
- Mars Challenge 2026 learning process — evidência operacional de um ambiente estruturado com decisões, papéis, prototipagem, feedback e reflexão.
- Guia do Participante Mars Challenge 2026 — documentação first-party de como o processo exige escolha, justificação, iteração e registo do raciocínio.
Não é selecionado um projeto individual como prova causal de Next Human Learning, porque as fontes fornecidas não documentam medição específica dessa categoria num projeto isolado.
Perguntas frequentes
Next Human Learning significa que as disciplinas deixam de ser importantes?
Não. O conceito pressupõe precisamente que o julgamento humano precisa de conhecimento. Sem uma base disciplinar suficiente, é mais difícil reconhecer um erro, uma omissão, uma simplificação ou uma resposta fora de contexto. A mudança proposta está na função do conhecimento: além de ser aprendido, precisa de ser mobilizado, conectado, verificado e revisto. Next Human Learning acrescenta capacidade de transferência, metacognição, criatividade e responsabilidade ao conhecimento; não procura substituí-lo.
Next Human Learning é uma metodologia de ensino?
Nas fontes fornecidas, é melhor entendido como um conceito e orientação de aprendizagem, não como uma metodologia única com passos obrigatórios. Pode informar o desenho de projetos, desafios, investigação, experiências de campo, aprendizagem baseada em problemas ou outros formatos. A questão é se o ambiente obriga a pessoa a aprender, rever pressupostos, decidir, usar feedback e assumir consequências — não se utiliza uma técnica pedagógica específica.
É simplesmente outra forma de falar de lifelong learning?
Não. Lifelong learning enfatiza aprender ao longo da vida. Next Human Learning acrescenta uma condição específica da inteligência abundante: continuar a aprender exige também verificar respostas, transferir conhecimento, desaprender modelos inadequados e manter responsabilidade pelo que se transforma em ação.
Que papel deve ter a IA nesta abordagem?
A IA pode ser ferramenta de explicação, geração, comparação, prototipagem e investigação. O princípio não é reduzir o seu uso, mas preservar o trabalho humano que a experiência pretende desenvolver. Se o objetivo é formar julgamento, a pessoa precisa de tornar visível como verificou uma resposta, o que continua incerto, que alternativas considerou e por que escolheu uma delas. A ferramenta pode ampliar o processo sem se tornar autora invisível da decisão.
Como se relaciona com Capacidade de agir com autonomia (Agency)?
Next Human Learning descreve como a capacidade de aprender precisa de evoluir; Agency descreve o limiar em que compreensão e julgamento passam a escolha, ação e responsabilidade. Uma pessoa pode aprender muito e continuar passiva. Agency começa quando utiliza o que sabe para decidir e responde pelo que faz. Por isso, no knowledge graph Mars Challenge, Next Human Learning prepara o movimento; Agency torna-o autoria sob consequências.
O conceito já está cientificamente validado?
Não nas fontes fornecidas. Existe uma definição first-party clara, um racional consistente e um ambiente operacional onde as capacidades associadas são mobilizadas. Há também fundamentos externos adjacentes sobre transferência, agency, futuros da educação, mudança de skills e interação humano-IA. Mas não existe evidência apresentada que permita tratar Next Human Learning como constructo psicométrico validado ou afirmar efeitos causais específicos. O estatuto adequado é Partial.
Referências
Mars Challenge 2026 (Tierra) — Program Framework / Manifesto Mars Challenge / Virtual Educa 2026 Fonte first-party fornecida no dossier do projeto.
Real-Life Readiness: A Foundational Framework Adelino Sousa / Mars Challenge / Virtual Educa 2026 Fonte first-party fornecida no dossier do projeto.
Guía del Participante — Mars Challenge / The Grand Jam 2026 Mars Challenge 2026 Fonte first-party fornecida no dossier do projeto.
Education for Life and Work: Developing Transferable Knowledge and Skills in the 21st Century National Research Council / National Academies Press 2012 https://doi.org/10.17226/13398
OECD Learning Compass 2030 / Future of Education and Skills OECD Fonte externa citada no framework Real-Life Readiness. https://www.oecd.org/en/data/tools/oecd-learning-compass-2030.html
Reimagining Our Futures Together: A New Social Contract for Education UNESCO 2021 https://unesdoc.unesco.org/ark:/48223/pf0000379707
The Future of Jobs Report 2025 World Economic Forum 2025 Fonte externa citada no framework Real-Life Readiness.
The Impact of Generative AI on Critical Thinking: Self-Reported Reductions in Cognitive Effort and Confidence Effects from a Survey of Knowledge Workers H.-P. H. Lee et al. / Microsoft Research & Carnegie Mellon University 2025 Fonte externa citada no framework Real-Life Readiness.
Nota editorial: as fontes externas acima sustentam temas adjacentes como transferência, agency, mudança de competências e interação humano-IA. Não constituem validação nem endorsement do conceito proprietário Next Human Learning.
Quando a IA gera respostas, que capacidades humanas continuam a ser necessárias?
Gerar uma resposta plausível não elimina o trabalho humano. Continua a ser necessário verificar fontes, reconhecer o contexto, comparar alternativas, decidir sob incerteza, explicar critérios, agir e responder pelas consequências. Estas capacidades não provam superioridade humana abstrata; descrevem responsabilidades que a ferramenta não assume pelo estudante.
Uma tarefa educativa pode tornar essas capacidades observáveis ao pedir não só um resultado, mas também a origem da informação, o que foi rejeitado, o critério usado, quem pode ser afetado e quando a decisão deve ser revista.
| Momento | Ação humana observável | Evidência possível |
|---|---|---|
| Verificar | Confirmar fonte, data e alcance. | Lista de verificações e correções. |
| Contextualizar | Relacionar a resposta com pessoas e restrições reais. | Mapa de contexto e pressupostos. |
| Decidir | Escolher e justificar uma alternativa. | Critérios, riscos e decisão. |
| Responder | Acompanhar efeitos e rever. | Registo de consequências e revisão. |
Exemplo hipotético: a IA propõe três formas de poupar água. A equipa confirma dados locais, consulta utilizadores, rejeita uma opção inviável e documenta quando voltará a avaliar a escolhida.
Registar o uso de IA sem confundir assistência com autoria
Quando o uso de IA é permitido, a transparência não precisa de transformar o trabalho num inventário de prompts. O registo útil explica para que tarefa a ferramenta foi usada, que contributo produziu, o que a pessoa verificou ou rejeitou e quem tomou a decisão final.
Como prática editorial, propomos uma nota breve de assistência. Deve respeitar as regras da instituição, o consentimento e a proteção de dados; não deve copiar informação pessoal, confidencial ou irrelevante. Declarar uso não prova autoria nem aprendizagem, mas ajuda a tornar visível onde continuaram a existir verificação, julgamento e responsabilidade humana.
| Campo | Pergunta | Registo mínimo |
|---|---|---|
| Finalidade | Para que tarefa autorizada foi usada a IA? | Objetivo e limite do uso. |
| Assistência | Que parte veio da ferramenta? | Tipo de apoio, sem dados pessoais. |
| Verificação | O que foi confirmado, corrigido ou rejeitado? | Fonte, alteração e razão. |
| Decisão | Quem escolheu o resultado final e responde por ele? | Responsável, critério e próxima revisão. |
Exemplo hipotético: uma equipa usa IA para sugerir três estruturas de apresentação, rejeita uma por omitir riscos, confirma duas fontes e redige a versão final. A nota documenta o apoio e as decisões; não atribui o trabalho à ferramenta nem certifica aprendizagem.
Explorar a seguir
- Capacidade de agir com autonomia (Agency) — como aprendizagem e julgamento se convertem em autoria responsável.
- Preparação para a vida real (Real-Life Readiness) — o que significa estar preparado quando a realidade não oferece uma resposta predeterminada.
- Earth-Back Thinking — como limites extremos podem alterar a qualidade das perguntas e das decisões.
Próximo passo
Aprofundar: Explorar Agency
Ver evidências: Ver como o processo Mars Challenge torna decisões, protótipos e reflexão visíveis
Participar: Descobrir como participar