Quando a IA pode responder, o que devem aprender os humanos?

Porque isto importa agora

Durante muito tempo, produzir a resposta era uma parte central do trabalho intelectual. Era necessário recordar, pesquisar, organizar, sintetizar e redigir antes de existir um resultado.

A IA generativa comprime parte desse percurso. Em segundos, pode propor uma estrutura, resumir um documento, explicar um conceito, reescrever um argumento ou gerar múltiplas alternativas.

Isso cria uma tentação educativa: concluir que, se a resposta pode ser obtida rapidamente, aprender o conhecimento que estava por trás da sua produção deixou de importar.

Essa conclusão confunde duas coisas diferentes: ter acesso a uma resposta e possuir capacidade para a julgar.

Uma resposta pode ser fluida e estar errada. Pode estar factualmente correta e ser irrelevante para o contexto. Pode omitir uma restrição, utilizar dados insuficientes, transportar pressupostos invisíveis ou resolver com enorme eficiência a pergunta errada.

Quanto mais convincente for a forma, mais fácil se torna confundir plausibilidade com fiabilidade.

A questão educativa deixa, portanto, de ser apenas “como produzir uma resposta?” e passa também a ser “quem consegue decidir se essa resposta merece confiança e o que deve acontecer a seguir?”.

A educação precisa de evitar dois extremos: ensinar como se a IA não existisse ou deixar de construir conhecimento porque uma máquina consegue recuperá-lo.

A IA não elimina a necessidade de saber

Para avaliar uma resposta, precisamos de possuir alguma coisa com que a comparar.

O conhecimento disciplinar continua a ser uma infraestrutura de julgamento. Uma pessoa que conhece suficientemente um domínio consegue reconhecer quando um conceito foi mal aplicado, quando falta uma variável importante ou quando uma conclusão ultrapassa a evidência disponível.

Sem essa base, a verificação pode tornar-se apenas ritual.

Podemos confirmar que uma fonte existe sem compreender se realmente sustenta a afirmação. Podemos pedir à própria IA que critique a sua resposta e continuar sem capacidade independente para avaliar se a nova resposta é melhor.

Isto não significa memorizar tudo aquilo que uma máquina consegue pesquisar.

Significa distinguir armazenamento de informação de construção de modelos mentais suficientemente ricos para orientar julgamento.

Matemática, ciência, história, línguas, direito, economia, tecnologia, artes ou psicologia continuam a importar. A pergunta muda: o estudante consegue utilizar aquilo que aprendeu para reconhecer erro, relacionar causas, detetar uma omissão, formular uma pergunta melhor e saber quando necessita de outra forma de conhecimento?

Num ambiente de IA, conhecimento deixa de ser apenas aquilo que permite produzir a resposta. Torna-se também aquilo que permite supervisioná-la.

De responder para formular o problema

Quando gerar alternativas é barato, definir aquilo que merece ser resolvido torna-se mais valioso.

Um sistema pode responder muito bem a uma pergunta fraca.

Nos problemas reais, formular a pergunta já exige julgamento: qual é realmente o problema? Para quem? Que resultado estamos a tentar melhorar? Que restrições existem? Que interesses estão em tensão? Como saberíamos se a intervenção funcionou?

Nada disso é automaticamente resolvido por escrever um prompt melhor.

Por isso, “aprender a perguntar” não pode ser reduzido a prompt engineering.

Uma boa pergunta depende de conhecimento, observação, curiosidade e capacidade para reconhecer tensões que ainda não foram explicitadas.

É possível criar uma instrução tecnicamente perfeita para um problema conceptualmente mal compreendido.

Next Human Learning começa antes do prompt: na capacidade de rever o próprio enquadramento, desaprender pressupostos e reformular a pergunta quando a realidade demonstra que o ponto de partida era insuficiente.

De aceitar para verificar

Quando as respostas se tornam abundantes, surge uma nova dificuldade: a fluidez pode esconder incerteza.

Uma resposta clara reduz fricção. Isso é útil. Mas também pode reduzir o impulso de verificar.

A capacidade humana relevante não é desconfiar de tudo. É calibrar confiança.

Que parte desta afirmação é facto? Que parte é inferência? Que fonte seria adequada? Que evidência está ausente? Que contexto o sistema pode desconhecer? O resultado mudaria noutro país, disciplina ou grupo? Que aconteceria se este pressuposto estivesse errado?

Este conjunto de perguntas representa julgamento epistémico.

O objetivo não é transformar cada pessoa num auditor permanente de todas as respostas. É desenvolver a capacidade de saber quando a verificação é necessária, que tipo de verificação é adequada e que nível de confiança justifica uma decisão.

Utilizar bem IA exige, portanto, mais do que saber pedir. Exige saber quando parar antes de acreditar.

De uma disciplina isolada para integração com critério

Os sistemas de IA conseguem combinar linguagem de muitos campos. Isso não significa que os métodos, evidências e critérios desses campos se tornem equivalentes.

Os problemas reais atravessam fronteiras.

Uma solução energética pode ser tecnicamente possível e economicamente inviável. Uma intervenção médica pode funcionar clinicamente e falhar por comportamento ou acesso. Uma aplicação educativa pode funcionar perfeitamente do ponto de vista tecnológico e produzir incentivos pedagógicos indesejados.

Os humanos precisam, por isso, de duas capacidades complementares.

Profundidade, para reconhecer quando alguma coisa está errada dentro de um domínio.

Amplitude, para perceber quando o problema já ultrapassou esse domínio.

Isto não implica que todos se transformem em generalistas que sabem tudo.

Implica reconhecer limites de competência, traduzir entre especialidades e saber incorporar conhecimento que não possuímos.

A interdisciplinaridade competente não elimina especialistas. Torna visível quando um único especialista já não é suficiente.

Da resposta para a decisão

Uma IA pode sugerir dez alternativas. Isso não elimina a necessidade de alguém escolher.

Decisões reais envolvem prioridades, valores, custos, riscos, recursos limitados e consequências distribuídas de forma desigual.

Em muitos casos, não existe uma opção que maximize tudo simultaneamente.

Uma solução pode ser mais segura e mais cara. Outra pode ser mais eficiente e menos inclusiva. Outra pode reduzir consumo de recursos, mas exigir mudanças de comportamento difíceis de alcançar.

É neste ponto que Capacidade de agir com autonomia (Agency) se torna central.

Agency não é simplesmente autonomia ou confiança. No enquadramento Mars Challenge, é a passagem de critério para decisão, ação e responsabilidade.

Quando a máquina apresenta alternativas, continua a ser necessário alguém capaz de explicar:

por que escolheu uma delas; que evidência utilizou; que trade-offs aceitou; que incertezas permanecem; quem poderá ser afetado; e em que condições a decisão deve ser revista.

O aumento da capacidade de gerar opções não diminui a importância da autoria humana. Amplifica-a.

Da produção para a ação responsável

Uma resposta é um artefacto informativo. Uma decisão entra no mundo.

Quando uma ideia encontra utilizadores, organizações, orçamentos, recursos e limitações físicas, aparecem informações que não estavam disponíveis na primeira resposta.

Um utilizador não reage como previsto. Um protótipo falha. Um recurso é mais escasso. Uma hipótese deixa de se sustentar. Uma consequência não prevista torna-se visível.

É por isso que a aprendizagem humana não pode terminar quando o texto fica pronto.

Uma pessoa preparada consegue transformar conhecimento numa intervenção, observar feedback, rever a decisão e explicar o que aprendeu.

Consegue também olhar para efeitos posteriores: quem beneficiou? Quem suportou o custo? Que recurso foi utilizado? Que parte do sistema mudou?

A diferença entre “esta é uma boa resposta” e “isto deve tornar-se realidade” é uma das fronteiras fundamentais da aprendizagem na era da IA.

Então, o que devem aprender os humanos?

As fontes disponíveis não permitem declarar uma lista universal e definitiva de competências para a era da IA. E isso é importante: qualquer catálogo rígido envelheceria ao ritmo das próprias tecnologias.

A resposta mais defensável é estrutural.

Os humanos precisam de continuar a desenvolver conhecimento disciplinar, porque julgamento sem conhecimento rapidamente se transforma em dependência.

Precisam de aprender, desaprender e reaprender, porque evidência, ferramentas e contextos mudam.

Precisam de formular problemas e perguntas, porque uma resposta excelente não corrige automaticamente um problema mal definido.

Precisam de verificar e calibrar confiança, distinguindo evidência, inferência e plausibilidade.

Precisam de ligar pessoas e disciplinas, reconhecendo quando os próprios conhecimentos deixaram de ser suficientes.

Precisam de criar e experimentar, porque o futuro não se constrói apenas escolhendo entre possibilidades previamente produzidas.

Precisam de decidir sob incerteza, porque informação perfeita raramente chega antes do momento de agir.

Precisam de aprender com feedback, porque a realidade devolve informação que nenhum modelo possui antecipadamente.

E precisam de assumir consequências, porque nenhuma tecnologia elimina a responsabilidade humana por aquilo que escolhemos implementar.

Esta é a direção de Next Human Learning: não menos aprendizagem humana, mas aprendizagem capaz de continuar relevante quando respostas deixam de ser escassas.

O que nos diz a evidência

O framework Preparação para a vida real (Real-Life Readiness): A Foundational Framework (2026) oferece a base mais direta para esta tese.

A investigação das National Academies sobre transferência sustenta que aprendizagem profunda inclui a capacidade de utilizar conhecimento e capacidades em situações novas.

O OECD Learning Compass coloca agência, valores e responsabilidade no centro da capacidade de navegar contextos desconhecidos.

O Future of Jobs Report 2025, citado no framework, descreve alterações significativas nas competências exigidas e mantém pensamento analítico, criatividade, resiliência, flexibilidade, liderança e pensamento sistémico entre capacidades relevantes.

O framework inclui igualmente investigação de 2025 sobre IA generativa e pensamento crítico que analisa esforço cognitivo reportado, confiança e interação com ferramentas generativas.

Essa investigação não deve ser transformada numa afirmação de que “a IA torna as pessoas menos inteligentes”. A interpretação mais prudente é que delegação, confiança e conhecimento prévio influenciam a forma como uma pessoa interage criticamente com um output.

A evidência fornecida também não sustenta abandonar conhecimento disciplinar. Pelo contrário, o framework afirma que a profundidade continua necessária para reconhecer quando uma resposta plausível está errada ou incompleta.

O que observamos no desenho do Mars Challenge

A documentação Mars Challenge permite fazer uma afirmação sobre desenho pedagógico, não sobre impacto causal.

A Guia do Participante estrutura um percurso no qual equipas identificam capacidades, distribuem papéis, geram alternativas, escolhem uma direção, investigam, definem problemas, prototipam, recebem feedback, ajustam soluções e justificam o retorno à Terra.

A própria guia afirma que o objetivo não é avançar rapidamente, mas construir com profundidade, e que decisões sem fundamento tendem a produzir soluções frágeis.

O enquadramento de Next Human Learning acrescenta aprender, desaprender e reaprender, criatividade radical, consciência ética, colaboração, resiliência e imaginação planetária.

Isto cria coerência com a tese do artigo: a primeira resposta não termina o processo. Precisa de encontrar restrições, outras pessoas, evidência e consequências.

Não demonstra, por si só, que participar no programa produz de forma mensurável ou duradoura estas capacidades.

O que isto significa para escolas e universidades

Se uma IA consegue produzir um ensaio convincente, pedir apenas um ensaio deixa de ser uma medida suficiente daquilo que o estudante compreendeu.

Isso não significa abandonar a escrita.

Significa distinguir produto de aprendizagem.

Uma avaliação pode tornar visível o processo: que fontes foram usadas, que pressupostos foram identificados, que alternativas foram rejeitadas, que verificações foram feitas, que feedback alterou a decisão e porquê.

Em certas situações, pode ser necessário preservar momentos sem assistência tecnológica quando o objetivo é construir conhecimento interno que mais tarde permitirá supervisionar ferramentas externas.

Noutras, pode fazer sentido permitir IA e avaliar precisamente a qualidade da supervisão: consegue o estudante encontrar um erro, questionar o output, combinar fontes e justificar uma decisão?

Não existe contradição entre as duas abordagens.

A educação passa a ter dois trabalhos simultâneos:

construir inteligência interna e ensinar a governar inteligência externa.

É uma exigência maior, não menor.

Conceitos relacionados

• Next Human Learning
• Preparação para a vida real (Real-Life Readiness)
• Capacidade de agir com autonomia (Agency)
• Earth-Back Thinking
• Discernimento humano (Human Judgment)

Evidência na prática

• Mars Challenge 2026 — Guia do Participante: processo documentado de investigação, escolha, prototipagem, feedback e revisão.
• Mars Challenge 2026 — Program Framework / Tierra: formulação first-party de Next Human Learning, decisão e responsabilidade.

Nenhum projeto individual é utilizado como prova de efeito causal.

Perguntas frequentes

Se a IA consegue pesquisar informação, ainda faz sentido memorizar?

Sim, embora nem toda a informação precise de ser memorizada. Julgar exige conhecimento interno suficiente para reconhecer relações, erros e contexto ausente. Sem uma base conceptual, a pessoa pode recuperar informação mas continuar incapaz de saber se ela é relevante ou verdadeira.

Pensamento crítico pode substituir conhecimento?

Não. Pensamento crítico sem conhecimento corre o risco de se tornar uma intenção genérica. Para criticar uma resposta é necessário compreender o domínio, reconhecer que evidência importa e saber que contexto procurar.

Prompt engineering deve tornar-se uma disciplina central?

Saber interagir com sistemas de IA é útil, mas é uma capacidade demasiado estreita para organizar a educação. Um prompt excelente não corrige uma pergunta errada nem permite avaliar automaticamente o resultado. A capacidade mais duradoura é governar o processo intelectual em que a ferramenta participa.

Devemos permitir IA em todas as tarefas?

As fontes fornecidas não sustentam uma regra universal. Depende do objetivo. Algumas tarefas podem limitar assistência para construir conhecimento fundamental; outras podem integrar IA deliberadamente e avaliar verificação, julgamento e decisão.

Qual a relação com Next Human Learning?

Este artigo desenvolve a pergunta que Next Human Learning procura responder. O conceito amplia a resposta através de aprender, desaprender, reaprender, criatividade radical, consciência ética, colaboração, resiliência e ação com propósito.

Referências

Real-Life Readiness: A Foundational Framework Adelino Sousa / Mars Challenge / Virtual Educa 2026

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

The Future of Jobs Report 2025 World Economic Forum 2025

The Impact of Generative AI on Critical Thinking Lee, H.-P. H. et al. / Microsoft Research & Carnegie Mellon University 2025

Mars Challenge 2026 — Program Framework / Tierra Mars Challenge 2026

Guia Participante Mars Challenge 2026 FINAL Mars Challenge 2026

Explorar a seguir

1. Next Human Learning
2. Preparação para a vida real (Real-Life Readiness)
3. Capacidade de agir com autonomia (Agency)

Próximo passo

Aprofundar: Next Human Learning

Ver evidências: Projetos e Evidência

Participar: Como participar