Cinquenta contra sessenta e sete
Menos do que você acha, e dá para medir a diferença. Num experimento da Anthropic de janeiro de 2026, com os participantes sorteados entre usar ou não a ferramenta, 52 engenheiros aprenderam uma biblioteca de Python que não conheciam, uma parte com um assistente de IA e a outra sem, e fizeram em seguida um teste de compreensão. Quem usou a IA acertou em média 50% do teste, e quem programou sem ela, 67%, com a maior diferença nas questões de depuração (Anthropic, How AI assistance impacts the formation of coding skills). O grupo com IA terminou a tarefa cerca de dois minutos mais rápido, e essa diferença não chegou a ser estatisticamente significativa. O número sozinho diz menos do que o modo como as pessoas usaram a ferramenta, mas ele já mostra que dá para sair de uma sessão com a IA tendo aprendido menos do que quem estudou sem ela.
A pergunta eu trouxe de um sábado na DevPR Conf 2026, em Maringá (DevPR Conf). Da palestra de Daniel F. Hey, fundador e CEO da Neuron, sobre o papel do profissional de TI na era da IA, saí com cinco conceitos anotados no celular: curva de Ebbinghaus, educação midiática, AILit Framework, upskilling e reskilling, e Human Agency Scale. Saí também com uma pergunta que ficou comigo pelo resto do dia: a IA mais ensina, ou dá a sensação de que ensinou?
Minha posição sobre isso vem de antes do evento. Depois de deixar a última posição de gestão, passei um mês estudando, a maior parte sobre IA, e boa parte desse estudo foi com a própria IA. Saí do mês convencido de duas coisas: de que ela é o melhor acesso a conteúdo que eu já tive, e de que a explicação que ela me entrega não serve de medida do que eu aprendi.
Com IA ficou fácil, é só perguntar
“Com IA, aprender ficou fácil: é só perguntar.” É o que se ouve em boa parte das conversas sobre estudo e ferramenta, e a parte do “é só perguntar” é verdade. A explicação vem, e vem sobre qualquer assunto, no seu nível, o que quase nenhum curso entrega nesse ritmo. A parte do “ficou fácil” é que não se sustenta: vir a explicação e ficar o aprendizado são duas coisas, e é a segunda que quase ninguém mede na hora em que a primeira acontece.
A gente precisa aprender, e precisa aprender mais rápido do que antes, porque as ferramentas mudam debaixo do trabalho. Aprender com IA é uma faca de dois gumes. Ela ajuda, porque dá acesso a conteúdo que antes exigia um curso ou um colega disponível, facilita o caminho até a resposta e personaliza a explicação ao nível de quem pergunta. Ela atrapalha, porque pode ser vaga, pode estar errada e pode dar a falsa sensação de que você aprendeu.
Os dois primeiros danos você acaba percebendo, nem que seja tarde. A resposta vaga obriga a perguntar de novo, e a resposta errada quebra na prática, na análise ou na reunião em que alguém sabia mais. O terceiro dano não avisa, porque o que ele provoca é agradável: você leu a explicação, ela fez sentido, e a sensação de entender é quase indistinguível da de quem entendeu de fato. É a mesma sensação de ler um código bem escrito de outra pessoa e achar que você o teria escrito. A diferença só aparece quando o conceito precisa sair da sua cabeça sem apoio, num teste, num incidente ou numa reunião, e muitas vezes não sai. Vou chamar isso de aprender por delegação: pedir a resposta pronta e chamar de aprendizado o que se sentiu ao lê-la.
Duas palestras do dia me renderam quase todas as anotações. A de Daniel F. Hey trouxe os cinco conceitos que citei antes. A do Jeferson Fernando, fundador da LINUXtips, trouxe a MESA, como a escola chama a sua metodologia de ensino, e levava no título uma provocação: “7 horas de vídeo e você ainda não sabe resolver um incidente”.
A resposta chega pronta e leva o esforço junto
Por que gente competente aprende por delegação sem perceber? Dois casos mostram o que acontece com o esforço quando a resposta chega pronta e faz sentido na hora.
O primeiro é uma pesquisa com 319 trabalhadores do conhecimento, feita por Hao-Ping Lee e colegas, da Carnegie Mellon e da Microsoft Research. Quanto maior a confiança da pessoa na IA generativa, menor o esforço de pensamento crítico que ela relata, e quanto maior a confiança na própria capacidade, maior esse esforço; o pensamento crítico que sobra muda de lugar e vai para verificar a informação, integrar o que a ferramenta devolveu e supervisionar a tarefa (Lee e colegas, The Impact of Generative AI on Critical Thinking, Microsoft Research). É uma pesquisa de autorrelato, e o que ela mostra é uma associação: quem confia mais relata pensar menos, sem dizer o que causa o quê.
O segundo é o experimento da Anthropic da abertura, e o que interessa nele é o que separa os padrões de uso dentro do grupo com IA. Na média, esse grupo foi pior. Dentro dele, as gravações de tela separaram padrões, e usar a IA, por si, não garantiu nota menor. Quem delegou a tarefa à ferramenta, quem foi dependendo dela aos poucos e quem, a cada erro, devolvia o erro à ferramenta e colava a correção ficou, em média, abaixo de 40% no teste. Quem gerou o código e depois pediu para entender o que tinha sido gerado, quem pediu o código junto com a explicação e quem só fez perguntas conceituais ficou com média de 65% ou mais, perto dos 67% de quem programou sem IA (Anthropic, experimento citado na abertura).
Os dois casos apontam para o mesmo lugar. Na pesquisa, quem confia mais na ferramenta relata pensar menos; no experimento, quem entregou a tarefa à ferramenta ficou com nota menor, e quem a usou para construir compreensão ficou perto de quem não a usou. A ferramenta é a mesma nos dois casos, e o que separa os grupos é o que a pessoa fez com ela. A explicação mais provável, nas palavras da própria Anthropic, é o esforço de produzir a explicação, travar e corrigir, que um lado fez e o outro entregou à ferramenta. É isso que as cinco anotações da palestra organizam.
Cinco anotações sobre o que a resposta pronta não faz por você
As cinco anotações da palestra de Daniel F. Hey vêm de áreas diferentes, e eu as li todas pela mesma pergunta: o que cada uma manda fazer com a resposta, antes de pedi-la ou depois que ela chegou.
Você vai esquecer, e rápido
A curva de Ebbinghaus descreve a queda da retenção do que acabou de ser aprendido: rápida nas primeiras horas, lenta depois. Hermann Ebbinghaus a mediu em 1885 usando a si mesmo como sujeito e listas de sílabas sem sentido, e registrou quanto trabalho economizava ao reaprender cada lista depois de um intervalo. Jaap Murre e Joeri Dros repetiram o desenho em 2015, também com um único sujeito, e a curva saiu parecida com a original (Murre e Dros, Replication and Analysis of Ebbinghaus’ Forgetting Curve, PLOS ONE). A curva foi medida com material sem sentido e não diz quanto você esquece de um conceito que entendeu, o que depende do que você já sabia e de como aprendeu. O que ela dá é o formato: sem revisão, a queda é maior no começo, e é essa a hipótese que a regra assume.
Você conhece o formato de outro lugar: o atalho de teclado que aprendeu num tutorial sai sozinho no mesmo dia e, depois de uma semana sem uso, a mão já não lembra. A explicação que o chat deu hoje está no ponto mais alto dessa curva, com a queda mais rápida pela frente. A regra é revisar antes de esquecer, nas primeiras horas e nos primeiros dias, quando a queda é maior, em vez de esperar a resposta ser necessária de novo. Reler a conversa salva é o jeito mais fácil de revisar e o que menos exige. Revisar, para mim, é tentar reconstruir a explicação antes de abrir o que a ferramenta escreveu, e só depois conferir.
Quem escreveu isso? Vale para o chat também
Educação midiática é o que a UNESCO chama de alfabetização midiática e informacional: um conjunto de habilidades para pensar criticamente sobre a informação, usar os espaços digitais com segurança e reconstruir a confiança no ecossistema de informação, que ela apresenta como resposta à desinformação e à queda de confiança nas inovações digitais, a inteligência artificial entre elas (UNESCO, Media and Information Literacy). Para mim, o conceito cabe numa pergunta a fazer diante de qualquer mensagem: quem produziu isso, com que intenção e com que evidência. É a pergunta de procedência que você já faz a um número estranho no dashboard, de que tabela veio, quem calculou e com que filtro, aplicada a um texto. O que tirei daqui foi fazer a mesma pergunta à resposta do chat, que não tem assinatura nem veículo, e por isso a pede ainda mais: quem produziu o texto que o modelo resumiu, com que interesse ele foi escrito e que evidência sustenta a afirmação que chegou tão bem formatada. Quando a resposta não permite responder a nenhuma das três, ela é um ponto de partida para procurar a fonte, e nada além disso.
Saiba onde ela erra antes de perguntar
O AILit Framework é o marco de letramento em IA da Comissão Europeia e da OCDE para a educação básica, com a versão final publicada em junho de 2026 (AILit Framework, Empowering Learners for the Age of AI). Ele é vizinho direto da educação midiática: a OCDE vai medir as duas coisas juntas no PISA 2029, a sua avaliação internacional de estudantes, num domínio só de leitura crítica de informação e de máquinas (AILit Framework). O que o marco traz de próprio é o sistema: letramento em IA é entender como os sistemas de IA funcionam, avaliar com senso crítico as oportunidades e os riscos que eles trazem e usá-los com responsabilidade, num percurso que vai de usar a IA conferindo saídas e vieses até decidir se ela serve à tarefa, manter a supervisão humana e propor mudanças nos sistemas. O marco admite que recusar ou limitar o uso de IA pode ser uma escolha responsável.
Foi escrito para alunos de escola, e o profissional adulto que pergunta ao chat está na mesma posição que eles em um ponto: usa um sistema cujo funcionamento não conhece. Com uma biblioteca nova você provavelmente já faz o que o marco pede que se faça com a IA, lê a seção de limitações antes de copiar o exemplo de uso. A regra que tirei daqui é aprender como a ferramenta funciona e onde ela erra antes de decidir se ela serve para a tarefa, e tratar o não usar como uma das respostas possíveis dessa decisão. O jeito mais barato de descobrir onde ela erra é a regra anterior: conferir algumas respostas contra a fonte antes de confiar nela para as outras. Para quem estuda, saber onde o modelo erra é o que transforma a resposta vaga e a resposta errada, os dois primeiros danos, em coisas que se percebem a tempo.
Certificado não mede o que mudou
Upskilling é melhorar as habilidades para o papel que você já ocupa, e reskilling é aprender habilidades novas para mudar de papel, de carreira ou de setor (Wikipedia, Retraining). É nesta anotação que entra quem recebeu da empresa o link do curso de IA e a cobrança do certificado, sem que ninguém tenha perguntado o que mudou no trabalho depois.
Quem trabalha com dados conhece a diferença entre métrica de atividade e métrica de resultado, e horas de curso são atividade. A regra é medir pelo que mudou no trabalho, porque o certificado de conclusão registra só que o curso terminou, e curso terminado é o equivalente corporativo da resposta que fez sentido na hora. A pergunta que mede é outra: que tarefa você passou a fazer, ou a fazer diferente, depois do treinamento, e o que você consegue explicar sobre ela sem abrir o material.
Decida o que fica com você antes de abrir o chat
A Human Agency Scale é uma escala de cinco níveis proposta por Yijia Shao e colegas, de Stanford, para medir quanto envolvimento humano uma tarefa de trabalho pede quando é feita com agentes de IA, sistemas que executam tarefas com algum grau de autonomia. Ela nasceu como a contraparte humana dos níveis de automação de veículos, que vão do carro sem assistência ao carro sem motorista e partem da máquina; a escala vira a pergunta para o lado da pessoa e mede quanto envolvimento humano cada tarefa deve manter (Shao e colegas, Future of Work with AI Agents, arXiv).
Vai de H1, em que o agente faz a tarefa sozinho, a H5, em que a tarefa não anda sem a pessoa o tempo todo, passando por H2, em que o agente precisa de pouca participação humana, H3, em que pessoa e agente formam uma parceria, e H4, em que o agente precisa da pessoa para concluir a tarefa. Os autores perguntaram a trabalhadores de dezenas de ocupações que nível eles desejam para as tarefas do seu trabalho e insistem que um nível alto não é melhor em si: há tarefas que as pessoas querem entregar inteiras ao agente e tarefas que querem manter. Pense nos níveis de automação de um pipeline: o que roda sozinho, o que roda e você confere linha a linha, o que você faz à mão.
A escala foi feita para tarefas de trabalho, e dela eu levo para o estudo uma coisa só: decidir de antemão quanto da tarefa a ferramenta assume. A pergunta, eu troco por outra, porque a escala não tem um nível sem agente e o estudo precisa dele: quanto daquilo eu quero ser capaz de refazer sozinho depois. Antes de abrir o chat, decido isso. O que eu quero saber fazer fica comigo, mesmo que a ferramenta gere código e explique, porque a compreensão é tarefa minha, e eu a cobro de mim pedindo a explicação, questionando o conceito, refazendo. Os padrões de nota alta do experimento da Anthropic se parecem com isso: gerar e depois entender, pedir a explicação junto com o código, perguntar só o conceito. Nos três, a pessoa pediu a compreensão junto com o código.
“Eu não quero aprender tudo o que pergunto ao chat, quero entregar.” Nem deve. A consulta pontual, o comando que você não vai usar de novo, a sintaxe que o editor completa, pode ficar inteira com a ferramenta sem culpa, e tratar toda pergunta como estudo é desperdiçar o que ela tem de melhor. O que falha é não decidir. Quando a mesma pergunta serve para entregar hoje e para saber fazer amanhã, e você não escolheu qual das duas estava fazendo, a resposta pronta vira a escolha, e ela costuma ser a delegação.
Oitenta e sete horas de vídeo e nenhum incidente resolvido
“Isso já acontecia com vídeo, livro e tutorial.” Acontecia, e o título da palestra do Jeferson Fernando diz isso: horas de vídeo assistidas também fazem sentido na hora e também não resolvem um incidente de verdade. A passividade é mais velha do que o chat. O que a IA acrescenta, na minha leitura, é a passividade sob medida: o vídeo era igual para todo mundo, e a explicação da IA chega no seu nível, no seu ritmo e sobre a sua dúvida.
A resposta que a MESA propõe, pelo manifesto da própria metodologia, é colocar a IA onde o estudante produz, e não como um widget de tirar dúvida (LINUXtips, MESA, Metodologia da LINUXtips). O princípio que trata disso cita a pesquisa de Lee e colegas e lista três usos: a IA gera o quiz a partir da aula, conduz uma entrevista técnica falada por módulo e faz o code review de cada etapa do projeto. Nos três usos a ferramenta cobra o que o estudante produz, em vez de entregar a resposta, que é a ordem inversa da conversa em que a explicação chega pronta.
O Dojo, o treino diário da plataforma, é a primeira regra deste texto posta em prática (LINUXtips, MESA). São até três itens por dia, escolhidos, com repetição espaçada, entre o que o estudante está prestes a esquecer e o módulo em que ele mais erra. A repetição espaçada, distribuir as revisões no tempo em vez de concentrá-las, é a resposta prática à curva de Ebbinghaus: cada revisão alonga o intervalo até a próxima e achata a queda.
E o que a metodologia chama de princípio meta é aprender a aprender: o ciclo da tecnologia encurta, treinar para uma stack específica entrega obsolescência, e a autonomia para aprender a próxima é o que fica com o profissional quando a ferramenta muda. Tudo isso é a descrição que a escola faz do próprio produto, e o manifesto cita estudos para cada princípio sem medir o efeito da plataforma. O que o desenho dela mostra é uma resposta ao que Lee e colegas mostram, com um movimento só: somar à IA que responde uma IA que cobra o que o estudante produziu, que é o contrário de aprender por delegação.
A prova é amanhã, sem o chat
“Esquecer é normal, esse teste de explicar no dia seguinte reprova todo mundo.” A curva concorda com a primeira metade: a queda vem rápido, e é nas primeiras horas e nos primeiros dias que ela é maior. Só que a prova mede outra coisa: a explicação que você reconstrói sem o chat, com o que ficou e com o que você refaz no caminho, que é o que o Dojo cobra todo dia, por quiz e código, e o que a entrevista técnica falada cobra a cada módulo, por explicação. Quem entendeu e esqueceu um detalhe reconstrói com uma falha; quem aprendeu por delegação costuma não ter por onde começar.
Aprendeu com a IA? Menos do que você acha, até provar amanhã. Do sábado em Maringá fiquei com duas práticas, e as duas acontecem fora da conversa com a ferramenta.
- A primeira vem antes de abrir o chat: decidir quanto daquela tarefa fica com você, que é o contrário de aprender por delegação, e aceitar que a parte que você entrega inteira à IA não vai virar conhecimento seu, o que está certo para consulta e errado para o que você quer saber fazer.
- A segunda vem no dia seguinte: explicar a um colega o que a IA te ensinou ontem, sem abrir o chat de novo. Se a explicação sair, você aprendeu. Se não sair, você leu. Não aprendeu.