Educação | guIA

Mollick na sala de aula: um olhar crítico e agencial

Wed, 26 Aug 2026 00:00:00 +0000

O mapa prático: da proibição ao engajamento

Ethan Mollick —professor em Wharton, autor de Co-Intelligence— é hoje a referência obrigatória de quem pensa a IA generativa na sala de aula a partir de uma posição pragmática: nem pânico nem entusiasmo cego, mas experimentação deliberada. Seu ponto de partida é simples e, ao mesmo tempo, incômodo: a IA já consegue resolver a maioria das tarefas escolares tradicionais melhor do que um estudante médio, e os detectores de “texto gerado por IA” não funcionam de maneira confiável. Proibir não é uma política, é uma ficção que delega ao estudante toda a responsabilidade por um problema estrutural.

Daí um punhado de ideias que vale a pena ter à mão:

Os sete papéis da IA em sala de aula (com Lilach Mollick): tutora, coach, mentora, colega de equipe, ferramenta, simuladora, “aluna” (o estudante ensina a IA para verificar sua própria compreensão). Cada papel tem um benefício pedagógico específico e um risco específico —a IA como tutora, por exemplo, pode se contradizer ou oferecer uma base de conhecimento uniforme, porém errada. A contribuição não é “usar ou não usar IA”, mas nomear em que caráter ela é convidada para a tarefa.
Redesenho da avaliação: mais instâncias em sala de aula e de baixo risco, foco no processo (rascunhos, notas, defesas orais) e não só no produto final, tarefas ancoradas no que é local e discutido em aula —o que um modelo não consegue replicar tão facilmente—, e transparência obrigatória sobre o que foi usado e para quê.
A sala de aula invertida: a IA como tutora disponível e paciente fora do horário de aula, e o tempo presencial reservado para o que realmente exige estar no mesmo lugar —debate, trabalho colaborativo, correção na hora.
Habilidades duráveis: em vez de ensinar engenharia de prompts (que envelhece rápido), cultivar critério, uma voz própria, conhecimento de domínio para poder auditar o que a IA devolve, e agência: a pergunta que importa não é o que a IA vai fazer com a educação, mas o que escolhemos fazer com ela.

Esse último ponto —agência— é a dobradiça para o que vem a seguir.

Um olhar crítico e agencial

O marco de Mollick é o mais útil que existe hoje para a sala de aula concreta, e por isso vale a pena adotá-lo. Mas adotá-lo sem mais nada também arrisca ficar no nível da sala de aula, como se a pergunta se fechasse ali. Vale a pena esticá-lo em duas direções.

Da agência individual à capacidade institucional. Mollick usa “agência” num sentido basicamente individual: o docente ou o estudante que decide, tarefa por tarefa, como convidar a IA. É um ponto de partida necessário, mas insuficiente se isolado —é o risco de explicar um problema estrutural apelando só para a decisão de uma pessoa (a “falácia micro-macro”). Pensado com Sen e Nussbaum, o que caberia perguntar de cada uso de IA em sala de aula não é só “isso melhora a nota ou economiza tempo?”, mas que liberdades reais isso amplia ou restringe? Uma tutora de IA disponível 24 horas por dia pode ampliar a capacidade de aprender de quem não tem acesso a apoio pedagógico fora da aula —ou pode, se o modelo custa 20 dólares por mês e a instituição não subsidia, se tornar mais uma vantagem para quem já a tinha. A agência de Mollick é necessária, mas precisa se completar com essa pergunta institucional, não permanecer como uma virtude puramente individual.

A perspectiva do Sul Global, que o marco de Mollick não contempla. Os “20 dólares por mês” ou a recomendação de “usar o modelo de ponta durante dez horas” são gestos triviais para quem escreve de Filadélfia e muito menos triviais para uma escola pública na periferia ou numa região rural da América Latina. Três tensões concretas:

Colonialidade de dados e dependência infraestrutural. As tutoras de IA instaladas nas salas de aula do Sul Global são, em sua enorme maioria, produtos de um punhado de empresas do Norte, treinadas majoritariamente em inglês e sobre corpora que não refletem os contextos, os exemplos nem as variedades do espanhol ou do português falados aqui. Adotar o marco dos “sete papéis” sem perguntar quem projetou a tutora, com quais dados e a que custo (energético, econômico, de privacidade dos próprios estudantes) é repetir, em miniatura, o mesmo padrão de extração e dependência que atravessa a IA em geral.
Comuns epistêmicos e seu cercamento. A resposta institucional mais sólida não é “proibir ou assinar”, mas investir em alternativas abertas —modelos e ferramentas educacionais que as universidades e os Estados da região possam auditar, adaptar e sustentar sem depender de uma API estrangeira que pode subir de preço ou mudar os termos de uso sem aviso. A questão de política pública não é apenas pedagógica.
Governança adaptativa, não lados. Nem a proibição centralizada nem o “cada docente que resolva sozinho” funcionam. O próprio Mollick chega a uma conclusão parecida no nível da disciplina (categorias explícitas de uso permitido/limitado/proibido, comunicadas com clareza); transposto para o nível do sistema educacional, isso pede políticas públicas construídas com participação docente, não impostas de cima nem entregues ao mercado.

Sensibilidade farmacológica, não resolução prematura

Vale a pena resistir a duas tentações simétricas: o pânico (“a IA está arruinando o pensamento crítico”) e o entusiasmo acrítico (“finalmente cada estudante tem uma tutora pessoal”). Seguindo Stiegler, a IA na sala de aula é um pharmakon: a mesma ferramenta que pode ampliar o acesso à explicação personalizada pode também aprofundar a dependência de infraestrutura alheia. Sustentar essa ambivalência —e não encerrá-la com um sim ou um não definitivo— é, paradoxalmente, a posição mais rigorosa. Adotar os sete papéis de Mollick como caixa de ferramentas concreta, sim; adotá-los como se resolvessem sozinhos a pergunta sobre a quem serve a IA na educação do Sul Global, não.

O que vem a seguir é a contraparte operativa de tudo isto: não o que caberia pensar sobre a IA na sala de aula, mas o que efetivamente se escreve no programa de uma disciplina na segunda-feira de manhã.

Sugestões de leitura

Mollick, E. (2024). Co-Intelligence: Living and Working with AI. Portfolio.

Mollick, E. e Mollick, L. (2023). .

UNESCO (2023). .

EDUCAUSE (2024). .

Continuar em Política institucional (v0.1)

Política de IA para a sala de aula: modelo de programa e guia institucional (v0.1)

Wed, 26 Aug 2026 00:00:00 +0000

Nota

Esta é uma primeira versão (v0.1): um ponto de partida pensado para ser adaptado disciplina por disciplina e instituição por instituição, não um texto fechado. Combina o pragmatismo de sala de aula de Mollick com a ética centrada nas pessoas da UNESCO e o marco de governança institucional da EDUCAUSE.

A entrada anterior deste capítulo discute o que significa pensar a IA na sala de aula com agência e olhar crítico. Esta é sua contraparte operacional: um texto que um docente pode colar diretamente no programa de sua disciplina, e uma nota de orientação para pensar a política no nível da disciplina ou da instituição.

Quadro para o programa (pronto para colar)

Uso de IA nesta disciplina. O uso de inteligência artificial se organiza em três categorias —permitida, limitada ou proibida— e cada atividade ou trabalho vai indicar qual se aplica.

Quando a IA está permitida ou limitada, quem a usa deve declará-lo, verificar o que ela produz e continua sendo o único responsável pela exatidão, integridade e versão final do seu trabalho.

A IA nunca pode ser usada para inventar fontes, dados, citações ou resultados, nem para enviar informação confidencial, pessoal ou institucionalmente sensível a sistemas não aprovados.

Nota de orientação docente

Por que três categorias e não um sim ou um não

Uma proibição geral é, na prática, inaplicável e impossível de verificar; um “vale tudo” sem condições esvazia boa parte do sentido da avaliação. Definir explicitamente o que é permitido, o que é limitado a certas etapas e o que é proibido —e dizê-lo em cada consigna, não só uma vez no início do semestre— é o que, na prática, evita as duas saídas fáceis.

IA permitida: para o que visa explorar, receber devolutiva, fazer um brainstorming, planejar, traduzir ou praticar. Quem a usa ainda assim precisa verificar o que obtém e declarar o uso se foi significativo.
IA limitada: pode ser usada apenas nas etapas ou para os fins que a consigna nomeia explicitamente (por exemplo, para montar um primeiro esquema, mas não para redigir a análise). Tudo o que não estiver nomeado, não está permitido.
IA proibida: para instâncias pensadas para avaliar raciocínio sem assistência, desempenho em sala de aula, explicação oral, leitura de fontes, ou qualquer tarefa que envolva informação protegida ou confidencial.

Redação no nível da consigna

Cada trabalho deveria nomear sua categoria e, se for “limitada”, dizer em uma ou duas frases o que exatamente é permitido. Por exemplo:

“IA limitada: você pode usá-la para pensar possíveis perguntas de pesquisa e para revisar a redação, mas não para gerar a análise nem as referências.”

Isso reduz a ambiguidade mais comum —“posso fazer isso com IA ou não?"— e torna o critério consistente entre turmas e docentes da mesma disciplina.

Declaração de uso

Basta uma frase breve ao final do trabalho:

“Usei uma IA para fazer um brainstorming e para revisar a redação; verifiquei o resultado com a bibliografia da disciplina e editei a versão final. Os erros que restarem são meus.”

Desenho da avaliação

Como boa parte das tarefas domiciliares tradicionais já pode ser resolvida hoje por uma IA, vale a pena deslocar algum peso para evidências de processo e de desempenho: rascunhos comentados, defesa oral breve, produção em sala de aula, diários de processo, e consignas ancoradas em discussões pontuais do semestre que um modelo não consegue reconstruir sem ter estado em sala.

Privacidade e ética

Advertir explicitamente: não enviar dados pessoais, informações de outros estudantes, material de pesquisa não publicado, nem documentos internos a sistemas que não tenham sido aprovados pela disciplina ou pela instituição. Este ponto é especialmente sensível em disciplinas de método, práticas e trabalhos de campo.

Modelo curto para a disciplina

IA permitida: você pode usá-la para gerar ideias, praticar e revisar; declare o uso significativo e verifique o que ela devolve.
IA limitada: apenas para o que esta consigna nomeia explicitamente; qualquer outro uso não é permitido.
IA proibida: não a use para este trabalho, porque ele avalia seu raciocínio sem assistência ou porque há informação protegida em jogo.

Da disciplina à instituição

Um quadro de programa resolve o problema no nível de uma disciplina. Uma política institucional —o que, de fato, seria necessário para que isso deixe de depender da boa vontade de cada docente— também precisa de:

Um vocabulário compartilhado entre disciplinas e departamentos, para que a mesma expressão (“IA limitada”) signifique a mesma coisa em todo o curso.
Plataformas aprovadas e critérios claros de proteção de dados, coordenados com quem gerencia infraestrutura e privacidade na instituição —não cada disciplina negociando por conta própria com um fornecedor.
Desenvolvimento docente, não apenas uma circular: espaço para que cada disciplina adapte as três categorias à sua área.
Equidade de acesso explícita: se a política assume uma assinatura paga ou um dispositivo próprio, ela também precisa prever uma alternativa para quem não os tem.

Este último ponto se conecta com o que foi discutido na entrada anterior deste capítulo: uma política institucional que não pergunta quem pode pagar pelo acesso, e com qual infraestrutura, resolve o problema da sala de aula individual mas reproduz a mesma assimetria na escala da instituição inteira.

Uma política declara o que se pode fazer; não mostra o que foi feito. A entrada seguinte resenha uma proposta técnica para cobrir essa distância —deixar registro verificável de cada intervenção do modelo— e o que ela custa.

Sugestões de leitura

Mollick, E. e Mollick, L. (2023). .

UNESCO (2023). .

EDUCAUSE (2024). .

Continuar em Blockchain e rastreabilidade de IA

Blockchain para auditar o tutor de IA: uma proposta técnica de rastreabilidade

Sat, 29 Aug 2026 00:00:00 +0000

O problema: uma tutora que não presta contas

Xiao, Huang, Huang, Ren e Li partem de um diagnóstico já familiar neste capítulo: os sistemas baseados em LLM que hoje tutelam, avaliam ou geram conteúdo em sala de aula herdam as limitações do modelo que os sustenta —alucinações, validação insuficiente do conhecimento de domínio, resultados inconsistentes— e essas falhas podem se traduzir diretamente em piores aprendizagens. A pergunta dos autores não é se convém usar um LLM na educação superior online, mas o que acontece depois de um erro: quem pode rastreá-lo, comprová-lo e se responsabilizar.

A proposta: um livro-razão que ninguém pode alterar

A solução que propõem combina duas peças. De um lado, serviços baseados em LLM que oferecem a interface educacional inteligente —tutoria personalizada, geração de conteúdo, avaliação automatizada. De outro, uma blockchain de consórcio (permissionada, não pública) que atua como livro-razão seguro e inalterável de tudo o que importa auditar: dados do processo de aprendizagem, credenciais acadêmicas e os resultados produzidos pelo LLM. O resultado é um rastro completo e auditável que permite atribuir responsabilidade quando uma deficiência educacional se origina em um erro do modelo, sem depender de que alguém a reporte por conta própria.

Como isso dialoga com o resto do capítulo

Essa proposta técnica funciona como contraparte de infraestrutura de algo que a entrada anterior deste capítulo resolve por norma: a declaração de uso pede ao estudante que diga o que fez com a IA e se responsabilize pelo resultado; aqui se propõe que o próprio sistema deixe um rastro inalterável, sem depender da boa-fé de quem declara. São respostas complementares ao mesmo problema —como sustentar a responsabilidade quando há uma IA no meio— a partir de dois níveis diferentes: a norma da disciplina e a infraestrutura técnica.

Mas vale lê-la com a mesma cautela aplicada ao marco de Mollick. Uma blockchain de consórcio não é de graça: supõe coordenar infraestrutura entre instituições, nós que alguém precisa operar e manter, e uma governança do consórcio que decide quem entra e quem fica de fora —as mesmas perguntas de custo e acesso que já apareceram ao falar de colonialidade de dados e comuns epistêmicos. E há uma tensão que o artigo não discute: registrar de forma imutável o “processo de aprendizagem” de cada estudante, erros incluídos, é também construir um histórico permanente de suas tentativas e equívocos. Auditar o modelo não deveria significar deixar de lado a privacidade de quem aprende.

A proposta inteira supõe uma instituição capaz de sustentar uma infraestrutura assim: de decidi-la, financiá-la e governá-la. A entrada seguinte revisa a evidência global sobre essa capacidade, e o panorama é bem menos animador que o projeto técnico.

Sugestões de leitura

Xiao, F., Huang, J., Huang, J.-X., Ren, H. e Li, L. (2026). Integrating LLM with consortium blockchain for personalized and verifiable online education in higher education. International Journal of Educational Technology in Higher Education, 23(1), Artigo 42.

Continuar em Governança antecipatória: uma revisão global

Governança antecipatória para a IA na universidade: o que diz a evidência global

Sat, 29 Aug 2026 00:00:00 +0000

O objeto: como se governa a IA na universidade, não só na sala de aula

As duas entradas anteriores deste capítulo olham para a IA a partir da disciplina —o que fazer com um LLM numa aula concreta, como redigir uma política de programa. Baroudi muda de escala: uma revisão exploratória (scoping review) de 19 fontes acadêmicas e de literatura cinzenta (2020–2025) sobre como as instituições de educação superior estão governando, ou tentando governar, a transformação que a IA traz no nível organizacional e de sistema.

O achado: governança antecipatória, não reativa

Na literatura levantada, o modelo que se repete é o de “governança antecipatória” (anticipatory governance): prospecção (foresight), participação ativa de docentes, estudantes e outros atores, e uma mudança no papel tradicional de liderança e de docência rumo a perfis com letramento de dados, inclusivos, colaborativos e voltados para o futuro. A ideia de fundo é simples, mas exige reorganizar a instituição: não esperar que a IA imponha suas consequências para só então reagir, e sim antecipar cenários e construir capacidade institucional antes que o problema chegue à sala de aula.

A lacuna que interessa a este capítulo

O mais relevante para o fio condutor deste capítulo é a lacuna que a revisão encontra entre teoria e implementação: os marcos de governança antecipatória existem na literatura, mas esbarram em marcos de política fracos e em infraestrutura digital limitada, de modo particularmente marcado no Sul Global —a revisão nomeia explicitamente o mundo árabe, a África Subsaariana e o Sudeste Asiático. É a mesma tensão apontada na leitura de Mollick (agência individual sem capacidade institucional não basta) e a mesma que motiva a proposta de blockchain da entrada anterior (uma infraestrutura de rastreabilidade que pressupõe justamente a capacidade institucional que esta revisão encontra ausente em boa parte do planeta). Três entradas, três escalas —disciplina, sistema técnico, sistema de governo— para o mesmo problema: a lacuna entre o que um marco conceitual permite pensar e o que uma instituição concreta consegue sustentar.

As três escalas compartilham um pressuposto que nenhuma se detém a discutir: que sabemos do que estamos falando quando dizemos agência, autoria ou responsabilidade. Enquanto a discussão é prática, o pressuposto se sustenta; assim que é preciso escrever uma regra, cai. É disso que se ocupa o capítulo seguinte.

Sugestões de leitura

Baroudi, S. (2026). Anticipatory governance and leadership for AI implementation in higher education: A scoping review. International Journal of Educational Technology in Higher Education, 23(1), Artigo 39.

Continuar em Filosofia da IA