Em 2011, o professor Sergio Juárez Correa entrou em sua sala de aula em Matamoros, cidade fronteiriça mexicana marcada pela violência do narcotráfico, e fez algo incomum: empurrou as carteiras para formar grupos, sentou-se junto aos alunos e perguntou o que eles queriam aprender. A reportagem da revista americana Wired, publicada em outubro de 2013 sob o título "A Radical Way of Unleashing a Generation of Geniuses"[1], contou como essa mudança revelou Paloma Noyola Bueno, filha de um catador de material reciclável, como a melhor nota em matemática de todo o país no exame nacional mexicano daquele ano. A história corre o mundo há mais de uma década. O que ela ainda tem a dizer, agora que a inteligência artificial generativa chega às salas de aula brasileiras, é a pergunta que este texto tenta responder.
Juárez Correa não inventou seu método sozinho. Ele se inspirou nas pesquisas do indiano Sugata Mitra, então professor da Universidade de Newcastle, que desde o fim dos anos 1990 vinha testando o que chamou de "educação minimamente invasiva": instalar computadores em becos de favelas e vilarejos pobres e simplesmente observar o que crianças sem qualquer instrução formal conseguiam aprender sozinhas[2]. Em Matamoros, sem internet estável e com aulas frequentemente sem eletricidade, o professor adaptou a ideia ao que tinha à mão: moedas de um peso para ensinar frações, desenhos de prismas e pirâmides para deduzir fórmulas de volume, debates abertos sobre temas que iam de imigração a direitos civis. Os alunos passaram a formular as próprias perguntas antes de receber qualquer resposta pronta.
"Você tem uma coisa que te torna igual a qualquer criança do mundo: potencial." — foi essa a frase com que o professor abriu o experimento, segundo o relato da Wired.
01Um método com raízes antigas e resultados contestados
A ideia de que crianças aprendem melhor quando exploram por conta própria não nasceu em Matamoros nem com Mitra. Ela remonta a Sócrates, passa por Maria Montessori e Jean Piaget e ganhou força científica com estudos de neurociência que associam maior controle do próprio ritmo de aprendizagem a ganhos de retenção. Ainda assim, o próprio projeto de Mitra, batizado de "Escolas na Nuvem" depois de receber o prêmio TED de um milhão de dólares em 2013, enfrentou críticas consistentes ao longo dos anos: pesquisadores da área de tecnologia educacional apontaram amostras pequenas, ausência de publicações revisadas por pares e falta de dados de longo prazo sobre os alunos participantes[3]. Educadores como John Wood, fundador da ONG Room to Read, chegaram a contestar publicamente a proposta, argumentando que alfabetização básica e presença de professores continuam sendo pré-requisitos que nenhuma tecnologia substitui em regiões sem infraestrutura mínima[2]. Revisões mais recentes do trabalho de Mitra reconhecem que replicações em diferentes países confirmaram parte dos achados originais, mas mantêm a ressalva: certas habilidades, como domínio de mecânica de escrita ou prática sistemática de cálculo, parecem exigir instrução mais estruturada do que a simples exploração livre permite[4].
Essa tensão, entre deixar o aluno explorar e garantir que ele adquira competências específicas, é exatamente o que reaparece, com outro vocabulário, no debate brasileiro sobre inteligência artificial na escola.
02O ponto de partida do Brasil em 2026
Os números mais recentes do Programa Internacional de Avaliação de Estudantes (Pisa), aplicado pela OCDE, ajudam a medir a distância entre o ideal de Matamoros e a realidade das redes públicas brasileiras. No Pisa 2022, o Brasil obteve 379 pontos em matemática, ante uma média de 472 pontos entre os países da OCDE[5]. Quase três em cada quatro estudantes brasileiros (73,7%) ficaram na faixa mais baixa de proficiência em matemática, contra 31,1% na média da organização, e apenas 1% do total alcançou os níveis mais altos da escala, ante 9% na média da OCDE[5]. O Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira (Inep) observa que os resultados brasileiros têm se mantido notavelmente estáveis desde 2009, o que é, ao mesmo tempo, um alívio (não houve piora adicional na pandemia) e um sinal de que o país está preso a um patamar baixo há mais de uma década[6].
É nesse cenário que a inteligência artificial entra no currículo oficial. A partir de 2026, torna-se obrigatória a implementação da BNCC Computação, que já prevê, desde 2022, diretrizes sobre pensamento computacional, mundo digital e cultura digital nas escolas de educação básica[7]. O Plano Brasileiro de Inteligência Artificial (PBIA 2024-2028) inclui, entre suas ações para a educação, a criação de sistemas de tutoria de matemática com IA generativa e ferramentas de gestão escolar baseadas em IA[8]. Em março deste ano, o Ministério da Educação (MEC) lançou um referencial nacional de orientações para o uso de inteligência artificial na educação básica e superior[8].
🔍 Contraponto: adoção não é o mesmo que aprendizagem
Pesquisas recentes mostram que professores brasileiros já adotam ferramentas de IA em ritmo acima da média internacional: segundo o levantamento Talis 2024 da OCDE, 56% dos docentes do país afirmam usar IA no trabalho pedagógico, contra 36% na média da organização, o que coloca o Brasil na 10ª posição global no ranking de adoção[9]. O uso mais comum é para gerar planos de aula (77%) e ajustar automaticamente a dificuldade de materiais conforme as necessidades dos alunos (64%)[10].
Mas o mesmo levantamento revela dois gargalos que ecoam diretamente a lição de Matamoros: 39% dos professores brasileiros dizem precisar de formação específica para usar IA de forma pedagógica, e 60% relatam falta de infraestrutura tecnológica na escola, número bem acima da média da OCDE (37%)[10]. Adotar uma ferramenta sem formação docente adequada é, em essência, repetir o erro que Juárez Correa evitou ao não simplesmente entregar computadores aos alunos e torcer para que algo bom acontecesse.
03O que a evidência recente diz sobre IA e aprendizagem
Se em 2013 a grande dúvida era se crianças aprendiam sozinhas com um computador, em 2026 a pergunta ficou mais específica: elas aprendem com um tutor que conversa, corrige e responde de forma personalizada? Os primeiros estudos controlados sobre IA generativa começam a responder isso, e o quadro é mais matizado do que qualquer manchete otimista sugere.
Um experimento randomizado do Banco Mundial em nove escolas públicas do Estado de Edo, na Nigéria, colocou estudantes do ensino médio para usar o Microsoft Copilot (baseado em GPT-4) em aulas de reforço de inglês, sempre sob supervisão docente e com roteiros pensados para estimular raciocínio, não apenas fornecer respostas prontas. O resultado foi um ganho de 0,23 desvio padrão em inglês, equivalente a algo entre um ano e meio e dois anos de escolaridade convencional, tornando o programa um dos mais custo-efetivos já registrados para melhorar aprendizagem em países de renda baixa[11][12]. Um efeito colateral notável: alunos que partiam de desempenho inicial mais baixo, tiveram ganhos mais acelerados que os colegas, reduzindo a disparidade de gênero nos resultados[12].
Um estudo randomizado conduzido na Universidade Harvard, em um curso introdutório de física, comparou estudantes que usaram um tutor de IA desenhado com base em práticas pedagógicas reconhecidas contra estudantes em aulas tradicionais de aprendizagem ativa. Os que usaram o tutor de IA aprenderam significativamente mais em menos tempo e relataram maior engajamento e motivação[13].
O fator decisivo, em ambos os experimentos, não foi a tecnologia em si, mas o desenho pedagógico por trás dela: roteiros que forçam o raciocínio do aluno em vez de entregar a resposta.
É exatamente esse ponto que um terceiro estudo, publicado na Proceedings of the National Academy of Sciences por pesquisadores da Wharton School, transforma em alerta. Ao testar dois tipos de acesso ao GPT-4 entre quase mil estudantes de matemática do ensino médio, um deles sem qualquer restrição e outro programado para atuar como tutor com salvaguardas, os pesquisadores descobriram que ambos os grupos tiveram desempenho melhor durante os exercícios de prática. Mas quando o acesso à IA foi removido, os alunos que usaram a versão sem restrições tiveram desempenho 17% pior na prova final do que um grupo de controle que nunca teve acesso à ferramenta[14]. Os autores descrevem o fenômeno como uso da IA como "muleta": o aluno resolve o exercício com ajuda, mas não internaliza o raciocínio, e isso só é evitado quando a ferramenta é desenhada para orientar em vez de responder.
04A lição que atravessa treze anos
A sala de aula de Matamoros não funcionou porque um computador ou uma ideia importada resolveu tudo sozinha. Funcionou porque um professor redesenhou deliberadamente o papel que ocupava, trocando respostas por perguntas, e manteve-se presente para orquestrar o processo, ainda que sem os recursos tecnológicos que se tornaram comuns depois. É esse mesmo desenho, aluno no centro, tecnologia como apoio e não substituto, adulto mediando o processo, que aparece nos experimentos de tutoria com IA mais bem-sucedidos hoje, e que falta justamente nos casos em que a ferramenta prejudicou o aprendizado.
Para o Brasil, que chega a 2026 com a obrigatoriedade da BNCC Computação, professores dispostos a adotar IA em ritmo acima da média mundial e uma lacuna de formação e infraestrutura reconhecida pelos próprios docentes, o experimento mexicano de mais de uma década atrás funciona menos como modelo a copiar e mais como um lembrete: a variável que determina o sucesso nunca foi a tecnologia disponível, mas a intenção pedagógica de quem está na sala de aula.