Categoria: Política econômica e políticas públicas

  • A inteligência artificial melhora o aprendizado? Um novo estudo sugere uma resposta muito menos confortável

    A inteligência artificial melhora o aprendizado? Um novo estudo sugere uma resposta muito menos confortável

    Uma meta-análise de 85 estudos encontrou efeito médio positivo da IA generativa na educação STEM, mas mostrou que esse resultado é altamente heterogêneo e pode desaparecer quando a IA substitui, em vez de ampliar, a atividade cognitiva do estudante.

    A pergunta está errada

    Nos últimos anos, a discussão sobre inteligência artificial na educação foi dominada por uma pergunta:

    “A IA melhora o aprendizado?”

    Parece uma boa pergunta.

    Mas talvez seja uma pergunta ruim.

    É como perguntar:

    “Calculadora melhora matemática?”

    Depende.

    Para uma criança aprendendo aritmética básica, entregar uma calculadora pode eliminar justamente o exercício mental que deveria desenvolver.

    Para um engenheiro fazendo cálculos complexos, a mesma calculadora pode aumentar drasticamente sua capacidade.

    O problema não é apenas a ferramenta.

    É o que a ferramenta faz com a atividade cognitiva do usuário.

    Uma nova meta-análise publicada em 25 de agosto ajuda a tornar essa discussão muito mais precisa.

    O tamanho da pesquisa impressiona

    Os pesquisadores fizeram uma revisão sistemática de estudos publicados depois de 2017.

    A busca foi realizada em bases como:

    • ERIC;
    • PsycINFO;
    • Web of Science.

    Depois de triagem e seleção, chegaram a 85 estudos elegíveis.

    Desses, 49 estudos, com 59 tamanhos de efeito, apresentavam condições adequadas para a meta-análise quantitativa. A maioria envolvia ensino superior e ferramentas de IA generativa baseadas em texto, como ChatGPT. Springer

    Isso é muito diferente de pegar um único experimento e concluir:

    “A IA funciona.”

    Aqui temos uma tentativa de olhar para o conjunto da literatura.

    O primeiro resultado parece excelente

    A meta-análise convencional encontrou um efeito geral positivo da IA generativa sobre resultados cognitivos em educação STEM.

    Se parássemos aqui, a manchete seria óbvia:

    “IA melhora a aprendizagem.”

    Mas os pesquisadores fizeram algo que uma boa ciência precisa fazer.

    Olharam para a qualidade e a consistência do efeito.

    E apareceu um problema enorme.

    Os estudos discordam muito entre si

    A heterogeneidade estatística chegou a I² = 96,32%.

    É um número muito alto.

    Significa que a diferença entre os resultados dos estudos não pode ser explicada simplesmente por erro amostral.

    Em outras palavras:

    a IA não está produzindo o mesmo efeito em todos os contextos.

    Em alguns experimentos, o resultado é positivo.

    Em outros, pequeno.

    Em outros, pode ser negativo.

    O contexto importa muito.

    Então os pesquisadores fizeram outra pergunta

    E se parte dos resultados positivos publicados estiver relacionada a viés de publicação?

    O problema é conhecido.

    Estudos que encontram resultados interessantes têm maior probabilidade de serem publicados do que estudos que encontram resultados nulos.

    Se isso acontece, a literatura publicada pode parecer mais positiva do que a realidade.

    Os autores utilizaram uma Robust Bayesian Meta-Analysis, conhecida como RoBMA, para testar essa possibilidade.

    O resultado foi particularmente interessante:

    o efeito positivo geral encontrado na meta-análise convencional pode ser explicado em grande parte pelo viés de publicação. Springer

    Isso não significa:

    “IA não funciona.”

    Seria uma interpretação errada.

    Significa algo mais importante:

    não temos evidência suficiente para dizer que simplesmente adicionar IA ao processo educacional produz um grande ganho cognitivo geral.

    Mas apareceu uma pista muito mais interessante

    Os autores encontraram diferenças importantes dependendo do tipo de atividade cognitiva realizada.

    A pesquisa utilizou o framework ISAR, que classifica a relação entre intervenção e atividade cognitiva em termos de:

    • inversão;
    • substituição;
    • ampliação;
    • redefinição.

    A ideia básica é perguntar:

    a IA está ajudando o aluno a fazer mais do que faria sozinho ou está fazendo o trabalho que o aluno deveria fazer?

    Essa distinção muda tudo.

    Imagine dois estudantes

    O primeiro recebe um problema de física.

    Ele tenta resolver.

    Depois usa a IA para:

    • verificar seu raciocínio;
    • encontrar um erro;
    • pedir uma explicação alternativa;
    • comparar métodos;
    • receber perguntas que o façam pensar.

    A IA está funcionando como uma espécie de tutor.

    O estudante continua fazendo o trabalho cognitivo.

    Agora imagine outro estudante.

    Recebe o mesmo problema.

    Copia para a IA.

    Recebe a solução.

    Entrega.

    Não precisou construir a resposta.

    Os dois utilizaram exatamente a mesma tecnologia.

    Mas o processo cognitivo foi completamente diferente.

    É aí que a meta-análise fica interessante

    Os autores concluem que a IA generativa parece mais promissora quando aumenta as atividades de aprendizagem dos estudantes, em vez de substituí-las.

    Quando a IA substitui a atividade cognitiva que deveria ser realizada pelo estudante, o resultado pode ser prejudicial. Springer

    Isso aproxima a discussão sobre IA de uma ideia muito antiga da educação:

    aprender exige atividade.

    Não basta receber informação.

    Informação não é conhecimento

    Esse talvez seja o ponto central.

    Uma pessoa pode pedir à IA:

    “Explique a teoria da vantagem comparativa.”

    Receber uma excelente explicação.

    Ler.

    Concordar.

    E continuar sem saber aplicar o conceito.

    Porque compreensão passiva não é necessariamente aprendizagem profunda.

    Para aprender economia, física ou programação, o aluno precisa também:

    • recuperar informação;
    • resolver problemas;
    • cometer erros;
    • receber feedback;
    • explicar conceitos;
    • comparar alternativas;
    • construir respostas.

    A IA pode ajudar em várias dessas etapas.

    Mas também pode eliminá-las.

    O risco da terceirização cognitiva

    Imagine um estudante que utiliza IA para escrever todos os textos.

    Ele pode terminar o semestre com textos melhores.

    Mas isso não significa necessariamente que tenha aprendido a escrever melhor.

    Essa distinção é fundamental.

    Produto final e aprendizagem são variáveis diferentes.

    Uma ferramenta pode melhorar o primeiro enquanto prejudica a segunda.

    É exatamente o tipo de confusão que uma avaliação educacional precisa evitar.

    E a pesquisa ainda tem limitações

    Os próprios autores são cautelosos.

    Variáveis importantes foram pouco reportadas nos estudos, incluindo:

    • alfabetização em IA;
    • habilidades metacognitivas;
    • qualidade dos prompts;
    • comportamento de verificação;
    • delegação de tarefas.

    Além disso, a evidência sobre desafios enfrentados pelos alunos e intervenções pedagógicas ainda foi considerada limitada e inconsistente. Springer

    Portanto, não estamos diante da palavra final sobre IA e educação.

    Estamos diante de uma fotografia importante de uma literatura ainda em desenvolvimento.

    A pergunta que deveríamos fazer nas escolas

    Em vez de:

    “Devemos permitir IA?”

    talvez seja melhor perguntar:

    “Quais atividades queremos que o aluno continue fazendo sozinho, quais podemos ampliar com IA e quais podem ser automatizadas?”

    Essa pergunta é muito mais útil.

    Porque não transforma a IA em vilã nem em solução mágica.

    Transforma-a em ferramenta.

    Isso vale para além da educação

    O mesmo problema aparece no trabalho.

    Uma IA que escreve um relatório pode aumentar produtividade.

    Mas uma IA que escreve todos os relatórios pode impedir que profissionais desenvolvam determinadas competências.

    Uma IA que programa pode aumentar a capacidade de um desenvolvedor experiente.

    Mas pode dificultar a formação de um iniciante se ele nunca precisar entender por que o código funciona.

    A questão é a mesma:

    automação aumenta capacidade ou substitui aprendizado?

    Conclusão

    A nova meta-análise não mostra que a inteligência artificial é boa ou ruim para a educação.

    Mostra algo mais útil:

    o efeito depende do que acontece com a atividade cognitiva do estudante.

    Quando a IA amplia o processo de aprendizagem, há evidências promissoras.

    Quando ela simplesmente substitui o trabalho intelectual que deveria ser realizado pelo aluno, o benefício pode desaparecer — ou até se transformar em prejuízo. Springer

    Isso muda completamente a discussão.

    O futuro da educação provavelmente não será decidido pela pergunta:

    “IA ou professor?”

    Será decidido por uma pergunta muito mais difícil:

    “Quais partes do processo de aprender devemos automatizar — e quais precisamos preservar justamente porque exigem esforço?”

    Fontes e referências

    1. Boolzen, C.; Kuhn, J.; Flegr, S.; Rott, E.-M.; Stausberg, N.; Küchemann, S. “Evidence of impact and interpretational limits of generative AI in STEM education: a systematic review and meta-analysis on cognitive learning outcomes.” Artificial Intelligence Review, publicado em 25 ago. 2026. Springer
    2. Revisão sistemática registrada previamente pelos autores e disponibilizada junto ao artigo.

  • O problema da produtividade brasileira não se resolve apenas com juros mais baixos

    Há uma explicação que aparece com frequência no debate econômico brasileiro:

    o Brasil cresce pouco porque os juros são altos.

    Há uma parte verdadeira nisso.

    Juros elevados reduzem investimento, encarecem crédito e dificultam projetos de longo prazo.

    Mas essa explicação é insuficiente.

    O problema brasileiro é mais profundo:

    mesmo quando o dinheiro fica mais barato, a economia precisa saber onde investir e como transformar capital, trabalho e tecnologia em mais produção.

    Esse é o problema da produtividade.

    O crescimento tem limites

    Uma economia pode crescer porque emprega mais pessoas.

    Pode crescer porque aumenta o estoque de máquinas e infraestrutura.

    E pode crescer porque aprende a produzir mais com os mesmos recursos.

    Esse terceiro componente é a produtividade.

    É ele que permite aumentar a produção sem simplesmente aumentar proporcionalmente a quantidade de trabalhadores ou máquinas.

    O Banco Central destacou recentemente que o crescimento brasileiro continua sendo acompanhado de perto por questões relacionadas à produtividade e à capacidade de expansão da economia. No primeiro trimestre de 2026, o PIB cresceu 1,1%, mas o próprio Banco Central projetava crescimento anual de apenas 2,0%, abaixo do ritmo observado em anos anteriores.

    O Brasil tem uma restrição importante

    O país está chegando a uma situação em que simplesmente aumentar a quantidade de trabalhadores disponíveis será cada vez mais difícil.

    Isso torna produtividade mais importante.

    Um estudo do Ipea sobre crescimento de longo prazo destaca justamente a mudança de composição dos motores do crescimento: conforme a economia se aproxima de uma situação de pleno emprego, infraestrutura e produtividade passam a ganhar peso maior na expansão potencial.

    Em outras palavras:

    não basta colocar mais gente para trabalhar.

    Precisamos fazer cada trabalhador produzir mais valor.

    E isso não é responsabilidade apenas do trabalhador

    Aqui existe um erro recorrente no debate.

    Quando se fala em produtividade, às vezes a discussão termina em:

    “Precisamos qualificar melhor o trabalhador.”

    Sim.

    Mas isso é apenas parte da história.

    Um trabalhador altamente qualificado produz pouco se trabalha em uma empresa que utiliza tecnologia obsoleta, enfrenta logística ruim, sofre com burocracia, não consegue acessar crédito adequado e está inserido em uma cadeia produtiva pouco sofisticada.

    Produtividade é também uma característica do ambiente econômico.

    Tecnologia importa

    O Brasil possui universidades e centros de pesquisa capazes de produzir conhecimento científico relevante.

    O problema é transformar esse conhecimento em inovação produtiva.

    Isso exige conexão.

    Universidade precisa conversar com empresa.

    Empresa precisa ter incentivo para inovar.

    O sistema financeiro precisa financiar projetos de longo prazo.

    O Estado precisa reduzir obstáculos institucionais.

    E as políticas públicas precisam ser avaliadas pelo resultado.

    O debate sobre a nova política industrial brasileira segue justamente essa direção. Estudos do Ipea argumentam que uma política industrial moderna precisa estar associada à transformação estrutural, inovação, produtividade e encadeamentos produtivos — e não simplesmente à proteção de setores existentes.

    O problema da indústria brasileira

    A questão industrial é particularmente importante.

    O Ipea registra que o Brasil perdeu posições relativas em produtividade, complexidade e inovação ao longo das últimas décadas, enquanto sua estrutura produtiva se tornou mais dependente de importações em diversos segmentos industriais.

    Isso não significa que toda política industrial seja boa.

    Muito menos que proteger empresas automaticamente produza desenvolvimento.

    Significa apenas que uma economia que perde capacidade tecnológica e produtiva enfrenta um problema estrutural.

    A solução precisa ser igualmente estrutural.

    Juros baixos ajudam?

    Sim.

    Mas juros baixos são condição necessária em muitos casos, não condição suficiente.

    Imagine uma empresa diante de duas possibilidades.

    Na primeira, investir R$ 10 milhões em uma nova fábrica que produz tecnologia avançada e atende a um mercado crescente.

    Na segunda, comprar ativos financeiros porque a estrutura produtiva brasileira oferece poucas oportunidades competitivas.

    Reduzir juros pode alterar a decisão.

    Mas se o primeiro projeto continuar pouco rentável por causa de infraestrutura ruim, baixa produtividade, falta de fornecedores ou incerteza regulatória, o dinheiro barato não cria magicamente uma boa oportunidade.

    O verdadeiro debate

    Por isso, a pergunta correta não é:

    “O Brasil precisa de juros menores?”

    É:

    “O que precisamos fazer para que, quando os juros caírem, existam projetos produtivos suficientemente bons para absorver capital?”

    Essa pergunta leva diretamente a:

    • infraestrutura;
    • educação;
    • inovação;
    • ambiente de negócios;
    • segurança jurídica;
    • política industrial;
    • integração comercial;
    • financiamento de longo prazo;
    • capacidade estatal;
    • qualidade regulatória.

    É uma agenda muito mais difícil do que simplesmente pressionar o Banco Central.

    O risco de confundir sintoma e causa

    Juros elevados podem ser parte do problema.

    Mas uma economia com baixa produtividade também tende a ter dificuldades para sustentar crescimento elevado.

    E existe uma relação circular:

    baixa produtividade → menor crescimento → menor capacidade de investimento → menor inovação → baixa produtividade.

    Romper esse ciclo exige mais do que política monetária.

    Exige investimento.

    Mas, sobretudo, exige investimento de qualidade.

    É por isso que o desenvolvimento brasileiro não deveria ser medido apenas pela quantidade de capital que entra na economia.

    A pergunta mais importante é:

    quanto mais a economia consegue produzir com cada real investido?

    Esse é o número que determina o crescimento sustentável.

  • Às vezes, uma política pública não precisa informar mais. Precisa fazer as pessoas prestarem atenção

    Existe uma hipótese bastante intuitiva por trás de muitas políticas públicas: se as pessoas receberem a informação correta, tomarão decisões melhores.

    É uma hipótese razoável.

    Mas pode estar incompleta.

    Um novo artigo publicado no American Economic Journal: Economic Policy por Guilherme Lichand, Nina Cunha, Ricardo A. Madeira e Eric Bettinger apresenta uma evidência particularmente interessante: em determinadas situações, fazer uma questão ganhar saliência pode produzir efeitos tão grandes quanto fornecer informação personalizada sobre ela.

    E o experimento foi realizado no Brasil.

    Informação não é a mesma coisa que atenção

    Os pesquisadores estudaram o comportamento de pais de estudantes e compararam diferentes tipos de mensagens.

    Um grupo recebia informações semanais sobre a frequência e o esforço do próprio filho.

    Outro grupo recebia mensagens desenhadas para aumentar a saliência da questão, mas sem fornecer a mesma informação individualizada.

    A diferença é pequena na aparência, mas enorme do ponto de vista da economia comportamental.

    No primeiro caso, estamos tentando mudar a decisão através de informação.

    No segundo, estamos tentando mudar a decisão através de atenção.

    Os pesquisadores encontraram efeitos relevantes da intervenção informativa sobre frequência, desempenho em testes e progressão escolar. Mas o resultado mais interessante veio do grupo de saliência: seus resultados melhoraram pelo menos tanto quanto os do grupo que recebeu informação personalizada.

    Isso desafia uma ideia muito comum

    Imagine que uma prefeitura queira reduzir a evasão escolar.

    Uma resposta tradicional seria construir um sistema para informar aos pais:

    “Seu filho faltou quatro vezes este mês.”

    Faz sentido.

    Mas o estudo sugere uma possibilidade diferente.

    Talvez parte do efeito não esteja no fato de os pais descobrirem uma informação que desconheciam.

    Talvez esteja simplesmente em fazê-los pensar na frequência escolar naquele momento.

    Essa diferença é fundamental.

    Porque informação custa dinheiro.

    Atenção também é escassa, mas pode ser muito mais barata de mobilizar.

    O mecanismo é comportamental

    A economia tradicional frequentemente começa com indivíduos que possuem informações e escolhem racionalmente diante delas.

    A economia comportamental introduz uma complicação importante: nem toda informação disponível recebe a mesma atenção.

    Podemos saber que deveríamos fazer exercícios e não fazer.

    Podemos saber que deveríamos economizar e não economizar.

    Podemos saber que nosso filho está faltando à escola e, ainda assim, não transformar essa informação em uma mudança de comportamento.

    O problema não é necessariamente ignorância.

    Pode ser saliência insuficiente.

    É uma distinção que muda o desenho da política.

    Uma política pode ser melhor simplesmente porque chama atenção para a decisão certa

    Esse resultado tem implicações que vão muito além da educação.

    Pense em vacinação.

    Em vez de simplesmente disponibilizar informações sobre vacinação, uma política pode lembrar o cidadão exatamente quando ele precisa tomar uma decisão.

    Pense em aposentadoria.

    Em vez de fornecer quarenta páginas sobre previdência, pode chamar atenção para uma decisão específica:

    “Você está poupando o suficiente para a aposentadoria?”

    Pense em inadimplência.

    Em vez de explicar toda a matemática dos juros compostos, pode apresentar uma informação no momento em que o consumidor está prestes a assumir uma nova dívida.

    O mecanismo é parecido.

    A política pública não precisa necessariamente colocar mais informação na cabeça das pessoas. Pode precisar colocar a decisão certa no campo de visão delas.

    Isso é muito importante para quem avalia políticas públicas

    Existe uma consequência metodológica interessante.

    Quando avaliamos uma política, normalmente perguntamos:

    “As pessoas receberam informação?”

    Mas talvez devêssemos perguntar:

    “A intervenção alterou informação, atenção, crenças ou comportamento?”

    Esses mecanismos não são equivalentes.

    Um programa pode não aumentar o conhecimento medido em um questionário e, ainda assim, melhorar comportamentos.

    Também pode acontecer o contrário: aumentar conhecimento sem produzir nenhuma mudança prática.

    A avaliação de impacto precisa, portanto, olhar para mecanismos, e não apenas para o resultado final.

    E aqui está a parte que mais me interessa

    O artigo é uma boa demonstração de uma ideia que considero cada vez mais importante em políticas públicas: o desenho da intervenção importa tanto quanto o benefício que estamos tentando oferecer.

    Duas políticas podem disponibilizar exatamente o mesmo recurso.

    Uma funciona.

    A outra não.

    A diferença pode estar no modo como o cidadão encontra a política, percebe o benefício, interpreta a informação e decide agir.

    Essa é uma das razões pelas quais economia comportamental e avaliação causal estão se aproximando tanto.

    A pergunta deixou de ser apenas:

    “A política funciona?”

    Estamos começando a perguntar:

    “Por qual mecanismo ela funciona?”

    E, quando descobrimos o mecanismo, podemos começar a redesenhar a política para torná-la mais barata, simples e eficaz.

    Esse é um resultado que vale muito mais do que uma conclusão específica sobre educação.

    Ele mostra como atenção pode ser uma variável de política pública.

    Fonte principal: Lichand, Cunha, Madeira e Bettinger, When the Effects of Informational Interventions Are Driven by Salience—Evidence from School Parents in Brazil, American Economic Journal: Economic Policy, vol. 18, nº 3, agosto de 2026. O artigo disponibiliza também pacote de replicação e material suplementar.