A IA pode mais do que a universidade lhe pede

Enquanto um conselho académico delibera sobre se permite ou não o uso de inteligência artificial nos trabalhos de licenciatura, os estudantes que esperam fora da sala já a estão a usar para os redigir. A cena, repetida com variações em quase todas as universidades, condensa um desajuste temporal que convém nomear sem eufemismos: a maioria das nossas instituições opera com um atraso de compreensão de cerca de dois anos relativamente às capacidades reais da inteligência artificial generativa que os seus próprios estudantes já manejam diariamente. Esse atraso não é técnico nem orçamental. É um atraso de compreensão operativa, e produz decisões institucionais formuladas para um cenário tecnológico que já não existe.

Em outubro de 2024 aconteceu algo que vale a pena ler com atenção institucional. O Prémio Nobel da Física reconheceu John Hopfield e Geoffrey Hinton pelos fundamentos da aprendizagem automática com redes neuronais, e o da Química distinguiu David Baker, Demis Hassabis e John Jumper pelo desenho computacional de proteínas e pela previsão da sua estrutura. Prever como se dobra uma proteína era um problema em aberto desde os anos setenta; o sistema AlphaFold, apresentado em 2020, resolveu-o com uma exatidão antes inalcançável, e em 2024 tinha sido usado por mais de dois milhões de investigadores em cento e noventa países. O que durante meio século levava anos hoje leva minutos. O dado que importa para esta universidade não é o prémio em si, mas o que revela: se a inteligência artificial já produz resultados científicos de primeira grandeza, o desfasamento decisivo não está no que a tecnologia pode fazer, mas no pouco que a instituição lhe pede.

O primeiro capítulo documentou a curva de capacidades da inteligência artificial generativa entre 2022 e 2026. Este capítulo traduz essa curva em operações concretas, observáveis hoje numa universidade, e não num horizonte de cinco anos. A pergunta que o guia é deliberadamente concreta: o que faz especificamente a inteligência artificial generativa de fronteira hoje numa universidade, e que transformações operativas habilita já, sem necessidade de esperar por desenvolvimentos futuros? O ponto é que a distinção importante para uma universidade não é a que separa o que a inteligência artificial pode fazer em abstrato do que não pode fazer, mas outra mais exigente: a que separa o que a inteligência artificial faz de forma verificável hoje, quando se lhe solicita bem —o seu potencial técnico verificável—, do que a instituição poderia sustentar se organizasse a sua incorporação com um modelo articulado —a sua consequência operativa provável—. Essa distinção opera como bússola de todo o capítulo: cada afirmação sobre o que a IA faz fica ancorada em evidência disponível, e cada afirmação sobre o que a universidade poderia fazer fica marcada como hipótese derivável, nunca como facto consumado.

O capítulo cinco projetará para 2030 o que já hoje se observa; aqui limito-me a ancorar com honestidade o que se observa no presente, função a função. E o capítulo seis retomará as preocupações legítimas que este percurso inevitavelmente abre.

4.1A inteligência artificial generativa nas cinco funções universitárias

A transformação não chega com a mesma intensidade a todo o lado; opera de forma assimétrica consoante a função que toca. Na docência, a inteligência artificial generativa habilita a personalização da retroalimentação à escala —cada estudante pode receber observações específicas sobre a sua própria produção—, o desenho curricular assistido —planos de aula, sequências didáticas, avaliações— e a mediação de uma tutoria sustentada para além da sala de aula. Na investigação, assiste a revisão sistemática de literatura, a exploração de hipóteses alternativas, a análise preliminar de dados qualitativos e quantitativos, e a produção de rascunhos que o investigador itera. Na administração, automatiza processos de admissão, redige comunicações estruturadas, assiste o planeamento orçamental e produz relatórios executivos a partir dos dados institucionais.

Na extensão e na apropriação social do conhecimento, traduz a produção académica especializada para registos acessíveis a comunidades específicas e permite gerar com rapidez materiais formativos contextualizados. E na articulação com o meio externo, assiste o mapeamento de necessidades empresariais, a formulação de propostas conjuntas entre universidade e empresa, e a produção de materiais de projeção institucional. Defendo que nenhuma destas cinco funções pode governar-se sem um modelo institucional articulado, e a razão é precisamente a que percorre o livro: a inteligência artificial opera sobre as cinco ao mesmo tempo, de modo que a resposta institucional fragmentada —cada função a defender-se por sua conta— reproduz os fracassos que o capítulo dois documentou.

4.2A curva de capacidades verificável

Ponhamos números em cima da mesa, porque a magnitude do fenómeno discute-se melhor com dados do que com impressões. Os dados verificáveis ao fecho desta primeira edição são os que o Anexo F do livro regista, e que se atualiza a cada semestre justamente porque a curva não se detém. Em abril de 2026, o Claude Mythos Preview alcançou os noventa e três vírgula nove por cento no SWE-bench Verified, uma prova de engenharia de software profissional, e os noventa e quatro vírgula seis por cento no GPQA Diamond, uma prova de ciência de nível de pós-graduação. Em junho de 2026 essa capacidade saiu da pré-visualização: a Anthropic disponibilizou-a de forma geral como Claude Fable 5, o seu primeiro modelo de classe Mythos aberto ao público, com salvaguardas que encaminham as consultas de maior risco para um modelo menos capaz. O GPT-5.5 alcançou os oitenta e oito vírgula sete por cento nessa mesma prova de engenharia e os oitenta e quatro vírgula nove por cento no GDPval, uma prova de trabalho profissional realista. O Gemini 3.1 Pro alcançou os noventa e quatro vírgula três por cento no GPQA Diamond, operando com uma janela de contexto de um milhão de unidades de texto. E, no plano do uso, o Anthropic Economic Index de março de 2026 documentou que quarenta e nove por cento dos empregos analisados já tem pelo menos uma quarta parte das suas tarefas realizadas com a assistência do modelo de IA, e que o uso colaborativo —aquele em que a inteligência artificial complementa as capacidades do utilizador em vez de as substituir— aumentou relativamente ao relatório anterior. Dou estes nomes e estes números bem ciente de que envelhecerão; o Anexo F existe precisamente para que o leitor contraste a versão vigente, publicada em esgenial.io, com a que tem nas mãos.

A consequência imediata para a universidade é estrutural, e não admite rodeios: as provas de raciocínio técnico com que a universidade certifica o domínio profissional são superadas de forma sistemática por dispositivos ao alcance de qualquer estudante com uma conta gratuita ou de baixo custo. A pergunta institucional que importa não é se isto acontece —acontece, e é documentável—, mas o que certifica então a universidade. O capítulo três já respondeu que a universidade pode certificar a iteracção governada com a inteligência artificial; este capítulo acrescenta o reverso do argumento: a capacidade da IA contra a qual se itera é já alta, e continuará a subir. A secção seguinte precisa, por isso, o que conta como afirmação verificável e o que conta como consequência derivável, porque dessa distinção depende a honestidade de todo o resto.

4.3O que a IA faz e o que a universidade poderia fazer

Toda afirmação sobre inteligência artificial na universidade pertence a um de dois planos, e confundi-los é a fonte mais comum tanto das promessas infundadas como do ceticismo paralisante. O modelo SinergIA mantém-nos rigorosamente separados. O primeiro plano é o do potencial técnico verificável: o que a inteligência artificial generativa faz, em maio de 2026, quando se lhe solicita corretamente, conforme fica registado em provas verificáveis e em estudos independentes. Este plano é factual: os números são os que são e os relatórios são os que são, de modo que o desacordo razoável só pode recair sobre as metodologias específicas de medição, nunca sobre a existência do fenómeno.

O segundo plano é o da consequência operativa provável: o que uma universidade poderia sustentar se organizasse a sua incorporação sob um modelo articulado. Este plano não é factual mas derivável: opera por inferência razoável a partir de padrões documentados de adoção tecnológica, e está condicionado pela trajetória específica de cada instituição, pela capacidade da sua AIUAT, pela qualidade do AIA-i que construa e pela maturidade da sua articulação com a empresa e o território. Afirmo que confundir ambos os planos é a origem de dois erros simétricos: as promessas infundadas, quando uma consequência apenas provável se apresenta como verificada, e a subestimação operativa, quando um potencial técnico verificável se rebaixa a mera hipótese. O capítulo quinze voltará a esta diferenciação ao tratar as métricas relacionais do modelo, porque é aí que a distinção se torna instrumento de medição e não apenas cautela retórica.

4.4O AIA-i em operação: a ilustração do AEI

Até aqui o argumento foi geral; vale a pena concretizá-lo num dispositivo concreto que já opera, para que não fique como promessa. O AEI, o Acompanhante Epistémico de Iteracção, é um dos cinco AIA-i institucionais do modelo SinergIA, o que corresponde à subdimensão académica. Opera no laboratório do projeto EsGenIAl-Mente, desenvolvido com o propósito explícito de validar empiricamente o dispositivo. O AEI articula três operações ao mesmo tempo: o acompanhamento epistémico ao estudante —as perguntas que o estudante talvez não esteja a formular, os quadros de comparação entre fontes, a retroalimentação sobre a qualidade argumentativa da sua própria produção—; a iteracção governada —os ciclos sucessivos em que a saída do modelo de IA é objeto de uma intervenção significativa e argumentada do estudante—; e a rastreabilidade do processo completo, que permite verificá-lo depois.

O que faz com que a operação do AEI seja verificável, e não uma anedota inspiradora, é a materialização institucional da intervenção significativa com os seus três elementos simultâneos: o manuscrito prévio do estudante, o ciclo iteractivo registado e a defesa argumentada. O AEI não entrega ao estudante um produto; entrega-lhe um quadro para que o estudante produza. A diferença é categorial, não de grau. O capítulo onze desenvolverá o AIA-i em geral, com um critério explícito para discriminar um AIA-i autêntico de um mero wrapper trivial; aqui basta deixar ancorado que o dispositivo existe, opera, é verificável e funciona já dentro de uma das cinco funções universitárias, a docência, sob o modelo SinergIA.

4.5O que ensina a Wikipédia nas bibliotecas universitárias

A história recente oferece um ensaio geral do que hoje acontece com a inteligência artificial, e vale a pena recordá-lo porque o seu desfecho é instrutivo. A Wikipédia foi fundada em janeiro de 2001. As bibliotecas universitárias do mundo reagiram a princípio com uma desconfiança categórica: a fonte não era de pares, não era validável pelos processos académicos tradicionais e, portanto, não devia ser nem citável nem consultável pelos estudantes nos seus trabalhos. A diretriz operativa foi a proibição ou a restrição severa. Mas por volta de 2010 a evidência já contradizia as diretrizes: cerca de oitenta por cento dos estudantes universitários norte-americanos declarava usar a Wikipédia de forma regular como ponto de entrada às suas investigações, mesmo onde a instituição o proibia formalmente. A biblioteca universitária produzia, sem o nomear, um fenómeno idêntico em estrutura ao Shadow AI institucional de hoje: um uso real que ocorria fora das diretrizes formais, enquanto a instituição negava que ocorresse.

Por volta de 2010, a maioria das bibliotecas universitárias do mundo tinha abandonado a proibição e adotado o que o campo chamou literacia informacional: ensinar o estudante a usar a Wikipédia com critério, em vez de lhe proibir usá-la. O paralelo com a inteligência artificial generativa de 2026 é estruturalmente análogo, com duas diferenças que o capítulo seis precisará. A primeira é a velocidade: o que com a Wikipédia levou cerca de dez anos, com a IA está a acontecer em quatro. A segunda é a profundidade cognitiva da mudança: a Wikipédia entregava informação, ao passo que a inteligência artificial generativa entrega articulação, algo muito mais próximo do núcleo mesmo da operação universitária. A lição operativa, no entanto, permanece intacta: proibir não resolve, não ensinar resolve ainda menos, e só governar ensina.

4.6A assimetria entre o possível e o governado

Chegamos assim ao desajuste com que abriu o capítulo, agora enunciado como problema central. A assimetria entre o que a IA faz e o que a universidade governa é observável e, o que é pior, cresce. O inquérito sobre inteligência artificial no ensino superior latino-americano de 2026, elaborado pelo Digital Education Council juntamente com o Tecnológico de Monterrey sobre mais de trinta mil respostas de vinte e nove instituições, documentou que noventa e dois por cento dos estudantes já usa inteligência artificial, dois em cada três pelo menos uma vez por semana. Embora o inquérito seja latino-americano e não abranja toda a Ibero-América, o padrão é dificilmente discutível. As universidades, entretanto, formularam na sua maioria diretrizes que regulam um uso de intensidade muito menor do que a real, e muitas fizeram-no com critérios herdados da era pré-generativa: a ênfase na deteção, a restrição curso a curso, a sanção individual. O resultado é um Shadow AI institucional generalizado: a instituição nega o que acontece, os estudantes operam fora de umas diretrizes que percebem como desatualizadas, e os docentes ficam numa zona cinzenta, sem orientação institucional clara.

Defendo que esta assimetria é um problema central e não uma diferença marginal que o tempo resolverá por si só, e a razão é precisa: a instituição que opera com uma assimetria sustentada perde a capacidade de governar o que já acontece e, sobretudo, de aprender com isso. Cada ano de assimetria sustentada é um ano de aprendizagem institucional perdido, e essa aprendizagem não se recupera depois. O capítulo cinco mostrará como se vê uma universidade sem essa assimetria, operando com uso visível e governado; o capítulo seis precisará por que razão o uso visível e governado é estruturalmente superior ao uso invisível permitido por omissão. Que é melhor o uso visível e governado do que o invisível e tolerado é um dos princípios estáveis do modelo SinergIA, e convém tê-lo presente desde já.

Voltemos ao conselho académico que deliberava enquanto os estudantes já usavam a ferramenta lá fora. O problema dessa cena não é que os estudantes se adiantem; é que a instituição debate num plano e a realidade acontece noutro. Enquanto essa distância se mantiver, a universidade não governa o seu presente: padece-o.