Um dia dentro de uma universidade que não esperou

Entremos numa universidade que aproveita hoje, em plenitude, o que a inteligência artificial já permite. Importa a precisão desde a primeira linha: não é uma universidade do futuro nem uma promessa de folheto. É o retrato do que uma instituição poderia fazer neste preciso momento se usasse as capacidades que já existem, que já estão implementadas e que qualquer um pode verificar. Um estudante do segundo ano fecha uma sessão com o acompanhante epistémico do seu curso e desce à cafetaria para discutir com dois colegas o que acaba de descobrir. Uma investigadora termina uma manhã de revisão de literatura assistida sobre milhares de artigos e entra no seminário para defender, perante os seus pares e sem assistência nenhuma, a hipótese que decidiu sustentar. Na administração, um agente institucional resolve em horas, sob supervisão, um processo de vários passos que antes levava semanas, e ninguém perdeu o emprego: o pessoal faz agora o trabalho de juízo que a máquina não faz. A inteligência artificial está em todo o lado, e no entanto o que define essa universidade continua a ser profundamente humano.

A pergunta que organiza este capítulo vale a pena formulá-la com cuidado, porque da sua formulação depende que o capítulo não se leia como o que não é: como operaria uma universidade que aproveitasse plenamente as capacidades de inteligência artificial que já existem hoje, e o que é que isso lhe exige quanto ao perfil profissional com que gradua os seus estudantes? Defendo uma tese que estrutura todo o capítulo e que convém antecipar. O cenário que descrevo não precisa de apostar em nenhum prognóstico: constrói-se inteiramente sobre capacidades que já estão disponíveis, documentadas e atribuíveis a modelos e empresas concretos em maio de 2026. Se tomar deliberadamente o pressuposto mais conservador imaginável —que a inteligência artificial não avançasse nem mais um passo a partir de hoje—, a conclusão do capítulo sustenta-se na mesma, e por isso é difícil de refutar. Desenvolvo o cenário em dois planos: um cenário base, construído apenas com o que já existe bem aproveitado —que em 2026 inclui já capacidades agênticas que há um ano eram promessa—, e um cenário alargado, que projeta a trajetória a três anos. O segundo reforça o primeiro; o primeiro não precisa dele, e é mais amplo do que parecia.

5.1Que tipo de exercício é este: o cenário como banda, não como prognóstico

Precisemos à partida que tipo de objeto é este cenário, porque o campo está cheio de futurologia sobre a inteligência artificial na universidade, e este capítulo não quer juntar-se a ela. Um cenário, no sentido rigoroso da prospetiva, não é uma predição do que acontecerá, mas uma construção argumentada do que poderia acontecer sob pressupostos explícitos. A diferença importa: a predição acerta ou falha; o cenário orienta independentemente de se cumprir. O que aqui construo é uma banda com dois planos. O plano base reúne o que a inteligência artificial já faz hoje de forma verificável, plenamente aproveitado por uma instituição que o saiba usar. O plano alargado projeta essa trajetória a um horizonte de três anos.

A decisão metodológica que sustenta o capítulo é trabalhar primeiro, e sobretudo, com o plano base. Não porque creia que a inteligência artificial se deterá —não o creio, e quase ninguém o crê—, mas porque construir o argumento sobre o pressuposto mais conservador torna-o inatacável. Se o cenário base, feito apenas com o disponível hoje, já basta para justificar que a universidade deve organizar a sua incorporação da inteligência artificial, então o plano alargado apenas reforça uma conclusão já ganha. Esta é uma escolha deliberada de honestidade intelectual: prefiro um argumento que se sustenta no pior dos casos a um que depende de acertar o porvir. O plano alargado, com as suas fontes e projeções, desenvolvo-o na secção 5.6, mostrando o intervalo entre o que prometem as empresas e o que concedem os céticos, e argumentando a partir do piso desse intervalo.

5.2O piso do cenário: o presente que a universidade não aproveitou

Começo pelo mais incómodo, que é também o mais sólido. O verdadeiro ponto de partida não é o que a inteligência artificial poderá fazer, mas o que já faz e a universidade não aproveitou. O fosso decisivo não separa a universidade de um futuro incerto: separa-a de um presente que já transbordou os seus quadros. O Relatório do Índice de Inteligência Artificial de Stanford de 2026 documenta este fosso com uma crueza que há que olhar de frente: cerca de noventa por cento dos estudantes do ensino superior nos Estados Unidos já usa inteligência artificial para tarefas académicas, ao passo que apenas seis por cento do corpo docente declara ter políticas claras sobre o seu uso. A distância entre o comportamento estudantil e a resposta institucional não é de dez ou vinte pontos: é de dezenas de pontos, e descreve uma instituição que chegou tarde ao seu próprio presente.

Essa subutilização tem uma causa concreta e mensurável: a maioria da comunidade universitária não sabe o que as ferramentas que já tem à mão são capazes de fazer. O mesmo relatório de Stanford estima que o valor que a inteligência artificial generativa entrega aos utilizadores norte-americanos atingiu cifras da ordem dos cento e setenta mil milhões de dólares anuais no início de 2026, com um valor mediano por utilizador que triplicou entre 2025 e 2026. E vale a pena concretizá-lo no quotidiano: um modelo de fronteira custa hoje entre vinte e duzentos dólares por mês, e a versão gratuita que muitos estudantes já usam executa tarefas que há dois anos teriam parecido ficção científica. O problema, então, não é de acesso nem de custo: é de desconhecimento do potencial do que já está pago ou disponível. Uma universidade que nem sequer explora o que a sua ferramenta atual permite não está a regular o futuro; está a ignorar o presente.

5.3O cenário base: o que já existe, plenamente aproveitado

Vejamos agora, com nomes concretos, de que capacidades falamos, porque a força do cenário base depende de serem reais e verificáveis, não esticadas. Em maio de 2026, os modelos de fronteira de várias empresas operam com janelas de contexto de pelo menos um milhão de tokens —é o caso do GPT-5.5 da OpenAI, do Claude Opus 4.8 da Anthropic, do Gemini 3.5 da Google, do DeepSeek V4 e do Qwen da Alibaba—, o que significa que uma só consulta pode processar repositórios completos de documentos, livros inteiros ou horas de material transcrito. Isto não é uma projeção: é a configuração disponível hoje. Para uma universidade, significa que a revisão de literatura sobre milhares de artigos, a síntese de um corpus normativo completo ou a análise de um arquivo institucional inteiro deixaram de ser tarefas de semanas.

A segunda capacidade real e pouco aproveitada é o uso autónomo de computador por agentes. Aqui a trajetória é o dado mais eloquente. O Índice de Stanford de 2026 documenta que os agentes de inteligência artificial passaram de resolver doze por cento das tarefas complexas de computador em 2025 para cerca de sessenta e seis por cento em 2026, cruzando nesse percurso a linha de base de desempenho humano, que se situa em torno dos setenta e dois por cento no benchmark OSWorld. Modelos como o Claude Opus 4.8 da Anthropic e o GPT-5.5 da OpenAI já operam nesse intervalo, com cifras verificáveis: o Opus 4.8 alcança os oitenta e quatro por cento em provas de uso autónomo de navegador. Um agente pode hoje navegar interfaces reais, preencher formulários, operar folhas de cálculo e executar processos administrativos de vários passos. Isto é exatamente o tipo de capacidade que a administração universitária poderia aproveitar para libertar o pessoal das tarefas repetitivas e devolvê-lo ao trabalho de juízo.

A isto soma-se, em 2026, uma capacidade que até há pouco era projeção: a orquestração de subagentes em paralelo. Os modelos de fronteira podem hoje desencadear dezenas ou centenas de processos simultâneos que repartem entre si uma tarefa grande, a executam e verificam os seus resultados antes de a devolver. Para uma universidade, isto significa que tarefas de escala institucional —migrar um sistema documental completo, analisar todo um arquivo histórico, rever um corpus normativo inteiro— deixam de exigir semanas de trabalho humano repetitivo. A capacidade existe hoje; o que falta é a governança que a encaminhe.

5.4As funções universitárias no cenário base

Com essas capacidades reais em cima da mesa, o retrato da abertura deixa de ser aspiracional e torna-se descritivo do possível hoje. Na docência, o acompanhante epistémico de iteracção opera com o corpus de cada curso injetado no seu contexto, assiste o estudante sem substituir o seu trabalho, e regista o ciclo iteractivo por desenho. Na investigação, os dispositivos de revisão assistida processam corpus bibliográficos completos e libertam o investigador para o trabalho que não se delega: formular a hipótese, julgar a evidência, sustentar a defesa. Na administração, os agentes executam os processos pautados de admissão, comunicação e gestão documental sob supervisão humana das decisões críticas. E na extensão, os dispositivos traduzem a produção académica para registos acessíveis às comunidades do território. As cinco funções transformam-se, mas nenhuma se desumaniza: a inteligência artificial absorve o delegável e devolve às pessoas o que só elas fazem.

Distingamos dois graus de mudança nestas funções, porque nem tudo o que a inteligência artificial toca o transforma por igual. Num grau, a inteligência artificial otimiza o que a universidade já faz: prepara materiais, ordena referências, redige rascunhos, classifica pedidos. Faz mais depressa e mais barato o mesmo de sempre. Noutro grau, altera a natureza do processo: um agente que executa de princípio a fim um procedimento de vários passos, ou um dispositivo que assiste o ciclo completo de revisão de literatura, não acelera uma tarefa, redistribui quem faz o quê e desloca o trabalho humano para o juízo. A universidade que incorpora com um modelo distingue ambos os graus, porque exigem governança distinta: a otimização pede critério de uso; a transformação pede redesenho do processo e das responsabilidades.

Vale a pena insistir no que isto tem de verificável. Cada uma destas operações apoia-se em capacidades documentadas em maio de 2026, não em promessas. A universidade do cenário base não espera que a inteligência artificial melhore; aproveita a que já tem. E ao fazê-lo, descobre que o estrangulamento nunca foi tecnológico: era institucional e formativo. O que falta não são modelos mais potentes, mas a AIUAT que governe a sua incorporação, os AIA-i que os articulem com o corpus próprio e a formação que eleve a comunidade à banda de iteracção avançada. O cenário base demonstra, assim, a tese do livro inteiro: a incorporação da inteligência artificial é um problema de modelo institucional, não de capacidade técnica.

5.5O que o cenário exige ao perfil profissional de saída

Ora, o cenário base não é um retrato neutro: interpela algo muito concreto que a universidade assinou. Cada programa académico declara publicamente uns resultados de aprendizagem e um perfil profissional de saída, aquilo com que o estudante efetivamente sai e que a instituição se compromete, perante o estudante e perante as agências de qualidade, a formar. A pergunta que o cenário torna incontornável é direta: continuam a ser cumpríveis, e continuam a ter valor, os resultados de aprendizagem que um programa promete, quando uma parte deles descreve exatamente o que a inteligência artificial já faz hoje? O estudante que se gradua este ano, portando o perfil que o seu programa lhe prometeu, chega a um mundo profissional onde esse perfil se mede contra o que a inteligência artificial executa. Não é uma pergunta sobre 2030: é uma pergunta sobre a promessa institucional vigente.

Aqui cabe uma distinção que evita o erro de reduzir o problema a um corte de programas. Nem todo resultado de aprendizagem que a inteligência artificial possa executar deve eliminar-se do perfil de saída, porque há capacidades que o profissional deve continuar a ter ainda que a máquina as faça, precisamente para as poder governar: ninguém supervisiona o que não sabe fazer, nem deteta o erro de um sistema num domínio que não domina. O médico que não sabe diagnosticar não pode auditar um diagnóstico assistido. A pergunta fina, então, não é o que faz a inteligência artificial para o retirar do perfil, mas o que deve continuar a saber o diplomado para governar o que a inteligência artificial faz na sua profissão. Essa pergunta responde-se com um critério que o meu modelo pedagógico EsGenIAl-Mente desenvolve e que o capítulo dezoito apresenta: o das competências não delegáveis, aquelas que sustentam o juízo humano sobre o trabalho assistido. O perfil de saída não se esvazia: reorienta-se para o que conserva valor quando a inteligência artificial faz o resto. E essa reorientação é trabalho da cocriação curricular que o capítulo treze desenvolve.

5.6O cenário alargado: a trajetória a três anos como horizonte aberto

Até aqui, todo o argumento se sustentou sobre o plano base, sem projetar nada. Corresponde agora nomear o plano alargado, e fazê-lo com a mesma honestidade com que o livro declara os seus outros limites. O cenário alargado projeta a trajetória das capacidades da inteligência artificial a um horizonte de três anos, e constrói-se sobre três fontes que devem ler-se de forma articulada: o que os próprios modelos declaram que alcançarão, o que sustentam os responsáveis das empresas que os desenvolvem, e o que objetam os analistas céticos. A inclusão dos céticos não é um contrapeso decorativo, mas parte do método: dado que as empresas têm um interesse comercial evidente em projetar capacidades, o cenário honesto não pede acreditar nos otimistas, mas mostrar o intervalo entre o que prometem os mais interessados e o que concedem os mais reticentes, e argumentar a partir do piso desse intervalo.

A banda de plausibilidade a três anos não se apoia em especulação, mas na evolução de capacidades que já mostram uma trajetória. No teto que as empresas projetam, os agentes operariam como colaboradores cognitivos sustentados, capazes de levar tarefas de dias sob objetivos gerais; o contexto absorveria a memória institucional completa; o raciocínio assistido aceleraria a descoberta científica. No piso que os céticos concedem, a autonomia perde fiabilidade em ambientes ambíguos e depende de um andaime frágil; o contexto massivo não equivale a compreensão; os benchmarks saturados sobrestimam o progresso; e aproxima-se um possível muro de dados, o esgotamento do texto humano de alta qualidade para treinar, por volta do final da década. A leitura prudente para a universidade não precisa de decidir quem acerta: basta-lhe argumentar a partir do piso. Ainda que a inteligência artificial avançasse muito menos do que prometem os seus criadores, o que já faz hoje basta para exigir um modelo de incorporação.

A distinção entre otimização e transformação, que o cenário base já introduziu, torna-se mais nítida no horizonte alargado. O que se acelera —preparar aulas, resumir literatura, classificar processos— não muda a natureza da universidade, apenas a sua velocidade. O que se transforma muda-a de facto: a avaliação, quando uma parte do que se avaliava o executa a máquina; a investigação, quando os agentes assumem troços do ciclo sob direção humana; a administração, quando os processos de vários passos se executam de ponta a ponta sob supervisão. A universidade que distingue ambos os planos sabe onde basta um critério de uso e onde é preciso redesenhar o processo. A que não os distingue corre o risco de automatizar sem governar, que é a forma contemporânea da subutilização.

Aqui aparece a prova mais exigente para o modelo: resiste SinergIA ao avanço das capacidades, ou torna-o obsoleto? A resposta é que o avanço não erode o modelo, torna-o mais necessário. Quanto mais capazes e autónomos são os modelos de fronteira, mais decisiva se torna a governança que os encaminha: uma área institucional —a AIUAT— que regule identidade, dados, custos e segurança; dispositivos situados e especializados em vez de um assistente genérico; e a primazia do juízo humano sobre o trabalho assistido. O modelo SinergIA dinamiza-se com as mudanças precisamente porque não apostou numa capacidade concreta da inteligência artificial, mas na forma de a governar seja qual for o seu nível. Os dispositivos institucionais não envelhecem a cada novo modelo: fortalecem-se, porque cada salto de capacidade aumenta o que está em jogo se a incorporação não se governar. Esta é a antifragilidade do modelo perante o seu próprio objeto: o horizonte move-se, e o modelo está construído para se mover com ele.

De tudo o anterior decorre uma consequência presente, não futura. A universidade que queira estar bem posicionada perante esse horizonte não precisa de acertar o prognóstico: precisa de começar a construir hoje o que o modelo já descreve. Constituir a área institucional —a AIUAT— que governe a incorporação. Construir os primeiros dispositivos, a começar pelo do domínio académico. Elevar de forma sustentada a proporção da sua comunidade que opera na banda de iteracção avançada, porque a tecnologia compra-se mas a competência para iterar com ela só se cultiva. E formular uma política viva que se reveja ao ritmo da mudança. Nenhuma destas decisões depende de saber o que fará a inteligência artificial dentro de três anos; todas se justificam com o que já faz hoje. Essa é a diferença entre preparar-se e esperar.

Resta uma camada do cenário que a universidade não controla mas que condiciona o seu horizonte: a infraestrutura material da inteligência artificial. A fronteira tecnológica assenta hoje sobre dois recursos desigualmente repartidos. No desenho e no fabrico de processadores avançados, os Estados Unidos mantêm uma vantagem clara. Na infraestrutura energética que esses processadores exigem, a vantagem é da China, que implementou capacidade elétrica a um ritmo que o resto do mundo não iguala. A inteligência artificial tornou-se, nas palavras de um analista, um problema de eletricidade tanto como de chips. Para o utilizador final, no entanto, a tendência visível é convergente e favorável: os modelos são cada vez mais capazes, mais rápidos e mais baratos, e essa tripla interseção elimina as três desculpas tradicionais da universidade para não os incorporar —que não são suficientemente bons, que são demasiado lentos, que são demasiado caros—. Outras duas variáveis, em contrapartida, ficam sem resposta a curto prazo e convém nomeá-las sem as resolver: o custo ambiental desta infraestrutura, que cresce a cada salto de capacidade, e a transparência real dos modelos, que as suas próprias métricas não garantem. As implicações geopolíticas deste reparto material excedem o alcance deste livro e serão abordadas noutro lugar.

Este cenário alargado é, por natureza, móvel: as cifras e os nomes de modelos envelhecem depressa, e por isso o livro atualiza-os através do seu anexo vivo, com periodicidade semestral. O que não envelhece é a estrutura do argumento: a universidade deve governar a sua incorporação da inteligência artificial seja qual for o nível que esta alcance. As cinco cargas argumentativas operam sobre esta projeção.

5.7SinergIA como metodologia de transição para o cenário

Resta o mais importante em termos operativos, e é o que distingue este capítulo de um mero exercício de imaginação. O cenário, base ou alargado, é um horizonte; o que SinergIA oferece no presente não é esse horizonte, mas uma metodologia de transição para ele. A distinção é decisiva. O modelo não pede à universidade que seja, já, a instituição do cenário; pede-lhe que organize a sua trajetória para ela com coerência reconstruível, sabendo que o horizonte se irá ajustando com os modelos que forem existindo. É uma transição de horizonte móvel mas exigência presente: a universidade não espera ter certeza sobre o futuro para começar, porque a certeza nunca chegará, mas também não improvisa, porque o modelo lhe dá os critérios para avançar com intenção.

E aqui fecha o argumento sobre si mesmo. Uma universidade que não decide como incorporar a inteligência artificial, à espera de que o panorama se clarifique, não está a ser prudente: está, por defeito operativo, a regular o passado, como o capítulo dezanove sustentará no fecho do livro. Porque o futuro com o qual há que iterar é, em boa parte, um que já está construído e cujo potencial não se aproveitou. A inteligência artificial que a universidade deve aprender a governar não é a que chegará em 2030: é, antes de mais, a que já está aqui, à espera de que a instituição se decida a olhá-la. Iterar com o futuro começa, paradoxalmente, por aproveitar em plenitude o presente.

O cenário de plenitude não é uma universidade de ficção científica: é a universidade de hoje que por fim usa o que já tem, governando-o com um modelo. Esse é o ponto de partida realista de toda a arquitetura que se segue, e a razão pela qual a transição não pode adiar-se à espera de um futuro que, no essencial, já começou.