A próxima geração da aprendizagem com IA não trata de chatbots melhores, mas de decisões melhores

Quando um aluno de uma escola de negócios cola um estudo de caso no ChatGPT e recebe uma análise competente em quinze segundos, algo real se perdeu. Não o resultado. O resultado parece indistinguível de algo que o aluno poderia ter escrito após duas horas de trabalho. O que se perdeu foi o raciocínio que essas duas horas teriam produzido. A dificuldade de lidar com a ambiguidade. A prática de ponderar informações incompletas. O discernimento que surge ao tomar uma decisão e conviver com as consequências.

Na LiveCase, lemos o relatório da Ivey Business School, "Do quadro-negro ao chatbot" (agosto de 2026), como uma iniciativa oportuna e séria para dar aos docentes uma linguagem para tratar desse problema. O relatório analisa 14 ferramentas de aprendizagem com IA, mas sua contribuição mais valiosa não é a lista. É o padrão de design que a fundamenta: a IA educacional deve preservar o raciocínio, a prática e o discernimento que, de outro modo, os alunos poderiam terceirizar. Isso reformula a conversa: em vez de chatbots melhores, decisões melhores sobre a aprendizagem.

O relatório faz uma pergunta melhor

Não "Qual modelo é mais inteligente?"

A maioria das conversas sobre IA na educação começa pela pergunta errada. Os docentes perguntam qual ferramenta detecta melhor a fraude acadêmica. Os administradores perguntam qual integração com o LMS economiza mais tempo dos docentes. Os fornecedores competem para ver qual modelo tem a pontuação mais alta nos testes de referência. O relatório da Ivey, de autoria de Julian Birkinshaw e Mazi Raz, começa em outro lugar. Pergunta que parte do processo de aprendizagem uma ferramenta foi concebida para preservar.

Essa mudança importa. O relatório avalia as ferramentas não pela sofisticação técnica, mas pela intenção pedagógica: se uma ferramenta preserva a fricção produtiva que torna a aprendizagem duradoura ou se a elimina (PDF, pp. 4-5, 9). Não se trata de um padrão técnico. É um padrão educacional. Também complementa os argumentos que apresentamos em publicações anteriores sobre avaliação baseada em decisões e como ir além da detecção de IA e promover o envolvimento genuíno. O relatório oferece o referencial pedagógico que faltava a esses argumentos práticos.

"Que parte da aprendizagem o design preserva?"

O relatório analisa cada ferramenta por uma única perspectiva: em que momento da jornada de aprendizagem ela intervém (preparação, aula, consolidação, avaliação) e o que pretende desenvolver (conhecimento conceitual, competências ou discernimento). Uma ferramenta que retém as respostas para estimular o raciocínio é avaliada de maneira diferente de uma que oferece explicações instantâneas, mesmo que ambas usem o mesmo modelo subjacente.

Esse tipo de clareza analítica ajuda os docentes a ir além do ciclo de euforia. Em vez de perguntar "Esta IA é boa ou ruim?", o relatório propõe uma pergunta mais precisa: "O que este design pede que o aluno faça que, de outro modo, não faria, e o que o impede de terceirizar?"

A fricção produtiva é o principal desafio de design

Por que a dificuldade, a prática e as consequências importam

A aprendizagem duradoura não é confortável. Exige que os alunos lidem com conceitos desconhecidos, pratiquem competências repetidamente e exerçam discernimento em situações ambíguas. Essas atividades criam o que os cientistas da aprendizagem chamam de fricção produtiva: a diferença entre o que a tarefa exige e o que o aluno consegue fazer naquele momento. É nessa diferença que ocorre o crescimento.

O relatório da Ivey destaca isso diretamente. Adverte que a IA generativa tornou opcional a fricção produtiva ao permitir que os alunos deleguem o esforço. O resultado imediato pode ser melhor (um relatório bem escrito), mas perde-se o raciocínio que teria produzido uma aprendizagem duradoura. O relatório cita pesquisas que descrevem isso como "preguiça metacognitiva" (PDF, pp. 2-3).

Para saber mais sobre a aprendizagem com fricção produtiva, consulte Fricção produtiva: a dificuldade de aprender que a IA não deve eliminar.

Como ensinar com chatbots de IA? aborda em mais detalhes a aprendizagem imersiva com IA.

Como a IA transforma a fricção padrão em uma opção

Antes da IA generativa, a fricção era o padrão. Um aluno que não tivesse lido o caso não conseguiria fingir que tinha algo a contribuir na discussão. Um aluno que não tivesse praticado o modelo não conseguiria produzir uma análise aceitável. A IA muda essa equação. Ela coloca resultados competentes ao alcance de qualquer pessoa com um comando.

A conclusão do relatório é que isso não é necessariamente ruim. A questão é se a fricção eliminada era produtiva ou apenas administrativa. Resumir um texto longo é trabalho mecânico. Decidir quais informações são relevantes em uma situação ambígua é aprendizagem. Segundo o relatório, as boas ferramentas de IA eliminam o primeiro tipo de fricção e preservam, ou criam, o segundo.

O que os padrões de design mais eficazes têm em comum

A equipe da Ivey identificou padrões recorrentes entre as sete ferramentas públicas e os sete projetos-piloto analisados. As ferramentas de maior valor compartilham cinco princípios de design:

Reter em vez de fornecer. As melhores ferramentas não respondem imediatamente às perguntas dos alunos. Elas exigem que os alunos raciocinem, pesquisem e façam perguntas melhores antes de receber informações. Isso reproduz o melhor do ensino socrático.

Apresentar contrapontos em vez de concordar. Ferramentas que introduzem pontos de vista opostos, dilemas estratégicos ou conflitos entre partes interessadas obrigam os alunos a lidar com escolhas difíceis. Concordar é confortável. Considerar contrapontos ensina.

Estimular a busca por informações em vez de oferecer contexto instantâneo. Ferramentas que apresentam informações parciais e exigem que os alunos identifiquem o que mais precisam saber desenvolvem competências de pesquisa e discernimento. As que despejam todo o contexto de uma vez não desenvolvem nenhum dos dois.

Permitir ensaios e feedback em vez de uma única tentativa. As ferramentas de maior valor educacional possibilitam a prática repetida com feedback estruturado. Uma discussão de caso é valiosa. Poder repetir o mesmo cenário com escolhas diferentes e observar as consequências é transformador.

Registrar evidências do processo, não apenas o resultado final. Ferramentas que registram como os alunos chegaram às decisões, seus comportamentos de busca de informações, suas revisões e a distribuição do tempo oferecem aos docentes algo que a resposta final jamais pode oferecer: visibilidade do próprio raciocínio.

O relatório observa que esses princípios correspondem diretamente a dois papéis pedagógicos da IA: o de controlador de tráfego, que organiza a sequência das atividades de aprendizagem, e o de parceiro de treino, que desafia o raciocínio dos alunos (PDF, p. 5). Ambos pressupõem que o aluno, e não a IA, continua sendo o agente ativo.

Já escrevemos sobre a diferença entre chatbots e simulações e sobre o uso de chatbots de IA para dar vida à aprendizagem baseada em casos. O referencial do relatório nos dá uma linguagem melhor para explicar por que essa distinção importa: um padrão trata a IA como fornecedora de respostas, o outro, como ambiente de decisão. Essa é a diferença entre um atalho e um apoio à aprendizagem.

Por que "decisões melhores" é uma categoria mais útil do que "chatbot melhor"

Da geração de conteúdo aos ambientes de decisão

As ferramentas apresentadas no relatório não foram todas concebidas da mesma maneira. Algumas funcionam como tutores conversacionais que respondem às perguntas dos alunos. Outras funcionam como ambientes de decisão em que os alunos precisam escolher, enfrentar consequências e rever suas decisões. O relatório não classifica uma categoria acima da outra, mas avalia a adequação pedagógica de cada uma. Ainda assim, suas conclusões apontam claramente para um padrão: as ferramentas que tratam a IA como parte interessada, orientadora ou avaliadora exigem, de forma consistente, mais envolvimento cognitivo do que as que a tratam como fornecedora de respostas.

Da IA como substituta à IA como parte interessada, orientadora ou avaliadora

Quando a IA assume o papel de parte interessada, os alunos precisam questioná-la, convencê-la e levar em conta seus interesses. Quando assume o papel de orientadora, desafia o raciocínio dos alunos em vez de fornecer conclusões. Quando assume o papel de avaliadora, analisa a qualidade das decisões dos alunos, não o refinamento da prosa.

São esses os papéis que os designs de ferramentas mais eficazes do relatório tendem a assumir. Também são papéis que os chatbots genéricos não conseguem reproduzir facilmente. Um aluno não pode colar uma simulação de negociação no ChatGPT e obter a mesma experiência. A estrutura do cenário, as consequências ramificadas e a visibilidade para os docentes fazem parte do design, não do comando.

É importante observar que o relatório identifica explicitamente a avaliação como um tema importante, mas afirma que ela não é seu foco principal (PDF, p. 9, nota 10). Nossa interpretação estende os princípios do relatório ao campo da avaliação, onde vemos a maior convergência com a avaliação baseada em cenários e focada em decisões.

O que a LiveCase pode acrescentar a esta conversa

Estrutura de cenários em torno das interações com IA

As conclusões do relatório estão muito alinhadas aos princípios de design que incorporamos aos cenários da LiveCase. Cada cenário coloca os alunos no centro de uma situação em desenvolvimento, na qual interagem com personagens movidos por IA, reúnem informações parciais e tomam decisões com consequências visíveis. A IA não responde às perguntas deles. Ela interpreta o papel de um membro cético do conselho, de um cliente ansioso ou de um informante que retém informações. É o papel de parceiro de treino descrito no relatório, implementado em escala de curso.

Pontos de decisão, consequências e análise posterior

Cada cenário da LiveCase é estruturado em torno de pontos de decisão específicos, cada um com resultados ramificados. Os alunos vivenciam as consequências de suas escolhas e veem como teriam se desenrolado caminhos alternativos. A análise posterior revela não apenas o que os alunos decidiram, mas também por quê e quando. Isso cria as evidências do processo que o relatório identifica como um padrão de design fundamental.

Visibilidade para os docentes e design da avaliação

O relatório enfatiza que os docentes precisam ver como os alunos estão pensando, e não apenas o que produzem. A LiveCase oferece essa possibilidade por meio de análises que acompanham o comportamento de busca de informações, o momento das decisões, os padrões de revisão e as justificativas que os alunos apresentam junto com suas escolhas. Esses rastros de dados dão aos docentes uma visão do processo de aprendizagem que um ensaio final, sobretudo um que possa ter sido gerado por IA, não pode oferecer.

As perguntas de pesquisa que a LiveCase deve ajudar as instituições a investigar

Nenhuma plataforma deve alegar ter respostas definitivas sobre o que funciona em todos os contextos. O relatório pede "medidas comuns acordadas com antecedência, para que as ferramentas possam ser comparadas de forma substantiva" e o registro sistemático do que foi testado, com quem e quais foram os resultados. Levamos isso a sério. Entre as perguntas de pesquisa que queremos ajudar as instituições a explorar estão: as avaliações baseadas em cenários preveem melhor a tomada de decisões no mundo real do que as provas tradicionais? Que condições tornam a orientação por IA mais eficaz para diferentes grupos de alunos? E qual é o nível ideal de fricção produtiva? É possível medir o ponto em que o desafio se transforma em desânimo?

Essas são perguntas empíricas, não alegações de marketing. Estamos realizando experimentos junto com nossas instituições parceiras e publicando os resultados. Damos as boas-vindas a qualquer escola de negócios que queira participar desse trabalho.

Três perguntas práticas para os docentes

O relatório oferece aos docentes um ponto de partida concreto. Para qualquer atividade de um curso em que a IA possa intervir, faça três perguntas:

O que está sendo contornado?

Identifique a atividade de aprendizagem específica na qual os alunos podem terceirizar o esforço para a IA. É a leitura? A análise? A prática? Seja preciso ao identificar o tipo de atalho e a aprendizagem que ele contorna.

Que fricção estamos restaurando ou criando?

Decida se sua intervenção restaura uma fricção produtiva eliminada pela IA (por exemplo, uma atividade sem consulta ou uma discussão sem dispositivos) ou cria novas formas de fricção produtiva que não existiam antes (uma simulação interativa que obriga os alunos a determinar de quais informações precisam). As duas abordagens são válidas. O erro é não fazer nenhuma delas.

Que evidências demonstrariam aprendizagem além da satisfação?

O relatório adverte que a adoção e a satisfação dos alunos são indicadores fracos. Uma ferramenta que os alunos adoram pode ser justamente aquela que permite atalhos. Um indicador melhor é saber se os alunos estão lidando com a fricção ou encontrando maneiras de contorná-la. Os rastros de dados das ferramentas modernas permitem observar isso diretamente. Use-os.

---

Leia o guia completo da LiveCase sobre avaliação resiliente à IA ou participe de uma mesa-redonda de docentes sobre como medir a aprendizagem autêntica em um mundo com IA em livecase.com.

Perguntas frequentes

O que é o relatório da Ivey "Do quadro-negro ao chatbot"?

É um documento de referência publicado em agosto de 2026 pelos professores da Ivey Business School Julian Birkinshaw e Mazi Raz, que analisa 14 ferramentas de aprendizagem com IA para escolas de negócios. O relatório avalia as ferramentas pela intenção pedagógica, e não pela sofisticação técnica, e defende que a IA preserve a fricção produtiva na aprendizagem.

Quais ferramentas de aprendizagem com IA o relatório analisou?

O relatório analisou sete ferramentas educacionais tecnológicas disponíveis publicamente e sete projetos-piloto criados por docentes e funcionários da Ivey, abrangendo desde tutores conversacionais e sistemas de orientação por IA até simulações e estudos de caso interativos.

O que significa fricção produtiva na educação?

Fricção produtiva é a diferença entre o que uma tarefa de aprendizagem exige e o que um aluno consegue fazer naquele momento. É a dificuldade, a prática e o discernimento que produzem uma aprendizagem duradoura. Quando a IA elimina completamente essa fricção, os alunos ganham eficiência, mas perdem a oportunidade de evoluir.

Por que o relatório favorece ferramentas de aprendizagem focadas?

O relatório concluiu que as ferramentas concebidas para abranger toda a jornada de aprendizagem raramente executam bem todas as etapas. As ferramentas mais úteis se concentram em uma atividade de aprendizagem claramente definida, com um propósito pedagógico específico.

A IA substituirá o ensino em sala de aula?

O relatório conclui que as ferramentas de IA não substituirão o ensino presencial. Nenhuma das ferramentas analisadas reproduziu uma discussão bem conduzida, na qual os alunos precisam expor seu raciocínio, responder a discordâncias e aprender uns com os outros em tempo real. O método de casos pode se tornar ainda mais valioso.

O que os designers de simulações podem aprender com o relatório?

O relatório identifica cinco padrões de design compartilhados pelas ferramentas de maior valor: reter respostas em vez de fornecê-las, apresentar contrapontos, exigir a busca por informações, permitir a prática repetida com feedback e revelar o processo de raciocínio dos alunos, em vez de mostrar apenas o resultado final.

---

Quer conversar sobre isso? Agende uma conversa inicial gratuita de 15 minutos