Tutores de IA: o velho sonho do preceptor, realmente ao alcance?

Em 1984, Benjamin Bloom formulava um desafio que se tornou célebre: um aluno acompanhado em tutoria individual, com uma pedagogia da mestria, progredia cerca de dois desvios-padrão mais do que numa turma comum — o «problema dos dois sigmas» ^[1]. A tutoria humana funcionava, mas continuava a ser economicamente impossível de generalizar. Quarenta anos mais tarde, os grandes modelos de linguagem relançam esta promessa: um preceptor paciente e disponível para cada aluno. As provas começam a chegar, e são mais matizadas do que as demonstrações de marketing.

Ensaios controlados encorajadores

Em 2025, um ensaio aleatorizado realizado em Harvard comparou um tutor de IA concebido segundo princípios pedagógicos com um curso em aprendizagem ativa: os estudantes com o tutor de IA aprenderam mais, em menos tempo, e afirmaram estar mais envolvidos ^[2]. Um outro ensaio, em turmas do secundário no Reino Unido, mostrou que alunos orientados por um sistema baseado no LearnLM tinham um desempenho pelo menos tão bom quanto os acompanhados por um tutor humano, e resolviam um pouco melhor problemas novos ^[3].

A IA pode também potenciar o tutor humano em vez de o substituir. No ensaio Tutor CoPilot, um copiloto de IA que sugeria pistas em tempo real aos tutores elevou a taxa de mestria dos alunos em 4 pontos em média, e em 9 pontos para os alunos acompanhados pelos tutores pior avaliados — por cerca de 20 dólares por tutor e por ano ^[4].

Mas a prudência continua a impor-se

Nem todos os estudos concluem por um efeito positivo. Uma avaliação do Khanmigo para a aprendizagem de conceitos científicos não encontrou qualquer diferença estatisticamente significativa face a uma simples pesquisa no Google, ainda que os estudantes percecionassem a ferramenta de forma positiva ^[5]. Sobretudo, a competência pedagógica dos modelos continua a ser desigual: numa tarefa partilhada de avaliação, os melhores tutores de IA obtinham apenas pontuações modestas na identificação e correção fiável dos erros dos alunos ^[6].

• Continua a ser possível alucinar uma explicação falsa com convicção.
• Diagnosticar a origem real de um erro é mais difícil do que dar a resposta certa.
• Muitos estudos são curtos e medem o desempenho imediato, não a retenção duradoura.

O dado que faltava: os registos de tutorias reais

Uma via promissora consiste em especializar os modelos a partir de sessões de tutoria reais. O projeto TeachLM, treinado em milhares de horas de tutoria individual autêntica, duplicou o tempo de fala do aluno e aumentou o número de trocas, com um estilo de questionamento mais próximo do de um bom professor ^[7]. Por outras palavras, um bom tutor de IA não fala mais: faz o aluno falar e refletir mais.

O objetivo não é um modelo que responde bem, mas um modelo que faz aprender — duas competências distintas.

Síntese Learnya

Para os estabelecimentos — em particular na Europa e na Suíça, atentos à confidencialidade — o desafio ultrapassa o desempenho: um tutor de IA trata dados de aprendizagem sensíveis e tem de inscrever-se numa governação controlada. O sonho de Bloom torna-se tecnicamente credível, mas jogar-se-á nos pormenores de conceção, de prova e de confiança, e não apenas na potência do modelo.

Do protótipo de investigação ao produto no terreno

Um ponto merece ser sublinhado: a maior parte dos resultados encorajadores provém de sistemas cuidadosamente concebidos por equipas de investigação, testados em condições controladas. A passagem a um produto implementado em centenas de turmas, com professores não especialistas, ligações instáveis e programas variados, continua a ser um salto considerável. Um tutor que brilha em laboratório pode dececionar em condições reais se a sua integração no curso, a sua robustez e a sua manutenção não tiverem sido pensadas.

A própria qualidade da prova exige nuance. As tarefas partilhadas de avaliação mostram que os modelos ainda têm dificuldade em diagnosticar com finura um erro ou em escolher a pista certa ^[6]. Muitos estudos concentram-se numa única disciplina, num período curto, e medem ganhos imediatos. Faltam ainda acompanhamentos longitudinais que verifiquem a retenção vários meses depois, ou o efeito na motivação e na autonomia a longo prazo.

Por fim, um tutor de IA nunca existe sozinho: insere-se numa ecologia de turma. Os melhores resultados combinam a IA e o professor, como mostra o ensaio em que o sistema apoia sobretudo os tutores menos experientes. A boa pergunta não é, portanto, «a IA faz tão bem como um humano?», mas «que repartição de papéis maximiza a aprendizagem?». É uma escolha de conceção pedagógica e de organização, não apenas de modelo.

O que se saberá melhor até 2027

O campo entra numa fase de maturidade em que as questões mudam de natureza. Já não se pergunta apenas se um tutor de IA pode fazer progredir um aluno, mas em que condições, para que perfis e a que custo pedagógico real. Os ensaios futuros terão de comparar não a IA com nada, mas diferentes conceções de tutores entre si, e acompanhar os efeitos ao longo de vários meses.

Três frentes de trabalho dominarão: a robustez em condições reais, longe dos laboratórios; a articulação com o trabalho do professor, que continua a ser o orquestrador do sentido; e o controlo dos dados de aprendizagem, condição da confiança das famílias. O tutor ideal não será o mais falador, mas aquele que sabe quando se calar para deixar o aluno procurar — e que presta contas do que faz com os seus dados.