A IA que reprova pode ensinar mais do que a IA que responde
Durante os primeiros anos da inteligência artificial generativa, quase toda a discussão sobre educação girou em torno da capacidade das máquinas de responder perguntas. O HBS Foundry, iniciativa da Harvard Business School, começa a explorar uma lógica diferente. Seu Startup Bootcamp é um programa de oito semanas voltado à criação e validação de novos negócios, apoiado por uma plataforma descrita pela própria HBS como um ambiente digital nativo em IA. Os participantes trabalham definição do problema, mercado, validação e desenvolvimento do pitch usando agentes de inteligência artificial e feedback estruturado. A proposta não é simplesmente ensinar conteúdo, mas colocar o empreendedor repetidamente diante de situações de decisão e argumentação semelhantes às que encontrará fora da sala de aula.
A parte mais provocadora está nos avatares e agentes baseados em professores da Harvard Business School. Segundo reportagem da Fortune, sete professores e senior lecturers participaram voluntariamente do desenvolvimento dessas representações digitais, envolvendo entrevistas, gravações, testes e ciclos contínuos de feedback. Os participantes podem praticar pitches, reuniões de conselho, vendas e discussões estratégicas repetidamente diante desses sistemas. O programa foi oferecido por US$ 699 e já havia recebido 760 participantes quando a reportagem foi publicada em agosto de 2026.
A mudança relevante não está no avatar. Gerar uma representação audiovisual de uma pessoa já é tecnicamente relativamente acessível. A transformação está no comportamento pedagógico programado por trás da interface. Em vez de uma inteligência artificial concebida principalmente para atender uma solicitação e produzir uma resposta satisfatória, surge uma IA desenhada para desafiar o aluno, exigir reformulações e criar resistência cognitiva. No ambiente do Foundry, os agentes fazem parte de uma estrutura de validação, feedback e preparação para conversas de maior risco com pessoas reais. A própria HBS descreve o programa como uma sequência de sprints com entregáveis e feedback estruturado, não como um simples chatbot educacional.
Essa diferença parece pequena, mas altera completamente a função da IA no processo de aprendizagem. Um assistente responde à pergunta. Um tutor conduz a compreensão. Um avaliador exige demonstração de competência. Um simulador introduz incerteza, objeções e consequências. A inteligência artificial permite que essas quatro funções sejam combinadas no mesmo ambiente, alterando dinamicamente seu comportamento de acordo com o estágio do aprendizado. Essa arquitetura encontra respaldo em evidências experimentais recentes mostrando que o resultado educacional depende fortemente de como a interação entre estudante e IA é desenhada, e não apenas da capacidade do modelo utilizado.
Um experimento controlado realizado em Harvard e publicado na Scientific Reports em 2025 ajuda a compreender essa diferença. Pesquisadores compararam estudantes utilizando um tutor baseado em IA com estudantes participando de aulas presenciais estruturadas segundo práticas de active learning. A pesquisa envolveu 194 alunos em sua análise principal e encontrou ganhos de aprendizagem significativamente maiores no grupo apoiado pelo tutor de IA, mesmo com menor tempo dedicado à atividade. A mediana do tempo utilizado pelo grupo de IA foi de 49 minutos, enquanto a aula presencial destinava aproximadamente 60 minutos ao aprendizado. Os autores alertam, porém, que o resultado não deve ser interpretado como superioridade genérica da IA sobre professores. O tutor havia sido especificamente projetado utilizando princípios de aprendizagem ativa, gestão de carga cognitiva, scaffolding, feedback direcionado e progressão estruturada.
Esse ponto é fundamental. Um Large Language Model convencional é otimizado para ser útil, cooperativo e produzir uma resposta. Essas características podem entrar em conflito com a aprendizagem. Se cada dificuldade apresentada pelo aluno resulta imediatamente em uma solução pronta, a tecnologia pode reduzir justamente o esforço cognitivo necessário para construir competência. Os próprios pesquisadores de Harvard destacam que chatbots utilizados sem estrutura podem permitir que estudantes concluam tarefas sem realizar o pensamento crítico necessário. A eficácia aparece quando a IA deixa de ser apenas uma máquina de respostas e passa a ser incorporada a uma arquitetura pedagógica deliberada.
Isso abre uma fronteira particularmente interessante para educação executiva e treinamento corporativo. Um profissional não precisa apenas saber explicar DMAIC, gestão de projetos, vendas consultivas ou estratégia. Ele precisa ser capaz de utilizar esses conhecimentos quando confrontado por informações incompletas, pressão, perguntas inesperadas e argumentos contrários. Um agente pode assumir o papel de cliente, sponsor, auditor, comprador, CEO ou Master Black Belt e repetir uma situação dezenas de vezes até que o participante consiga demonstrar determinado padrão de desempenho. A aplicação deriva diretamente da capacidade de agentes conversacionais oferecerem feedback individualizado e permitir prática repetitiva em escala, justamente uma das limitações econômicas do treinamento personalizado humano identificadas na literatura sobre tutores de IA.
A consequência econômica também é relevante. O conhecimento especializado sempre sofreu uma restrição de escala. Um excelente professor consegue avaliar apenas determinado número de trabalhos, ouvir certo número de apresentações e orientar uma quantidade limitada de pessoas. Ao transformar parte de seus critérios, conhecimento e padrões de questionamento em um agente digital, essa restrição muda. A HBS afirma explicitamente que está utilizando IA para ampliar sua capacidade de oferecer tutoria, feedback, aprendizagem contínua e apoio ao empreendedorismo. Em discurso realizado em 2026, o dean Srikant Datar descreveu Foundry como uma plataforma de empreendedorismo nativa em IA construída para permitir que milhares de empreendedores desenvolvam ideias e obtenham acesso a oportunidades de financiamento.
Surge então uma nova categoria de ativo intelectual. Durante décadas, o conhecimento de um especialista podia ser transformado em livros, artigos, cursos, estudos de caso e vídeos. Esses objetos preservavam conteúdo, mas não comportamento. Um agente pode preservar parcialmente outra dimensão, a forma de perguntar, os critérios utilizados para avaliar uma resposta, a sequência de raciocínio exigida e o nível de evidência considerado suficiente. O processo adotado pelo Foundry, com consentimento dos professores, gravações, testes e acompanhamento contínuo, mostra que esse tipo de representação exige governança muito diferente daquela aplicada a um vídeo gravado. Identidade, propriedade intelectual, atualização, autorização, uso dos dados e responsabilidade sobre as respostas passam a fazer parte do desenho da solução.
Existe ainda uma implicação mais profunda para avaliação. Durante anos, organizações utilizaram provas como proxy de competência. Saber selecionar a alternativa correta não significa necessariamente saber tomar uma decisão, sustentar uma hipótese ou responder a uma objeção. Agentes de IA tornam economicamente viável aplicar avaliações muito mais próximas de situações reais. Em vez de responder vinte perguntas sobre vendas, o participante pode conduzir uma reunião comercial simulada. Em vez de responder uma prova sobre Lean Six Sigma, pode defender a causalidade de um projeto diante de um Master Black Belt artificial. O valor deixa de estar apenas na resposta correta e passa para a demonstração observável de comportamento e raciocínio.
Essa lógica também muda o conceito de reprovação. Em um sistema tradicional, reprovar normalmente significa encerrar uma tentativa. Em um sistema baseado em IA, reprovação pode significar simplesmente que a evidência apresentada ainda não atingiu determinado critério. O participante pode reformular seu argumento e tentar novamente imediatamente. Isso aproxima avaliação de aprendizagem. A capacidade de oferecer feedback direcionado, respeitar o ritmo individual e estruturar progressivamente uma atividade está entre os mecanismos associados aos melhores resultados encontrados no estudo experimental conduzido em Harvard.
Para programas corporativos de Citizen Development, Digital Belts, liderança ou letramento em IA, essa abordagem sugere uma arquitetura mais sofisticada do que simplesmente disponibilizar ChatGPT, Claude ou Copilot aos participantes. Primeiro se desenvolve conhecimento. Depois se aplica esse conhecimento a problemas reais. Em seguida entram agentes capazes de atuar como mentores, críticos e avaliadores. Finalmente, pessoas continuam responsáveis pelas decisões de maior consequência, pelo julgamento contextual e pela validação de competência. Essa combinação é coerente com a posição institucional manifestada pela própria Harvard Business School. Mesmo enquanto amplia o uso de IA em tutoria e feedback, a escola continua tratando relações humanas, julgamento e tomada de decisão como dimensões centrais do desenvolvimento de líderes.
O caso do HBS Foundry aponta para uma mudança importante no mercado de educação. A primeira geração de IA educacional se concentrou em disponibilizar conhecimento. A próxima tende a se concentrar em criar experiências adaptativas de prática, questionamento, feedback e avaliação. A escassez não será mais necessariamente acesso à explicação. A explicação tende a se tornar abundante. O elemento de maior valor passa a ser a arquitetura que determina quais perguntas fazer, quais comportamentos observar, quais evidências exigir e quando considerar que determinada competência foi realmente demonstrada. Essa interpretação é consistente tanto com a estrutura adotada pelo Foundry quanto com as evidências experimentais disponíveis sobre tutoria baseada em IA.
Existe uma ironia nisso. Passamos alguns anos discutindo se os alunos deveriam usar IA para obter respostas. Talvez a aplicação educacional mais poderosa seja exatamente o inverso. Uma IA que não entrega a resposta imediatamente. Uma IA que questiona, rejeita argumentos frágeis, introduz objeções e obriga o participante a tentar novamente. A inteligência artificial que transforma educação provavelmente não será apenas aquela capaz de responder quase qualquer pergunta. Será aquela capaz de reconhecer quando a resposta humana ainda não é boa o suficiente.
