Alunos de ensino médio que resolveram exercícios de matemática com o GPT-4 ao lado foram 48% melhores nos exercícios. Quando a ferramenta saiu, na prova, foram 17% piores do que colegas que nunca a usaram.
Quando a IA faz o exercício pelo aluno
Esse resultado é de um estudo publicado na PNAS (Bastani et al.), que acompanhou cerca de 1.000 alunos de ensino médio usando GPT-4 em exercícios de matemática: são os +48% e os -17% do começo.
O mesmo estudo testou uma segunda versão da ferramenta, um tutor desenhado para conduzir o raciocínio do aluno em vez de entregar a resposta pronta. Esse tutor evitou a maior parte da perda de desempenho depois que a IA saiu de cena. A tecnologia era a mesma nos dois casos; o resultado mudou conforme o que a IA estava autorizada a fazer no lugar de quem aprende.
Quando a IA explica o conceito
Um estudo da própria Anthropic, publicado em janeiro de 2026 (How AI Assistance Affects Coding Skills), colocou engenheiros, a maioria juniores, para aprender uma biblioteca nova (Trio) com e sem apoio de IA. No quiz seguinte, quem programou na mão acertou 67% contra 50% de quem usou IA, sem economia de tempo significativa entre os dois grupos. É um estudo feito pela própria fabricante de um assistente de IA, o que, se algo, torna o resultado menos suspeito de exagerar o dano.
Entre quem usou IA, o resultado dependeu do uso: quem pediu à IA que explicasse o conceito manteve a maior parte do aprendizado, quem simplesmente entregou o código para ela ficou entre as notas mais baixas do grupo. Os próprios autores apontam o esforço cognitivo, inclusive o de ficar dolorosamente travado, como algo que provavelmente importa para a maestria.
Por que o esforço é o que fixa
Um preprint do MIT Media Lab, ainda sem revisão por pares (Your Brain on ChatGPT), mediu por EEG a atividade cerebral de quem escreveu redações com ChatGPT e de quem escreveu sem ajuda. O primeiro grupo teve mais dificuldade para citar de memória o próprio texto minutos depois, com menor conectividade neural registrada durante a tarefa.
A base para entender por que isso acontece é mais antiga: o conceito de prática deliberada, de Ericsson e colegas (1993), veio de um estudo com violinistas, no qual os mais avançados tinham acumulado mais de 10.000 horas de prática aos 20 anos. É o achado daquele estudo específico, que não vale como regra geral de aprendizagem. Uma replicação de Macnamara e Maitra (2019) mostrou que a prática não explica tudo: o efeito é menor do que o estudo original sugeria, ainda que a replicação não o tenha anulado. Os três apontam para o mesmo lugar: quem fixa o aprendizado é o esforço, e a simples exposição ao conteúdo não o substitui. É justamente esse esforço que a IA remove quando entrega o resultado pronto.
A promessa de pular o aprendizado já foi vendida
Bootcamps de programação cresceram cerca de 8 vezes entre 2013 e 2018, segundo o Course Report, sobre a promessa de trocar anos de graduação por meses de curso intensivo.
Parte dela não se sustentou. O órgão de proteção ao consumidor dos Estados Unidos processou a Lambda School/BloomTech por anunciar taxas de colocação de até 86%, quando o número real girava perto de 50%, e em alguns cursos perto de 30%. Bootcamps fecharam, e até a 2U saiu do segmento. As demissões em tecnologia de 2024, mais de 150 mil vagas fechadas, marcam o momento em que essa promessa bateu de frente com o mercado que dizia preencher.
Nada garante que a história se repita igual com a IA, mas “você não precisa aprender isso, a ferramenta faz por você” já foi um discurso de venda antes, e já teve o resultado medido.
O que espera quem se forma agora
A contratação de recém-formados caiu 65% nas big techs e 76% em startups em estágio seed frente a 2019, segundo o SignalFire State of Tech Talent 2026; a contratação de engenheiros em geral, nas big techs, caiu só 11% no período, ou seja, a queda se concentra em quem está entrando.
O Indeed Hiring Lab registrou, no primeiro trimestre de 2026, vagas de nível de entrada em apenas 4,5% dos anúncios para desenvolvedor, contra 69% de vagas para sênior. E o Stanford Digital Economy Lab encontrou emprego de jovens de 22 a 25 anos cerca de 19% abaixo do esperado nas ocupações mais expostas à IA, um resultado descritivo, sem prova de causa, segundo os próprios autores.
Todos esses números são dos Estados Unidos, e nada aqui autoriza extrapolar para o mercado brasileiro. Vale registrar também o contraponto que o Fed de Nova York traz, para não exagerar o quadro: formados em ciência da computação têm desemprego alto (7,0%), mas subemprego relativamente baixo (19% contra 39% da média geral), o que sugere um mercado mais seletivo, mas não necessariamente fechado.
Saber julgar o resultado é a parte que não se terceiriza
O METR mediu desenvolvedores experientes trabalhando com IA: ficaram 19% mais lentos, mas acreditavam estar 20% mais rápidos. Segundo o relatório de 2025 da Veracode, 45% das amostras de código geradas por IA falharam em segurança.
O relatório DORA 2025 do Google Cloud resume o padrão numa frase: a IA amplifica o que já existe. Quem aprendeu o suficiente para reconhecer um resultado ruim consegue corrigir a rota; quem pulou essa etapa não tem como saber o que está aceitando. Isso vale para código, mas não só: um cálculo estrutural, um relatório técnico ou um projeto de engenharia entregues por IA carregam o mesmo risco, e cobram a mesma capacidade de julgamento de quem assina embaixo.
O que fazer com isso, estudando ou ensinando
O levantamento de fontes usado neste texto partiu de um artigo do AI Lair, de Fabio Akita, escrito para quem estuda programação. Aqui o recorte vai além da carreira em tecnologia e cobre a aprendizagem em geral. Uma das ideias que ele traz é uma estimativa própria, cerca de 1.400 horas de prática até o primeiro emprego júnior. O número é a régua pessoal dele, sem base em pesquisa, mas ajuda a dar escala ao que “praticar mais” quer dizer.
Para quem estuda, o que dá para tirar desses estudos é: fazer à mão o que ainda se quer aprender, pedir à IA que explique em vez de resolver, guardar a resposta pronta para as tarefas que não são o objeto do aprendizado, revisar tudo que ela entrega antes de assinar embaixo, e contar as horas reais de prática.
Para quem ensina (sou professor do CEFET-MG desde 2018), o exemplo mais útil é o tutor do estudo da PNAS: a IA continuou disponível, só mudou a forma como respondia ao aluno, e isso bastou para evitar a maior parte da perda de aprendizado. O trabalho de quem ensina agora é desenhar esse uso, mais do que fiscalizá-lo.
Antes de pedir a próxima resposta pronta, vale perguntar: aquele é o exercício que se quer aprender a fazer sozinho, ou é uma tarefa que só precisa sair do caminho? </content>