Um artista encontra um problema de iluminação no Blender. A cena não produz o resultado esperado e ele não consegue identificar a causa. Há alguns anos, provavelmente começaria a testar hipóteses, rever configurações, procurar referências, observar exemplos e cometer alguns erros até descobrir onde estava o problema. Hoje existe outro caminho. Ele descreve a situação para uma IA, recebe uma sequência de ajustes, aplica as recomendações e, poucos minutos depois, a cena funciona.

O problema foi resolvido. Mas o artista aprendeu a resolvê-lo? A diferença parece pequena enquanto o resultado está na tela e fica muito maior na próxima vez em que algo parecido acontece.

A inteligência artificial generativa trouxe uma possibilidade inédita para o trabalho criativo, a de produzir certos resultados antes de dominar os conhecimentos que, tradicionalmente, seriam necessários para produzi-los. Isso é extraordinariamente útil e, ao mesmo tempo, exige uma distinção que tende a ganhar peso para artistas, animadores, profissionais de VFX e desenvolvedores. Performance e aprendizagem não são a mesma coisa.

Um bom resultado não prova que houve aprendizagem

Imagine dois profissionais diante do mesmo problema. O primeiro compreende por que determinada topologia está causando deformações ruins, testa alternativas e corrige a malha. O segundo mostra o problema a uma IA, recebe uma solução correta e a executa. O resultado visual pode ser praticamente idêntico, mas, do ponto de vista cognitivo, podem ter acontecido coisas muito diferentes.

O segundo profissional demonstrou que consegue chegar ao resultado com o auxílio da ferramenta. Isso não demonstra, necessariamente, que conseguirá diagnosticar sozinho um problema semelhante, reconhecer uma nova variação ou explicar por que aquela solução funcionou.

Essa distinção já aparece em pesquisas recentes sobre aprendizagem assistida por IA. Um experimento randomizado com 275 estudantes de programação comparou três situações: um tutor de IA que dava pistas sem entregar a solução, o uso livre do ChatGPT e recursos tradicionais, sem IA. Os dois grupos que usaram IA tiveram desempenho melhor durante o exercício, mas isso não resultou em maior ganho de conhecimento nem em melhor compreensão posterior do código. Nesse contexto específico, a IA funcionou principalmente como apoio à performance, e não como amplificadora da aprendizagem (Bassner et al., 2026).

Não devemos transportar esse resultado automaticamente para artistas 3D ou profissionais de VFX, porque são populações e tarefas diferentes. O mecanismo, porém, levanta uma questão aplicável ao trabalho criativo. Quando avaliamos nosso desenvolvimento pela qualidade do que conseguimos produzir com uma ferramenta, podemos estar medindo, ao mesmo tempo, a nossa competência e a competência da ferramenta. Antes da IA generativa, as duas costumavam andar juntas.

Quando a ferramenta começa a pensar junto

Transferir parte do trabalho mental para ferramentas externas não começou com a inteligência artificial. Calculadoras, agendas, GPS, mecanismos de busca, tutoriais, presets e bibliotecas fazem isso há muito tempo. A ciência cognitiva chama esse processo de cognitive offloading, ou externalização cognitiva, em que usamos elementos externos para reduzir aquilo que precisaríamos processar ou lembrar internamente (Risko & Gilbert, 2016).

Isso não é necessariamente ruim. Poucos artistas ganhariam alguma coisa memorizando todos os comandos de um software que podem consultar em segundos, e automatizar operações repetitivas também pode liberar atenção para decisões mais relevantes, como composição, narrativa visual, iluminação ou direção de arte.

O problema está em externalizar sem distinguir o que apenas consome esforço do que produz aprendizagem. Pense novamente em um profissional aprendendo Blender. Se uma IA automatiza a renomeação de centenas de objetos, provavelmente eliminou um esforço de baixo valor. Se diagnostica cada problema de geometria antes que ele sequer tente compreendê-lo, pode estar eliminando outra coisa, uma oportunidade de construir capacidade de diagnóstico.

A pergunta mais útil, portanto, muda de foco. Em vez de “quanto trabalho consigo transferir para a IA?”, vale perguntar “que tipo de trabalho mental estou transferindo?”.

O esforço que parece ineficiente pode ter uma função

Existe um paradoxo conhecido na ciência da aprendizagem. Aquilo que torna uma atividade mais fácil durante a prática nem sempre é o que produz melhor retenção depois. Pesquisas sobre recuperação da memória mostram, por exemplo, que tentar recuperar ativamente uma informação pode produzir aprendizagem superior à de simplesmente voltar a estudá-la, mesmo que reler pareça mais fácil e dê uma sensação imediata maior de domínio (Roediger & Karpicke, 2006).

Os psicólogos Robert e Elizabeth Bjork, da Universidade da Califórnia em Los Angeles, usaram a expressão desirable difficulties, ou dificuldades desejáveis, para descrever condições em que algum esforço adicional durante a aprendizagem favorece a retenção e a transferência posteriores (Bjork & Bjork, 2011).

Isso não significa tornar softwares deliberadamente difíceis, rejeitar a automação ou sofrer para aprender. Significa algo mais preciso. Dificuldade e desperdício não são sinônimos. Algumas dificuldades são apenas atrito. Outras obrigam o profissional a comparar, recuperar conhecimento, testar hipóteses, detectar erros e explicar relações, e essas ações podem fazer parte do que constrói competência. Por isso, eliminar toda dificuldade pode ser tão inadequado quanto preservar todas elas.

O perigo de uma solução que chega cedo demais

Suponha que um estudante esteja aprendendo materiais e shaders. Ele chega a um resultado estranho e pergunta imediatamente à IA por que o material está com aquele aspecto. A ferramenta identifica três possibilidades, fornece valores e apresenta a correção. Excelente para terminar o projeto.

Existe, porém, outra forma de usar a mesma IA. Antes de revelar a solução, ela poderia perguntar quais parâmetros o estudante acredita que estão causando o problema, depois como ele testaria cada hipótese, e só então, após a tentativa, oferecer pistas progressivas. Nos dois casos existe IA, mas o desenho da interação é cognitivamente diferente. No primeiro, a IA funciona como resolvedora. No segundo, funciona como andaime cognitivo, ajudando o usuário a pensar sem pensar por ele.

O experimento citado anteriormente encontrou uma diferença desse tipo. O tutor que oferecia pistas graduais, sem entregar a resposta completa, preservou benefícios motivacionais que não apareceram da mesma maneira no uso livre do ChatGPT (Bassner et al., 2026). Isso sugere uma prática simples para quem usa IA enquanto aprende. Antes de pedir a solução, peça ajuda para construir a solução.

Explicar pode ser tão importante quanto executar

Há outra maneira de testar se estamos realmente compreendendo o que produzimos, que é tentar explicar. Pesquisas clássicas sobre self-explanation, ou autoexplicação, mostram que gerar explicações sobre o que está sendo aprendido pode favorecer uma compreensão mais profunda, ajudando a integrar as novas informações ao conhecimento que já temos (Chi et al., 1994).

No contexto criativo, isso vira uma prática bem simples. Depois de usar IA para resolver um problema, pergunte a si mesmo por que a solução funcionou, se conseguiria reconhecer o problema novamente sem a IA e o que mudaria se uma variável importante fosse diferente. Se a IA corrigiu uma expressão, um shader, um script ou uma configuração de render, não encerre a interação no “funcionou”. Peça que ela explique por que funcionou, depois desligue a ferramenta e tente reproduzir o raciocínio. A diferença parece pequena, mas desloca a IA de simples geradora de respostas para instrumento de reflexão.

Expertise é também saber quando algo está errado

Há ainda um problema adicional. Quanto menos conhecimento temos, mais difícil pode ser avaliar a qualidade da resposta recebida. Um artista experiente observa uma imagem gerada e percebe rapidamente problemas de composição, anatomia, iluminação, coerência de estilo ou viabilidade técnica. Um iniciante talvez perceba apenas que “parece bom”.

Essa assimetria muda a relação com a IA. Quanto maior a expertise, maior tende a ser o repertório para formular perguntas melhores, comparar alternativas, identificar inconsistências, rejeitar soluções inadequadas, adaptar respostas e reconhecer quando a ferramenta não compreendeu o problema. A IA, portanto, não elimina necessariamente a importância da expertise. Em alguns usos, pode torná-la mais importante, porque produzir deixou de ser o único desafio e avaliar passou a ser parte central dele.

Uma regra prática para usar IA sem terceirizar o aprendizado

Antes de usar IA em uma tarefa que você está tentando aprender, faça três perguntas.

  1. Esta parte do processo é repetitiva ou formativa? Se for predominantemente mecânica, automatizá-la pode liberar atenção para um trabalho mais relevante.
  2. Eu quero terminar a tarefa ou desenvolver esta habilidade? As duas metas são legítimas, mas exigem estratégias diferentes.
  3. Depois de receber a resposta, conseguirei explicar por que ela funciona? Se a resposta for não, transforme a solução em uma nova etapa de aprendizagem.

Também é possível mudar a forma de escrever os prompts. Em vez de “resolva este problema”, experimente pedidos como estes.

  • “Não me dê a resposta ainda. Ajude-me a identificar as hipóteses que devo testar.”
  • “Mostre apenas a primeira pista.”
  • “Analise meu raciocínio e diga onde ele pode estar errado.”
  • “Depois de resolvermos, faça três perguntas para verificar se eu realmente compreendi.”

A tecnologia é a mesma. O que muda é quem continua responsável pelo raciocínio.

A IA pode melhorar a aprendizagem, desde que seja usada para isso

Seria incorreto concluir que a inteligência artificial necessariamente prejudica o aprendizado, e a evidência disponível não sustenta essa afirmação. Meta-análises recentes encontram, em média, efeitos positivos de intervenções com IA generativa sobre diferentes resultados educacionais, embora esses efeitos variem bastante conforme o contexto, a disciplina, o desenho da intervenção e o tipo de resultado medido. Uma revisão de 68 estudos experimentais encontrou efeito positivo geral, com grande variação entre os estudos (Han, Peng & Liu, 2025). Outra meta-análise, com 57 estudos, encontrou benefícios no desempenho acadêmico e no pensamento de ordem superior, mas nenhum efeito estatisticamente significativo sobre a metacognição (Chen & Cheung, 2025).

Portanto, a pergunta não deveria ser se a IA “faz aprender” ou “impede de aprender”. O resultado depende também de como a interação é desenhada e do que estamos chamando de aprendizagem. Para um profissional criativo, isso significa que produtividade e formação não precisam competir. É possível usar IA para acelerar o que merece ser acelerado e preservar o esforço cognitivo onde ele ainda tem função.

A questão começa antes de clicar em “gerar”. Quando encontramos algo que ainda não sabemos fazer, precisamos decidir se queremos apenas obter a resposta ou também construir a capacidade de encontrá-la novamente. As duas coisas podem acontecer juntas, mas não são automaticamente a mesma coisa.

Referências