Artigo · Revisão crítica de literatura e desenho de política
Capacidade antes do acesso: quem medeia a IA que chega à criança
O debate público sobre IA generativa na escola foi reduzido a duas opções — liberar ou proibir. Nenhuma das duas descreve a variável que a evidência mais forte disponível aponta como decisiva: o que o adulto faz enquanto a criança usa.
A integração responsável da IA generativa nos anos fundacionais não é função do acesso da criança à tecnologia, mas da interação entre prontidão desenvolvimental, competência adulta, mediação pedagógica, governança institucional e a função cognitiva atribuída à IA dentro da atividade de aprendizagem.
Figura 1 · O que muda o resultado não é a ferramenta
Por onde você entra?
Não. Misturar 0–6 com 6–13 anos invalida a conclusão — e é o erro metodológico mais comum neste campo.
Ver os dois domínios → "Já capacitamos os professores em ferramentas."Capacidade é só a primeira de quatro camadas. Julgamento, mediação e governança quase nunca são medidos.
Ver as quatro camadas → "A IA faz a criança pensar menos?"Depende do desenho: no experimento mais diretamente informativo desta matriz, o mesmo modelo ficou 17% abaixo do controle no teste final sem IA — ou manteve o ganho, conforme as salvaguardas.
Ver a evidência causal → "Proibir celular funcionou, então proibir IA funciona."Mecanismos de risco distintos: atenção e distração de um lado, produção cognitiva do outro.
Ver por que não é proxy →Em síntese
O que é "capacidade antes do acesso"
A integração responsável da IA generativa nos anos fundacionais não é função do acesso da criança à tecnologia, mas da interação entre prontidão desenvolvimental, competência adulta, qualidade da mediação, governança institucional e a função cognitiva atribuída à IA na atividade. Capacity-before-access é apresentada aqui como proposição analítica derivada da comparação de políticas — não como princípio já consagrado na literatura.
- Dois domínios, não um — Educação Infantil (0–6) e Fundamental inicial (~6–13) não se generalizam entre si; confundi-los invalida a conclusão.
- Quatro camadas de competência — capacidade, julgamento, mediação e governança; a literatura quase sempre mede só a primeira, e por autopercepção.
- Necessária, não suficiente — P1 é parcialmente sustentável, P2 não é sustentada por nenhum estudo revisado, P3 (condicionalidade) é a mais forte.
- Substituição × ampliação — com acesso irrestrito, −17% no teste final sem IA; com guardrails pedagógicos, ganho mantido (Bastani et al., 2025, PNAS).
É o mesmo princípio do fail-closed da Engenharia de Agentes de IA, aplicado à sala de aula: o desenho decide o desfecho, não a ferramenta.
Perguntas frequentes
Perguntas frequentes
O que significa "capacidade antes do acesso"?
É a proposição de que o acesso de crianças à IA generativa deveria ser condicionado à capacidade de mediação disponível — competência do adulto, qualidade da intervenção pedagógica e salvaguardas institucionais — e não apenas à idade cronológica. O artigo a trata como proposição analítica derivada da comparação entre arquiteturas de política, não como princípio já estabelecido pela literatura ou por qualquer política em vigor.
Por que separar Educação Infantil de anos iniciais do Fundamental?
Porque são domínios distintos e a evidência de um não se transfere para o outro. Educação Infantil (ECEC) designa 0 a 6 anos, antes da escolarização obrigatória, onde o uso direto da ferramenta pela criança é mínimo e o foco recai sobre a formação do adulto. O Fundamental inicial (cerca de 6 a 13 anos) é onde a Noruega publicou, em 2026, orientações oficiais por etapa escolar, e onde a criança já está em alfabetização e numeramento. Tratá-los como bloco único compromete a validade da inferência, porque a evidência de um domínio não sustenta conclusões sobre o outro.
Quais são as quatro camadas da competência adulta?
Capacidade (o professor sabe como a ferramenta funciona), julgamento (sabe decidir quando usar, quando não usar e com que propósito), mediação (sabe intervir durante o uso — questionar, verificar, retirar o apoio) e governança (a instituição permite e estrutura essa intervenção, com tempo, infraestrutura e política). A maior parte da literatura mede apenas a primeira, em geral por autopercepção, silenciando justamente as camadas que a evidência mais forte sugere serem decisivas.
Quando o descarregamento cognitivo vira substituição?
Descarregar carga operacional pode ser desejável e liberar capacidade para raciocínio de ordem superior; a pergunta precisa é quando o offloading se converte em substituição do processo cognitivo que a criança precisa desenvolver. No ensaio randomizado de Bastani et al. (2025), o acesso irrestrito ao modelo melhorou 48% o desempenho durante a prática mas produziu resultado 17% inferior ao controle no teste final sem IA; com guardrails que proibiam entregar a resposta final, a melhora foi de 127% e o ganho se manteve.
A restrição de smartphones serve como evidência sobre IA generativa?
Não diretamente. Os mecanismos de risco são distintos: smartphone e redes sociais operam sobre atenção, distração e comparação social, enquanto a IA generativa opera sobre produção cognitiva, terceirização de raciocínio e escrita. As evidências sobre restrição de dispositivos são tratadas como evidência comparativa de política — útil para entender como restrições institucionais se comportam — e não como evidência causal sobre IA.
O que a política norueguesa de 2026 demonstra?
Demonstra desenho de política (policy design): uma arquitetura coerente que combina idade mínima, competência docente prévia e finalidade pedagógica explícita, com restrição quase total entre 6 e 13 anos e uso gradual entre 14 e 16 condicionado à competência do professor. Não demonstra eficácia de política (policy effectiveness): é recente demais para avaliação longitudinal de impacto, e nenhuma política, por si só, constitui um experimento.
A capacitação docente basta para integrar IA com responsabilidade?
Não segundo a literatura revisada. Nenhum estudo sustenta a suficiência da competência docente como variável isolada, e o próprio EU AI Act rejeita essa premissa de forma implícita ao exigir supervisão institucional para usos de alto risco, independentemente da competência individual do educador. A competência adulta é provavelmente condição habilitante necessária; a variável intermediária mais provável é a qualidade da mediação pedagógica.
Delimitação Síntese
Dois domínios etários que a literatura trata como um só
"Educação Infantil" (Early Childhood Education and Care, ECEC) designa, na literatura internacional, crianças de 0 a 6 anos, antes da escolarização obrigatória. O caso empírico mais robusto disponível para discutir IA generativa — a política norueguesa de 2026 — recai sobre o 1º ao 7º ano do grunnskole, aproximadamente 6 a 13 anos. É Ensino Fundamental inicial, não Educação Infantil.
Tratar os dois como equivalentes compromete a validade da inferência, porque a política norueguesa não é uma política de ECEC. Este artigo separa os domínios desde o início — e a separação muda o que cada evidência pode sustentar.
DOMÍNIO A · 0–6 anos
ECEC / Educação Infantil
Foco a montante: desenvolvimento da competência digital e em IA dos adultos responsáveis. O uso direto da ferramenta por crianças nesta faixa é mínimo ou inexistente — e a expertise em desenvolvimento infantil, não a técnica, é o núcleo da profissão docente.
DOMÍNIO B · ~6–13 anos
Ensino Fundamental inicial
Foco nos efeitos de restrição, introdução condicionada e mediação docente sobre o uso (ou não uso) de IA generativa por crianças em processo de alfabetização e numeramento. É aqui que a Noruega publicou orientações oficiais por etapa escolar.
Com a separação, a Noruega deixa de ser lida como evidência sobre Educação Infantil e passa a ser descrita pelo que é: um caso de governança da IA na fase de formação das competências fundacionais, com implicações indiretas para o Domínio A.
As camadas que o debate público colapsa
| Camada | Definição operacional |
|---|---|
| Acesso | A criança tem a possibilidade técnica de utilizar a IA, independentemente do uso efetivo. |
| Uso | A criança efetivamente interage com a ferramenta, com ou sem supervisão. |
| Uso mediado | O uso ocorre sob desenho, supervisão, questionamento e retirada progressiva do apoio por um adulto competente. |
| Integração pedagógica | A tecnologia está subordinada a objetivos curriculares e desenvolvimentais explícitos. |
| Alfabetização em IA | Distinguem-se aprender com IA, aprender sobre IA, aprender por meio de IA e utilizar IA para executar a tarefa — este último o caso de risco de terceirização cognitiva. |
Decomposição Proposta original
"Competência digital docente" é ampla demais para ser útil
O conceito único de competência digital docente esconde quatro camadas distintas e parcialmente independentes. A distinção importa porque a maior parte da literatura mede apenas a primeira — e em geral por autopercepção —, silenciando exatamente as camadas que a evidência mais forte sugere serem as que alteram o desfecho educacional.
CAMADA 1
Capacidade (capacity)
O professor sabe como a ferramenta funciona, técnica e teoricamente?
Falha típica: desconhecer que a resposta de um modelo de linguagem pode ser fabricada.
CAMADA 2
Julgamento (judgment)
O professor sabe decidir quando usar, quando não usar e com que propósito?
Falha típica: dominar a ferramenta e ainda assim introduzi-la sem finalidade pedagógica clara.
CAMADA 3
Mediação (mediation)
O professor sabe intervir durante o uso — questionar, verificar, retirar o apoio?
Falha típica: permitir que a criança copie a resposta da IA sem checagem nem discussão.
CAMADA 4
Governança (governance)
A instituição permite e estrutura essa intervenção — tempo, infraestrutura, política, supervisão?
Falha típica: o professor tem capacidade e julgamento, mas a escola não oferece tempo, filtros nem apoio.
Uma cadeia causal mais forte do que "formação → melhor uso"
A literatura da OCDE sobre desenvolvimento profissional em ECEC não afirma simplesmente que professores precisam saber tecnologia: ela diferencia competências fundacionais, intensificadas e especializadas, e ancora a competência digital na própria compreensão do desenvolvimento infantil. A cadeia que daí decorre é mais defensável porque torna a competência tecnológica subordinada ao conhecimento sobre a criança — não um substituto dele.
Figura 2 · A cadeia causal proposta
Reformulação da hipótese Proposta original
Três proposições que precisam ser testadas separadamente
A formulação forte — "a capacitação docente é condição necessária e suficiente" — não sobrevive a um teste sério porque mistura três afirmações de tipos diferentes. Decompostas, elas têm status epistêmico distinto:
P1 · NECESSIDADE
Sem competência adulta suficiente, nas quatro camadas, a integração responsável da IA generativa é improvável.
Parcialmente sustentável
P2 · SUFICIÊNCIA
Competência adulta suficiente, isoladamente, garante a integração responsável da IA generativa.
Não sustentada
P3 · CONDICIONALIDADE
O efeito educacional depende da interação entre competência adulta, qualidade da mediação, maturidade da criança e desenho da tarefa.
A mais forte
A separação evita apresentar capacity-before-access como tese demonstrada. Ela é tratada, do início ao fim, como proposição analítica derivada da síntese comparativa de políticas — não como princípio estabelecido na literatura.
Mecanismo Evidência causal A
A pergunta não é se há descarregamento cognitivo, mas quando ele vira substituição
Nem todo cognitive offloading é prejudicial. Descarregar pode ser desejável, temporário, estratégico ou compensatório — um recurso externo que reduz carga operacional e libera capacidade para raciocínio de ordem superior. A pergunta cientificamente precisa é outra: quando o descarregamento se converte em substituição cognitiva?
A evidência causal mais robusta de toda a matriz revisada responde a isso de forma operacional. O ensaio controlado randomizado de Bastani e colegas (2025, PNAS), com cerca de mil estudantes de ensino médio na Turquia, comparou dois acessos ao mesmo modelo. O grupo com acesso irrestrito melhorou 48% durante a prática e teve desempenho 17% inferior ao controle no teste final sem IA. O grupo cuja IA foi restringida por guardrails pedagógicos — instruída a nunca entregar a resposta final — melhorou 127% durante a prática e manteve o ganho no teste final.
Figura 3 · O mesmo modelo, dois desenhos, efeitos opostos
O que os percentuais medem. Desempenho em tarefas de matemática do ensino médio, cerca de 1.000 estudantes distribuídos entre os braços, na Turquia. Os valores de prática (+48%, +127%) e o de teste final (−17%) vêm de momentos de medição distintos e não formam um par: o primeiro é medido com a ferramenta disponível, o segundo depois de retirada. É essa retirada que separa ganho aparente de aprendizagem retida — e é por isso que o número da prática, sozinho, não informa nada sobre o que a criança aprendeu. Antes de citar qualquer um destes valores em decisão de política, consulte o artigo original para intervalos de confiança e n por braço.
Força A para a população e a tarefa estudadas — adolescentes, matemática. A extrapolação para crianças pequenas é hipótese, não dado: a suposição de que crianças em desenvolvimento de autorregulação e controle inibitório sejam mais vulneráveis à substituição prematura é plausível, mas não foi testada nos domínios A ou B.
Instrumento de política Evidência comparativa
Por que celular não é proxy de IA generativa
Há sete modalidades de restrição em uso: proibição total; restrição de acesso; restrição por idade; restrição por contexto; uso supervisionado; uso condicionado à competência docente prévia; e uso curricularmente integrado. Um erro recorrente na literatura de política pública é tratar evidência sobre restrição de smartphones como prova indireta sobre IA. São mecanismos de risco distintos.
| Tecnologia | Mecanismo de risco predominante |
|---|---|
| Smartphone | Atenção, distração, interrupção, comunicação social. |
| Redes sociais | Comparação social, dependência, exposição a conteúdo. |
| IA generativa | Produção cognitiva, terceirização de raciocínio e escrita, automação da tarefa. |
O que a evidência de smartphones mostra
Um estudo quasi-experimental norueguês com dados administrativos encontrou redução de bullying e melhora de desempenho entre meninas, sem efeito médio agregado detectável (força B). Uma revisão rápida com metanálise de cinco estudos achou efeito agregado modesto — d ≈ 0,16 —, mais forte para bem-estar social do que para desempenho (força B). Uma análise realista sugeriu possível piora para meninos e aumento de disparidade de gênero.
O paralelo brasileiro
A Lei paulista nº 18.058/2024 e a Lei federal nº 15.100/2025 restringem dispositivos pessoais em escolas, com exceções pedagógicas e de acessibilidade. Relatos institucionais indicam melhora de foco e interação social nos primeiros semestres; em comunidades menos favorecidas, a implementação abrupta associou-se a comportamentos agressivos — restrição isolada, sem acompanhamento psicossocial, não resolve dependências cultivadas fora da escola.
Essas evidências impedem afirmar que restrições tecnológicas são simplesmente ineficazes — mas não autorizam concluir que restringir IA generativa produziria os mesmos efeitos.
Estudo de caso Desenho de política
A Noruega demonstra desenho de política — não eficácia de política
| Faixa etária / etapa | Diretriz |
|---|---|
| 0–5 anos (Domínio A) | Restrição de tempo de tela de lazer (0,5–1 h/dia); ênfase em interação com adultos sem intermediação de telas. |
| 6–13 anos (1º–7º ano, Domínio B) | Em regra, os alunos não têm acesso a IA generativa para trabalhos escolares. |
| 14–16 anos (8º–10º ano) | Uso gradual e cauteloso, condicionado a que os professores tenham adquirido competência suficiente previamente. |
| 17–19 anos | Uso independente permitido, com expectativa de aprendizagem crítica do uso da IA. |
Dados administrativos (Udir, 2025) indicam que nove em cada dez escolas norueguesas relatam ter filtros de conteúdo, mas as próprias escolas relatam falta de competência institucional para apoiar professores no uso de IA — o que sustenta a leitura de que a restrição precedeu, e não seguiu, a consolidação da competência docente.
A Noruega demonstra policy design: uma arquitetura coerente de idade +
competência docente + finalidade pedagógica.
A Noruega não demonstra policy effectiveness: que essa
arquitetura produz melhores desfechos de aprendizagem do que as alternativas.
Nenhuma política, por si só, constitui um experimento. A política de 2026 é recente demais para avaliação longitudinal de impacto. O que existe é evidência anterior e correlata — a restrição de smartphones de 2024 — que informou a base argumentativa para estender a restrição à IA, mas essa generalização é inferência de política, não dado direto.
Há ainda um detalhe que a leitura apressada perde: a política condiciona o uso nos anos 8–10 à competência docente prévia, e também mantém restrição por idade nos anos 1–7 independentemente da competência disponível. O modelo real é aditivo, não substitutivo — idade mínima + competência docente prévia + finalidade pedagógica explícita. Não é correto descrevê-lo como troca de "idade" por "competência".
Comparação Síntese
Três arquiteturas de governança, não duas
MODELO 1
Restrição por idade
Idade cronológica como salvaguarda principal. Exemplo: a recomendação da UNESCO de idade mínima de 13 anos para uso educacional de IA generativa.
MODELO 2
Acesso condicionado à capacidade
Idade + competência docente prévia + introdução gradual. Exemplo: a política norueguesa de 2026 para o 8º–10º ano.
MODELO 3
Acesso irrestrito / orientado pelo mercado
Disponibilidade tecnológica como principal determinante do acesso. Exemplo: adoção comercial em plataformas educacionais sem mediação de política pública.
A pergunta produtiva não é "qual modelo é certo?", mas: qual arquitetura oferece melhor correspondência entre risco, maturidade desenvolvimental e capacidade de mediação disponível em cada contexto institucional?
Teste das proposições
O que a evidência sustenta — e o que ela não sustenta
P1 · Necessidade Parcialmente sustentável
A evidência é indireta, mas convergente: a ausência de desenho pedagógico competente produz prejuízo mensurável (Bastani et al., 2025); escolas norueguesas sem competência institucional sinalizam risco de adoção acrítica; a literatura de AI-TPACK mostra que conhecimento técnico isolado não substitui julgamento pedagógico-ético.
Formulação calibrada: a competência adulta é provavelmente uma condição habilitante necessária em muitas formas de integração responsável, mas essa necessidade não foi testada diretamente nos domínios A e B com IA generativa.
P2 · Suficiência Não sustentada
Nenhum estudo revisado testa diretamente essa proposição. O próprio EU AI Act rejeita a premissa de forma implícita ao exigir infraestrutura institucional de supervisão — a camada de governança — para sistemas de alto risco, independentemente da competência individual do educador.
Formulação calibrada: a literatura atual não permite sustentar a suficiência da capacitação docente como variável isolada.
P3 · Condicionalidade A mais forte
O desenho experimental de Bastani et al. (2025) demonstra, com força A, que a presença de guardrails pedagógicos — manifestação de competência de desenho, análoga à camada de julgamento — altera substancialmente o efeito da IA sobre a retenção da aprendizagem em adolescentes.
Formulação calibrada: a competência docente pode ser necessária, mas dificilmente é suficiente; a variável intermediária mais provável é a qualidade da mediação pedagógica — e é essa variável, não a "competência" em abstrato, que a agenda futura deveria priorizar medir diretamente.
Modelo Proposta original
Um continuum de governança, não uma dicotomia
Em vez do eixo binário proibição ↔ acesso, um continuum gradual, cruzado por um eixo transversal de função cognitiva — substituição de um lado, ampliação do outro — presente em qualquer ponto da sequência:
- Restrição protetiva Temporária e seletiva, enquanto a capacidade não existe.
- Construção de capacidade adulta Camadas 1 e 2: capacidade e julgamento.
- Acesso mediado pelo professor Camada 3: intervenção durante o uso, com retirada progressiva do apoio.
- Uso apropriado à idade e ao desenvolvimento A prontidão desenvolvimental como critério, não a disponibilidade da ferramenta.
- Ampliação cognitiva Camada 4: governança institucional sustentando o processo.
O continuum como critério operável Proposta original
Um continuum que não diz o que fazer na segunda-feira é vocabulário, não governança. A tabela abaixo é a forma operável da mesma sequência — e permanece proposta: nenhuma linha dela foi validada empiricamente nos domínios A ou B.
| Etapa | Finalidade permitida | Papel do adulto | Salvaguarda mínima | Critério de retirada do apoio |
|---|---|---|---|---|
| 0–5 (Domínio A) | Nenhuma que envolva uso direto pela criança. A IA é ferramenta do adulto. | Formar-se nas camadas 1 e 2 antes de qualquer introdução. | Interação humana sem intermediação de tela como padrão. | Não se aplica — não há apoio a retirar. |
| 6–9 (Domínio B) | Aprender sobre IA como objeto, em contexto mediado e coletivo. | Conduz a atividade; a criança não opera a ferramenta sozinha. | Nenhuma tarefa cujo produto a IA possa gerar por inteiro. | A criança sabe explicar o que a ferramenta fez e por que pode errar. |
| 10–13 (Domínio B) | Aprender com IA em tarefa cujo trabalho cognitivo central permanece da criança. | Intervém durante o uso: questiona, exige verificação, interrompe a cópia. | Guardrails que impeçam a entrega da resposta final. | A criança demonstra o resultado sem a ferramenta disponível. |
| 14–16 | Uso gradual, condicionado à competência docente prévia. | Desenha a tarefa e audita o processo, não só o produto. | Finalidade pedagógica declarada antes do uso, não depois. | Avaliação sem IA mantém o desempenho obtido com ela. |
A última coluna é a que carrega o peso. É o teste de Bastani transposto para a sala: se o desempenho não sobrevive à retirada da ferramenta, o que houve foi substituição — e nenhum ganho medido durante a prática desmente isso.
Que condições de governança e desenho pedagógico deslocam o uso da IA de substituição para ampliação, em cada ponto do continuum e em cada domínio etário?
A formulação evita apresentar restrição e capacitação como políticas concorrentes: a restrição protetiva pode funcionar como mecanismo de governança transitório — sem que isso implique que sejam etapas obrigatoriamente sequenciais em todo contexto.
Auditoria de evidências
Matriz de evidências
Uma escala de força só é auditável se o critério que separa um grau do seguinte estiver escrito. O desta matriz:
| Grau | Critério de atribuição |
|---|---|
| A | Ensaio randomizado com desfecho comportamental medido e teste sem a ferramenta disponível. |
| B | Quasi-experimental com grupo de comparação, ou síntese sistemática — em ambos os casos com limitações declaradas de validade externa. |
| C | Descritivo, amostra pequena, sem grupo de controle, ou desfecho medido por autopercepção. |
| D | Norma, framework, diretriz oficial ou validação de construto. Diz o que se deve fazer ou como medir — não o que produziu efeito. |
| Estudo / documento | Domínio e população | Achado principal | Tipo | Força |
|---|---|---|---|---|
| Bastani et al. (2025), PNAS | Adolescentes, ensino médio, Turquia (fora dos domínios A/B) | Guardrails pedagógicos revertem substituição em ampliação | Educacional causal | A |
| Dardanou et al. (2023), OECD WP 295 | Domínio A, profissionais de ECEC | Mediação, brincar e colaboração são centrais; formação contínua e situada é mais promissora | Política / formação | B/C |
| Estudo quasi-experimental (Noruega, smartphones) citação não fixada | Estudantes secundários | Redução de bullying; melhora entre meninas; sem efeito médio agregado | Comparativa de política (não IA) | B |
| Revisão rápida PRISMA (5 estudos, smartphones) citação não fixada | Estudantes, múltiplos países | Efeito agregado modesto (d ≈ 0,16) | Comparativa de política (não IA) | B |
| Celik (2023), AI-TPACK | Professores, internacional | Conhecimento técnico isolado não basta; julgamento pedagógico é central | Construto | B/C |
| Ning et al. (2024) | 400 professores, China | Componentes compostos medeiam relações de competência | Construto | B/C |
| Romero-Tena et al. (2020) | Domínio A, 535 estudantes de ECE, Espanha | Aumento de autopercepção de competência (camada 1 apenas) | Educacional | C |
| Yang et al. (2024) | Domínio A, 6 crianças de 5 anos, Hong Kong | Crianças aprendem sobre IA em contexto mediado | Educacional | C |
| UNESCO (2024), AI CFT | Professores, global | Cinco domínios de competência; tecnologia não substitui o professor | Normativa | D |
| EU AI Act, Art. 4º e Anexo III | Sistemas educacionais, UE | Literacia obrigatória; usos de alto risco exigem supervisão institucional | Normativa / regulatória | D |
| Política norueguesa 2026 (Udir/Regjeringen) | Domínio B, 1º–19º ano | Restrição quase total 6–13; uso gradual 14–16 condicionado a competência docente | Policy design, não effectiveness | D |
| Leis nº 15.100/2025 e SP nº 18.058/2024 | Educação básica, Brasil | Restrição de dispositivos com exceções pedagógicas | Comparativa de política (não IA) | D |
Sobre as duas linhas marcadas "citação não fixada". São as únicas da matriz sem autoria, ano e DOI resolvidos. O achado que elas reportam é usado no texto apenas como evidência comparativa de política — nunca como evidência sobre IA — mas quem quiser auditá-las não tem, hoje, por onde começar. Ficam marcadas até que a citação completa seja fixada: uma matriz que existe para permitir auditoria deve declarar onde ela mesma não a permite.
Nota sobre referências não verificadas. Itens localizados em levantamentos automatizados com identificadores DOI incompletos — majoritariamente scoping e systematic reviews sobre riscos de IA em K-12 e frameworks de alfabetização em IA — não puderam ser verificados quanto a título, autoria, existência e resultados relatados. Foram classificados como referência não verificada, excluídos desta matriz e da lista de referências, e usados apenas qualitativamente na identificação de lacunas.
O que falta saber
Agenda de pesquisa
A lacuna não é tratada aqui como problema a ser resolvido por inferência otimista: a literatura oferece frameworks suficientes para formular a hipótese e insuficientes para estabelecer causalidade. Cinco desenhos fechariam essa distância.
1 · RCT de quatro braços
Adaptando Bastani et al. (2025) separadamente para os domínios A e B: sem IA; IA sem mediação; IA com professor capacitado nas quatro camadas; IA com professor capacitado e restrições adicionais. Desfechos: leitura, escrita, cálculo emergente, autonomia e indicadores de substituição versus ampliação.
2 · Estudo longitudinal por camada
Medir separadamente capacidade, julgamento, mediação e governança institucional, evitando o erro recorrente de medir apenas autopercepção da primeira.
3 · Estudo de mediação formal
Testar diretamente o modelo competência docente em IA → qualidade da mediação pedagógica → desfecho infantil, com observação direta em sala — não apenas questionários.
4 · Dose-resposta e limiares
Comparar 3–5, 6–8, 9–11, 12–13 e 14–16 anos, testando se a vulnerabilidade à substituição cognitiva varia não linearmente com a idade — hipótese sugerida, mas não testada, pela própria arquitetura etária da política norueguesa.
5 · Avaliação de impacto da política norueguesa
Quando houver dados longitudinais, testar se a arquitetura "idade + competência docente + finalidade pedagógica" produz melhores desfechos do que os outros dois modelos de governança.
Conclusão
Restrição e capacitação não precisam ser políticas concorrentes
A resposta mais defensável é condicional, não binária. A competência adulta — decomposta em capacidade, julgamento, mediação e governança — é provavelmente condição habilitante necessária, mas nenhuma evidência revisada sustenta sua suficiência isolada. A condicionalidade é a proposição mais bem apoiada: o desenho da tarefa e a qualidade da mediação alteram o efeito da IA sobre a aprendizagem — cadeia demonstrada em adolescentes, não em crianças dos domínios A ou B.
A restrição pode funcionar como mecanismo de governança temporário até que a capacidade humana e institucional para mediação responsável esteja estabelecida. Sem que isso implique que uma deva sempre preceder a outra em todo contexto, nem que a combinação já tenha sido validada empiricamente como superior às alternativas.
Esta não é uma conclusão de que "devemos usar IA nas crianças", nem de que "devemos proibi-la". É uma conclusão sobre arquitetura de governança condicional — cuja validade preditiva permanece uma questão em aberto.
Limitação principal declarada
Ausência de estudos longitudinais e experimentais que liguem competência docente, qualidade de mediação e desfechos infantis especificamente com IA generativa nos dois domínios etários definidos. Toda afirmação acima está calibrada por essa ausência.
O mesmo princípio governa um agente de IA confiável em outra escala: parar num ponto seguro em vez de promover um palpite. Ver Engenharia de Agentes de IA e, sobre quando parar de refinar um problema, Formulação de Problemas.