Universidade Potemkin: como usar IA sem aprender menos
Estudos do MIT e da Anthropic mostram quando a IA corrói o estudo. O que a pesquisa indica para usar IA sem aprender menos rumo ao ENEM e aos concursos.
Estudantes que redigiram textos com ChatGPT mostraram menor conectividade cerebral, e 83% não conseguiram citar o próprio texto minutos depois de escrevê-lo. O dado vem do estudo «Your Brain on ChatGPT», do MIT Media Lab, publicado em junho de 2025. Desde então, professores e pesquisadores discutem uma pergunta incômoda: é possível usar IA sem aprender menos? A metáfora que circula nos corredores acadêmicos tem nome próprio — «universidade Potemkin», uma instituição de fachada intacta e aprendizagem oca.
Para quem estuda no Brasil, a discussão não é abstrata. ENEM, vestibulares e concursos públicos continuam sendo provas presenciais, manuscritas e sem acesso a ferramentas. Quem delega o esforço cognitivo ao chatbot durante o ano descobre a lacuna no único dia em que ela não pode existir: o dia da prova.
- Segundo o Digital Education Council (2024), 86% dos estudantes universitários já usam IA nos estudos.
- A Anthropic identificou em 2025 que cerca de 47% das interações de estudantes com o Claude buscavam resposta pronta, com engajamento mínimo.
- No experimento do MIT Media Lab (2025), 83% dos participantes que usaram um LLM não souberam citar trechos do texto que acabavam de entregar.
- ENEM, vestibulares e concursos seguem presenciais e sem ferramentas digitais, o que expõe qualquer lacuna de preparo.
De onde vem a «universidade Potemkin»
O termo «compreensão Potemkin» foi cunhado em um artigo de pesquisadores do MIT, Harvard e Universidade de Chicago, publicado em junho de 2025. Ele descreve modelos de IA que definem um conceito corretamente, mas falham ao aplicá-lo em tarefas simples — uma fachada de entendimento sem estrutura por trás.
A referência histórica é conhecida. As «aldeias Potemkin» seriam cenários falsos erguidos na Rússia do século XVIII para impressionar a imperatriz Catarina II. No artigo «Potemkin Understanding in Large Language Models», a equipe de Marina Mancoridis, Keyon Vafa e Sendhil Mullainathan aplicou a imagem aos modelos de linguagem: sistemas que explicam um esquema de rima com precisão e, na frase seguinte, não conseguem produzir uma.
A apropriação pedagógica do termo veio depois, e inverteu o alvo. Se o estudante terceiriza redações, resumos e exercícios, quem exibe compreensão Potemkin passa a ser ele — e, por extensão, a instituição que o diploma. Reportagens como a da New York Magazine, em maio de 2025, documentaram universitários americanos que atravessavam semestres inteiros sem escrever um parágrafo próprio. A universidade Potemkin é isso: notas em dia, aprendizagem em ruínas.
O que os dados dizem sobre IA e aprendizagem
O estudo do MIT Media Lab (2025) mediu, com eletroencefalografia, a atividade cerebral de 54 participantes escrevendo redações. O grupo que usou ChatGPT apresentou a menor conectividade neural entre as condições testadas, e os autores descrevem o efeito acumulado como «dívida cognitiva».
O desenho do experimento é revelador. Participantes escreveram com LLM, com buscador ou apenas com a própria cabeça, ao longo de quatro meses. Quem começou dependendo do modelo teve pior desempenho ao escrever sem ele — o inverso não ocorreu. A memória do próprio texto também sofreu: 83% dos usuários de LLM falharam ao citar o que tinham acabado de redigir.
«Os usuários de LLM tiveram desempenho consistentemente inferior nos níveis neural, linguístico e comportamental. Os resultados levantam preocupações sobre as implicações educacionais de longo prazo da dependência desses sistemas.»
Os dados de uso apontam na mesma direção. No Education Report da Anthropic, publicado em abril de 2025 a partir de 574 mil conversas anonimizadas de estudantes, quase metade das interações (47%) era do tipo «direto»: pedir a resposta ou o texto pronto, sem diálogo. E a escala é enorme — o Digital Education Council apurou em 2024 que 86% dos universitários já usam IA nos estudos, mais da metade deles pelo menos uma vez por semana.
Como usar IA sem aprender menos, na prática
A literatura sobre aprendizagem converge em um critério simples: o esforço cognitivo não pode ser delegado. Pesquisas sobre «desirable difficulties», consolidadas desde os trabalhos de Robert Bjork (UCLA), mostram que recuperar informação da memória e produzir respostas próprias é o que fixa conhecimento — exatamente o que o uso passivo de IA elimina.
Isso não condena a ferramenta; condena um padrão de uso. O mesmo modelo que escreve a redação pelo aluno pode arguir o aluno sobre a redação que ele escreveu. A diferença está em quem faz o trabalho difícil.
| Tarefa | Uso que corrói a aprendizagem | Uso que a preserva |
|---|---|---|
| Redação (ENEM, dissertativas) | Pedir o texto pronto e copiar | Escrever primeiro e pedir correção criteriosa, com nota por competência |
| Exercícios e questões | Colar o enunciado e transcrever a resposta | Resolver, errar e pedir explicação apenas do passo que travou |
| Leitura de textos-base | Substituir a leitura pelo resumo automático | Ler e pedir que a IA faça perguntas de verificação sobre o texto |
| Revisão pré-prova | Reler resumos gerados pelo modelo | Usar a IA como examinadora: simulados, flashcards, arguição oral |
Há duas condições adicionais. A primeira é checagem: modelos erram com fluência, e o estudante precisa saber diferenciar uma alucinação de IA de um dado real antes de incorporar qualquer conteúdo ao caderno. A segunda é honestidade métrica: apps de estudo com IA — de startups espanholas como Modo Cheto a plataformas globais como Quizlet — só funcionam quando medem o que o usuário acerta sozinho, não o que o modelo responde por ele.
O que muda para quem encara ENEM, vestibular e concursos
No Brasil, os exames decisivos permanecem analógicos. A redação do ENEM é manuscrita, sob supervisão e sem consulta; vestibulares como Fuvest e Unicamp e os grandes concursos públicos seguem o mesmo formato. Qualquer dependência de IA construída durante a preparação fica do lado de fora da sala de prova.
Esse descompasso cria um teste de realidade que universidades americanas não têm na mesma medida. Lá, o trabalho entregue em casa é a avaliação; aqui, a peneira final acontece em quatro ou cinco horas de prova presencial. O candidato que passou o ano terceirizando redações chega ao ENEM sem repertório ativo, sem ritmo de escrita à mão e sem a memória de longo prazo que o estudo genuíno constrói.
Para instituições e cursinhos, a implicação é de desenho pedagógico, não de proibição. Avaliações orais, produção supervisionada em sala e simulados manuscritos recuperam o valor do esforço individual. Para o estudante, a régua é pessoal: se a ferramenta responde mais do que pergunta, o preparo está encolhendo — ainda que as notas dos trabalhos digam o contrário. Usar IA sem aprender menos exige tratar o modelo como treinador exigente, nunca como escriba.
A dívida cognitiva descrita pelo MIT tem uma propriedade incômoda: ela é invisível até a hora da cobrança. A pergunta que fica para 2026, ano em que a IA generativa completa seu quarto ciclo letivo nas universidades brasileiras, é se estudantes e instituições vão medir a aprendizagem real — ou se vão continuar polindo a fachada da aldeia Potemkin até o dia em que alguém abre a porta.
