Ensino IA há pouco tempo. E quanto mais ensino, mais desconfio do que ensinei ontem.

Não foi um plano.

Ninguém acorda um dia e decide que vai ensinar Inteligência Artificial. Pelo menos não foi assim comigo. A oportunidade apareceu — uma disciplina precisava de professor, eu tinha a formação técnica mais próxima, e de repente estava diante de uma turma que esperava que eu soubesse o que estava fazendo.

Preparei as aulas. Estudei. Montei os slides. Expliquei conceitos, corrigi exercícios, apliquei provas.

E fui ensinando.

O problema é que, alguns meses depois, olhei para trás e percebi que uma coisa que havia ensinado com convicção — uma afirmação que eu tinha apresentado como fato estabelecido — não resistia a um exame mais cuidadoso. Não era errada no sentido de um cálculo equivocado. Era incompleta de uma forma que importava. Era uma simplificação que eu havia aceitado sem questionar porque estava nos livros, estava nos slides que circulam entre professores, estava no vocabulário padrão do campo.

Fiquei incomodado.

Não com os alunos. Comigo.

O desconforto que ninguém menciona

Há uma coisa que os professores de computação raramente dizem em público sobre ensinar IA hoje: é desconfortável de uma forma muito específica.

Não é o desconforto de não saber a matéria. É o desconforto de ensinar um campo que se move mais rápido do que qualquer currículo consegue acompanhar, que é apresentado pela mídia de formas que contradizem o que você ensina, e que carrega um vocabulário emprestado da psicologia humana — “aprendizado”, “inteligência”, “decisão”, “compreensão” — que frequentemente diz mais do que deveria sobre o que os sistemas realmente fazem.

Quando estou na frente dos alunos ensinando IA, sinto pelo menos três coisas ao mesmo tempo.

Sinto entusiasmo genuíno — o campo é fascinante, os problemas são reais, as ferramentas são poderosas, e há algo de eletrizante em ensinar algo que está sendo construído enquanto você o ensina.

Sinto desconforto honesto — há perguntas que meus alunos fazem para as quais eu não tenho resposta boa, e às vezes a resposta honesta é “ainda não sei” ou “depende de como você define isso” ou, mais raramente e mais importante, “acho que o campo ainda não sabe”.

E sinto responsabilidade — esses alunos vão usar isso. Vão construir sistemas que afetam pessoas reais. O que eu ensino sobre como avaliar um modelo, sobre onde confiar e onde questionar, sobre o que as métricas medem e o que elas escondem, vai importar muito além da prova final.

Essas três sensações não se cancelam. Coexistem, toda aula.

Por que estou escrevendo sobre isso

Este blog não é um repositório de certezas.

Não vou escrever sobre o que a IA vai fazer pelo mundo nem sobre o que ela vai destruir. Não vou traduzir papers para o português nem explicar como usar ferramentas de produtividade com IA. Há gente muito competente fazendo isso.

O que vou fazer é mais específico e, acredito, mais raro.

Vou escrever sobre o que fica quando você começa a questionar as afirmações óbvias sobre IA — as que circulam em sala de aula, nos corredores de departamentos, nos tutoriais que todos recomendam. Vou escrever sobre o que professores e estudantes de computação aceitam sem examinar porque sempre foi assim, porque está no livro, porque é o vocabulário padrão do campo.

Não faço isso de fora. Faço de dentro — como alguém que ainda está aprendendo a ensinar esse campo, que já ensinou coisas que depois questionou, e que decidiu que é mais útil documentar esse processo em público do que fingir uma autoridade que ainda estou construindo.

Isso tem um nome na filosofia da ciência. Karl Popper chamava de falseabilidade — a disposição de expor suas afirmações à possibilidade de estarem erradas. É o oposto do dogma. E é, curiosamente, o que a maioria dos sistemas de IA não consegue fazer por si mesmos: questionar suas próprias respostas.

Se os sistemas que ensinamos não conseguem fazer isso, pelo menos nós podemos.

O que vem a seguir — e para quem é isso

Esta série tem nove artigos planejados depois deste.

Cada um parte de uma crença comum sobre IA — comum em salas de aula, entre estudantes, entre professores — e a examina sem concessão fácil. Não para demolir o campo nem para celebrá-lo, mas para ver com mais clareza o que ele realmente é, o que ele realmente faz, e onde ele sistematicamente nos engana se não estivermos atentos.

Escrevo para professores que ensinam computação e sentem, como eu, esse desconforto específico de ensinar um campo em movimento. Para estudantes que querem entender IA de verdade — não apenas usar as ferramentas, mas saber quando questionar o que elas produzem. Para qualquer pessoa que percebeu que o entusiasmo e o alarmismo em torno da IA raramente deixam espaço para a pergunta mais importante: mas isso é verdade?

Não vou fingir que tenho todas as respostas. Vou fingir ainda menos que as perguntas são simples.

O que posso prometer é honestidade sobre o que sei, sobre o que ainda estou aprendendo, e sobre o que acho que o campo preferiria não examinar tão de perto.

Uma última coisa.

Aquela afirmação que ensinei e depois questionei — nunca voltei para a turma e corrigi. O semestre havia terminado. Os alunos haviam seguido em frente.

Isso me incomoda até hoje. E é, talvez, a razão mais honesta pela qual estou escrevendo este blog.

Se eu ensinar algo aqui que depois questionar, vou voltar e dizer. Publicamente, no mesmo espaço onde disse pela primeira vez.

Parece pouco. Na prática, é uma das coisas mais difíceis de fazer.

Bem-vindo à série.