Categoría: Entradas em Português

A América Latina precisa desenvolver sua própria infraestrutura robótica — interoperável, sensível aos contextos territoriais e estrategicamente orientada — se pretende participar com maior autonomia da nova economia industrial global. A robótica não deve mais ser compreendida apenas como a aquisição de braços industriais, drones ou sistemas automatizados isolados. Pelo contrário, deve ser concebida como uma infraestrutura tecnológica complexa, que integra robôs físicos, automação baseada em software, inteligência artificial, sensores, conectividade, dados, cibersegurança, talento humano, laboratórios, normas e capacidades produtivas locais.

Essa discussão torna-se cada vez mais urgente. Em escala mundial, a implantação da robótica avança em ritmos muito diferentes entre as regiões, aprofundando desigualdades já existentes em produtividade, inovação e competitividade industrial. Segundo a Federação Internacional de Robótica, a China concentrou 54% das instalações globais de robôs industriais em 2024, com quase 295 mil unidades instaladas naquele ano, consolidando sua posição como o maior mercado robótico do mundo. Essa tendência confirma que a robótica deixou de ser um ativo tecnológico periférico e se tornou uma infraestrutura crítica para competir na economia industrial contemporânea.

A robótica como infraestrutura estratégica

Durante décadas, a robótica foi associada principalmente à manufatura avançada e à automação industrial. Hoje, no entanto, essa interpretação tornou-se limitada. A robótica converteu-se em uma infraestrutura transversal, com aplicações na produção, logística, saúde, agricultura, mineração, energia, educação, inspeção de obras, gestão urbana e serviços.

Falar em infraestrutura robótica implica reconhecer várias camadas interconectadas. A primeira é uma camada física, composta por robôs industriais, robôs colaborativos, drones, veículos autônomos, robôs móveis, sensores, atuadores, laboratórios, estações de recarga e ambientes operacionais. A segunda é uma camada digital, que inclui softwares robóticos, plataformas de controle, gêmeos digitais, sistemas de simulação, inteligência artificial, Internet Industrial das Coisas, APIs, computação em nuvem e edge computing. A terceira é uma camada de dados, orientada à captura, armazenamento, análise, rastreabilidade, treinamento de modelos, monitoramento preditivo e governança de dados. Por fim, há uma camada organizacional, que envolve talento humano, normas, regulamentações, cibersegurança, modelos de manutenção, ética tecnológica e estratégias de adoção empresarial.

Nessa perspectiva, uma política de robótica para a América Latina não pode se limitar à compra de equipamentos. Ela deve construir uma arquitetura de capacidades capaz de articular indústria, universidades, setor público, empreendedorismo, pesquisa aplicada e formação de talentos.

O desafio geoeconômico: a China escala, os Estados Unidos inovam e a América Latina adota lentamente

O panorama internacional revela uma lacuna profunda. A China transformou a robótica em uma política industrial de grande escala. Sua liderança não se explica apenas pelo tamanho de sua economia, mas pela articulação coordenada entre capacidade manufatureira, mecanismos de financiamento, fornecedores locais, desenvolvimento tecnológico, automação produtiva e estratégia industrial. De acordo com a Federação Internacional de Robótica, a China não foi apenas o maior mercado mundial de robôs industriais em 2024; também superou dois milhões de robôs industriais em operação, constituindo o maior estoque operacional do mundo.

Os Estados Unidos, por sua vez, mantêm fortalezas significativas em pesquisa, inteligência artificial, software, startups, laboratórios universitários e robótica avançada. No entanto, mesmo nos Estados Unidos, cresce o reconhecimento da necessidade de uma estratégia nacional mais coordenada. Em 2025, a Association for Advancing Automation propôs uma visão para uma estratégia nacional de robótica, voltada ao fortalecimento da coordenação interinstitucional, da liderança tecnológica, da segurança econômica e da inovação robótica.

A América Latina ocupa uma posição distinta. A região tem avançado em automação industrial, drones, robótica educacional, aplicações em saúde, logística, mineração, agricultura de precisão e automação de processos. Contudo, ainda não dispõe de uma infraestrutura robótica regional suficientemente articulada. O Banco Interamericano de Desenvolvimento destacou que a robótica está transformando setores como manufatura, logística, agricultura e serviços, ao mesmo tempo em que evidencia a crescente relevância dos robôs colaborativos, drones e sistemas humanoides nos ambientes produtivos contemporâneos.

Em outras palavras, a lacuna latino-americana não é apenas uma lacuna em robótica. Trata-se também de uma lacuna em produtividade, investimento, talento, conectividade, sofisticação industrial, governança de dados, financiamento tecnológico e política pública.

Autonomia tecnológica: além da dependência de plataformas importadas
A autonomia tecnológica não deve ser entendida como isolamento tecnológico. Ela se refere, antes, à capacidade de decidir, adaptar, integrar, manter, auditar e desenvolver tecnologias de acordo com as necessidades específicas de cada território. No campo da robótica, a dependência pode surgir em vários níveis: hardware importado, software proprietário, dados hospedados fora da região, serviços externos de manutenção, modelos de inteligência artificial não treinados com dados locais e normas definidas por ecossistemas industriais estrangeiros.

A América Latina pode e deve importar tecnologia. Entretanto, não pode limitar-se a ser uma consumidora passiva de plataformas externas. A região precisa fortalecer sua capacidade de desenhar soluções, adaptar robôs a ambientes locais, integrar sensores, desenvolver software, criar laboratórios, formar talentos especializados, gerar seus próprios dados e construir cadeias de valor associadas à robótica.

Essa autonomia é especialmente importante em setores estratégicos como agroindústria, saúde, transição energética, infraestrutura viária, portos, biodiversidade, gestão da água, mineração responsável, manufatura, segurança do trabalho e cidades inteligentes. Como assinalou a CEPAL, os países da América Latina e do Caribe enfrentam desafios estruturais que limitam a adoção efetiva das tecnologias digitais. Torna-se, portanto, necessário fortalecer as condições habilitadoras para uma transformação digital inclusiva e sustentável.

Competitividade global: sem robótica, não haverá salto produtivo
A América Latina historicamente apresenta baixos níveis de produtividade em comparação com economias mais industrializadas. A robótica pode tornar-se uma alavanca essencial para reduzir parte dessa lacuna, mas apenas se estiver inserida em uma estratégia mais ampla de transformação produtiva.

A infraestrutura robótica pode contribuir para automatizar tarefas repetitivas, perigosas ou de baixa precisão; melhorar a qualidade e a rastreabilidade; reduzir desperdícios; aumentar a produtividade; otimizar a logística; fortalecer a agricultura de precisão; melhorar a segurança do trabalho; e criar novas capacidades exportadoras. No entanto, esses benefícios não surgem automaticamente. Eles exigem investimento, formação, infraestrutura digital, conectividade, sistemas de dados e capacidades organizacionais.

Por essa razão, a robótica não deve ser tratada como uma simples coleção de dispositivos isolados. Ela deve ser compreendida como uma dimensão avançada da transformação digital produtiva. Seu valor não depende apenas das máquinas em si, mas também dos ecossistemas que tornam possível sua adoção, adaptação e escalabilidade.

A infraestrutura robótica deve incluir robôs físicos e robôs lógicos

Um equívoco comum é associar a robótica exclusivamente às máquinas físicas. Na realidade, a infraestrutura robótica contemporânea também inclui robôs lógicos: sistemas de software capazes de automatizar processos digitais.

Os robôs físicos atuam sobre o mundo material. Eles montam, transportam, inspecionam, limpam, assistem, medem e manipulam objetos. Os robôs lógicos, por outro lado, atuam sobre a informação. Eles validam dados, integram sistemas, processam solicitações, geram alertas, automatizam procedimentos, extraem informações, executam regras e apoiam a tomada de decisões.

Para a América Latina, essa distinção é especialmente importante. Muitos setores podem iniciar sua transformação robótica por meio da automação de processos, robotic process automation, agentes de inteligência artificial, bots de integração e sistemas de análise operacional. Com o tempo, essa camada digital pode ser integrada a robôs físicos em hospitais, portos, fábricas, laboratórios, centros logísticos e territórios inteligentes.

Essa compreensão ampliada da robótica permite que a região avance gradualmente da automação digital para formas mais complexas de integração ciberfísica.

Setores prioritários para a América Latina
Uma agenda latino-americana de infraestrutura robótica deve priorizar setores nos quais a região enfrenta necessidades críticas e, ao mesmo tempo, possui vantagens potenciais significativas.

Na agroindústria e na segurança alimentar, a robótica pode apoiar o monitoramento de cultivos, a irrigação inteligente, a colheita assistida, a análise de solos, o uso de drones agrícolas e a rastreabilidade alimentar.

Na saúde e nos serviços hospitalares, a robótica pode contribuir por meio de robôs de transporte interno, automação de farmácias, cirurgia assistida, gestão logística, automação administrativa, monitoramento remoto e processos de rastreabilidade.

Na infraestrutura física, drones, robôs móveis e redes de sensores podem apoiar a inspeção de pontes, estradas, túneis, redes elétricas, aquedutos, barragens e edificações.

Na manufatura e na logística, a robótica colaborativa pode aumentar a produtividade de pequenas e médias empresas industriais, centros de distribuição, portos, zonas francas e cadeias de valor orientadas à exportação.

Na mineração, energia e transição ecológica, os robôs podem apoiar inspeções remotas, operações em ambientes perigosos, manutenção preditiva e monitoramento ambiental.

Na educação e na pesquisa, universidades, institutos técnicos e escolas devem se tornar nós de formação, experimentação, pesquisa aplicada e transferência tecnológica.

Esses setores mostram que a infraestrutura robótica não deve ser compreendida apenas como uma questão de modernização industrial. Ela também deve ser vista como uma política de desenvolvimento vinculada à transformação territorial, à produtividade, à sustentabilidade e à soberania tecnológica.

Rumo a uma agenda regional
A América Latina precisa passar de projetos isolados para uma estratégia sistêmica. Uma política regional de infraestrutura robótica deveria incluir ao menos oito eixos estratégicos: laboratórios nacionais e regionais de robótica aplicada; formação em larga escala de talentos técnicos, tecnológicos e profissionais; centros de teste para pequenas e médias empresas; políticas de dados industriais; compras públicas inovadoras; colaboração universidade-empresa-Estado; cibersegurança e soberania digital; e cooperação latino-americana.

Uma agenda desse tipo é coerente com a necessidade de avançar em direção a uma transformação digital inclusiva, sustentável e orientada ao desenvolvimento produtivo. Também reconhece a robótica como uma tecnologia transversal, capaz de transformar simultaneamente múltiplos setores.

O desafio não é simplesmente adotar mais robôs. O verdadeiro desafio consiste em construir as condições institucionais, tecnológicas, educacionais e produtivas que permitam à robótica tornar-se uma plataforma de desenvolvimento.

Os riscos da inação
Se a América Latina não desenvolver sua própria infraestrutura robótica, enfrentará diversos riscos: maior dependência tecnológica, perda de competitividade industrial, atraso nas cadeias globais de valor automatizadas, dificuldade para atrair investimentos avançados, persistência de baixa produtividade, criação limitada de empregos intensivos em tecnologia, vulnerabilidade diante de fornecedores externos e menor capacidade de escalar soluções locais para desafios territoriais.

O maior risco não é simplesmente que os robôs substituam determinadas tarefas humanas. O risco mais profundo é que a América Latina seja excluída das cadeias de valor nas quais robótica, inteligência artificial, dados e automação já se tornaram condições básicas de competição global.

Enquanto a China avança por meio de uma implantação industrial massiva e os Estados Unidos buscam consolidar sua liderança por meio de uma estratégia nacional de robótica, a América Latina deve formular seu próprio roteiro — um roteiro que responda às suas lacunas estruturais, capacidades existentes e setores estratégicos.

Conclusão

A infraestrutura robótica deve tornar-se uma prioridade estratégica para a América Latina. Não como uma moda tecnológica, mas como uma condição para construir autonomia, produtividade e competitividade global.

A China avança com escala industrial. Os Estados Unidos continuam fortalecendo suas capacidades de fronteira em inovação, inteligência artificial e software. A América Latina ainda tem a oportunidade de construir seu próprio caminho, fundamentado em suas necessidades produtivas, sociais e territoriais.

Esse caminho não deve limitar-se à importação de robôs. Deve incluir desenvolvimento de talentos, laboratórios aplicados, apoio às pequenas e médias empresas, desenvolvimento de software, geração de dados, proteção de infraestruturas críticas, colaboração entre universidades e empresas, bem como políticas públicas de longo prazo.

A questão central já não é se a América Latina deve adotar a robótica. A verdadeira questão é se ela o fará como consumidora dependente ou como uma região capaz de construir suas próprias capacidades tecnológicas.

Uma infraestrutura robótica latino-americana é, em última instância, uma infraestrutura para a autonomia. E, sem autonomia tecnológica, a competitividade global será cada vez mais difícil de sustentar.

References

Association for Advancing Automation. (2025). A3 releases vision for a U.S. National Robotics Strategy. A3.

Banco Interamericano de Desarrollo. (2025). The robotics revolution: Technology, trends, and impact in 2024. BID.

Comisión Económica para América Latina y el Caribe. (2022). A digital path for sustainable development in Latin America and the Caribbean. CEPAL.

International Federation of Robotics. (2025). World Robotics 2025: Industrial robots. IFR.

Por muito tempo, a computação foi vista como um assunto reservado exclusivamente para engenheiros, programadores, matemáticos ou especialistas em sistemas. Em universidades e ambientes corporativos, falar de computação significava falar de laboratórios, códigos, servidores, bancos de dados ou softwares. No entanto, essa visão estreita já não é suficiente para explicar o mundo atual. No século XXI, a computação deixou de ser uma disciplina isolada para se transformar em uma infraestrutura transversal e fundamental da vida econômica, científica, educacional, social e cultural.

Hoje, praticamente nenhuma profissão pode ser compreendida fora dos dados, dos algoritmos, das plataformas digitais, da automação e da inteligência artificial (IA).

• A medicina analisa imagens de diagnóstico com modelos de aprendizagem profunda (deep learning).
• O setor jurídico utiliza ferramentas avançadas de busca e análise documental.
• A educação incorpora tutores inteligentes.
• A agricultura baseia-se em sensores, drones e modelos preditivos.
• A indústria trabalha com robótica, manutenção preditiva e gêmeos digitais (digital twins).
• As ciências sociais processam grandes volumes de texto para mapear a opinião pública e o comportamento digital.
• As artes exploram novas fronteiras de criação assistida por inteligência artificial.

Essa rápida expansão confirma que a IA não opera simplesmente como uma tecnologia setorial, mas sim como uma tecnologia de propósito geral que transforma economias, organizações e práticas sociais inteiras (OCDE, 2019; Stanford HAI, 2025).

Portanto, o grande debate não deveria mais se concentrar em saber se a IA pertence ou não estritamente à engenharia. A pergunta mais importante é outra: Como capacitar todos os profissionais para compreender, usar e direcionar criticamente a inteligência artificial em seus próprios campos de conhecimento?

A Computação Não É Mais Apenas Programação

Uma das mudanças de paradigma mais importantes das últimas décadas é que a computação deixou de ser entendida unicamente como a capacidade de programar. Embora escrever código continue sendo importante, a computação engloba muito mais: é uma forma de pensar, modelar, conceitualizar problemas, organizar informações, identificar padrões e projetar soluções.

Jeannette Wing propôs o conceito de pensamento computacional para se referir a uma habilidade fundamental que não deveria ser exclusiva dos cientistas da computação. Para Wing (2006), pensar computacionalmente envolve formular problemas e suas soluções de modo que possam ser processados efetivamente por um agente de processamento de informações — seja uma máquina ou um ser humano seguindo procedimentos formais. Essa ideia é fundamental porque eleva a computação ao mesmo nível de outras competências gerais, como ler, escrever, argumentar ou raciocinar matematicamente.

Sob essa perspectiva, um médico, advogado, administrador, biólogo, comunicador ou designer não precisa necessariamente se transformar em um engenheiro de software. No entanto, eles precisam entender como os dados são estruturados, como os processos são automatizados, como os modelos são treinados, o que significa uma previsão algorítmica e quais são os limites de uma resposta gerada por IA. Como apontam Lockwood e Mooney (2017), o pensamento computacional tornou-se uma competência educacional cada vez mais relevante, embora ainda existam lacunas significativas sobre como integrá-lo de forma ampla nos currículos acadêmicos.

Em suma, a computação está se tornando a nova linguagem universal da vida profissional.

A Inteligência Artificial como Tecnologia de Propósito Geral

A inteligência artificial possui uma característica definidora que a diferencia da maioria das outras tecnologias: em vez de transformar um único setor, ela pode modificar quase todos os campos da atividade humana. Por isso, é frequentemente compreendida como uma tecnologia de propósito geral, semelhante ao impacto histórico da eletricidade, da máquina a vapor, do computador pessoal ou da internet.

A OCDE destacou que a IA está reconfigurando ativamente economias e sociedades ao gerar novas capacidades de produtividade, eficiência, automação, análise de informações e tomada de decisões. Ao mesmo tempo, adverte que sua adoção generalizada apresenta desafios profundos relacionados aos valores humanos, equidade, privacidade, segurança e responsabilidade (OCDE, 2019). Essa dupla condição é fundamental: a IA não é uma ferramenta neutra projetada apenas para acelerar o que já fazíamos. É uma força transformadora que muda a maneira como tomamos decisões, investigamos, produzimos, ensinamos, diagnosticamos, desenhamos políticas públicas e interpretamos a realidade.

Agrawal, Gans e Goldfarb (2018) propõem uma ideia muito poderosa: a inteligência artificial reduz drasticamente o custo da previsão. Isso significa que muitas decisões que antes dependiam unicamente da intuição e da experiência humana agora podem ser apoiadas por sistemas capazes de antecipar comportamentos, riscos, demandas, padrões ou cenários. A consequência é profunda: se a previsão se torna mais barata e mais acessível, inúmeras profissões precisarão redefinir suas estruturas de tomada de decisão.

Na mesma linha, Iansiti e Lakhani (2020) sustentam que as organizações que competem na era da IA não apenas incorporam novos softwares; elas redesenham completamente seus modelos operacionais em torno de dados, algoritmos, plataformas e redes digitais. Portanto, o impacto da IA não se limita à eficiência técnica; ele transforma fundamentalmente a estratégia, a arquitetura organizacional e a geração de valor.

Uma Competência Transversal para Todas as Profissões

Falar da computação e da inteligência artificial como uma área transversal significa reconhecer que já não basta treinar especialistas isolados. Todas as profissões exigem agora uma base mínima de letramento algorítmico, pensamento computacional e compreensão crítica da IA.

As aplicações já estão por toda parte:

• Na saúde: a IA apoia diagnósticos, classifica imagens médicas, prevê riscos e personaliza tratamentos.
• Na educação: ajuda a identificar dificuldades de aprendizagem, gera rotas personalizadas e apoia o trabalho docente.
• Nas finanças: permite detectar fraudes, avaliar riscos e automatizar decisões de crédito.
• Na indústria: melhora processos por meio de manutenção preditiva, visão computacional e robótica.
• Na agricultura: facilita a gestão de cultivos, solos, clima e pragas.
• No governo: pode apoiar o direcionamento de políticas públicas, o atendimento ao cidadão e a análise de dados territoriais.

Mas em todos esses casos, surge a mesma pergunta crítica: Quem interpreta, valida e governa essas decisões automatizadas?

Aqui está o ponto central. A IA não substitui a responsabilidade profissional; pelo contrário, torna as exigências de responsabilidade mais rigorosas. Um profissional do século XXI não deve apenas saber usar ferramentas inteligentes; deve também compreender suas consequências técnicas, éticas, sociais e organizacionais. Russell (2019) adverte que o avanço rápido da IA nos força a repensar o alinhamento entre os sistemas inteligentes e values humanos, especialmente quando esses sistemas participam de decisões que afetam diretamente vidas humanas.

Do Letramento Digital ao Letramento Algorítmico

Durante anos, falou-se em letramento digital (ou alfabetização digital) como a capacidade básica de usar computadores, navegar na internet, acessar plataformas, gerenciar planilhas ou usar ferramentas de comunicação. Embora essa base continue necessária, ela já não é suficiente.

A nova era exige um letramento algorítmico e inteligência artificial aplicada. Isso implica compreender, ao menos em nível fundamental, o que são dados, como um algoritmo opera, como um modelo aprende, o que envolve treinar uma IA, o que constituem os vieses algorítmicos, como uma previsão é avaliada e por que uma resposta gerada automaticamente nunca deve ser aceita às cegas, sem um julgamento crítico.

A UNESCO (2024) propôs um marco de competências em IA para professores que inclui fundamentos de IA, ética, pedagogia, desenvolvimento profissional e uma abordagem centrada no ser humano. Embora direcionado ao ambiente educacional, esse marco serve como um excelente modelo para pensar a formação transversal de qualquer profissional, pois insiste que a IA não deve ser ensinada apenas como técnica, mas também como uma prática ética, crítica e socialmente situada.

Isso representa um mandato claro para o ensino superior. Se a IA está permeando todos os setores, as universidades não podem responder apenas com disciplinas optativas ou cursos isolados. É necessária uma reforma estrutural: incorporar a computação e a IA como componentes formativos transversais em todas as carreiras.

A IA como Método Ampliado de Pesquisa

Além de automatizar tarefas profissionais, a inteligência artificial está mudando fundamentalmente a forma como produzimos conhecimento em todas as disciplinas acadêmicas.

• Ciências Naturais: Permite analisar dados genômicos, imagens de satélite, modelos climáticos e padrões ecológicos.
• Ciências Sociais: Facilita o processamento de grandes volumes de texto, dinâmicas de redes sociais, pesquisas e registros administrativos.
• Humanidades: Abre possibilidades para a análise computacional de arquivos históricos, discursos políticos, iconografia, linguística e patrimônio cultural.
• Engenharia: Permite simular sistemas complexos, otimizar processos e projetar soluções avançadas por meio de modelos preditivos.

Significa que a IA está se tornando um método ampliado de pesquisa. Ela não substitui a teoria fundamental, nem a interpretação humana, nem o julgamento disciplinar. Em vez disso, amplia nossa capacidade de observar, classificar, correlacionar, simular e descobrir padrões que antes eram invisíveis ou impossíveis de processar manualmente.

O relatório AI Index Report 2025 da Stanford mostra que a inteligência artificial se expandiu rapidamente na pesquisa científica, indústria, investimentos, regulamentação e adoção empresarial, confirmando que a IA já não é uma tendência tecnológica emergente e marginal, mas sim uma força estrutural na ciência, economia e sociedade contemporâneas (Stanford HAI, 2025).

Uma Nova Área Comum do Conhecimento Humano

A tese de fundo é clara: a computação e a inteligência artificial devem ser entendidas como uma nova área comum do conhecimento. Não porque todas as pessoas devam se tornar especialistas em redes neurais, programação avançada ou arquitetura de modelos, mas porque todas as profissões serão inevitavelmente atravessadas por decisões mediadas por sistemas inteligentes.

Assim como a estatística se tornou indispensável para interpretar dados na saúde, economia, psicologia, administração ou ciências sociais, a IA está se tornando uma competência fundamental para navegar e agir em um mundo automatizado. Assim como a escrita permitiu organizar e transmitir o conhecimento, e a matemática ofereceu uma linguagem para a ciência moderna, os algoritmos estão se tornando a linguagem operacional da sociedade digital.

Por isso, as universidades deveriam pensar em uma formação transversal em IA estruturada em pelo menos cinco níveis progressivos:

1. Letramento em IA: Compreender conceitos básicos, incluindo dados, algoritmos, modelos de aprendizado de máquina e automação.
2. Pensamento Computacional: Formular problemas por meio de abstração, lógica, reconhecimento de padrões e processos modeláveis.
3. Uso Profissional da IA: Aplicar ferramentas inteligentes a problemas específicos de cada disciplina.
4. Analítica para a Decisão: Interpretar dados, previsões algorítmicas, visualizações complexas e cenários projetados.
5. Ética e Governança: Avaliar criticamente vieses, riscos, restrições de privacidade, transparência, responsabilidade e impactos sociais mais amplos.

Esse modelo estruturado permitiria superar dois extremos perigosos: a ideia equivocada de que a IA deve ser deixada apenas para as elites técnicas, e a suposição igualmente perigosa de que basta usar essas ferramentas sem entender como funcionam.

O Desafio Ético: Nem Tudo o que é Tecnicamente Possível é Socialmente Desejável

Uma perspectiva acadêmica sobre a IA não pode se limitar ao entusiasmo tecnológico. A inteligência artificial também apresenta riscos profundos: pode reproduzir vieses estruturais, afetar direitos fundamentais, aumentar as desigualdades socioeconômicas, concentrar o poder tecnológico, precarizar o trabalho, invadir a privacidade ou automatizar decisões sem a devida transparência.

Portanto, capacitar em IA não deve significar apenas ensinar a usar ferramentas; deve focar em cultivar o julgamento crítico.

Russell (2019) insiste que um dos maiores desafios do nosso tempo é garantir que os sistemas inteligentes estejam estritamente alinhados com os valores humanos. Essa preocupação não é um dilema filosófico abstrato. Em campos como saúde, justiça, educação, emprego ou crédito, uma decisão automatizada afeta diretamente o destino de uma pessoa.

Por essa razão, a computação e a IA devem ser sempre ensinadas ao lado de ética, responsabilidade profissional, pensamento crítico, análise social e governança tecnológica. A própria OCDE (2019) afirma que o desenvolvimento da IA deve ser guiado por princípios de confiança, transparência, robustez, segurança e responsabilidade, especialmente quando seu uso se estende a setores sensíveis da sociedade.

Conclusão: Um Novo Letramento para uma Nova Era

A computação e a inteligência artificial representam uma das transformações mais profundas do século XXI. Sua verdadeira importância não reside apenas na proliferação de novos softwares, mas sim na emergência de uma forma inteiramente nova de pensar, pesquisar, produzir, decidir e exercer as profissões.

A IA não pode mais ser vista como um assunto exclusivo de engenheiros ou cientistas de dados; deve ser compreendida como uma dimensão transversal de todas as áreas do conhecimento humano. Cada profissão precisa desenvolver seu próprio diálogo especializado com essas tecnologias: a medicina com a IA diagnóstica, o direito com a IA documental, a educação com a IA pedagógica, a biologia com a IA computacional, a administração com a IA estratégica, as artes com a IA criativa e o governo com a IA pública.

O desafio para as universidades, empresas e instituições públicas vai muito além de ensinar a usar softwares da moda. O verdadeiro mandato é formar profissionais capazes de compreender a lógica dos sistemas inteligentes, aplicá-los com responsabilidade em seus campos, questionar seus resultados e direcionar seu poder para fins humanos, éticos e socialmente valiosos.

A computação na era da inteligência artificial é o novo letramento profissional do século XXI: uma competência comum, crítica e estratégica necessária para participar ativamente do futuro da nossa sociedade do conhecimento.

Referências

Agrawal, A., Gans, J., & Goldfarb, A. (2018). Prediction machines: The simple economics of artificial intelligence. Harvard Business Review Press.

Agrawal, A., Gans, J., & Goldfarb, A. (2022). Power and prediction: The disruptive economics of artificial intelligence. Harvard Business Review Press.

Iansiti, M., & Lakhani, K. R. (2020). Competing in the age of AI: Strategy and leadership when algorithms and networks run the world. Harvard Business Review Press.

Lockwood, J., & Mooney, A. (2017). Computational thinking in education: Where does it fit? A systematic literary review. arXiv. https://arxiv.org/abs/1703.07659

OECD. (2019). Artificial intelligence in society. OECD Publishing. https://doi.org/10.1787/eedfee77-en

Russell, S. (2019). Human compatible: Artificial intelligence and the problem of control. Viking.

Russell, S., & Norvig, P. (2021). Artificial intelligence: A modern approach (4th ed.). Pearson.

Stanford Institute for Human-Centered Artificial Intelligence. (2025). Artificial Intelligence Index Report 2025. Stanford University.

UNESCO. (2024). AI competency framework for teachers. UNESCO.

Wing, J. M. (2006). Computational thinking. Communications of the ACM, 49(3), 33–35. https://doi.org/10.1145/1118178.1118215

A rápida expansão da inteligência artificial (IA) transformou de maneira estrutural os processos de tomada de decisão em áreas como saúde, educação, setor público e gestão ambiental. Longe de ser um conjunto neutro de ferramentas técnicas, a IA constitui hoje uma infraestrutura sociotécnica que incorpora valores, pressupostos normativos e relações de poder. Nesse contexto, emerge a abordagem Artificial Intelligence for Social Good (AI4SG), entendida como um marco teórico-prático orientado a alinhar o desenho, a implementação e a avaliação de sistemas de IA a objetivos explícitos de bem-estar social, equidade e sustentabilidade.

AI4SG (Artificial Intelligence for Social Good) pode ser definida como um campo de pesquisa e prática que busca aplicar os avanços e desenvolvimentos da inteligência artificial para enfrentar problemas sociais e melhorar o bem-estar dos indivíduos, da sociedade e do planeta como um todo.

AI4SG não se limita à aplicação de tecnologias avançadas a desafios sociais, mas propõe uma reorientação normativa da inovação algorítmica, integrando ética aplicada, governança e avaliação de impacto social como componentes estruturais do desenvolvimento tecnológico.

Do otimismo tecnológico à crítica algorítmica

A literatura crítica contemporânea tem demonstrado que a adoção indiscriminada de sistemas algorítmicos pode gerar efeitos adversos significativos. O’Neil (2016) documenta como modelos preditivos opacos, mesmo quando estatisticamente robustos, podem ampliar desigualdades e consolidar formas de exclusão estrutural. De forma complementar, Benjamin (2019) evidencia que os sistemas de IA tendem a reproduzir hierarquias raciais e sociais pré-existentes, configurando o que denomina New Jim Code.

Em uma perspectiva mais ampla, a IA é compreendida como um fenômeno material e político, cujo funcionamento depende de cadeias globais de extração de recursos, trabalho humano precarizado e concentrações assimétricas de poder (Crawford, 2021). Essas contribuições convergem ao destacar que a eficiência técnica não é um critério suficiente para avaliar a legitimidade social da IA, abrindo espaço conceitual para abordagens como a AI4SG.

Definição e alcance da AI4SG

Segundo Cowls (2022), a AI4SG pode ser definida como o conjunto de abordagens, metodologias e práticas voltadas à maximização do impacto social positivo da IA, ao mesmo tempo em que se minimizam riscos éticos, sociais e ambientais. Essa abordagem é caracterizada por três elementos fundamentais:

• Intencionalidade normativa: os objetivos sociais não são efeitos colaterais, mas finalidades explícitas do sistema.
• Centralidade do ser humano: a IA é concebida como suporte à deliberação e à decisão humanas, e não como substituta da responsabilidade moral.
• Avaliação de impacto: o desempenho do sistema é mensurado tanto em termos técnicos quanto sociais.

Nessa perspectiva, a AI4SG situa-se na interseção entre ciência de dados, ética da tecnologia e políticas públicas.

A literatura especializada converge em um conjunto de princípios que estruturam os projetos de AI4SG:

• Justiça e equidade algorítmica, por meio da identificação e mitigação de vieses.
• Transparência e explicabilidade, como condições para a confiança pública.
• Responsabilidade e prestação de contas, com definição clara de atores e papéis.
• Precaução e proporcionalidade, especialmente em contextos de alta vulnerabilidade.
• Impacto social verificável, para além da eficiência operacional.

Christian (2020) conceitualiza esse desafio como o problema do alinhamento, ressaltando que a adequação dos sistemas inteligentes aos valores humanos é simultaneamente um problema técnico, institucional e moral.

AI4SG em setores críticos: o caso da saúde e do setor público

A IA pode ser aplicada em diversos domínios para gerar impactos positivos sobre indivíduos, comunidades ou ecossistemas:

• Inclusão social: contribuição para a redução de desigualdades por meio de aplicações que facilitam a comunicação de pessoas com deficiência ou ferramentas que detectam vieses de gênero em processos de contratação e concessão de crédito.
• Saúde e bem-estar: utilização no diagnóstico de doenças (como sepse ou retinopatia diabética) a partir da análise de prontuários médicos e imagens. Também viabiliza a telemedicina, permitindo que a atenção em saúde alcance regiões remotas por meio de dispositivos móveis.
• Educação de qualidade: desenvolvimento de sistemas de aprendizagem personalizados (tutores inteligentes ou avatares) que se adaptam ao ritmo e às necessidades específicas de cada estudante.
• Agricultura e meio ambiente: emprego na agricultura de precisão com robôs que otimizam o plantio e a irrigação, bem como no monitoramento climático, na proteção da vida marinha e no combate à caça ilegal com o uso de drones e algoritmos de visão computacional.

De forma análoga, no setor público, a aplicação da IA à focalização de políticas sociais requer marcos de governança robustos para evitar a automatização acrítica de decisões de alto impacto social.

Análise da AI4SG a partir de uma perspectiva decolonial: limites epistêmicos e possibilidades emancipatórias

Sob uma perspectiva decolonial, a abordagem AI4SG exige uma problematização adicional que ultrapasse os marcos normativos dominantes da ética da IA. Seguindo Aníbal Quijano, a tecnologia moderna está indissociavelmente vinculada à colonialidade do poder, compreendida como um padrão histórico que articula conhecimento, economia e autoridade. Nesse sentido, a IA — inclusive aquela orientada ao “bem social” — não pode ser assumida como neutra ou universal.

A maioria dos sistemas de IA é projetada a partir de epistemologias e racionalidades técnicas próprias do Norte Global, o que implica que os problemas sociais e os critérios de otimização sejam frequentemente definidos a partir de referenciais externos aos contextos em que essas tecnologias são implementadas. Como adverte Walter Mignolo, esse processo reproduz uma forma de colonialidade do saber, na qual determinados conhecimentos são legitimados como universais enquanto outros são sistematicamente marginalizados.

Reflexão final

A Artificial Intelligence for Social Good constitui atualmente um marco indispensável para orientar o desenvolvimento da inteligência artificial em contextos de elevada complexidade social. Ao integrar ética, governança e crítica epistemológica, a AI4SG possibilita superar visões reducionistas da inovação tecnológica e avançar para uma concepção da IA como ferramenta a serviço do bem-estar coletivo. A incorporação de uma perspectiva decolonial amplia esse enfoque, lembrando que não pode haver verdadeiro “bem social” sem justiça epistêmica, contextualização cultural e participação efetiva das comunidades afetadas. O futuro da AI4SG dependerá, em última instância, da capacidade institucional de traduzir esses princípios em práticas concretas de desenho, regulação e avaliação.

Referências

Benjamin, R. (2019). Race after technology: Abolitionist tools for the new Jim code. Polity Press.
Christian, B. (2020). The alignment problem: Machine learning and human values. W. W. Norton & Company.
Coeckelbergh, M. (2020). AI ethics. MIT Press.
Cowls, J. (Ed.). (2022). Artificial intelligence for social good. Springer.
Crawford, K. (2021). Atlas of AI: Power, politics, and the planetary costs of artificial intelligence. Yale University Press.
O’Neil, C. (2016). Weapons of math destruction: How big data increases inequality and threatens democracy. Crown.

PhD. Wilmer Lopez Lopez – Marzo 2026

Educação superior na convergência entre inteligência artificial, transição demográfica e mudança geracional

A educação superior enfrenta uma reconfiguração estrutural decorrente de três dinâmicas convergentes: a expansão da inteligência artificial (IA) e da hiperconectividade digital, o declínio demográfico em múltiplas regiões e a transformação nas expectativas culturais e profissionais das novas gerações.

Este texto reflete sobre essas forças que obrigam a repensar três perguntas estratégicas fundamentais — quem educar? sobre o que educar? onde educar? — não como questões pedagógicas isoladas, mas como eixos de redesenho institucional.

Com base em evidências de organismos internacionais e literatura acadêmica recente, argumenta-se que a sustentabilidade e a relevância da educação superior dependerão de sua capacidade de adotar um modelo intergeracional, transversal em alfabetização digital e híbrido em sua arquitetura formativa.

Da expansão massiva à reconfiguração estrutural

Nas últimas décadas, a educação superior experimentou uma expansão sem precedentes. Segundo a UNESCO (2022), as matrículas globais passaram de aproximadamente 100 milhões de estudantes no ano 2000 para mais de 235 milhões em 2020. No entanto, essa expansão ocorreu sob pressupostos demográficos e tecnológicos que hoje estão sendo profundamente alterados.

O avanço da inteligência artificial está modificando as dinâmicas de trabalho, aprendizagem e produção de conhecimento. A UNESCO (2023) adverte que a IA não impacta apenas ferramentas pedagógicas, mas a própria arquitetura do sistema educacional, incluindo avaliação, desenho curricular e governança institucional.

Paralelamente, a Divisão de População das Nações Unidas indica que a taxa global de fertilidade caiu para 2,3 filhos por mulher em 2021, com projeções abaixo do nível de reposição em diversas regiões (United Nations, 2022). Esse fenômeno afeta diretamente o tamanho das coortes em idade universitária, tradicionalmente centrais nos sistemas de ensino superior.

Além disso, as próprias gerações envolvidas nos processos formativos apresentam transformações significativas. Estudos sobre a Geração Z mostram mudanças nas expectativas em relação à aprendizagem e ao trabalho. Twenge (2017) documenta alterações nos padrões de socialização digital e nas prioridades profissionais, enquanto Gallup (2024) evidencia percepções ambivalentes sobre o impacto da IA na educação e no emprego.

A transformação geracional não se limita a preferências pedagógicas; ela redefine a relação entre educação e projeto de vida. Instituições que não integrem flexibilidade, modularidade, aprendizagem aplicada e acompanhamento em transições profissionais correm o risco de perder relevância diante de estudantes que valorizam tanto a empregabilidade quanto o sentido e a coerência ética do conhecimento adquirido.

Nesse contexto, a educação superior não enfrenta uma crise conjuntural, mas uma redefinição sistêmica.

Quem educar? A transição demográfica e a virada para a aprendizagem ao longo da vida

A transição demográfica representa um dos fatores mais estruturais da mudança. O relatório World Population Prospects (United Nations, 2022) confirma uma desaceleração sustentada do crescimento da população jovem na América Latina, Europa e Ásia Oriental.

Encoura (2023) projeta que, nos Estados Unidos, o número de graduados do ensino médio diminuirá significativamente na próxima década — fenômeno também observado em outros países com taxas de fertilidade reduzidas.

Esse cenário transforma a lógica institucional:

• Menor número de estudantes tradicionais
• Maior competição interinstitucional
• Necessidade de diversificar públicos

A OECD (2019) sustenta que a aprendizagem ao longo da vida será fundamental para manter a produtividade em sociedades envelhecidas. Consequentemente, a educação superior deve ampliar seu foco para:

• Profissionais em reconversão diante da automação
• Adultos que necessitam atualização tecnológica contínua
• Trajetórias flexíveis que integrem trabalho e formação

O estudante tradicional deixa de ser o centro exclusivo do modelo. A sustentabilidade institucional dependerá de sua capacidade de operar como plataforma de atualização permanente.

Sobre o que educar? IA, automação e competências humanas ampliadas

A inteligência artificial redefine as competências profissionais demandadas. O Future of Jobs Report do Fórum Econômico Mundial (2023) identifica alfabetização tecnológica, análise de dados e pensamento analítico como habilidades em crescimento acelerado.

Brynjolfsson e McAfee (2014) argumentam que a automação transforma não apenas tarefas manuais, mas também cognitivas, exigindo a reconfiguração dos perfis profissionais. A UNESCO (2023) enfatiza que a integração responsável da IA na educação deve incluir marcos éticos, transparência algorítmica e desenvolvimento do pensamento crítico.

Nesse contexto, a formação transversal em:

• Dados
• IA aplicada
• Automação
• Ética digital

torna-se uma condição básica, e não opcional.

Ao mesmo tempo, a literatura converge ao afirmar que a automação não elimina o valor humano; ela o desloca para competências superiores. A tecnologia complementa tarefas que exigem julgamento, criatividade e habilidades sociais.

A educação superior deve formar profissionais híbridos: tecnologicamente competentes e sólidos em capacidades cognitivas avançadas.

Onde educar? Hiperconectividade e expansão do ecossistema formativo

A hiperconectividade redefine estruturalmente o espaço educacional. Castells (2010) descreve a “sociedade em rede” como um sistema no qual a produção, circulação e validação do conhecimento se articulam por meio de infraestruturas digitais globais.

A universidade, historicamente organizada como espaço físico centralizado, insere-se agora em uma arquitetura distribuída do saber.

A pandemia de COVID-19 acelerou processos de virtualização, mas não os originou. A digitalização educacional já estava em curso por meio de plataformas abertas de aprendizagem, recursos educacionais digitais e redes profissionais globais.

O modelo emergente caracteriza-se por:

• Educação híbrida
• Microcredenciais (OECD, 2021)
• Avaliação baseada em competências
• Integração com ambientes produtivos reais

A Geração Z valoriza flexibilidade, propósito e aplicabilidade imediata da aprendizagem (Gallup, 2024). O campus físico não desaparece, mas deixa de ser o único nó do sistema educacional.

Reflexão Final

A convergência entre transição demográfica, automação cognitiva e transformação cultural geracional configura um ambiente estruturalmente distinto daquele que deu origem ao modelo universitário tradicional.

Não estamos diante de variações marginais, mas de uma alteração nos pressupostos fundacionais do sistema: a abundância de população jovem, a estabilidade dos perfis profissionais e a centralidade do campus físico como único espaço legítimo de formação.

O novo cenário é previsível:

Menos jovens.
Mais tecnologia transversal.
Expectativas crescentes de flexibilidade, propósito e aplicabilidade imediata.

Esse contexto redefine a competição na educação superior. Já não se trata apenas de ampliar cobertura, diversificar programas ou fortalecer infraestrutura. Trata-se de repensar a proposta de valor institucional em termos de pertinência, adaptabilidade e capacidade de articulação com um ambiente dinâmico.

Instituições que compreenderem a natureza sistêmica dessa convergência estarão em condições de redesenhar sua arquitetura acadêmica, diversificar seus públicos e consolidar-se como plataformas de aprendizagem ao longo da vida. Aquelas que mantiverem lógicas exclusivamente expansionistas — centradas em volume, presencialidade rígida ou segmentação disciplinar fechada — enfrentarão pressões crescentes de sustentabilidade acadêmica, financeira e reputacional.

Referencias

Autor, D. H. (2015). Why are there still so many jobs? Journal of Economic Perspectives, 29(3), 3–30.
Brynjolfsson, E., & McAfee, A. (2014). The second machine age. W. W. Norton.
Castells, M. (2010). The rise of the network society. Wiley-Blackwell.
Encoura. (2023). Regional impacts of the demographic decline on higher education.
Gallup. (2024). Gen Z and AI in education.
OECD. (2019). Getting skills right: Future-ready adult learning systems.
OECD. (2021). Micro-credentials for lifelong learning and employability.
UNESCO. (2022). Global education monitoring report.
UNESCO. (2023). AI and the future of education: Disruptions, dilemmas and directions.
United Nations. (2022). World population prospects 2022.
World Economic Forum. (2023). Future of jobs report 2023.

PhD. Wilmer Lopez Lopez – Febrero 2026