Por que o apoio universitário e a facilidade de interface da IA já são mais importantes do que a alfabetização para o início de carreira dos graduados
Um estudo, publicado no início da segunda metade de 2026, revelou um paradoxo inesperado: na corrida pela competitividade dos graduados universitários, as instituições de ensino superior deveriam focar não na expansão de cursos sobre inteligência artificial, mas sim na intuitividade das interfaces e no suporte sistêmico ao seu uso. Os autores da Universidade Privada Aplicada de Amã (Jordânia) realizaram modelagem estrutural em uma amostra de 211 estudantes, aplicando o método de Mínimos Quadrados Parciais (PLS-SEM) — uma técnica particularmente adequada para analisar modelos complexos com amostras pequenas.
À primeira vista, os resultados contradizem tudo o que o modelo clássico de aceitação de tecnologia (TAM) nos ensinou: esperaríamos que a utilidade percebida das ferramentas fosse o principal motor de sua adoção. A realidade se mostrou diferente. Dois fatores — o apoio institucional e a facilidade de uso das plataformas — previram significativamente, de forma estatística, a transição dos estudantes da teoria para o trabalho prático com aplicações de IA. Ao mesmo tempo, o melhor domínio dos fundamentos da IA mostrou um efeito negativo inesperado: possivelmente, estudantes mais preparados tratam as ferramentas com mais criticidade, enxergando melhor suas limitações e riscos. Já a utilidade percebida não teve influência estatisticamente significativa — um fato estranho, mas eloquente.
A cadeia de causa e efeito é a seguinte: adoção de ferramentas de IA → desenvolvimento de competências futuras (Future-Ready Skills) → aumento da empregabilidade dos graduados. Em cada etapa, essa conexão foi estatisticamente confirmada. Curiosamente, as competências de «prontidão para o futuro» atuam como um elo mediador entre o uso da IA e os resultados reais no mercado de trabalho — elas transformam habilidades técnicas em competitividade de mercado.
A metodologia do estudo — um questionário transversal com subsequente análise PLS-SEM — tem tanto vantagens quanto limitações. As vantagens são óbvias: o pequeno tamanho da amostra é mais facilmente transferível com essa abordagem, e variáveis latentes complexas são modeladas de forma mais natural. Mas as desvantagens são significativas. A ausência de dados longitudinais (de longo prazo) e de um grupo de controle significa que podemos falar com cautela sobre relações de causa e efeito — são correlações apoiadas pela lógica, mas não por experimentação. Além disso, os autores não detalharam a segmentação da amostra por especialidade, gênero, nível de experiência prévia com IA — isso dificulta a compreensão de quão generalizáveis são as conclusões para outros contextos, outros países, outras universidades.
Mas o principal é a mudança de paradigma. Duas décadas de pesquisa nos modelos clássicos TAM e UTAUT (Unified Theory of Acceptance and Use of Technology) estabeleceram: utilidade percebida e facilidade de uso são as principais alavancas. Em 2025-2026, essa hierarquia foi reescrita. A utilidade recuou. A intuitividade e o suporte passaram para a vanguarda.
Isso ressoa com outras pesquisas recentes: quando o campo das ferramentas de IA se torna maduro e acessível, a lógica utilitária cede lugar à questão «Eu realmente quero usar isso?» Fatores humanos — confiança, segurança psicológica, a presença de um instrutor ou um ambiente de apoio — começam a superar a utilidade bruta.
Para a prática universitária, isso significa uma revolução na estratégia de investimento. Se antes a palavra «digitalização» significava a compra de software e o treinamento em alfabetização, agora significa o design da experiência, da cultura, do ecossistema em torno das ferramentas de IA. As universidades que proporcionam aos seus estudantes plataformas fáceis de usar com um clique, a disponibilidade de mentores, exemplos de aplicação bem-sucedida e confiança psicológica no uso, saem na frente. Aquelas que se limitam a palestras sobre ética de IA ou alfabetização geral correm o risco de ficar para trás na preparação real de profissionais.
A questão do efeito negativo da alta alfabetização requer pesquisa adicional. Existem várias explicações possíveis: estudantes com conhecimentos profundos podem ser mais céticos, vendo as armadilhas; podem preferir o controle manual à automação; ou a alfabetização de base pode estar correlacionada com outras variáveis (por exemplo, perfeccionismo) que retardam a adoção. Esta é uma porta aberta para a próxima camada de pesquisa.
O estudo deixa em aberto questões sobre o impacto a longo prazo na qualidade da educação: o uso de IA realmente prepara melhor os graduados, ou apenas parece? A facilidade das ferramentas de IA leva a um aprendizado superficial? O que acontece com a desigualdade de acesso — os estudantes de universidades com recursos limitados recebem o mesmo benefício? Riscos éticos — uso de dados dos estudantes, vieses em modelos de IA — também permanecem na sombra. Replicações independentes em amostras maiores e mais heterogêneas, intervenções experimentais (quando uma faculdade implementa o suporte, outra não) e estudos longitudinais ajudarão a esclarecer o quão robustas são essas conclusões.
A conclusão é clara: as universidades que se concentrarem na criação de um ambiente de apoio e intuitivo para trabalhar com IA obterão uma vantagem notável na preparação de graduados competitivos e empregáveis. Investimentos na experiência do usuário e no apoio institucional compensam melhor do que os programas de treinamento clássicos.
