No filme 2001: Uma Odisseia no Espaço, de Kubrick, um objeto preto, liso e perfeitamente geométrico aparece do nada no meio de um grupo de primatas. Ninguém explicou o que era. Ninguém pediu permissão. O monolito simplesmente chegou. Os primatas que interagiram com ele começaram a fazer algo que não faziam antes: segurar ossos como ferramentas, como armas, como extensões do próprio corpo. O polegar opositor ganhou função. A dinâmica do grupo mudou. E Kubrick, com um dos cortes mais famosos da história do cinema, nos leva diretamente daquele osso girando no ar para uma estação espacial orbitando a Terra.
A mensagem é brutal na sua simplicidade: algo chega, reconfigura as relações de um grupo, e o mundo nunca mais volta ao que era antes.
Neste artigo, defendo que estamos vivendo exatamente esse momento. Não como metáfora poética, mas como padrão observável e documentável. A IA generativa não está apenas evoluindo. Ela está fazendo algo mais profundo: tecnologias criadas com um propósito específico estão gerando impactos transformadores em domínios completamente diferentes daqueles para os quais foram projetadas. E esse padrão, que se repete há séculos na história da ciência, tem nome, tem teoria e tem consequências práticas diretas para quem lidera uma escola em 2026.
O conceito: actante
Antes de qualquer coisa, preciso que vocês saibam um conceito da sociologia da ciência, desenvolvido pelo filósofo e antropólogo francês Bruno Latour, que faleceu em 2022 e deixou uma obra que se tornou referência mundial nos estudos de ciência, tecnologia e sociedade.
Latour propôs a chamada Teoria Ator-Rede. A ideia central é surpreendentemente simples: quando analisamos como o mundo funciona, não devemos olhar apenas para as pessoas. Devemos olhar para tudo que age, que modifica uma situação, que altera o comportamento de outros elementos de uma rede. E ele chamou esses elementos de actantes.
Um actante pode ser uma pessoa, claro. Mas pode ser uma lei, um software, uma vacina, um protocolo, uma ferramenta. O exemplo que Latour adorava usar: um quebra-molas na rua. Ele não é uma pessoa. Não tem intenção. Mas ele faz o motorista frear. Ele muda o comportamento de todo mundo que passa por ali. Ele é, na terminologia de Latour, um actante: não toma ação, mas coloca a ação em movimento.
Observe como esse conceito pode ser aplicado ao monolito de Kubrick e repetidas vezes na história.
O padrão na ciência: a penicilina e o mRNA
Em 1928, Alexander Fleming estava estudando bactérias estafilococos. Não estava procurando um antibiótico. Na verdade, ele cometeu um erro de procedimento: deixou uma placa de Petri aberta e um mofo a contaminou. Qualquer outro pesquisador teria jogado a placa fora. Fleming olhou com atenção e percebeu que o mofo tinha matado as bactérias ao redor. Daquela anomalia nasceu a penicilina, o antibiótico mais importante da história da medicina, responsável por salvar centenas de milhões de vidas.
Perceba o padrão: preparação (Fleming era um especialista que vinha estudando bactérias há anos) + acaso (a contaminação não planejada) + olhar atento (a capacidade de ver significado onde outros veriam lixo) = descoberta transformadora.
O mofo era o actante. Chegou sem ser convidado. Reconfigurou a rede.
Quase um século depois, outra história seguiu o mesmo padrão, mas com uma variação crucial. A bioquímica húngara Katalin Karikó dedicou mais de 30 anos de sua carreira à pesquisa de RNA mensageiro — o mRNA. Não estava pesquisando vacinas. Estava fazendo pesquisa básica, tentando entender como moléculas de mRNA poderiam ser usadas para instruir células a produzir proteínas específicas. Durante décadas, ela foi ignorada pela comunidade científica. Foi rebaixada de cargo na Universidade da Pensilvânia. Seus artigos mais importantes foram rejeitados pela Nature e pela Science em 2005, com pareceristas dizendo que o trabalho não era “novo” nem “de interesse geral”.
E aí, em janeiro de 2020, a sequência genética do SARS-CoV-2 foi publicada por cientistas chineses. Em questão de horas, as empresas BioNTech e Moderna, que haviam licenciado a tecnologia de Karikó, desenharam as primeiras vacinas de mRNA contra o COVID-19. Vacinas que em poucos meses estavam sendo aplicadas no mundo inteiro. Em 2023, Karikó ganhou o Nobel de Medicina.
Trinta anos de pesquisa básica, feita para um propósito. Impacto transformador em outro. A pesquisa de mRNA era o actante. Estava ali, silenciosamente amadurecendo, até que o contexto a convocou.
O mesmo padrão está acontecendo agora com a IA generativa na nossa frente em velocidade acelerada e muita gente não está percebendo.
O padrão na IA: dos jogos ao cotidiano
Vou recontar a história da IA generativa não na ordem cronológica, mas pelo padrão de criações que transbordaram seus domínios originais.
Primeiro actante: as GPUs
As unidades de processamento gráfico foram inventadas para renderizar gráficos de videogames. Mover pixels na tela. Criar texturas, sombras, reflexos. A NVIDIA, empresa que as fabricava, era uma companhia de nicho, conhecida entre gamers.
Em meados dos anos 2000, pesquisadores perceberam que essas mesmas GPUs, projetadas para calcular milhões de operações visuais em paralelo, eram extraordinariamente eficientes para treinar redes neurais. O hardware que movia personagens em jogos passou a mover o treinamento de modelos de IA. A NVIDIA se tornou uma das empresas mais valiosas do planeta. Ninguém que projetou a primeira GPU pensou que ela treinaria um modelo capaz de traduzir idiomas ou diagnosticar doenças.
Segundo actante: dos jogos de tabuleiro à biologia
A empresa DeepMind foi fundada em Londres, em 2010, com foco em aplicação de IA em videogames. Seus primeiros trabalhos relevantes foram algoritmos que aprendiam a jogar jogos de Atari sozinhos, sem nenhuma instrução prévia. Em 2016, seu programa AlphaGo derrotou Lee Sedol, o campeão mundial de Go, um jogo de tabuleiro com mais combinações possíveis do que átomos no universo. Os comentaristas de Go descreveram alguns dos movimentos da máquina como criativos, algo que nenhum jogador humano faria, mas que funcionava.
E então aconteceu o transbordamento. Demis Hassabis, cofundador da DeepMind, contou em entrevista que, após a vitória do AlphaGo, ele e o líder do projeto se perguntaram: “Qual é o próximo grande desafio? O que seria o equivalente ao Go no mundo real?” A resposta foi o problema do dobramento de proteínas, um quebra-cabeça que a biologia tentava resolver há 50 anos. Usando técnicas desenvolvidas para vencer jogos de tabuleiro, a equipe criou o AlphaFold, que previu a estrutura tridimensional de praticamente todas as proteínas conhecidas pela ciência, com precisão comparável a métodos experimentais que levavam anos. Em 2024, Hassabis e Jumper ganharam o Nobel de Química.
Leiam de novo: técnicas criadas para jogar Go resolveram um dos maiores problemas da biologia. O AlphaGo era o actante. Criado para uma coisa. Impacto transformador em outra.
Terceiro actante: a Arquitetura Transformer
Em 2017, pesquisadores do Google publicaram um artigo acadêmico chamado “Attention Is All You Need”. O objetivo era modesto em escala: melhorar a tradução automática entre idiomas. O que eles criaram foi uma arquitetura de rede neural chamada Transformer, que processava texto de uma maneira radicalmente mais eficiente, prestando atenção a todas as partes de uma frase ao mesmo tempo, em vez de processá-la palavra por palavra.
Essa arquitetura, criada para traduzir francês para inglês, se tornou o fundamento de praticamente toda a IA generativa que existe hoje: os modelos GPT que geram texto, o DALL-E que gera imagens, modelos de áudio, de vídeo, e até o AlphaFold que dobra proteínas. A Transformer era o actante silencioso. Um artigo de tradução automática que, em menos de uma década, redefiniu a relação da humanidade com a tecnologia.
Quarto actante: de previsão de palavras a habilidades que ninguém programou
Os modelos GPT da OpenAI foram treinados para uma tarefa aparentemente simples: dado um trecho de texto, prever qual é a próxima palavra. Esse é o objetivo de treinamento. Não foram programados para traduzir. Não foram programados para resolver problemas matemáticos. Não foram programados para escrever ensaios.
E, no entanto, à medida que os modelos foram ficando maiores, mais parâmetros, mais dados de treinamento, mais capacidade computacional, eles começaram a demonstrar habilidades que os próprios criadores não esperavam. A comunidade científica chama isso de habilidades emergentes. Pesquisadores de Stanford documentaram que o GPT-3, por exemplo, conseguia multiplicar números de dois dígitos, embora nunca tenha sido treinado para aritmética. O conceito de emergência vem da física e da biologia: a ideia de que mudanças quantitativas em um sistema podem gerar comportamentos qualitativamente novos, como propôs o Nobel Philip Anderson no ensaio “More is Different”, em 1972.
Isso é importante para o nosso argumento por um motivo preciso: não foi uma decisão de design. Ninguém sentou e programou “agora o modelo vai saber traduzir”. A capacidade emergiu da complexidade. Do mesmo jeito que a penicilina emergiu de uma placa contaminada e a vacina de mRNA emergiu de décadas de pesquisa básica que ninguém valorizava.
Quinto actante: do código ao cotidiano — o que eu acabei de demonstrar na sua escola
Eu guardei esse para o final porque é o mais recente, o mais prático e o que eu mostrei recentemente, ao vivo, para um grupo de educadores.
A Anthropic, empresa que criou o Claude, a ferramenta de IA que eu utilizo e que, como comentei no artigo anterior, nasceu de uma cisão com a OpenAI por questões de ética e transparência, desenvolveu um modelo de programação chamado Claude Code. A melhor ferramenta de codificação que existe hoje. Foi criada para programadores escreverem software.
E então eles fizeram algo que mudou o jogo: empacotaram essa capacidade de programação dentro de uma interface chamada Cowork, desenhada não para programadores, mas para pessoas comuns resolverem problemas do dia a dia. E o Cowork faz algo que nenhum chatbot fazia antes de maneira consistente: ele não te devolve texto. Ele te devolve artefatos: documentos, planilhas, programas, soluções.
Eu demonstrei isso recentemente para uma equipe escolar. Peguei provas reais de uma escola. Coloquei na pasta do Cowork. Pedi para ele ler cada questão, elaborar sentenças descritoras pedagógicas usando uma skill que eu criei com base em 18 anos de experiência da minha empresa em avaliação educacional, montar uma planilha com metadados, revisar o próprio trabalho e gerar uma segunda versão corrigida. Ele fez tudo. Não me devolveu texto. Me devolveu uma planilha pronta, com verbo cognitivo, nível de Bloom, objeto de conhecimento, gabarito e contexto de cada questão.
Uma professora na sala perguntou: “e ele consegue ler folhas de gabaritos de alunos a partir de fotos e corrigir?” Consegue. O Cowork cria internamente um programa de reconhecimento óptico de caracteres, lê a imagem, extrai os dados e cruza com o gabarito. O que uma empresa de tecnologia educacional levou anos para desenvolver e vende como serviço, o Cowork cria em minutos, usa e descarta.
Outra educadora contou que precisava traduzir históricos escolares do português para o inglês, preenchendo dados de cada aluno individualmente. “Eu não queria ter que digitar aluno por aluno.” Não precisa. O Cowork lê a base de dados e preenche automaticamente.
Claude Code é o actante. Criado para programação. Impacto transformador no cotidiano de qualquer profissional.
Por que esse padrão é tão difícil de ver quando estamos dentro dele
Aqui está a parte que considero mais importante deste artigo.
Se eu pedisse para você, em 1928, prever o impacto de um mofo que caiu numa placa de Petri, você não conseguiria. Se eu pedisse para você, em 2005, prever que uma pesquisadora rebaixada de cargo e rejeitada pelas melhores revistas científicas salvaria milhões de vidas em 15 anos, você não conseguiria.
Se eu pedisse para você, em 2016, prever que técnicas de jogo de tabuleiro resolveriam um dos maiores problemas da biologia, você não conseguiria.
Porque o padrão de criações que transbordam seus domínios só é visível em retrospecto. No momento em que acontece, ele se confunde com ruído, com novidade técnica desconectada, com hype.
É por isso que tantos gestores de escola estão olhando para a IA como se fosse um problema pontual de tecnologia educacional — “como eu controlo o uso do ChatGPT pelos alunos” — quando, na realidade, o que está acontecendo é uma reconfiguração de como o trabalho humano funciona. O actante já chegou. Ele já está na rede. E a questão não é se ele vai mudar as coisas, mas se a sua escola vai reconhecê-lo a tempo de se adaptar ou se vai ser surpreendida pela mudança.
Latour nos ensinou que o actante não pede permissão. Ele simplesmente muda a rede. O mofo contaminou a placa sem que Fleming pedisse. O Transformer não consultou o setor educacional antes de tornar a IA generativa acessível a qualquer pessoa com internet. O Cowork não esperou a escola estar pronta para resolver, em minutos, problemas que antes exigiam sistemas especializados e equipes dedicadas.
Mas, e esse é o ponto de virada, Latour também nos ensinou que a mudança não é automática. O actante muda a rede, mas a rede precisa de mediadores para traduzir a mudança em novo comportamento. Fleming precisou de olhar atento. Karikó precisou de 30 anos de persistência e de empresas que souberam traduzir sua pesquisa em produto. Hassabis precisou de uma pergunta certa: “e se eu aplicar isso à biologia?”
Na sua escola, o mediador é a liderança. É você. É o gestor que tem sensibilidade para ler pessoas e repertório para ler tecnologia, como eu discuti no Tema 3 quando propus a Zona Proximal de Adoção. A IA já chegou como actante. A pergunta é: quem está mediando?
O próximo Word e Excel está nascendo agora
Vou fechar com uma afirmação que eu fiz ontem para aquele grupo de educadores e que quero repetir aqui, por escrito, para que fique registrada.
Quando o Word foi lançado em 1983, pouca gente entendeu o que ele significava. Quando o Excel surgiu em 1985, substituindo ferramentas como o Lotus 1-2-3, a maioria das pessoas achava que era “coisa de técnico”. Demorou anos para que essas ferramentas se tornassem o tecido invisível do trabalho de qualquer profissional.
O que eu estou vendo acontecer agora com o Claude Code e o Cowork é o equivalente àquele momento. A capacidade de programação, embalada de um jeito que qualquer pessoa consegue usar, combinada com skills que tornam os resultados replicáveis e previsíveis, está criando um novo padrão de ferramenta de trabalho. Não é mais “eu pergunto e a IA responde com texto”. É “eu descrevo um problema e a IA constrói a solução”. Isso vai transformar o trabalho de todo mundo. Incluindo o de quem trabalha em escola.
A escola que entende isso não precisa dominar programação. Mas precisa construir o que eu venho chamando ao longo dessa série de Base de Conhecimento (Dimensão 4 das 5 Dimensões da Inteligência Aumentada). Porque quando a ferramenta genérica se torna acessível a todos, a vantagem competitiva está na qualidade do conhecimento específico que você alimenta nela. A skill que eu usei para gerar sentenças descritoras não veio com o Cowork. Veio de 18 anos de experiência da Primeira Escolha com milhares de questões analisadas. A ferramenta é genérica. O conhecimento é insubstituível.
E aqui está a ponte com tudo o que escrevi nos artigos anteriores: o enquadramento correto é Inteligência Aumentada, não Artificial (Tema 1). O modelo operacional são as 5 Dimensões (Tema 2). O diagnóstico de prontidão é a Zona Proximal de Adoção (Tema 3). O entendimento do estado da arte é o Letramento e o AI-First Mindset (Tema 4). A avaliação é a primeira fronteira prática onde tudo isso converge (Tema 5).
E este texto, o Tema 6, é sobre o padrão que está por trás de todos eles: tecnologias criadas para uma coisa que, ao atingir um nível crítico de complexidade, transbordam e transformam tudo ao redor. A penicilina e o mRNA na ciência. As GPUs, o AlphaGo, o Transformer, os modelos emergentes e o Claude Code na IA. Cada um deles chegou como um actante. Cada um deles reconfigurou a rede.
O monolito já chegou ao pátio da sua escola. Não importa se veio do espaço ou de um laboratório no Vale do Silício. O que importa é o que você vai fazer com ele.
Quer aprender mais?
Se este texto ajudou você a enxergar que a IA não é apenas mais uma ferramenta, mas um actante que já está reconfigurando o trabalho, a avaliação, a gestão e a cultura escolar, quero te convidar para continuar essa reflexão comigo em uma das formações que vou conduzir.
No dia 14/05, vamos trabalhar a IA na prática para educadores: cenário atual, governança, letramento, estrutura tecnológica e aplicações. No dia 04/06, vamos aprofundar a avaliação escolar na era da IA. E, no dia 18/06, vamos olhar para liderança, gestão, cultura organizacional e inovação educacional.
Escolha a formação que mais conversa com o momento da sua escola:
14/05 — Workshop IA na prática para educadores
Inscreva-se aqui
18/06 — Avaliação na era da IA
Inscreva-se aqui
13/08 — Liderança, gestão e inovação educacional
Inscreva-se aqui
As vagas são limitadas.
Minha promessa é que você saia com uma leitura clara do que está chegando e com ferramentas práticas para liderar essa transformação na sua escola — sem hype, sem medo, com método.