Frank de Alcantara

Programação em Par na Era da IA - O Par que Não Dorme

2026-06-23T06:00:00-03:00

Em 1999, quando Kent Beck sistematizou o Extreme Programming (XP), a ideia de colocar dois programadores diante de uma única estação de trabalho soou, para muitos gestores, como desperdício deliberado de mão de obra [1]. Alocar duas pessoas à mesma tarefa parecia contrariar o senso comum da produtividade. Mais de vinte e cinco anos depois, a atenta leitora encontra um cenário curioso: assistentes baseados em modelos de linguagem passaram a ocupar parte desse espaço de colaboração, sugerindo ou executando código em tempo real e com disponibilidade contínua. Isso não significa que tenham simplesmente substituído o segundo programador humano. A pergunta que organiza este artigo é mais cuidadosa: quando a IA entra no par, como os papéis se transformam e o que essa mudança exige de nós?

Este texto está ancorado na ementa da disciplina de Metodologias Ágeis, particularmente nos conteúdos formativos sobre práticas de XP e na importância da agilidade para a qualidade, a inovação e a adaptação às mudanças.

Neste artigo, a tese que defendo, e que este pobre escriba pede licença para sustentar até o fim, é que a IA generativa pode acelerar a inovação, mas não dispensa, e frequentemente torna mais urgentes, os pilares metodológicos que o XP propôs há mais de um quarto de século. Os gargalos da Engenharia de Software variam entre requisitos, coordenação, arquitetura, implementação, validação e entrega. Ao reduzir o custo de produzir código, a IA desloca uma parcela ainda maior do trabalho para compreender o problema, verificar a solução e controlar suas consequências.

A Programação em Par no Extreme Programming

A Programação em Par (pair programming) é uma das práticas clássicas do XP [1]. Na sua formulação original, dois desenvolvedores trabalham juntos em uma única estação de trabalho, alternando entre dois papéis bem definidos:

Driver (condutor): controla o teclado e escreve o código, concentrando-se na tática imediata, isto é, na sintaxe e na implementação da linha atual;
Navigator (navegador): observa, revisa em tempo real, pensa na estratégia, antecipa problemas e mantém o desenho global em mente.

A troca constante de papéis e o diálogo permanente produzem uma revisão de código contínua, embutida no próprio ato de programar, em vez de relegada a uma etapa posterior. Sommerville destaca, em seus estudos, a revisão contínua como um mecanismo de detecção precoce de defeitos [2]. Em geral, quanto mais tarde um problema é descoberto, maior tende a ser o esforço para recuperar contexto, localizar dependências, corrigir a implementação e validar novamente o sistema. A magnitude desse custo, porém, depende do processo, da arquitetura e da capacidade de obter retorno rápido.

A palavra contexto, não entrou no último parágrafo por acaso. A compassiva leitora há de me permitir a audácia de começar a tecer uma integração entre uma metodologia com um quarto de século de idade e o que há de mais moderno no desenvolvimento de software.

A sagaz leitora pode, com razão, desconfiar de afirmações sobre produtividade que não venham acompanhadas de números. Dados, são os dados permitem mapear a realidade.

O estudo seminal de Williams e colaboradores, conduzido na Universidade de Utah, oferece alguns dados e informações interessantes. Comparando desenvolvedores trabalhando sozinhos e em pares, os pesquisadores observaram que os pares concluíam as atividades em menos tempo decorrido, mas consumiam cerca de 15% mais esforço total, medido em pessoa-hora. Em contrapartida, produziam soluções que passavam entre 86% e 94% dos casos de teste, contra 73% a 78% das soluções individuais [3, 4]. Ou seja, o investimento no desenvolvimento é maior, mas o custo das correções e menor e, observe cuidadosamente, os percentuais de custo extra e erros menores são muito próximos. Mas, atenção ao real significado da pesquisa.

É importante distinguir duração da atividade e esforço de pessoal: duas pessoas podem terminar antes e, ainda assim, consumir mais pessoa-hora. O resultado pode ser resumido pela relação aproximada:

\[\text{Esforço total}_{\text{par}} \approx 1{,}15 \times \text{Esforço total}_{\text{solo}}\]

O argumento econômico de Williams e Kessler é que, no contexto estudado, o acréscimo no esforço inicial pode ser compensado pela redução dos defeitos que escapam para teste e produção [3]. Isso não constitui uma proporção universal: o resultado depende da tarefa, da experiência da dupla, da complexidade do domínio e do custo dos defeitos. A Programação em Par, portanto, não procura maximizar a velocidade de digitação. A ideia é melhorar a qualidade das decisões e antecipar a descoberta de problemas.

Dimensão	Programador Solo	Programação em Par
Tempo decorrido para concluir	Referência	Menor no experimento
Esforço total em pessoa-hora	Referência (1,0)	Aproximadamente 1,15
Taxa de testes aprovados	73% a 78%	86% a 94%
Revisão de código	Posterior e separada	Contínua e embutida
Disseminação de conhecimento	Restrita ao indivíduo	Compartilhada na dupla

Tabela 1: Síntese do experimento comparativo entre trabalho individual e Programação em Par. Os resultados descrevem o contexto estudado e não devem ser tratados como constantes universais [4].

O Novo Par: Assistentes de IA Generativa

Em 2021, a apresentação pública do GitHub Copilot, seguida por sua disponibilidade geral em 2022, popularizou uma nova forma de colaboração: o assistente de IA generativa integrado ao editor, capaz de completar linhas, gerar funções e propor implementações a partir de comentários em linguagem natural. A própria GitHub batizou a ferramenta de AI pair programmer, apropriando-se deliberadamente do vocabulário do XP [10]. A metáfora, porém, merece exame cuidadoso, pois pode ocultar diferenças importantes de autonomia e responsabilidade.

Na Programação em Par clássica, os dois participantes são humanos e relativamente simétricos: ambos podem ser driver, ambos podem ser navigator, e a autoridade sobre o código é compartilhada. No par com IA, essa simetria desaparece, mas a distribuição dos papéis varia conforme a ferramenta. No modo assistivo, baseado em completação ou conversa, o humano normalmente continua como driver, enquanto a IA sugere alternativas e recupera informações. No modo agentivo, em que a ferramenta planeja, edita arquivos, executa testes e itera sobre a solução, a IA pode assumir boa parte do papel de driver, e o humano se desloca para a posição de navigator, supervisor e responsável pela aprovação.

Este pretensioso escriba acredita que nos próximos anos a posição driver será completamente dominada por ferramentas de IA e posição de navigator será transformada. Talvez, o humano se torne uma mistura de maestro, curador e “product owner”.

As ferramentas atuais podem ler o repositório, consultar documentação, executar comandos e manter contexto durante várias sessões. Isso não equivale, contudo, a uma compreensão garantida do domínio, da história arquitetural ou dos efeitos organizacionais da mudança. Tampouco transfere responsabilidade: a decisão sobre o que entra em produção continua sendo humana e institucional. A relação entre humano e IA, portanto, não é uma simples troca de um parceiro por outro, mas um contínuo entre assistência, delegação e supervisão.

No comparador a seguir, alterne entre o par humano clássico, a IA assistiva e a IA agentiva para visualizar como a distribuição de responsabilidades se desloca. Note que a responsabilidade final, isto é, a accountability sobre o que entra em produção, permanece do lado humano e da organização. Esse é o detalhe que nenhuma métrica de velocidade captura.

Não esqueça da criatividade e da curiosidade. Por enquanto, estas são duas características humanas. Estas características serão decisivas na definição dos profissionais que usarão as ferramentas de IA.

O Que os Dados Dizem (2023 a 2026)

A discussão sobre IA na programação seria estéril se ficasse no terreno da opinião. Entre 2023 e 2026, cresceu a quantidade de evidência empírica, embora os estudos ainda sejam heterogêneos quanto às ferramentas, tarefas, populações e métricas. Experimentos controlados em tarefas curtas, estudos de campo, análises observacionais de repositórios e pesquisas de percepção respondem a perguntas diferentes. O quadro é mais matizado do que sugerem tanto o entusiasmo irrestrito quanto o pessimismo definitivo.

O ganho de velocidade é real

Um experimento controlado de grande repercussão foi conduzido por Peng e colaboradores, em colaboração com a GitHub [11]. Em um estudo randomizado, desenvolvedores receberam a tarefa de implementar um servidor HTTP em JavaScript, com metade do grupo usando o Copilot e a outra metade não. O grupo com IA concluiu a tarefa 55,8% mais rápido. Esse número, amplamente citado, é verdadeiro e relevante. Mas a sagaz leitora deve perguntar: mais rápido em quê, exatamente, e até que ponto o resultado se transfere para outras tarefas e contextos?

Existe um cânion gigantesco entre o desenvolvimento controlado em ambientes de teste e a vida real.

No trabalho real, o ganho pode se inverter

Em 2025, a organização de pesquisa METR conduziu um experimento que complicou bastante a narrativa otimista [12]. Em vez de tarefas isoladas e artificiais, mediram 16 desenvolvedores experientes trabalhando em 246 tarefas de seus próprios repositórios de código aberto, projetos maduros e familiares. Com ferramentas disponíveis entre fevereiro e junho de 2025, sobretudo Cursor Pro e Claude 3.5/3.7 Sonnet, esses desenvolvedores levaram 19% mais tempo para completar as tarefas. Mais revelador ainda foi o descompasso entre percepção e realidade. Eles previam que a IA os deixaria 24% mais rápidos e, depois do experimento, ainda estimavam ter sido 20% mais produtivos [12].

Esse descompasso é um achado importante para quem forma futuros engenheiros e para os futuros engenheiros que estão sendo formados. A sensação de produtividade não é uma medida suficiente de produtividade. Sugestões fluentes podem criar percepção de avanço mesmo quando parte do tempo é consumida na leitura, correção ou reversão do código produzido.

A otimista leitora não deve se deixar levar. O resultado descreve um grupo pequeno, experiente, trabalhando em sistemas maduros com ferramentas do início de 2025. É um bom estudo, mas não autoriza concluir que a IA torna todo desenvolvimento real mais lento. Principalmente porque tanto o desenvolvimento de software quanto o mercado de soluções de IA são muito dinâmicos.

O cenário mudou novamente em 2026

Em fevereiro de 2026, a METR informou que seu novo experimento já apresentava sinais de ganho, mas que efeitos de seleção tornavam a estimativa pouco confiável. Desenvolvedores que consideravam a IA mais útil passaram a evitar participar de uma pesquisa que os obrigaria a trabalhar sem ela, e o uso simultâneo de vários agentes dificultou a medição do tempo. Entre participantes do estudo original, a estimativa bruta indicava 18% de aceleração; entre novos participantes, 4%, ambos com intervalos de confiança compatíveis com efeitos menores ou nulos [13]. Em maio, a organização resumiu seus resultados mais recentes como pequenos ganhos, aproximadamente entre 4% e 20%, provavelmente subestimados pelos mesmos efeitos de seleção [14].

Talvez a informação mais importante deste estudo da METR (2006) seja que os profissionais que passaram a usar a IA se recusaram a trabalhar sem IA. Este é um indicador importante.

A sequência de resultados não invalida o experimento de 2025; mostra que a produtividade da IA não é uma constante. Ela varia com a geração da ferramenta, a familiaridade do usuário, a natureza da tarefa, o grau de autonomia e a maturidade do repositório. A conclusão intelectualmente segura não é que o ganho sempre existe nem que sempre desaparece, mas que precisa ser medido no contexto em que a ferramenta será usada.

O ganho precisa ser medido no contexto em que a ferramenta será usada é uma forma acadêmica de dizer que você terá que analisar, medir e avaliar até encontrar a melhor solução para o seu próprio ambiente. Mas, na verdade, a velocidade pode não ser o fator decisivo. Pelo menos, não em projetos complexos e críticos.

A qualidade exige cautela

Se a velocidade depende do contexto, a qualidade exige atenção ainda maior.

Em um relatório observacional, a empresa GitClear analisou 211 milhões de linhas de código alteradas entre 2020 e 2024 e documentou tendências temporais consistentes com o período de adoção massiva dos assistentes de IA [15]:

O code churn, definido como a proporção de linhas revertidas ou reescritas em menos de duas semanas, subiu de 3,1% em 2020 para 5,7% em 2024. É o sinal mais claro de código que nasce e morre rápido;
A frequência de blocos duplicados de cinco ou mais linhas cresceu de forma acentuada, com a clonagem de código saltando de 8,3% para 12,3% das linhas alteradas;
A proporção de linhas associadas a refatoração despencou de 25% em 2021 para menos de 10% em 2024.

Essas associações não demonstram, por si mesmas, que a IA causou as mudanças: o relatório não é um experimento controlado e não identifica com precisão quais linhas foram produzidas com assistência.

Uma hipótese plausível é que ferramentas orientadas à completação favoreçam a adição local de código em vez da consolidação arquitetural. Contudo, agentes atuais também podem mover, refatorar e remover código quando recebem contexto e objetivos adequados.

O dado relevante para a engenharia de software é outro: aumentar a capacidade de produzir mudanças sem fortalecer revisão e refatoração pode elevar duplicação, churn e complexidade [15]. E aqui, sim. Neste ponto o relatório é relevante.

A estabilidade depende do sistema

O relatório State of DevOps de 2024, produzido pela equipe DORA do Google, estimou que um aumento de 25% na adoção de IA estava associado a uma redução de cerca de 7,2% na estabilidade de entrega e a uma queda de 1,5% na vazão (throughput) [16].

Como todo relatório de pesquisa, precisamos ser críticos e cuidadosos. Trata-se de associação, não de demonstração causal. O relatório propôs como mecanismo o aumento do volume de código e do tamanho dos lotes de mudança, historicamente relacionados a maior risco de instabilidade.

Em 2025, o DORA atualizou a interpretação: a IA apareceu como um amplificador das forças e fraquezas do sistema organizacional.

O novo relatório encontrou melhora de vazão em determinados contextos, mas alertou que os ganhos podem vir acompanhados de menor estabilidade quando faltam testes, plataformas internas adequadas, ciclos rápidos de retorno e processos sólidos. Assim, a evidência mais recente não sustenta que a IA necessariamente prejudique a entrega; sustenta que seus efeitos dependem da qualidade do sistema sociotécnico no qual ela é introduzida [17].

O gráfico interativo abaixo reúne as evidências dos estudos que comentamos em um único painel. A persistente leitora pode alternar entre as métricas para perceber o padrão que emerge: a IA frequentemente eleva o volume e pode elevar a velocidade, mas seu efeito sobre qualidade e estabilidade depende da tarefa, da ferramenta e dos mecanismos de controle.

Observe que os resultados de 2025 e 2026 devem ser lidos como uma evolução temporal, não como medições diretamente comparáveis de uma tecnologia imutável.

Velocidade Não é Agilidade

Chegamos ao coração do argumento. Há, no mercado e na academia, uma confusão, comum e perigosa, entre velocidade e agilidade.

O Manifesto Ágil nunca prometeu que escreveríamos código mais rápido. Prometeu a capacidade de responder a mudanças com mais segurança e a entrega contínua de software funcionando com valor para o negócio [5, 6]. Essas São coisas distintas. Produzir o dobro de código no mesmo tempo só é agilidade se esse código for correto, sustentável e adaptável. Caso contrário, é apenas passivo técnico produzido com mais eficiência.

Podemos expressar a distinção de forma compacta. A agilidade não é uma função apenas da velocidade:

\[\text{Agilidade} = f(\text{Velocidade},\ \text{Qualidade},\ \text{Adaptabilidade})\]

Quando a IA aumenta apenas a primeira variável e degrada as demais, o efeito líquido sobre a agilidade pode ser nulo ou negativo. Porém, quando a velocidade vem acompanhada de qualidade, retorno rápido e capacidade de mudança, o efeito pode ser positivo. A evolução dos resultados da METR e do DORA reforça precisamente essa dependência do contexto [12, 13, 14, 16, 17]. É aqui que o Extreme Programming, longe de estar obsoleto, reaparece como uma rede de segurança. As práticas de XP ajudam a impedir que velocidade se converta em fragilidade:

Test-Driven Development (TDD) e testes automatizados: quando o código vem de uma fonte que não compreende o domínio do problema, a verificação automatizada deixa de ser recomendação e passa a ser condição de sobrevivência. O teste é a especificação executável contra a qual a sugestão da IA é julgada;
Integração Contínua (CI): integrar em pequenos lotes, com construção e testes automatizados, reduz o risco associado ao aumento do volume de mudanças e encurta o ciclo de retorno [16, 17];
Refatoração: diante dos sinais observacionais de maior duplicação e menor consolidação, a disciplina de mover, renomear, simplificar e remover código precisa fazer parte explícita do fluxo assistido por IA [15];
Propriedade Coletiva do Código: se ninguém na equipe compreende profundamente um trecho gerado por IA, a propriedade coletiva foi rompida, e com ela a capacidade de manter o sistema.

Decisão prática: transformar velocidade em agilidade

O cenário abaixo convida a aplicar essas práticas a uma mudança produzida por um agente. Antes de revelar o retorno, escolha quais ações preservam qualidade, pequenos lotes, retorno rápido e responsabilidade coletiva.

O objetivo do exercício não é decorar uma lista de boas práticas, mas perceber que a aprovação de uma mudança exige evidências proporcionais ao risco. Testes existentes, velocidade de geração e confiança subjetiva não substituem critérios de negócio, integração incremental, refatoração e revisão responsável.

Sommerville já sublinhava que essas práticas formam um sistema interdependente, em que cada uma sustenta as demais [2]. A IA não substitui nenhuma delas. Ao aumentar a velocidade potencial de produção e o volume de mudanças, ela também aumenta a carga sobre os mecanismos de especificação, revisão, integração e verificação.

Uma Releitura dos Papéis

Quando a IA assume parte da implementação, o ser humano precisa exercer, de forma deliberada e competente, o papel de navigator e responsável pela aprovação. Ser um bom navigator exige a capacidade de ler criticamente código que não se escreveu, de identificar o erro sutil em meio à fluência sintática, de manter o desenho arquitetural em mente e de negociar requisitos com clareza suficiente para instruir tanto a máquina quanto as pessoas, competência que Vazquez e Simões situam no centro da engenharia de software orientada ao negócio [7]. Um estudo iniciado em 2023 que catalogou problemas relatados por desenvolvedores no GitHub e no Stack Overflow mostrou que a experiência com assistentes envolve dificuldades de operação, compatibilidade, validação e integração, além da simples geração de código [18].

Isso conversa diretamente com a capacidade de utilizar e implantar conceitos e técnicas de gestão de projetos e da qualidade em todo o desenvolvimento de software. Impactando diretamente nas habilidades que tratam da gestão da qualidade e dos projetos em seus aspectos tecnológicos e organizacionais, dimensão que a literatura de gestão ágil de serviços e projetos detalha com cuidado [8, 9].

Provavelmente o profissional valioso na era da IA não será apenas o que produz código rapidamente, capacidade em que a máquina oferece vantagem crescente, mas o que pensa com rigor sobre o que deve ser construído, como verificar o resultado e quais consequências aceitar. A IA eleva o piso da produção e, ao mesmo tempo, eleva o teto exigido do julgamento humano.

Conclusão

A Programação em Par do Extreme Programming foi, desde o início, uma tecnologia social para produzir qualidade por meio de revisão contínua, diálogo e responsabilidade compartilhada. A chegada da IA generativa não a torna obsoleta, mas a reconfigura. O novo par é assimétrico: a ferramenta pode oferecer grande disponibilidade, velocidade e acesso ao contexto registrado, mas não assume responsabilidade pelas consequências. As evidências de 2023 a 2026 não produzem um veredito único. A IA acelerou tarefas isoladas, tornou mais lentos alguns desenvolvedores experientes em sistemas maduros e, com ferramentas mais recentes, voltou a apresentar sinais de ganho. Estudos observacionais, por sua vez, alertam para riscos de duplicação, churn e instabilidade quando a capacidade de gerar mudanças cresce mais rápido do que a capacidade de verificá-las [11, 12, 13, 14, 15, 16, 17].

Diante disso, a resposta da Engenharia de Software não é rejeitar a ferramenta nem abraçá-la sem crítica, mas reancorar seu uso nos fundamentos que o XP nos legou. Testes automatizados, integração contínua, pequenos lotes, refatoração disciplinada, propriedade coletiva e julgamento humano rigoroso formam a infraestrutura que transforma velocidade potencial em agilidade sustentável. A máquina pode sugerir, executar e até ocupar temporariamente o papel de driver. A responsabilidade pela qualidade, pelo valor entregue e pela adaptação às mudanças continua sendo humana e organizacional.

Referências

BECK, Kent. Extreme Programming Explained: Embrace Change. Boston: Addison-Wesley, 1999.
SOMMERVILLE, Ian. Engenharia de software. 10. ed. São Paulo: Pearson Education do Brasil, 2018. E-book. Disponível em: https://plataforma.bvirtual.com.br/Acervo/Publicacao/168127. Acesso em: 23 jun. 2026.
WILLIAMS, Laurie; KESSLER, Robert. Pair Programming Illuminated. Boston: Addison-Wesley, 2002.
WILLIAMS, Laurie; KESSLER, Robert R.; CUNNINGHAM, Ward; JEFFRIES, Ron. Strengthening the case for pair programming. IEEE Software, v. 17, n. 4, p. 19-25, 2000.
GOMES, André Faria. Agile: desenvolvimento de software com entregas frequentes e foco no valor de negócio. São Paulo: Casa do Código, 2014. E-book. Disponível em: https://plataforma.bvirtual.com.br/Acervo/Publicacao/212908. Acesso em: 23 jun. 2026.
FOGGETTI, Cristiano (org.). Gestão ágil de projetos. São Paulo: Pearson, 2014. E-book. ISBN 978-85-4301-010-6. Disponível em: https://plataforma.bvirtual.com.br/Acervo/Publicacao/22131. Acesso em: 23 jun. 2026.
VAZQUEZ, Carlos Eduardo; SIMÕES, Guilherme Siqueira. Engenharia de Requisitos: software orientado ao negócio. Rio de Janeiro: Brasport, 2016. E-book. Disponível em: https://plataforma.bvirtual.com.br/Leitor/Publicacao/160193/epub. Acesso em: 23 jun. 2026.
MASSARI, Vitor L. Agile Scrum Master no Gerenciamento Avançado de Projetos: certificação EXIN Agile Scrum Master. Rio de Janeiro: Brasport, 2016. E-book. ISBN 978-85-7452-785-7. Disponível em: https://plataforma.bvirtual.com.br/Acervo/Publicacao/160394. Acesso em: 23 jun. 2026.
OLIVEIRA, Bruno Souza de. Métodos Ágeis e Gestão de Serviços de TI. Rio de Janeiro: Brasport, 2018. E-book. ISBN 978-85-7452-871-7. Disponível em: https://plataforma.bvirtual.com.br/Acervo/Publicacao/160046. Acesso em: 23 jun. 2026.
GITHUB. GitHub Copilot is generally available to all developers. 2022. Disponível em: https://github.blog/news-insights/product-news/github-copilot-is-generally-available-to-all-developers/. Acesso em: 23 jun. 2026.
PENG, Sida; KALLIAMVAKOU, Eirini; CIHON, Peter; DEMIRER, Mert. The Impact of AI on Developer Productivity: Evidence from GitHub Copilot. arXiv:2302.06590, 2023. Disponível em: https://arxiv.org/abs/2302.06590. Acesso em: 23 jun. 2026.
BECKER, Joel; RUSH, Nate; BARNES, Elizabeth; REIN, David. Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity. arXiv:2507.09089, 2025. Disponível em: https://arxiv.org/abs/2507.09089. Acesso em: 23 jun. 2026.
METR. We are Changing our Developer Productivity Experiment. 2026. Disponível em: https://metr.org/blog/2026-02-24-uplift-update/. Acesso em: 23 jun. 2026.
METR. Frontier Risk Report (February to March 2026). 2026. Disponível em: https://metr.org/blog/2026-05-19-frontier-risk-report/. Acesso em: 23 jun. 2026.
GITCLEAR. AI Copilot Code Quality: 2025 Research Report. 2025. Disponível em: https://www.gitclear.com/ai_assistant_code_quality_2025_research. Acesso em: 23 jun. 2026.
DORA; GOOGLE CLOUD. Accelerate State of DevOps Report 2024. 2024. Disponível em: https://dora.dev/research/2024/dora-report/. Acesso em: 23 jun. 2026.
DORA; GOOGLE CLOUD. State of AI-assisted Software Development 2025. 2025. Disponível em: https://dora.dev/dora-report-2025/. Acesso em: 23 jun. 2026.
ZHOU, Xiyu; LIANG, Peng; ZHANG, Beiqi; LI, Zengyang; AHMAD, Aakash; SHAHIN, Mojtaba; WASEEM, Muhammad. Exploring the Problems, their Causes and Solutions of AI Pair Programming: A Study on GitHub and Stack Overflow. arXiv:2311.01020, 2023. Disponível em: https://arxiv.org/abs/2311.01020. Acesso em: 23 jun. 2026.

Prova de Autoria: Quebrando o Equilíbrio com a Realidade Física

2026-06-10T11:45:21-03:00

Com o advento das inteligências artificiais generativas, o jogo da imitação ganha um acelerador sem precedentes. O que antes exigia horas de cópia manual ou memorização mecânica agora pode ser produzido em segundos com qualidade superficialmente convincente. A prova escrita tradicional, já um sinal barato, torna-se um sinal quase gratuito. Essa nova realidade torna ainda mais urgente a substituição do mecanismo de avaliação por uma Prova de Autoria ancorada em restrições que a IA não pode falsificar facilmente, seja no mundo físico, seja na rastreabilidade digital ou na defesa performática ao vivo.

Nos ensaios anteriores, a anatomia do fracasso acadêmico foi dissecada. Vimos como o tratado de paz, a degradação por imitação e a interferência dos indicadores estatais criaram um ecossistema no qual o nivelamento por baixo se tornou o único equilíbrio matemático viável. A questão que se impõe agora é de ordem prática: como subverter a matriz de pagamentos (payoff matrix) e forçar uma mudança de estratégia na sala de aula, mesmo quando o sistema ao redor permanece corrompido?

A resposta não reside em apelos morais ao corpo discente nem na proliferação de diretrizes burocráticas, mas na alteração dos custos associados a cada decisão no jogo educacional. É necessário aplicar o conceito de Sinalização Custosa (Costly Signaling) por meio de uma Prova de Autoria ou para ficar mais adaptado a teoria dos jogos, prova de trabalho (Proof of Work).

A fragilidade do sinal barato

O jogo da imitação prospera de forma absoluta porque a prova escrita tradicional, padronizada para minimizar o atrito, transformou-se em um sinal barato (cheap talk). Reproduzir mecanicamente os passos algébricos de um sistema de controle sobre a folha de papel demanda um custo cognitivo significativamente menor do que compreender a dinâmica do sistema físico que aquele modelo representa. O aluno racional tende a escolher a imitação, simplesmente porque o atalho é eficiente e o instrumento de avaliação é incapaz de detectar a fraude conceitual.

Para destruir a viabilidade econômica da estratégia da imitação, a avaliação precisa transmutar-se em um sinal custoso. Na biologia evolutiva e na economia da informação, um sinal custoso é aquele que não pode ser falsificado por um indivíduo inapto, pois o próprio ato de emiti-lo requer a posse da característica desejada.

A objeção imediata de qualquer administrador acadêmico será de ordem orçamentária: equipamentos de precisão são caros, salas de laboratório demandam manutenção, e a logística de avaliação prática em larga escala parece inviável. Essa resistência, contudo, confunde custo com investimento e ignora a aritmética oculta do jogo da imitação.

Quando uma instituição gasta recursos para criar salas de aula, e laboratórios, que serão usadas para provas escritas e ainda assim produz diplomas sem competência técnica subjacente, está efetivamente financiando a produção de sinais vazios. O custo total do sistema de avaliação tradicional, incluindo o valor destruído pela desqualificação gradual do diploma no mercado, supera, em múltiplos, o investimento em tempo, em análise de questões e resultados e no equipamento necessário.

O paradoxo reside no fato de que o laboratório vazio, justificado pela economia, é o próprio motor da degradação econômica do diploma. A prova de autoria não é um luxo pedagógico; é um mecanismo de preservação do capital imaterial da instituição.

Na engenharia e nas ciências exatas, a falsificação da competência começa a terminar no momento em que a realidade física é convocada a participar da banca avaliadora.

Não se trata de especulação teórica. Universidades de ponta como o MIT, a ETH Zurich e diversas instituições japonesas de engenharia já implementam variações robustas desse princípio. Seus capstone projects exigem não apenas a construção física de protótipos, mas defesa oral pesada e demonstração em tempo real diante de bancas exigentes. O aluno não entrega apenas um relatório; ele faz o hardware, ou o software, funcionar, responde a intervenções ao vivo e prova que compreendeu a dinâmica real do sistema, exatamente o tipo de sinal custoso que torna a imitação estruturalmente inviável.

A realidade física como árbitro

Considere a transição de um paradigma estrutural. Se um currículo abandona arquiteturas legadas e passa a basear o controle de sistemas robóticos em instruções abertas, como RISC-V, o erro está em tentar medir a retenção desse conhecimento através de exames teóricos. A imitação resolve qualquer múltipla escolha.

A alteração do mecanismo ocorre quando o critério de sucesso exige que o código compilado seja embarcado no hardware e execute o controle de uma cinemática complexa com exatidão milimétrica. O braço robótico se desloca para a coordenada matemática correta ou colide com a estrutura metálica da bancada. A física atua como um árbitro binário. Em um ambiente de avaliação, o físico determina as questões que serão realizadas na prova de autoria.

O mesmo princípio governa as engenharias de materiais e química. Um aluno é perfeitamente capaz de imitar a teoria da redução de óxidos no quadro negro, mas ao ser colocado diante de um espectrômetro de massa e desafiado a refinar nióbio até atingir um grau de pureza 11N (onze noves), a tática imitativa perde o seu valor. O equipamento registra a contaminação. O resultado numérico não negocia, não se adapta a atenuantes e não assina tratados de paz. Ao mesmo tempo, o ambiente serve como base para a avaliação justa. O professor deverá ser capaz de diferenciar o limite do aprendizado frente aos limites da física, química, ou biologia.

Prova de autoria e apresentação prática: o equivalente não-físico da bancada de robótica

A mesma lógica não se restringe às disciplinas que lidam diretamente com a matéria. Em qualquer campo do conhecimento, é possível convocar uma realidade que funcione como árbitro implacável. Na filosofia, na literatura, nas ciências sociais ou no direito, a realidade pode ser a rastreabilidade completa do processo criativo ou a apresentação pública ao vivo. O que importa não é a natureza física do artefato, mas a impossibilidade técnica ou econômica de falsificar a autoria e a profundidade do entendimento, removendo a possibilidade de imitação.

Em Humanas e Ciências Sociais o laboratório é substituído pela cadeia de evidências do processo. Exige-se que o aluno entregue, junto com o texto final, todo o histórico de versionamento (Git ou equivalente), os rascunhos com comentários, as anotações de leitura e os registros de tempo de escrita. Copiar um ensaio brilhante torna-se inútil: o aluno terá de defender oralmente, em tempo real e sem notas, cada escolha argumentativa diante de uma banca que pode pedir para reescrever um parágrafo na hora ou explicar por que descartou determinada fonte.

Na área de Direito, o braço robótico será substituído pela simulação de audiência ou o julgamento simulado com atores reais. O aluno não entrega uma petição pronta; ele a sustenta oralmente diante de um juiz fictício que pode mudar o caso no meio da sustentação. A imitação desaba porque o sinal custoso é a capacidade de pensar de pé.

Em todos esses casos, a matriz de pagamentos se inverte da mesma forma: o custo marginal da imitação (manter coerência em tempo real sobre um trabalho que não se produziu) explode, enquanto o custo da compreensão profunda torna-se a estratégia dominante.

A inversão da matriz de pagamentos

Quando a avaliação baseada em memorização de padrões é substituída por uma Prova de Autoria ancorada em restrições materiais, ou em restrições de autoria e performance igualmente implacáveis, os incentivos da matriz sofrem uma inversão matemática.

Tentar falsificar o aprendizado por meio de tentativa e erro no código de controle de um atuador mecânico, ou tentar adivinhar a calibração de um processo de purificação química, ou ainda improvisar uma defesa oral sobre um trabalho que não se escreveu, converte-se em um processo exponencialmente mais difícil e demorado do que assimilar a estrutura formal da disciplina. O custo marginal da estratégia de imitação ($C_{imi}$) torna-se proibitivo quando comparado ao custo da estratégia de compreensão profunda ($C_{com}$).

Podemos expressar essa barreira eliminatória por meio da seguinte desigualdade:

\[C_{imi}(\text{Física ou Autoria}) \gg C_{com}\]

Nesse novo cenário, o equilíbrio de Nash migra para a estratégia de compreensão profunda. O estudante não passa a buscar a estrutura profunda movido por uma súbita epifania pedagógica; ele o faz porque o ecossistema agora pune a superficialidade com o fracasso instantâneo e irreversível.

**Se a lógica aqui exposta é válida, resta uma pergunta desconfortável: por que a prova de trabalho física (e sua contraparte digital/performática) não se tornou o padrão dominante? ** A resposta exige que se olhe não para o aluno, mas para o corpo docente e administrativo. A imitação, uma vez institucionalizada como equilíbrio, gera uma classe de agentes cuja própria posição depende da manutenção do sinal barato.

O professor que nunca operou um espectrômetro de massa, o coordenador cujo currículo foi construído inteiramente sobre provas escritas, o reitor cuja gestão mede sucesso por taxas de aprovação, todos têm incentivos estruturais para bloquear a introdução de árbitros físicos, digitais ou performáticos. A resistência não é malícia individual; é a defesa racional de um equilíbrio de Nash prévio. Subverter a matriz de pagamentos na sala de aula exige, portanto, subverter a matriz de pagamentos na sala dos professores.

O ensino superior, em qualquer disciplina, só escapará do jogo da imitação quando transferir a disputa para uma arena na qual a falsificação seja tecnicamente ou economicamente inviável. Seja o espectrômetro de massa, seja o histórico completo de versionamento Git, seja a defesa oral sem anotações ou a performance ao vivo, o princípio é idêntico: o sinal deve custar o que realmente vale. A prova de autoria não é um método pedagógico entre outros; é o único mecanismo conhecido capaz de destruir, de forma sistemática e previsível, o tratado de paz acadêmico em tempos de imitação e inteligência artificial. O resto é sinalização de virtude.

O Mercado de Limões: O Colapso do Diploma como Sinal

2026-06-09T21:59:37-03:00

Nos ensaios anteriores (1, 2, 3, 4), este pobre escriba desceu até as engrenagens mais escuras do ensino superior: mostramos como o Estado exige métricas maquiadas, como o jogo da imitação fabrica aprovações vazias e como a perda geracional apaga a memória da excelência de dentro das universidades. Mas as disciplinas exatas guardam uma particularidade impiedosa. Diferente de campos nos quais a retórica pode encobrir a falta de substância por décadas, na engenharia o feedback da realidade é brutal e físico: a ponte cai, o software entra em loop infinito, a placa de circuito frita, o reator não suporta a pressão.

A física não liga para a sua média $7$, não se importa com as portarias do MEC e não perdoa o tratado de paz assinado entre você e o seu coordenador.

A universidade pode fingir que ensina e o aluno fingir que aprende, mas a indústria não pode fingir que o produto funciona. O que acontece, então, quando o egresso formado pela imitação de superfície bate à porta do mercado de alta tecnologia exigindo o salário de um engenheiro? A resposta econômica reside em um dos modelos mais elegantes já concebidos: o Mercado de Limões, do ganhador do Prêmio Nobel George Akerlof.

Akerlof demonstrou por que mercados podem colapsar quando a qualidade é oculta: a seleção adversa expulsa os bons produtos, e o preço médio se torna um veneno para o equilíbrio. Mas o mercado não precisa necessariamente desintegrar-se. Em 1973, Michael Spence, que dividiria o Nobel de 2001 com Akerlof, formalizou a teoria da Sinalização (Signaling): mecanismos dispendiosos e difíceis de imitar que permitem ao agente de alta qualidade se distinguir do de baixa qualidade.

A garantia estendida no mercado de carros usados é um sinal dispendioso porque apenas o dono de um pêssego tem coragem de oferecê-la sem caminhar para a insolvência. O diploma universitário, em sua época de rigor, operava exatamente sob a lógica spenciana: um sinal criptográfico de competência matemática, de resiliência e de capacidade de resolver problemas difíceis. O empregador não precisava testar o egresso exaustivamente em técnica de derivação, termodinâmica ou cálculo estrutural na mesa de entrevista; a universidade atuava como filtro rigoroso. A equação de valor daquele pedaço de papel dependia da credibilidade do sinal, e essa credibilidade é justamente o que o modelo de Akerlof nos permite analisar quando ela se desfaz.

A assimetria de informação

Na teoria econômica, um limão é uma gíria para um carro usado com defeitos ocultos, enquanto um pêssego é um carro usado em ótimo estado. O comprador não sabe se está adquirindo um limão ou um pêssego, mas o vendedor sabe perfeitamente o que está vendendo. Essa é a essência da assimetria de informação. Se o comprador não tem como distinguir o bom do ruim, ele só aceitará pagar um preço médio que compensa o risco de levar um carro defeituoso. O dono do carro bom, achando o preço médio injusto, retira seu veículo do mercado. Com apenas produtos ruins restando, o preço despenca ainda mais, até o colapso total das transações.

Esse mecanismo, batizado por Akerlof de seleção adversa, cria um círculo vicioso auto-reforçador. Quanto maior a desconfiança do comprador, menor o preço que ele está disposto a pagar; quanto menor o preço, mais os donos de pêssegos abandonam o mercado, elevando ainda mais a proporção de limões. No limite, o mercado pode simplesmente desaparecer: ninguém compra porque o risco é alto demais e ninguém vende porque o preço oferecido não cobre o valor real do bem. O que era um mercado de carros usados se transforma, paradoxalmente, em um mercado de apenas limões — ou, pior, em um mercado que deixa de existir.

O colapso do sinal

O jogo da imitação, fomentado pelo desenho de mecanismos regulatórios que punem a reprovação, destruiu a assimetria do sinal. Hoje, o aluno que compreende a estrutura profunda (o pêssego) e o aluno que simplesmente memorizou a superfície de exercícios idênticos (o limão) recebem exatamente o mesmo diploma, ostentando a mesma média e o mesmo brasão institucional.

O avaliador externo, seja uma multinacional de semicondutores, uma construtora de infraestrutura ou um banco de investimentos, observa o diploma, mas é incapaz de observar a competência efetiva no momento da contratação. Ao perceber a diluição substancial da qualidade média dos formados, o mercado reage de forma estritamente racional: ele desconta o valor do sinal.

Podemos ilustrar a desvalorização do salário esperado $E[W]$ oferecido pelo mercado por meio de uma simplificação da expectativa de valor, onde $p$ representa a probabilidade de o candidato ser um pêssego (alta proficiência) e $(1-p)$ de ser um “limão” (imitador de superfície):

\[E[W] = p \cdot W(q_{alta}) + (1-p) \cdot W(q_{baixa})\]

À medida que o ecossistema acadêmico infla as aprovações e reduz o rigor, a percepção de mercado para a probabilidade $p$ despenca. O valor informativo do diploma tende a zero.

Para tornar mais concreta essa desvalorização, imaginemos um cenário numérico simples. Suponha que, em condições de rigor acadêmico elevado, o mercado atribua 70% de probabilidade ($p = 0,7$) de que um recém-formado seja um pêssego. Ou seja, alguém realmente capaz de resolver problemas inéditos. Um engenheiro de alta proficiência poderia valer, digamos, R$ 12 mil mensais iniciais ($W(q_{alta})$), enquanto um imitador de superfície valeria apenas R$ 4 mil ($W(q_{baixa})$). O salário esperado pelo mercado seria então:

\[E[W] = 0,7 \times 12.000 + 0,3 \times 4.000 = 9.600\]

Quando o tratado de paz acadêmico se generaliza e o mercado percebe que a proporção de pêssegos cai para, digamos, 30% ($p = 0,3$), o mesmo cálculo desaba para $E[W] = 0,3 \times 12.000 + 0,7 \times 4.000 = 6.400$. O diploma, que antes funcionava como um sinal confiável, agora entrega um desconto automático de mais de 33% no valor percebido do candidato. Não é conspiração. É simplesmente o mercado atualizando sua expectativa com base na qualidade média observada.

Importante ressaltar que esse cálculo de desvalorização não é feito de forma explícita e cartesiana pelas empresas, já que estamos no Brasil. Os recrutadores e diretores de RH não se sentam com planilhas para estimar o valor de $p$ e resolver a equação $E[W]$. O ajuste ocorre de maneira instintiva e coletiva, fruto da experiência acumulada ao longo de centenas de entrevistas e dos feedbacks vindos dos primeiros meses de trabalho. Eles simplesmente percebem que, em média, o recém-formado entrega menos do que o esperado para o cargo. Diante disso, o mercado reage de forma automática: oferece salários iniciais mais baixos, rebaixa a nomenclatura das vagas ou endurece os processos seletivos. Não é conspiração. É a mão invisível do mercado atualizando, de forma intuitiva, o preço do sinal que perdeu credibilidade.

Esse colapso matemático do sinal força a indústria a adotar uma nova estratégia: ela deixa de confiar no diploma como filtro e passa a construir os próprios. O custo que antes era arcado pela universidade (através de reprovação e rigor) migra para as empresas, que agora investem em processos seletivos caros e demorados. O que era um mecanismo eficiente de sinalização coletiva torna-se um problema individualizado de triagem.

A indústria de engenharia passa a tratar os recém-formados como causadores de risco presumidos. Os salários iniciais para posições de entrada sofrem forte contração, ou a nomenclatura de contratação é subvertida, oferecendo vagas de “analistas” ou “assistentes” com remuneração inferior às tabelas de referência divulgadas pelos conselhos profissionais, que funcionam como indicadores de mercado e não como pisos legais obrigatórios no setor privado. Mais uma vez, nenhum ator está agindo por maldade; a indústria simplesmente está precificando o risco real de colocar um projeto de grande porte nas mãos de alguém que não consegue transferir conceitos básicos para problemas inéditos.

O mercado assumindo o filtro

Como a indústria precisa de soluções operacionais e não pode abrir mão do talento de ponta — aqueles raros indivíduos que resistiram ao sistema e compreenderam a estrutura —, ela passa a arcar com os custos de um trabalho de filtragem que antes pertencia à academia.

Presenciamos hoje a proliferação de processos seletivos baseados em desafios técnicos profundos, avaliações com programação ao vivo (live coding), plataformas de maratonas lógicas corporativas, centros de avaliação intensivos e programas de imersão operacional.

A empresa está, na prática, gastando somas expressivas de recursos financeiros para reconstruir do zero a avaliação de capacidade lógica, abstração e resolução de problemas que a estrutura do núcleo comum deveria ter certificado, mas negligenciou. O mercado de trabalho está aplicando sua própria prova de fogo para romper a casca de imitação ensinada pela instituição de ensino.

Para o egresso, o choque com a realidade econômica é traumático. Treinado por anos para reconhecer o formato exato do enunciado e aplicar a técnica mecanicamente, ele senta em frente ao avaliador do mercado e recebe um problema mal estruturado, com dados faltantes e sem gabarito conhecido na literatura. Sem o ambiente controlado e familiar do exercício de faculdade, o arranjo artificial desmorona.

O colapso do diploma como sinal é a resposta inevitável a um sistema de ensino que tentou enganar as leis da informação. O tratado de paz acadêmico pode pacificar a sala de aula e garantir a verba governamental do semestre, mas ele deixa o egresso completamente indefeso contra a cobrança implacável do mercado de trabalho.

E o problema não termina no colapso do sinal tradicional. Enquanto o desenho regulatório brasileiro segue fabricando limões em escala industrial, a inteligência artificial avança em ritmo exponencial, automatizando exatamente as tarefas rotineiras e de média complexidade que antes serviam de porta de entrada para o jovem engenheiro. Com a redução drástica de vagas para iniciantes, muitas delas simplesmente substituídas por ferramentas de IA, o mercado torna-se ainda mais seletivo e implacável. O que antes era um desconto salarial sobre o diploma agora se converte em exclusão pura e simples para a grande maioria dos egressos. A legislação que, através da Matriz OCC, do PROUNI e do SINAES, incentivou a aprovação em massa e a diluição do rigor acadêmico encontra, assim, na IA o seu aliado involuntário: ela maximiza o efeito do Mercado de Limões, transformando um sinal enfraquecido em um sinal quase inútil e deixando o egresso médio com poucos caminhos de acesso ao mercado de alta performance.

O Meta-Jogo Regulatório: Desenho de Mecanismos e a Mão Invisível do Estado

2026-06-08T16:00:00-03:00

No encerramento do texto anterior sobre o tratado de paz nas salas de aula, afirmei que a universidade joga com as regras que lhe são dadas. O professor aprova porque o conflito é custoso, o aluno imita porque o atalho é eficiente, e a instituição corrobora o processo porque a retenção e o fluxo são as métricas do seu próprio sucesso. Contudo, a sagaz leitora deve ter notado que a instituição não opera em um vácuo cósmico. Ela não dita as regras primárias do universo educacional. Ela responde a uma gravidade maior.

Para compreender por que o equilíbrio de alta proficiência se tornou uma impossibilidade matemática em grande parte do ensino superior, precisamos elevar a análise para a última camada. Precisamos falar sobre a Matriz OCC (a chamada “Matriz Andifes”), o Prouni, o FIES, a Capes e o SINAES.

Na Teoria dos Jogos, quando não estamos apenas estudando como os jogadores se comportam dadas as regras, mas sim como criar regras para induzir um comportamento específico, entramos no subcampo conhecido como Desenho de Mecanismos (Mechanism Design). O Desenho de Mecanismos é a teoria dos jogos de trás para frente: o arquiteto do sistema escolhe o resultado desejado e constrói a estrutura de incentivos para que os agentes racionais, buscando seus próprios interesses, alcancem esse resultado.

A hipótese que este pobre escriba apresenta aqui é indigesta. O Estado brasileiro, ao desenhar os mecanismos de financiamento e regulação da educação superior, construiu um sistema no qual a manutenção do rigor acadêmico é severamente punida.

A otimização do repasse

Considere as universidades públicas federais. O repasse de recursos não é feito de forma aleatória, mas governado por modelos matemáticos, sendo o mais famoso deles a Matriz de Orçamento de Outros Custeios e Capital (Matriz OCC) — instrumento desenvolvido pelo Ministério da Educação em parceria com a Associação Nacional dos Dirigentes das Instituições Federais de Ensino Superior (Andifes), daí o nome coloquial de “Matriz Andifes” que circula nos campi.

A Matriz OCC distribui o orçamento discricionário com base em indicadores de desempenho, mas não os trata com pesos iguais. O parâmetro central — respondendo por cerca de 90% do valor repassado — é o aluno equivalente. Esse indicador não é apenas uma contagem de cabeças: ele é composto pelo número de matriculados e ingressantes, multiplicado por um coeficiente de retenção e ajustado pela duração padrão do curso e pelo número de concluintes. Em outras palavras, um aluno que reprova e tranca disciplinas não conta como um aluno inteiro para o orçamento. Quanto maior a retenção, menor o coeficiente; quanto mais o curso se desvia do tempo mínimo de integralização, mais o indicador é comprimido.

Os 10% a 20% restantes do cálculo são reservados a indicadores de eficiência e qualidade: o Rendimento Acadêmico Parcial (RAP), os conceitos do SINAES (CPC, IGC, CC) e, no caso de instituições com pós-graduação, os resultados da CAPES. O Estado, agindo como o Principal, envia uma mensagem cristalina ao seu Agente institucional:

O seu orçamento depende de fazer o aluno entrar, permanecer e sair diplomado no menor tempo possível.

No setor privado, a dependência das métricas estatais é ainda mais direta. O PROUNI impõe, como condição de manutenção da bolsa, que o estudante seja aprovado em, no mínimo, $75\%$ das disciplinas cursadas em cada período letivo. O FIES, por sua vez, não exige percentual fixo de aprovação, mas vincula o acesso ao financiamento ao Conceito de Curso (CC) do SINAES: cursos com CC 5 podem ofertar até $35\%$ das vagas como financiáveis, contra apenas $25\%$ para cursos com CC 3; adicionalmente, quanto menor o CC, maior a parcela da mensalidade que o estudante deve pagar com recursos próprios, reduzindo a atratividade do curso.

O CC, por sua vez, é calculado a partir do desempenho dos concluintes no ENADE, do valor agregado medido pelo IDD e das condições de oferta. Um curso com alta reprovação e retenção produz, em média, menos concluintes em tempo hábil para o exame e um IDD degradado — o que pressiona o CC para baixo. Com CC inferior a 3, o curso perde o financiamento do FIES — o que, para a instituição privada, significa evasão de alunos que dependem do benefício e perda direta de receita. Para as universidades públicas federais, o CC baixo ainda comprime a parcela qualidade da Matriz OCC, reduzindo o repasse discricionário.

O sistema não castiga a reprovação por um único gatilho, mas por três canais simultâneos que se reforçam. O canal orçamentário — a Matriz OCC — comprime o repasse diretamente quando a retenção e a evasão reduzem o aluno equivalente. O canal avaliativo — o SINAES, via CPC, IGC e CC — degrada o conceito do curso quando a reprovação em massa reduz o desempenho no ENADE e o valor agregado do IDD, o que, por sua vez, limita o acesso a programas como o FIES. O canal fiscalizatório — o PROUNI — retira o benefício do estudante individualmente quando ele não atinge o percentual mínimo de aprovação. Não importa por onde o rigor tente escapar: ele encontra uma parede.

Seja na esfera pública ou privada, a equação que a reitoria e a coordenação de curso precisam resolver é a mesma: a reprovação em massa não é um indicador pedagógico neutro, mas uma ameaça orçamentária com múltiplos gatilhos — e não há por onde escapar.

O colapso do equilíbrio do veado

Voltemos ao nosso jogo de coordenação, a caça ao veado, abordado no texto anterior. Para quem não leu: trata-se de uma situação em que professor e aluno ganhariam mais se ambos cooperassem para o rigor, mas o desvio de qualquer um para a flexibilização puniria quem ficou no rigor. Existia um equilíbrio superior, no qual o professor exigia a compreensão profunda da estrutura e o aluno estudava para a autonomia. Dissemos que esse equilíbrio não era alcançado por causa da assimetria do risco na sala de aula.

Porém, quando introduzimos o Desenho de Mecanismos do Estado na matriz, o cenário muda de figura. Se um curso de engenharia decide operar no equilíbrio de alta exigência, as consequências imediatas são o aumento da reprovação, a retenção de alunos nas disciplinas de cálculo e física e o aumento do tempo médio de integralização.

O que o Estado faz com esse curso? Ele o pune.

A Matriz OCC comprimirá o repasse orçamentário do departamento via redução do aluno equivalente. O SINAES rebaixará os conceitos do curso quando o ENADE e o IDD captarem a degradação do valor agregado. Os alunos do PROUNI perderão suas bolsas individualmente por não atingirem o percentual mínimo de aprovação; já os do FIES verão o financiamento ameaçado quando o Conceito de Curso (CC) cair e o curso perder vagas financiáveis ou a atratividade do benefício. O resultado é o mesmo: evasão em massa e perda direta de receita para a instituição privada.

Podemos expressar o valor utilidade da instituição $U_{inst}$ para as estratégias de Rigor ($R$) e Flexibilização ($F$) da seguinte forma:

\[U_{inst}(R) = \text{Reputação} - \text{Corte de Verbas} - \text{Queda de Conceito} - \text{Perda de Mensalidades}\] \[U_{inst}(F) = \text{Verba Garantida} + \text{Fluxo Contínuo} + \text{Alunos Financiados}\]

É evidente que $U_{inst}(R) < U_{inst}(F)$. A estratégia $R$, que outrora representava uma escolha moral e pedagógica difícil, passa a ser uma estratégia financeiramente suicida. A instituição é coagida pelos incentivos a garantir que o professor não reprove demais. O tratado de paz na sala de aula deixa de ser uma conveniência local; ele se torna um imperativo de sobrevivência institucional ditado de cima para baixo.

O limite da Lei de Goodhart

O Ministério da Educação deseja formar bons engenheiros, médicos e professores. No entanto, não é possível medir a competência de cem mil egressos de forma direta em tempo real. O Estado escolhe indicadores substitutos (proxies): fluxo, retenção, titulação docente e notas em exames padronizados baseados em matrizes de referência previsíveis.

Aplicamos mais uma vez a Lei de Goodhart: quando o Estado transforma a taxa de aprovação e o tempo de integralização em alvos atrelados a dinheiro, essas métricas deixam de ser medidas de aprendizagem e passam a ser alvos de manipulação.

As reitorias e diretorias pressionam os coordenadores. Os coordenadores pressionam os professores. O professor calibra a prova. O aluno imita a superfície do problema. A aprovação acontece. O indicador sobe. O repasse financeiro é garantido.

Todos agiram de forma estritamente racional dentro das regras do jogo. A amável leitora não encontrará vilões caricatos nessa história, apenas agentes otimizando suas funções de utilidade sob as restrições de um mecanismo falho. O Estado, ao desenhar regras que punem os efeitos colaterais inevitáveis do rigor acadêmico, garantiu que a mediocridade fosse o único equilíbrio matematicamente viável.

```

Aprovação: O problema da média e o tratado de paz

2026-06-07T18:27:46-03:00

No meu texto anterior sobre o jogo da imitação, mencionei de passagem um problema estrutural associado à avaliação acadêmica: a média. Prometi que voltaria a este porto, e o faço agora. Quando olhamos para as estatísticas de aprovação nas universidades, frequentemente nos deparamos com um fenômeno que causa estranheza. Principalmente se você é um velho engenheiro. Se a média exigida para aprovação é $7$, o senso comum sugere que uma parte substancial da turma, talvez a metade, deveria ficar abaixo dessa nota. Contudo, a atenta leitora já deve ter observado rotineiramente turmas de cursos técnicos, matemáticos e complexos que começam com 80 alunos e terminam com 65 ou 70 aprovados.

Para a afoita leitora, essa matemática pode parecer não fechar. O que, valha-me Deus, está acontecendo? O nível caiu? Os professores tornaram-se benevolentes? Os alunos são todos gênios? Ou há uma engrenagem mais profunda, fria e implacável operando silenciosamente nos corredores acadêmicos?

Para responder a isso, este pobre escriba precisa primeiro desfazer uma confusão conceitual sobre a palavra média, e depois olhar para a sala de aula tomando emprestado a implacável lente da teoria dos jogos.

O problema da nomenclatura: Estatística vs. Limiar

A raiz da primeira confusão está na sobreposição de definições. Na estatística pura, se assumirmos que as notas de uma turma seguem uma distribuição normal (a famosa curva de Gauss) perfeitamente simétrica e centrada na nota $7$, a média aritmética e a mediana seriam o mesmo valor. Nesse cenário idealizado, $50\%$ da área sob a curva estaria abaixo do $7$. Metade da turma, por definição matemática estrita, reprovaria impiedosamente. Isto é estatística pura, na veia. Derivada diretamente da frase: nessa instituição a média dos alunos é $7$. Pena que quem costuma dizer estas coisas, não entende estatística.

No sistema educacional, especialmente no Brasil, ah, o nosso Brasil brasileiro, a média 7 não é um ponto de equilíbrio estatístico nem uma média. Ela funciona como um limiar absoluto de proficiência, uma cruel nota de corte. O sistema avalia se o aluno atingiu uma condição lógica simples e direta:

\[\text{Nota Final} \ge 7\]

Nesse modelo, o desempenho do aluno $A$ é matematicamente independente da nota do aluno $B$. Chamamos isso de Avaliação Referenciada em Critérios. A curiosa leitora deve imaginar que o professor estabelece um conjunto de habilidades, por exemplo, a capacidade de projetar o controle de um sistema robótico. Se todos os $80$ alunos demonstrarem domínio absoluto dessa competência, os $80$ tirarão notas altas. A aprovação é uma medida de conformidade técnica com a ementa, não uma classificação comparativa. A palavra média se refere a forma como o professor avalia e não tem relação com alunos e sim ao aluno. O plural, a matemática, estou ficando exigente.

E aqui está o pulo do gato: não há nenhuma lei natural, divina ou estatística que exija que uma parte da turma seja sacrificada no altar da avaliação.

Talvez uma forma justa de pensar as avaliações fosse criá-las de tal forma que a moda fosse $7$, neste caso, a nota mais comum seria o limite mínimo para a aprovação. Esta ideia é mediocre, desculpe não resisti. Porém, é comum na sala dos professores que frequentei. Não com a palavra moda, é claro. Estatística é algo que se ensina, não que se use. Pelo menos, não na pedagogia do ensino superior no Brasil.

A o conceito de média é o mal-entendido. Mas ainda há o resultado, turmas de formandos muito grandes. Talvez, a nossa impiedosa teoria dos jogos possa explicar a inevitabilidade deste fenômeno.

A sala de aula como um jogo estratégico

Para entender por que, uma turma de $80$ alunos em cursos de tecnologia, matemática, ciências e engenharia termina com $70$ aprovados, precisamos mapear os jogadores, suas opções e suas recompensas (payoffs). Os agentes não operam no vazio cósmico; eles respondem a incentivos institucionais claros.

Os principais jogadores são: o Professor, esse pobre coitado que busca ensinar o conteúdo, mas também precisa gerenciar seu precioso tempo e minimizar atritos; o Aluno, que busca o diploma otimizando o esforço necessário para obtê-lo; e a Instituição representada pelo coordenador de curso, que busca prestígio, mas depende desesperadamente de retenção e fluxo para manter a máquina funcionando.

Neste jogo, a instituição não joga, ela define as regras do jogo que será jogado por professores e alunos. Quando esses dois agentes interagem, emergem fenômenos clássicos da teoria estratégica.

O Tratado de Paz e o Equilíbrio de Nash

Podemos modelar o semestre letivo como um jogo de esforço mútuo. Se o professor decide adotar um rigor punitivo, aplicando provas com um nível de exigência superior ao que foi efetivamente treinado em sala, ele cria um ambiente de alto atrito. Os alunos se frustram, as avaliações institucionais do docente despencam vertiginosamente, e a coordenação é inundada por pedidos de revisão. O custo de energia para o professor lidar com 40 reprovações é altíssimo, quase impraticável.

Por outro lado, o aluno também não deseja o confronto. Ele tem outras disciplinas, projetos e, possivelmente, um estágio, ou emprego, esgotante.

O que observamos na prática tem nome e tem estrutura. O jogo entre professor e aluno não é um dilema do prisioneiro, no qual a deserção seria a única estratégia racional; é uma caça ao veado (stag hunt), o mesmo jogo de coordenação que discuti no texto anterior. E toda caça ao veado possui dois equilíbrios de Nash em estratégias puras, não apenas um.

O primeiro equilíbrio é o veado: o professor cobra a fundo e o aluno estuda a estrutura do problema. Ambos saem no melhor resultado possível, com aprendizado real e satisfação mútua. É o equilíbrio payoff-dominant, aquele que maximiza o ganho conjunto. O segundo equilíbrio é a lebre, o nosso tratado de paz: o professor calibra a cobrança para o previsível, focando no essencial (o que nos leva de volta ao Jogo da Imitação), e o aluno entrega o esforço estritamente suficiente. Ninguém aprende muito, mas ninguém se machuca.

Pobre Brasil, em que o veado é mais comum que a lebre.

A pergunta decisiva é por que o sistema escolhe a lebre, sendo o veado superior para todos. A resposta está na assimetria do risco. O professor que aumenta o rigor sozinho, sem que os alunos o acompanhem, colhe a reprovação em massa, a burocracia e as avaliações docentes em queda livre, o pior resultado possível. O aluno que estuda além do exigido, diante de um professor que cobra apenas a superfície, paga um custo de tempo sem qualquer recompensa na nota, igualmente péssimo. Como o desvio cooperativo solitário é catastrófico para quem o tenta, a estratégia segura tem a maior bacia de atração. A lebre é o equilíbrio risk-dominant, e é por dominância de risco, e não por preguiça moral dos atores, que o tratado de paz se consolida: $70$ aprovados, baixo atrito, todos avançam.

Quem pode mudar isso é o terceiro jogador, a Instituição. Que pode mudar as regras para diminuir a assimetria de risco levando o jogo para um payoff-dominat. Mas, este é outro jogo, talvez em outro artigo.

A matriz de recompensas

Para tornar a estrutura visível, vale escrever a matriz de recompensas. As entradas são ordinais e ilustrativas, no formato (Professor, Aluno), com valores maiores indicando resultados preferíveis para cada jogador.

	Aluno: esforço alto	Aluno: esforço suficiente
Professor: rigor alto	$(3,\,3)$	$(0,\,1)$
Professor: rigor calibrado	$(2,\,0)$	$(2,\,2)$

Os dois equilíbrios de Nash são as células da diagonal: o veado, em $(3,3)$, e o tratado de paz, em $(2,2)$. O veado domina em recompensa, pois $3 > 2$ para ambos os jogadores. A célula $(0,1)$ é a tragédia do professor que cobra sozinho, punido com a reprovação em massa; a célula $(2,0)$, a do aluno que estuda sozinho, que gasta tempo sem retorno na nota. São essas duas catástrofes fora da diagonal que alargam a bacia de atração do tratado de paz e o tornam o equilíbrio dominante em risco. A leitora atenta perceberá que, quando o jogo é jogado às cegas, sem que cada lado saiba o que o outro fará, apostar na lebre minimiza o prejuízo do pior cenário, e é por isso que o sistema converge para ela.

Quem preenche essas células com os incentivos institucionais decide, na prática, qual dos dois equilíbrios a sala de aula vai habitar. É aqui que a instituição entra, colocando suas fichas, no cavalo errado, digo veado.

O Problema do Principal-Agente

A teoria dos jogos chama de Problema do Principal-Agente a situação na qual quem delega uma tarefa, o Principal, e quem a executa, o Agente, respondem a incentivos distintos. A Universidade é o Principal; o Professor, o Agente. Há, porém, uma sutileza que precisa ser dita com cuidado, sob pena de o argumento se contradizer.

Seria fácil afirmar que a Universidade quer excelência e o Professor entrega facilidade, e que aí estaria o conflito. Mas se a instituição de fato premia fluxo e retenção, então o professor que aprova setenta alunos está alinhado com a preferência revelada do Principal, e não em conflito com ela. O conflito verdadeiro não é entre dois agentes de objetivos opostos; é entre o objetivo declarado e o objetivo mensurável.

Sim, eu sei, ninguém, em nenhuma instituição, diz que o professor tem que aprovar todo mundo. Exceto, é claro, a Matriz Andifes, os programas de acesso e repasses ao setor privado (Prouni e FIES), a avaliação de Pós-graduação (Capes) e os indicadores de qualidade regulatória (SINAES). Todos, de uma forma ou de outra, incentivando altos graus, de aprovação. Talvez, quem sabe, um outro artigo?

O modelo que descreve o jogo entre o Professor e o Aluno com precisão é o de multitarefa (multitask) de Holmström e Milgrom. O professor executa várias tarefas simultâneas, e apenas algumas são mensuráveis. Competência profunda, a capacidade de projetar o controle de um sistema robótico anos depois, é cara de medir e só se revela no longo prazo. Já a taxa de aprovação, a satisfação discente e os indicadores de retenção são medidos a cada semestre e entram nos relatórios. Quando o Principal recompensa o que consegue medir, o Agente racionalmente desloca o esforço para o mensurável. O professor não trai a instituição; ele otimiza o proxy que a instituição escolheu observar.

É a lei de Goodhart operando em estado puro: quando uma medida se torna um alvo, ela deixa de ser uma boa medida. A aprovação deveria ser um indicador de aprendizado; ao virar a meta do sistema, passa a medir apenas a si mesma. E é exatamente isso que reaparece, do lado do aluno, na seção seguinte: dominar a prova deixou de ser evidência de dominar a matéria.

Jogos repetidos e a otimização do ecossistema

Finalmente, a paciente leitora precisa lembrar que uma disciplina não é um jogo de rodada única. Mas é preciso separar dois relógios que correm em velocidades diferentes, porque obedecem a mecanismos distintos.

O professor é um jogador fixo. Ele repete a mesma partida semestre após semestre, e isso o coloca em um jogo repetido no sentido estrito, no qual vale o que a teoria chama de folk theorem: a reputação sustenta o comportamento. Quando uma matéria ganha a fama de reprovar em massa, é o histórico do docente, conhecido e antecipado, que está em jogo. A reputação é um ativo do mesmo jogador ao longo do tempo.

Os alunos, ao contrário, não são os mesmos jogadores repetindo a partida. Cada turma é, em larga medida, nova. O que a sagaz leitora vê como herdar a inteligência tática dos alunos de ontem não é jogo repetido entre jogadores fixos, e sim transmissão de estratégia entre gerações, mais próxima de uma dinâmica evolutiva. Os bancos de provas antigas, os grupos de estudo direcionados e os mapas do padrão de avaliação funcionam como replicadores: as estratégias que sobrevivem são as que passaram no jogo, e são essas que cada coorte transmite à seguinte. Com o tempo, o corpo discente torna-se extremamente eficiente em vencer aquela disciplina, mesmo que o professor não tenha diminuído um milímetro do nível de dificuldade conceitual.

Aprenderam a superfície do problema, mas não a sua estrutura, porque foi a superfície, e não a estrutura, que o ambiente selecionou. É a aplicação dinâmica do jogo da imitação.

A alta taxa de sobrevivência não é uma anomalia estatística nem, necessariamente, um sinal de que o ensino fracassou por pura incompetência dos atores. Ela é a assinatura de um equilíbrio estável, porém coletivamente inferior. O sistema não encontrou o seu ponto ótimo; encontrou o seu equilíbrio de risco dominante, que é coisa bem diferente. Existe um resultado em que todos, professores e alunos, estariam melhor, o equilíbrio do veado, e o ecossistema simplesmente não consegue saltar até ele. Professores, alunos e instituições, agindo racionalmente dentro das regras que lhes foram dadas, convergem invariavelmente para o caminho de menor resistência institucional, que não é o melhor caminho, apenas o mais seguro. Trata-se, no vocabulário preciso, de uma falha de quem determina, ou aplica, as regras do jogo.

O problema, como sempre, não são os jogadores. É o desenho do jogo. E enquanto as regras não mudarem, o tratado de paz continuará sendo assinado a cada começo de semestre.

A Prova de Autoria

O jogo da imitação: o diploma vem, a competência não

2026-06-02T21:00:00-03:00

Nas últimas décadas, o ensino brasileiro passou por uma transformação profunda. Essa transformação não ocorreu apenas nos currículos, nas tecnologias, nas formas de avaliação ou na expansão do acesso. O que mudou de modo mais silencioso foi a própria estrutura do jogo educacional.

Em muitos contextos, o ensino deixou de ser organizado em torno da compreensão de conceitos, da transferência de conhecimento e da resolução de problemas novos. Em uma educação intelectualmente mais exigente, o professor apresentaria um conhecimento $A$, apresentaria também um conhecimento $B$ e, na avaliação, cobraria um conhecimento $C$, que não foi simplesmente repetido de algo que aconteceu em aula, mas que pode ser inferido pela combinação, adaptação ou generalização de $A$ e $B$ (mais ou menos o que esperamos das ferramentas de IA, ainda que se discuta se elas generalizam ou apenas imitam). Em seu lugar, consolidou-se um modelo no qual o professor apresenta uma técnica, resolve alguns exemplos e depois cobra, principalmente nas avaliações, que os alunos apliquem a mesma técnica a problemas muito parecidos, eventualmente idênticos ou que não requerem combinação, adaptação ou generalização. Neste ponto, a inferência e a criatividade foram substituídas por reconhecimento de padrões. A transferência foi substituída por reprodução. A compreensão foi substituída por memorização.

Chamo esse fenômeno de jogo da imitação.

O nome não é inocente. Alan Turing chamou de imitation game o teste que propôs em 1950 para decidir se uma máquina pensa: se um interlocutor não consegue distinguir as respostas da máquina das de um humano, a máquina passa. Tomo o termo de empréstimo de propósito, porque o critério é o mesmo. O jogo da imitação educacional adota, sem dizê-lo, um critério à la Turing para a aprendizagem: se o desempenho do aluno na prova é indistinguível do desempenho de quem compreende, supõe-se que houve compreensão. A tese deste texto é que essa indistinguibilidade é frágil, porque vale apenas na superfície estreita dos problemas familiares e desaparece quando o problema muda de forma. A simetria com a IA é deliberada e incômoda: a mesma pergunta que faço sobre o aluno, se ele generaliza de fato ou apenas imita padrões, é a que se faz hoje sobre as ferramentas de IA, e é por isso que o empréstimo do termo de Turing me parece adequado. Já havia usado este termo em 2025 no livro Virando a Mesa do Jogo da Imitação.

Neste texto vou tentar fazer com que a esforçada leitora compreenda o problema usando a teoria dos jogos. A teoria dos jogos é minha ferramenta preferida para entender como decisões individuais, quando tomadas em um contexto de interação estratégica, podem levar a resultados coletivos indesejáveis.

Só para deixar claro a favor da honestidade intelectual, eu não sou especialista em teoria dos jogos. Eu sou um professor que se interessa por educação, aprendizagem e avaliação, e que tem uma formação em engenharia eletrônica e computação. A teoria dos jogos é uma das ferramentas que a economia oferece para entender fenômenos sociais complexos. Eu a estudo e uso como lente para analisar o jogo da imitação, mas não sou um teórico dos jogos profissional. Portanto, minha análise é menos formal que a de um especialista.

No jogo da imitação, um dos agentes, o aluno, não precisa compreender profundamente a estrutura do problema. Ele precisa reconhecer a superfície do problema. Se o enunciado tem determinado formato, se os números aparecem de certa maneira, se as palavras se parecem com as palavras usadas no exemplo, então o aluno aplica o procedimento demonstrado pelo professor.

O professor, por sua vez, não precisa necessariamente abandonar, ou suavizar, o conteúdo. Ele pode continuar ensinando o conteúdo formalmente. A diferença é que a avaliação passa a cobrar a reprodução de padrões conhecidos, não a capacidade de usar o conhecimento em situações novas.

O problema central pode ser resumido assim:

\[\text{reprodução correta de uma técnica} \neq \text{aprendizagem robusta}\]

No entanto, dentro do jogo da imitação, a escola ou a universidade frequentemente tende a tratar essas duas coisas como equivalentes:

\[\text{nota alta} \approx \text{aprendizagem}\]

ou:

\[\text{aprovação} \approx \text{competência}\]

Há um outro problema que discutirei em outra oportunidade: a média. Por enquanto, basta dizer que a média é um indicador de desempenho coletivo, mas não é um indicador de aprendizagem individual. Ela pode mascarar a heterogeneidade da turma, a distribuição de notas e a presença de alunos que não aprenderam nada. A média pode ser alta mesmo quando muitos alunos falharam. A média pode ser baixa mesmo quando muitos alunos tiveram bom desempenho. A média é um sinal frágil. Para piorar, ela é um sinal que pode ser manipulado por estratégias de imitação.

Neste artigo pretendo que a atenta leitora compreenda que o professor não precisa ser incompetente, o aluno não precisa ser preguiçoso e a instituição não precisa desejar má formação para que o resultado final seja ruim. Não é necessário que haja má vontade, falta de ética ou intenção de prejudicar. O jogo da imitação funciona mesmo quando todos os agentes têm boas intenções, porque o arranjo de incentivos torna racional para cada agente adotar estratégias que, coletivamente, produzem incompetência nas disciplinas mais avançadas, na pesquisa e/ou na aplicação profissional.

A hipótese é mais incômoda: mesmo quando cada agente age racionalmente dentro dos incentivos que recebe, o sistema pode produzir coletivamente uma formação frágil. A deterioração do aprendizado pode emergir não da intenção individual, mas da estrutura do jogo. O sistema é ruim e, como na fábula do sapo que não nota a água esquentar (fábula, pois o sapo real escapa), os agentes são incapazes de perceber a deterioração porque estão imersos nela e cada um faz o melhor possível. O jogo da imitação é um equilíbrio ruim, mas estável, do ponto de vista da teoria dos jogos.

O que é o jogo da imitação

O jogo da imitação é um arranjo educacional no qual professores, alunos e instituições, os três agentes principais, passam a operar em torno de sinais de aprendizagem, e não necessariamente em torno da aprendizagem efetiva.

O professor ensina uma técnica. O aluno treina a técnica. A avaliação cobra a técnica em situação parecida. A instituição registra a aprovação como evidência de sucesso.

A sequência típica é esta:

\[\text{exemplo demonstrado} \rightarrow \text{exercício semelhante} \rightarrow \text{prova semelhante} \rightarrow \text{aprovação}\]

Essa sequência produz uma aparência de funcionamento. O professor ensinou. O aluno estudou. A prova foi aplicada. A nota foi registrada. A disciplina foi concluída. O indicador administrativo foi satisfeito.

Mas há uma pergunta que permanece aberta:

o aluno aprendeu a resolver problemas ou aprendeu a reconhecer padrões de prova?

Essa distinção é essencial.

A aprendizagem exige que o aluno compreenda a estrutura do problema, reconheça as hipóteses envolvidas, escolha uma técnica adequada, aplique o procedimento corretamente e verifique se a resposta faz sentido. O jogo da imitação permite um atalho: o aluno identifica semelhanças superficiais entre o exercício atual e o exemplo anterior.

Assim, a estrutura cognitiva passa de:

\[\text{problema} \rightarrow \text{modelo} \rightarrow \text{método} \rightarrow \text{solução} \rightarrow \text{verificação}\]

para:

\[\text{formato do enunciado} \rightarrow \text{técnica memorizada} \rightarrow \text{resposta}\]

O modelo, a justificativa e a verificação desaparecem ou tornam-se secundários.

A técnica não é o problema

É importante separar duas coisas.

O problema não é ensinar técnicas. Toda formação marginalmente séria ensina técnicas. Matemática ensina técnicas. Física ensina técnicas. Programação ensina técnicas. Engenharia, medicina, direito, economia e música também ensinam técnicas.

Não há formação intelectual sem métodos, procedimentos, algoritmos, protocolos e rotinas. Que precisam ser repetidos para serem aprendidos. Que precisam ser treinados para serem automatizados. Que precisam ser aplicados para serem compreendidos.

O problema aparece quando a técnica é separada de sua razão de uso, o porquê. Quando isso ocorre, o aluno aprende o procedimento, mas não aprende quando o problema exige aquele procedimento, ou quando ele pode ser adaptado, ou quando ele não é a melhor opção. Também não aprende os limites, as hipóteses que são exigidas, como adaptá-lo ou combiná-lo com outros procedimentos. Talvez o aluno aprenda a aplicar a técnica, mas não aprenda a reconhecer as situações nas quais o procedimento não é adequado ou como justificar a resposta obtida.

Considere a disciplina de cálculo. O professor ensina a técnica de derivação. Ele resolve exemplos de derivação. Ele cobra na prova exercícios de derivação. O aluno aprende a técnica de derivação, mas não aprende a interpretar o significado da derivada, a decidir quando a derivada é o instrumento adequado, a explicar o comportamento da função, a relacionar cálculo simbólico e interpretação geométrica ou a verificar se a resposta faz sentido no contexto. O aluno sabe todas as técnicas de derivação mas é incapaz de calcular o ponto onde o momento fletor de uma viga é máximo.

Portanto, a crítica não é ao ensino técnico procedimental. A crítica é a redução da aprendizagem à imitação de técnicas.

Podemos representar a diferença assim:

\[\text{ensino técnico legítimo} = \text{técnica} + \text{conceito} + \text{justificativa} + \text{transferência}\]

enquanto:

\[\text{jogo da imitação} = \text{técnica} + \text{repetição} + \text{avaliação previsível}\]

A primeira estrutura forma competência. A segunda estrutura forma desempenho localizado em provas.

Eu falei teoria dos jogos?

A teoria dos jogos permite analisar situações em que vários agentes tomam decisões estratégicas em função das ações esperadas dos demais. O ponto central é que o resultado coletivo pode ser inferior mesmo quando cada agente age racionalmente do ponto de vista individual.

No jogo da imitação, os principais jogadores são:

Jogador	Objetivo local provável
Professor	Ensinar o conteúdo, reduzir conflito, tornar a avaliação corrigível, evitar reprovação excessiva e cumprir o programa
Aluno	Maximizar nota, reduzir risco, economizar esforço e avançar no currículo
Instituição	Aumentar aprovação, reduzir evasão, melhorar indicadores e evitar conflito administrativo
Coordenação	Reduzir reclamações, retenção e instabilidade na oferta das disciplinas
Famílias ou financiadores	Obter progressão, diploma e sinais externos de sucesso
Mercado ou sociedade	Receber indivíduos capazes de resolver problemas reais
Avaliadores externos	Medir desempenho por instrumentos frequentemente padronizados

O conflito aparece porque esses jogadores não conseguem observar a mesma variável.

A sociedade precisa de competência. O mercado precisa de autonomia. As disciplinas posteriores precisam de pré-requisitos reais. Mas o sistema educacional mede notas, aprovações, frequência, fluxo, evasão e satisfação.

Neste ponto, o indicador substitui o objetivo.

A aprendizagem deveria ser o objetivo. A nota deveria ser apenas um sinal. No jogo da imitação, a nota passa a ser o objetivo operacional, e a aprendizagem passa a ser inferida a partir dela. Essa inferência é o ponto central do jogo da imitação.

O problema é que a inferência pode ser falsa. Essa falsidade só é percebida quando o aluno precisa usar o conhecimento em uma situação nova, e não consegue. Talvez no mercado, talvez na pesquisa, talvez em uma disciplina posterior. Em um determinado momento, o aluno se depara com um problema que tem a mesma estrutura profunda, mas uma superfície diferente. Ele não consegue reconhecer a estrutura porque nunca aprendeu a reconhecê-la. Ele só aprendeu a reconhecer a superfície.

Estratégias do professor e do aluno

Para simplificar, considere duas estratégias possíveis para o professor:

Estratégia	Descrição
$T$	Ensinar uma técnica e cobrar aplicação semelhante
$C$	Ensinar conceitos, fundamentos, variações e problemas novos

A estratégia $T$ representa o ensino por técnica imitável. A estratégia $C$ representa o ensino orientado à compreensão transferível.

Agora considere duas estratégias possíveis para o aluno:

Estratégia	Descrição
$I$	Imitar padrões, memorizar procedimentos e treinar exercícios semelhantes
$A$	Compreender fundamentos, estudar variações e construir autonomia

A combinação problemática é:

\[(T, I)\]

Isto é:

\[\text{professor ensina técnica imitável} + \text{aluno aprende por imitação}\]

Essa combinação pode produzir bons resultados aparentes: notas razoáveis, aprovação, menor conflito e previsibilidade. Mas ela não garante aprendizagem robusta.

A combinação formativa mais desejável seria:

\[(C, A)\]

Isto é:

\[\text{professor ensina para compreensão} + \text{aluno estuda para autonomia}\]

O problema é que essa segunda combinação tem maior custo imediato para todos os agentes envolvidos no jogo da imitação.

A matriz conceitual do jogo

Podemos representar o jogo de forma simplificada:

	Aluno imita padrões $(I)$	Aluno busca compreensão $(A)$
Professor ensina técnica $(T)$	Alta aprovação, baixo conflito, aprendizagem frágil	Aluno aprende mais do que a avaliação exige, mas paga custo adicional
Professor ensina conceitos $(C)$	Aluno tenta memorizar sem compreender, há maior risco de frustração e reclamação	Aprendizagem robusta, mas com maior custo de tempo, esforço e avaliação

A tabela acima lista consequências observáveis, não as utilidades de cada jogador. Para identificar um equilíbrio, a sagaz leitora precisa de uma matriz de payoffs na qual cada célula informe, separadamente, o que cada jogador recebe. Usando utilidades ordinais de curto prazo, nas quais valores maiores indicam situações preferíveis para aquele jogador, e escrevendo cada célula como o par $(u_{\text{prof}}, u_{\text{aluno}})$, obtemos:

	Aluno imita $(I)$	Aluno compreende $(A)$
Professor ensina técnica $(T)$	$(2,\, 2)$	$(2,\, 1)$
Professor ensina conceitos $(C)$	$(1,\, 0)$	$(3,\, 3)$

A leitura das células é a seguinte. Em $(T, I)$, ambos obtêm um resultado seguro e razoável: o professor evita conflito e correção custosa, o aluno recebe boa nota com baixo esforço. Em $(C, A)$, ambos obtêm o melhor resultado, porque a compreensão transferível é o bem público que beneficia os dois, ainda que ao custo de mais esforço. Em $(C, I)$, o professor cobra compreensão enquanto o aluno apenas imita, e o desencontro produz reprovação, reclamação e frustração, com perda para ambos. Em $(T, A)$, o professor cobra imitação enquanto o aluno estuda em profundidade, de modo que o aluno paga um custo adicional sem recompensa correspondente na avaliação. Note-se que, sob $T$, a utilidade do professor é praticamente insensível à estratégia do aluno: o regime imitativo desacopla o resultado do professor da aprendizagem efetiva do aluno.

O equilíbrio, agora, não é afirmado, é deduzido das melhores respostas (best responses). Se o aluno joga $I$, o professor prefere $T$, pois $2 > 1$. Se o aluno joga $A$, o professor prefere $C$, pois $3 > 2$. Se o professor joga $T$, o aluno prefere $I$, pois $2 > 1$. Se o professor joga $C$, o aluno prefere $A$, pois $3 > 0$. Disso resulta que $(T, I)$ é um equilíbrio de Nash: dado que o outro jogador mantém sua estratégia, nenhum dos dois ganha desviando.

A atenta leitora terá observado que $(C, A)$ também satisfaz essa condição e é, portanto, um segundo equilíbrio de Nash, Pareto-superior ao primeiro. A pergunta de por que o sistema tende a se fixar no equilíbrio pior, e não no melhor, é uma questão de seleção de equilíbrio (equilibrium selection) que examino adiante, ao tratar da estabilidade do equilíbrio.

O equilíbrio $(T, I)$ é atraente porque reduz custo para os dois jogadores.

Para o professor, ele reduz:

incerteza da avaliação;
tempo de correção;
contestações;
reprovação;
desgaste com alunos;
pressão da coordenação;
necessidade de justificar problemas mais abertos;
risco de avaliações negativas.

Para o aluno, ele reduz:

esforço de estudo;
incerteza sobre a prova;
necessidade de abstração;
tempo dedicado à disciplina;
risco de erro em problemas novos;
custo cognitivo de compreender fundamentos.

Para a instituição, ele produz:

aprovação;
previsibilidade;
menor evasão aparente;
menor conflito;
menor retenção;
indicadores administrativos aceitáveis.

O resultado é um equilíbrio estável, contudo pobre em transferência de conhecimento.

Equilíbrio de baixa transferência

Um conceito adequado para esse fenômeno é equilíbrio de baixa transferência.

Transferência é a capacidade de usar um conhecimento aprendido em uma situação diferente daquela em que ele foi originalmente ensinado.

No jogo da imitação, o aluno pode resolver um problema $P_1$ porque viu antes um problema $P_1’$ quase igual. Mas, quando encontra um problema $P_2$ com a mesma estrutura profunda e superfície diferente, falha.

A diferença pode ser expressa assim:

\[\text{imitação} = \text{reconhecimento de superfície}\] \[\text{compreensão} = \text{reconhecimento de estrutura}\]

O aluno treinado pela imitação pergunta:

com qual exemplo este exercício se parece?

O aluno formado pela compreensão pergunta:

que estrutura este problema possui?

Essa diferença muda tudo.

Em matemática, por exemplo, dois problemas podem ter números, palavras e contextos diferentes, mas exigir a mesma estrutura de raciocínio. Em física, o mesmo princípio de conservação pode aparecer em situações aparentemente distintas. Em programação, o mesmo padrão algorítmico pode aparecer em problemas com histórias diferentes. Em engenharia, o mesmo modelo pode sustentar aplicações em domínios variados.

A imitação reconhece a casca. A compreensão reconhece a estrutura.

Por que o equilíbrio é estável

O equilíbrio de baixa transferência é estável porque qualquer tentativa unilateral de sair dele produz custos.

Se o professor decide mudar sozinho e passa a cobrar problemas novos, conceituais ou abertos, pode enfrentar:

aumento da reprovação;
reclamações de que a prova foi diferente da aula;
pior avaliação pelos alunos;
pressão da coordenação;
maior tempo de correção;
necessidade de elaborar rubricas mais complexas;
maior instabilidade nos resultados;
acusação de dificultar artificialmente a disciplina.

Se o aluno decide estudar profundamente, pode enfrentar:

maior custo de tempo;
menor retorno imediato se a avaliação for imitativa;
desvantagem em relação a colegas que treinam diretamente o padrão da prova;
dispersão do estudo;
frustração por estudar conceitos que não são cobrados.

Se a instituição decide mudar uma única disciplina, mas mantém os mesmos indicadores administrativos, o custo aparece localmente, enquanto o benefício pode aparecer apenas anos depois.

Logo, o sistema pode permanecer no equilíbrio ruim mesmo quando todos sabem que ele é ruim.

Esse é o ponto central da teoria dos jogos: o problema não depende apenas da consciência dos jogadores. Depende dos incentivos que tornam certas estratégias mais vantajosas que outras.

Vale precisar a que família de jogos pertence essa estrutura, porque disso depende a forma do remédio. A combinação de duas características — dois equilíbrios de Nash, sendo um deles, $(C, A)$, Pareto-superior ao outro — identifica o jogo como uma caça ao cervo (stag hunt), um jogo de coordenação (coordination game), e não um dilema do prisioneiro (prisoner’s dilemma). A distinção não é terminológica. No dilema do prisioneiro, a deserção é estratégia dominante e o resultado ruim é o único equilíbrio; cooperar é irracional, e nenhuma mudança de expectativas resolve o problema. Na caça ao cervo, cooperar é racional desde que o outro também coopere, e o resultado bom $(C, A)$ é um equilíbrio legítimo, apenas não selecionado. É por isso que a prescrição apresentada adiante pode funcionar: em um jogo de coordenação, deslocar expectativas e payoffs move o sistema para o equilíbrio melhor, ao passo que, em um dilema do prisioneiro, deslocar expectativas, sem alterar a estrutura de payoffs, não basta; seria necessário modificar os incentivos que tornam a deserção uma estratégia dominante.

Há um fato incômodo que a honestidade exige registrar. Com os payoffs da matriz, $(C, A)$ não é apenas Pareto-superior; ele é também risk-dominant. A perda por desvio em $(C, A)$ é, para o professor, $3 - 2 = 1$ e, para o aluno, $3 - 0 = 3$, com produto $1 \times 3 = 3$; em $(T, I)$, as perdas são $2 - 1 = 1$ e $2 - 1 = 1$, com produto $1 \times 1 = 1$. Pelo critério de Harsanyi e Selten, o equilíbrio de maior produto domina em risco, de modo que pelo critério de dominância em risco, o equilíbrio $(C, A)$ seria o candidato selecionado no jogo simultâneo de uma rodada; portanto, a persistência de $(T, I)$ precisa ser explicada por elementos externos à matriz estática. A persistência observada de $(T, I)$ não decorre, portanto, da estática dos payoffs. Ela decorre de três elementos que o modelo simultâneo omite.

O primeiro é a história. O sistema já se encontra em $(T, I)$, e em um jogo de coordenação o equilíbrio vigente funciona como status quo autorrealizável: cada jogador adota $I$ ou $T$ porque espera que o outro o faça, e a expectativa se confirma. O segundo é a estrutura sequencial. O professor não escolhe simultaneamente ao aluno; ele compromete o regime de avaliação antes de observar a resposta da turma. Se antecipa uma turma que jogará $I$, porque foi assim formada, sua melhor resposta é $T$, e o desvio para $C$ o expõe à célula $(C, I)$, a pior para ele. O terceiro, e decisivo, é a cunha institucional.

A instituição penaliza a reprovação, a reclamação e a instabilidade, isto é, exatamente os custos que recaem sobre o professor que joga $C$ sozinho. Modele-se essa penalidade como uma redução $p$ aplicada à utilidade do professor na linha $C$. Enquanto $p$ é pequeno, a caça ao cervo se preserva e $(C, A)$ permanece um equilíbrio acessível. Mas, quando $p > 1$, tem-se $u_{\text{prof}}(C, A) - p < u_{\text{prof}}(T, A)$, ou seja, $3 - p < 2$: mesmo que o aluno jogue $A$, o professor prefere $T$. nesse ponto, $T$ torna-se estratégia dominante para o professor, $(C, A)$ deixa de ser equilíbrio, e o jogo passa a ter um único equilíbrio ruim, produzido por uma assimetria institucional de incentivos. Ele se aproxima do dilema do prisioneiro apenas no resultado agregado indesejável, mas não na estrutura formal completa. A sagaz leitora notará a consequência: não é o aluno preguiçoso nem o professor incompetente que destrói o equilíbrio bom, mas a estrutura de incentivos da instituição, que desloca a própria família do jogo. É também por isso que apelos morais fracassam, e por que a alavanca eficaz é reduzir $p$, isto é, alterar o que a instituição premia e pune.

O jogo da imitação como problema de sinalização

A escola e a universidade precisam sinalizar aprendizagem. Para isso, usam notas, aprovações, históricos, certificados e diplomas.

Esses sinais deveriam representar competência real.

No entanto, no jogo da imitação, o sinal pode ser produzido sem a competência correspondente.

A relação ideal seria:

\[\text{nota alta} \Rightarrow \text{competência transferível}\]

Mas a relação real pode ser:

\[\text{nota alta} \Rightarrow \text{boa reprodução de padrões conhecidos}\]

A nota continua funcionando como sinal administrativo, mas perde parte de sua confiabilidade epistemológica.

Esse é um problema de sinalização imperfeita. O avaliador externo observa o sinal, mas não observa diretamente a competência. O aluno aprovado parece competente porque foi aprovado. Mas a aprovação pode refletir apenas adaptação a um ambiente de avaliação previsível.

O jogo da imitação, portanto, infla o sinal.

O diploma, a nota ou a aprovação dizem menos do que deveriam dizer.

Quando o indicador vira objetivo

A formulação que abre esta seção tem nome e procedência. O enunciado quando uma medida se torna alvo, ela deixa de ser uma boa medida é a versão que Marilyn Strathern deu, em 1997, à Goodhart’s law. Charles Goodhart havia proposto a ideia em 1975, no contexto da política monetária britânica, sob a forma de que toda regularidade estatística observada tende a colapsar quando passa a ser pressionada para fins de controle. Mais próxima ainda do problema educacional está a Campbell’s law, enunciada por Donald Campbell em 1976: quanto mais um indicador social quantitativo é usado para tomar decisões, mais ele fica sujeito a pressões que o corrompem e mais tende a distorcer o próprio processo que deveria medir. Campbell tratava explicitamente de testes de desempenho escolar, o que faz da sua formulação a mais pertinente para o jogo da imitação.

No contexto educacional, isso significa que, quando a nota passa a ser o objetivo central, professores e alunos ajustam suas estratégias para produzir nota. A avaliação deixa de funcionar como instrumento de verificação e passa a funcionar como roteiro de treinamento.

A relação deixa de ser:

\[\text{ensino} \rightarrow \text{aprendizagem} \rightarrow \text{avaliação}\]

e passa a ser:

\[\text{avaliação esperada} \rightarrow \text{treinamento} \rightarrow \text{nota}\]

O sistema começa pelo fim. A pergunta deixa de ser:

o que o aluno precisa compreender?

e passa a ser:

o que provavelmente cairá na prova?

Essa inversão é uma das características centrais do jogo da imitação.

Risco moral

O jogo da imitação contém uma estrutura análoga ao risco moral: os agentes tomam decisões localmente vantajosas porque não suportam integralmente, nem imediatamente, os custos da formação frágil que ajudam a produzir.

Risco moral ocorre quando um agente toma decisões cujos custos serão suportados, em parte, por outros agentes ou por momentos futuros do sistema.

O professor que simplifica a avaliação recebe benefícios imediatos: menos conflito, menos reprovação e correção mais objetiva. O aluno que imita padrões recebe benefício imediato: aprovação com menor custo. A instituição recebe benefício imediato: bons indicadores.

O custo aparece depois.

Aparece quando o aluno precisa resolver um problema novo. Aparece em disciplinas posteriores. Aparece no estágio. Aparece na pesquisa. Aparece no trabalho. Aparece quando a tarefa não se parece com o exemplo da aula.

O custo também aparece quando o aluno não consegue formular problemas, apenas resolver formatos já reconhecidos.

No jogo da imitação, o benefício é imediato e localizado. O custo é diferido e distribuído.

Essa é uma estrutura típica de risco moral.

Jogo de bens públicos

A aprendizagem robusta pode ser vista como um bem coletivo institucional, ou como uma externalidade positiva produzida pela formação de qualidade.

Quando uma escola ou universidade forma alunos capazes de compreender, transferir e resolver problemas novos, todos se beneficiam:

os próprios alunos;
os professores das disciplinas seguintes;
os cursos;
a instituição;
o mercado;
a pesquisa;
a sociedade.

Mas produzir esse bem público exige custo:

aulas mais exigentes;
avaliações melhores;
problemas menos previsíveis;
mais tempo de correção;
mais feedback;
mais estudo;
mais atendimento;
maior tolerância institucional à reprovação legítima;
maior coordenação entre disciplinas;
menor dependência de indicadores imediatos.

Cada agente pode desejar o benefício da aprendizagem robusta, mas preferir que outro agente pague o custo de produzi-la.

O professor quer receber alunos autônomos nas disciplinas posteriores, mas pode evitar impor autonomia em sua própria disciplina. O aluno quer um diploma valorizado, mas pode preferir avaliações previsíveis. A instituição quer reputação, mas pode priorizar fluxo e satisfação. A coordenação quer qualidade, mas pode resistir a reprovações elevadas.

Assim, a compreensão profunda sofre subinvestimento coletivo.

A avaliação define o jogo

No ambiente escolar, a avaliação não apenas mede o aprendizado. Ela define o jogo.

Se a avaliação cobra repetição, o aluno repete. Se cobra exercícios quase iguais aos exemplos, o aluno treina exemplos. Se cobra palavras-chave, o aluno memoriza palavras-chave. Se cobra fórmulas sem interpretação, o aluno memoriza fórmulas. Se cobra procedimentos isolados, o aluno aprende procedimentos isolados.

O comportamento do aluno é uma resposta racional ao mecanismo de recompensa.

O mesmo vale para o professor. Se a instituição pune reprovação, reclamação e instabilidade, mas não recompensa a formação robusta, o professor tende a construir avaliações mais previsíveis e defensáveis.

A avaliação, portanto, não é neutra. Ela produz o tipo de aprendizagem que será buscado.

A mecânica cognitiva da imitação

No jogo da imitação, o aluno aprende uma associação do tipo:

\[E \mapsto P\]

onde:

$E$ é o formato do enunciado;
$P$ é o procedimento a ser aplicado.

O aluno reconhece marcas superficiais:

certas palavras;
certa organização dos dados;
certo tipo de número;
certo desenho;
certa posição da incógnita;
certa semelhança com o exemplo da aula.

A aprendizagem robusta exigiria outro processo:

\[S \rightarrow M \rightarrow P \rightarrow V\]

onde:

$S$ é a situação-problema;
$M$ é o modelo conceitual;
$P$ é o procedimento técnico;
$V$ é a verificação da solução.

O jogo da imitação frequentemente elimina ou enfraquece o modelo $M$ e a verificação $V$.

O aluno passa diretamente da aparência do problema para o procedimento.

Essa é a razão pela qual ele consegue resolver problemas familiares, mas falha quando o problema muda de forma ou quando necessita de compreensão profunda, inferência e generalização.

A ilusão da aprendizagem

O jogo da imitação cria uma ilusão poderosa: a ilusão de que houve aprendizagem porque houve desempenho.

O aluno resolve listas. O professor corrige provas. A turma é aprovada. A instituição registra o sucesso. Tudo parece funcionar.

Mas o desempenho pode estar restrito a uma família estreita de problemas.

O aluno sabe resolver quando:

\[P_{\text{prova}} \approx P_{\text{exemplo}}\]

mas não sabe resolver quando:

\[P_{\text{novo}} \not\approx P_{\text{exemplo}}\]

mesmo que a estrutura profunda seja a mesma.

Isso explica um fenômeno frequente: alunos que foram aprovados em disciplinas anteriores não conseguem usar esse conhecimento em disciplinas posteriores.

A aprovação ocorreu. A transferência não.

A propagação do problema

O jogo da imitação não permanece restrito a uma disciplina. Ele se propaga.

A sequência é relativamente previsível:

uma disciplina passa a cobrar reprodução de procedimentos;
os alunos aprendem a estudar por imitação;
disciplinas posteriores recebem alunos com baixa autonomia;
essas disciplinas reduzem sua própria exigência ou passam a reensinar pré-requisitos;
novas avaliações tornam-se mais previsíveis;
o padrão de formação é recalibrado;
a instituição passa a tratar o novo nível como normal.

Esse processo pode estabilizar um equilíbrio de baixa exigência cognitiva.

A consequência é que o sistema continua funcionando administrativamente, mas com perda progressiva de profundidade intelectual.

Quando os imitadores viram professores

A propagação descrita até aqui ocorre entre disciplinas, dentro de uma mesma geração de alunos. Resta examinar uma propagação mais lenta e mais grave, que ocorre entre gerações de professores. Para isso, é preciso expor um pressuposto silencioso do modelo. Em toda a análise anterior, a estratégia $C$, ensinar para a compreensão, permaneceu disponível ao professor; ela era apenas cara. A matriz de payoffs supõe que o professor pode, se aceitar o custo, criar e corrigir avaliações que exijam transferência. A hipótese que examino agora desafia esse pressuposto: o que ocorre quando o próprio corpo docente passa a ser formado por egressos do jogo da imitação? Considere três gerações sucessivas, cada uma formada por imitação e tornada professora da seguinte.

A primeira geração executa $T$ com competência, mas tem capacidade reduzida de produzir $C$. Construir um problema com a mesma estrutura profunda e superfície nova exige exatamente a compreensão estrutural que o jogo da imitação não forma. Quem aprendeu a reconhecer a casca não fabrica com facilidade uma casca diferente para a mesma estrutura, nem distingue, na correção, o aluno que reconheceu a estrutura daquele que apenas reconheceu outra casca. A estratégia $C$ deixa de ser cara e passa a ser parcialmente inacessível:

\[C: \text{custosa} \rightarrow \text{inacessível}\]

A coluna $C$ da matriz não desaparece no papel, mas esvazia-se na prática.

Na segunda geração, dois efeitos se compõem. O primeiro é a erosão do conteúdo: transmite-se técnica-menos-conceito, porque o que não foi compreendido tende a não ser repassado. O segundo, mais grave, é a perda do meta-nível. O professor da geração zero que jogava $T$ sabia que $C$ existia, e escolhia; o professor da segunda geração joga $T$ porque é o único repertório que possui, sem consciência de que há escolha. O sapo da fábula deixa de notar a temperatura, não por estar imerso, mas por não ter linha de base lembrada. A própria palavra equilíbrio enfraquece aqui, pois pressupõe uma estratégia alternativa para a qual se poderia desviar, e ela já saiu do conjunto de estratégias.

Na terceira geração, o sistema atinge um ponto fixo (fixed point): a imitação é o conteúdo integral transmitido. Surge então um fenômeno que o modelo original não contempla, porque ele supunha a técnica ao menos correta. Trata-se da degradação por cópia (generation loss). Cada repasse perde fidelidade e acumula erro, e, sem compreensão estrutural, não há como detectar quando a própria técnica foi corrompida. O equívoco deixa de ser corrigido e passa a ser canonizado: a concepção errada vira currículo. O estado terminal não é técnica sem conceito; é técnica progressivamente errada, ensinada com a mesma confiança com que se ensinaria a correta.

Três consequências sistêmicas decorrem disso. A primeira é que o diagnóstico deste artigo exige um ponto de vista externo, alguém que saiba o que é transferência. Após três gerações, esse ponto de vista desaparece de dentro do sistema, e os corretores que eu havia designado como externos, avaliadores, coordenação, mercado e as disciplinas seguintes, passam a ser, eles mesmos, produto do jogo. O laço de correção com que o texto contava fica comprometido, e o problema de signaling torna-se total: todos confiam no sinal porque ninguém consegue mais ler a competência subjacente. A segunda é que o equilíbrio se torna mais estável que o original. O equilíbrio descrito antes era estável contra o desvio unilateral; este é estável contra a própria intenção de desviar, porque falta a capacidade. Não se escolhe $C$ quando não se sabe criar $C$. A terceira é que as soluções propostas adiante pressupõem agentes que saibam o que é transferência; depois de três gerações, a reforma interna deixa de ser suficiente, e a recuperação passa a depender de importar a capacidade de fora, por currículos estrangeiros, especialistas externos, pressão da indústria ou literatura técnica de outras tradições.

A esses efeitos, a sagaz leitora pode somar uma seleção que os reforça. O jogo da imitação tende a reter na academia justamente quem foi melhor em imitar: nota alta, progressão, permanência, pós-graduação e docência. Há, portanto, um efeito de sobrevivência (survivorship) que empurra o corpo docente na direção de pessoas otimizadas para imitação, e não para transferência, o que acelera a deriva entre gerações em vez de apenas mantê-la.

Três ressalvas se impõem, em nome da honestidade que este texto persegue, contra a leitura de um colapso determinístico e completo. A primeira é que sistemas reais são abertos, não fechados. Há vazamentos: autodidatas, livros e cursos estrangeiros, material em rede, mobilidade de pessoas formadas em outras tradições e uma minoria que reconstrói a estrutura por conta própria. A previsão realista não é a extinção da competência, mas hysteresis forte, declínio de reversão custosa e dependência de insumos externos para qualquer recuperação. A segunda é que a degradação é desigual entre as áreas. Campos com feedback externo rápido e implacável resistem mais, porque a realidade corrige no lugar do avaliador: a ponte cai, o código quebra, o reator não funciona, o paciente não melhora. Campos de feedback lento e difuso degradam primeiro. Essa é, aliás, uma previsão verificável que o modelo gera, e que distingue a engenharia de áreas em que o erro demora a cobrar seu preço. A terceira é que a própria indústria, ao não conseguir mais operar com os profissionais que recebe, eventualmente força uma recalibração para cima; mas o faz com defasagem de anos e a um custo já incorrido, e nada garante que a instituição leia o sinal a tempo.

Disso resulta uma urgência que o restante do texto apenas insinua. Enquanto há, no corpo docente, quem ainda saiba distinguir estrutura de superfície, o jogo pode ser redesenhado de dentro. Quando essa capacidade se perde, redesenhar o jogo deixa de ser uma questão de incentivos e passa a ser uma questão de reimportar, de fora, aquilo que o sistema esqueceu como se faz. A janela para a correção barata é a geração presente.

Por que culpar indivíduos é insuficiente

É possível encontrar professores que ensinam mal. É possível encontrar alunos que estudam pouco. É possível encontrar instituições que priorizam indicadores inadequados. Mas essas explicações individuais não bastam.

O ponto mais importante é que o jogo da imitação pode funcionar mesmo quando os indivíduos têm boas intenções.

O professor pode querer ensinar bem, mas adaptar-se a turmas grandes, baixo tempo, pressão por aprovação e avaliações institucionais. O aluno pode querer aprender, mas adaptar-se a um sistema que recompensa memorização. A instituição pode querer formar bem, mas operar com métricas que favorecem fluxo, retenção baixa e satisfação imediata.

A teoria dos jogos ajuda exatamente aqui: ela mostra como resultados ruins podem emergir de ações localmente racionais.

A pergunta correta não é apenas:

quem errou?

A pergunta correta é:

que jogo foi desenhado para que essa estratégia se tornasse racional?

Como mudar o jogo

Se o problema é estratégico, a solução não pode depender apenas de apelos morais.

Não basta dizer ao professor: ensine melhor.

Não basta dizer ao aluno: estude mais.

Não basta dizer à instituição: valorize a qualidade.

É necessário alterar os incentivos.

Algumas mudanças possíveis são:

avaliações que incluam problemas novos, não apenas variações de exemplos;
provas com justificativa conceitual obrigatória;
questões que exijam comparação entre métodos;
problemas com dados incompletos ou excesso de dados;
avaliação da capacidade de modelagem;
avaliação da capacidade de verificar a resposta;
rubricas que valorizem raciocínio, não apenas resultado final;
acompanhamento do desempenho em disciplinas posteriores;
avaliação longitudinal de competências;
menor dependência de aprovação como métrica principal;
feedback detalhado;
monitoria orientada por dificuldade conceitual;
integração entre disciplinas;
revisão de pré-requisitos reais;
tolerância institucional à reprovação academicamente justificada;
formação docente voltada a avaliação de transferência.

O objetivo é fazer com que a estratégia racional deixe de ser imitar.

A avaliação precisa recompensar compreensão transferível. Enquanto ela recompensar reprodução previsível, o jogo continuará produzindo imitação.

Um exemplo simples

Vamos voltar a disciplina de Cálculo, comum a todas as engenharias.

No jogo da imitação, o professor ensina uma técnica de derivação, resolve dez exemplos parecidos e cobra na prova cinco exemplos quase iguais. O aluno treina a lista, identifica o padrão e aplica a regra.

Ele pode ser aprovado sem compreender profundamente taxa de variação, aproximação linear, comportamento local de funções ou modelagem de fenômenos.

Em uma avaliação orientada à transferência, o aluno ainda precisaria saber derivar. Mas também precisaria:

interpretar o significado da derivada;
decidir quando a derivada é o instrumento adequado;
explicar o comportamento da função;
relacionar cálculo simbólico e interpretação geométrica;
verificar se a resposta faz sentido no contexto;
adaptar a técnica a um problema menos familiar.

A técnica permanece. O que muda é o jogo.

Outro exemplo: programação

Em programação introdutória, o jogo da imitação aparece quando o professor ensina um padrão de código e cobra uma variação mínima.

O aluno aprende a trocar nomes de variáveis, alterar constantes e reorganizar comandos. Mas pode não aprender a decompor problemas, escolher estruturas de dados, testar hipóteses, depurar, justificar decisões ou analisar casos extremos.

Nesse caso, a aprovação pode sinalizar familiaridade com modelos de código, mas não necessariamente competência algorítmica.

A diferença é esta:

\[\text{imitar código} \neq \text{pensar algoritmicamente}\]

O aluno treinado por imitação pergunta:

qual código parecido eu já vi?

O aluno formado em pensamento computacional pergunta:

qual é a estrutura deste problema e que algoritmo a resolve?

A tese central

O jogo da imitação é um equilíbrio educacional no qual professores, alunos e instituições otimizam sinais de aprendizagem em vez de aprendizagem transferível.

O professor ensina procedimentos reproduzíveis. O aluno treina padrões próximos aos exemplos. A instituição interpreta aprovação como evidência de formação. O arranjo reduz conflito, aumenta previsibilidade e melhora indicadores imediatos.

Mas o custo é alto: o aluno perde autonomia diante de problemas novos.

Pela ótica da teoria dos jogos, trata-se de uma caça ao cervo (stag hunt) repetida e distorcida por incentivos institucionais, com sinalização imperfeita, risco moral, bem público subfinanciado e equilíbrio de baixa transferência. A compreensão profunda é coletivamente desejável, mas individualmente custosa no curto prazo.

Por isso, o sistema pode produzir má aprendizagem mesmo sem incompetência individual, preguiça generalizada ou intenção institucional de formar mal.

Conclusão

O jogo da imitação é uma forma de empobrecimento estrutural do ensino.

Ele não elimina a aula, a prova, a nota ou a aprovação. Pelo contrário, ele preserva todos esses elementos. O que ele altera é a relação entre aprovação e competência.

O aluno aprovado parece ter aprendido. O professor parece ter ensinado. A instituição parece ter funcionado. Mas, quando o conhecimento precisa ser transferido para uma situação nova, a fragilidade aparece.

A teoria dos jogos permite compreender esse fenômeno sem recorrer a explicações simplistas. O problema não está apenas no professor, no aluno ou na instituição. Está no arranjo de incentivos que torna racional ensinar para a prova, estudar por padrão e medir sucesso por aprovação.

Se o jogo recompensa imitação, o sistema produzirá imitação.

Se desejamos compreensão, autonomia e capacidade de resolver problemas novos, então é necessário redesenhar o jogo. Isso significa mudar avaliações, métricas, incentivos, critérios de aprovação e expectativas institucionais.

A questão decisiva não é se o professor explicou a técnica. A questão decisiva é se o aluno consegue usar o conhecimento quando a técnica não aparece claramente indicada no enunciado.

Enquanto a resposta for negativa, a aprovação continuará sendo apenas um sinal frágil de aprendizagem.

E o jogo da imitação continuará funcionando.

Quando a Reta Real Desaparece - Uma Hipótese Contável

2026-05-23T21:00:00-03:00

A questão que desencadeia tudo é decepcionantemente simples, quase ingênua. E se não existissem números reais? E se toda a continuidade, aquele axioma fundamental que torna os reais completos, fosse uma ilusão necessária mas não obrigatória? E se, em vez disso, tudo o que realmente existisse fosse uma hierarquia infinita, porém contável, de conjuntos também infinitos mas contáveis?

As coisas que um sujeito deprimido pensa em um domingo chuvoso. Não fosse tão interessante e perigoso, eu teria deixado para lá. Tomado um vinho, fumado um cachimbo, assistido ao Grande Prêmio do Canadá e seguido com a vida monótona. Mas, não.

Essa não é uma pergunta dirigida ao universo físico. Não estou questionando se a realidade sensível é discreta ou contínua. Estou apenas aborrecido com a definição de infinito que inferimos dos trabalhos de Cantor. Logo, essa é uma pergunta dirigida ao universo matemático. E talvez, pobre pretensioso, com estes foco a pergunta seja ainda mais importante, porque a matemática é o lugar onde nossas suposições metafísicas ficam completamente expostas.

Tudo pode ser testado e considerado se você tiver tempo, paciência e disposição então, seriam os números reais indispensáveis?

A Construção: Um Universo Numérico em Camadas

Comecemos pela formalização. Imagine o conjunto do domínio $D_n$ para cada natural $n$:

\[D_n = \left\{\frac{k}{10^n} : k \in \mathbb{Z}\right\}\]

Aqui está a ideia em sua forma mais crua, quase cruel. $D_n$ é o conjunto de todos os números que podem ser representados exatamente com $n$ casas decimais. Estes elementos são números da forma:

\[\frac{k}{10^n}\]

onde $k$ é qualquer inteiro. Portanto:

$D_1 = {…, -0,2, -0,1, 0, 0,1, 0,2, …}$ — números com uma casa decimal
$D_2 = {…, -0,25, -0,24, …, 0,01, 0,02, …}$ — números com duas casas decimais
$D_3, D_4, D_5, …$

Cada conjunto $D_n$ é infinito. E, de fato, enumerável. Você pode listá-lo:

\[D_n = \{..., -\frac{2}{10^n}, -\frac{1}{10^n}, 0, \frac{1}{10^n}, \frac{2}{10^n}, ...\}\]

Agora, defina o universo inteiro como a união:

\[D = \bigcup_{n \in \mathbb{N}} D_n\]

O conjunto $D$ contém todos os decimais finitos. Contém números como:

\[0,1 \quad 0,25 \quad 3,1415 \quad -17,000003\]

Mas, e aqui reside o ponto crítico que expressa minha maior decepção, não contém números que exigem expansão decimal infinita não-periódica. $D$ não contém:

\[\sqrt{2} = 1,41421356237... \quad \pi = 3,14159265358... \quad e = 2,71828182845...\]

Nem contém racionais com representação decimal infinita periódica:

\[\frac{1}{3} = 0,333333... \quad \frac{2}{7} = 0,285714285714...\]

Portanto, o universo $D$ é exatamente o conjunto dos decimais terminais:

\[D = \{x \in \mathbb{Q} : x = \frac{k}{10^n} \text{ para algum } k \in \mathbb{Z}, n \in \mathbb{N}\}\]

Cardinalidade: O Tamanho do Universo Alternativo

Agora vem uma questão fundamental: quanto é $D$?

Cada $D_n$ é contável porque pode ser enumerado pelos inteiros. Uma enumeração de $D_1$ seria:

\[0, 0,1, -0,1, 0,2, -0,2, 0,3, -0,3, ...\]

A enumeração de $D_2$ seria ainda mais densa, mas igualmente enumerável¹.

Você tem uma quantidade contável de conjuntos:

\[D_1, D_2, D_3, D_4, ...\]

E uma verdade fundamental da teoria de conjuntos, uma que Cantor provou rigorosamente, é que a união contável de conjuntos contáveis continua sendo contável. Portanto:

\[\left|\bigcup_{n=1}^{\infty} D_n\right| = \aleph_0\]

Neste universo alternativo, o tamanho é contável. Compare isto com os reais:

\[|\mathbb{R}| = 2^{\aleph_0}\]

A diferença é absoluta e intransponível. Você poderia enumerar cada elemento de $D$, um após o outro. Nunca conseguiria fazer o mesmo com o conjunto dos números reais $\mathbb{R}$. Cantor já provou isso.

É importante frisar que essa prova não depende de como você escolha representar os números. Não é sobre notação decimal versus binária. A incontabilidade dos reais é um fato estrutural profundo: qualquer conjunto que contém um intervalo contínuo não pode ser enumerado. Este é o problema que me incomoda.

Densidade Vs. Continuidade: Duas Propriedades Distintas

Aqui reside uma das confusões mais persistentes em topologia e análise. Densidade e continuidade parecem estar relacionadas, mas não estão. $D$ é denso, mas não contínuo.

Dizemos que um conjunto $D$ é denso em si mesmo quando, dados dois elementos distintos quaisquer $a, b \in D$ com $a < b$, sempre existe um terceiro elemento $c \in D$ entre eles:

\[a < c < b\]

$D$ tem essa propriedade. Por exemplo:

Entre $1,2$ e $1,3$ existe $1,25$
Entre $1,25$ e $1,26$ existe $1,255$
Entre $1,255$ e $1,256$ existe $1,2555$

Você pode continuar refinando indefinidamente. Portanto, mesmo sendo contável, $D$ não parece “espaçado” ou “discreto” quando você o observa localmente. Tem sempre mais pontos entre dois pontos dados.

Mas isso ainda não é continuidade. Continuidade depende de uma propriedade muito mais forte: completude.

Completude: O Buraco Que Define Tudo

A completude, o axioma fundamental que distingue $\mathbb{R}$ de $\mathbb{Q}$, diz:

Todo subconjunto não-vazio de $D$ que é limitado superiormente possui um supremo em $D$.

Vamos testar isso em nosso universo.

Considere o conjunto:

\[A_D = \{x \in D : x^2 < 2\}\]

Em $\mathbb{R}$, o supremo desse conjunto é exatamente $\sqrt{2}$. Mas em $D$?

$\sqrt{2}$ não pertence a $D$. Portanto, $A_D$ não tem supremo dentro de $D$. Tem um “buraco” exatamente onde o supremo deveria estar.

Pior ainda. Considere a sequência:

\[1, 1,4, 1,41, 1,414, 1,4142, 1,41421, ...\]

Cada termo pertence a $D$, todos têm representação decimal finita. Mas a sequência converge para $\sqrt{2}$, que não está em $D$. Formalmente:

\[(x_n) \subset D \quad \text{mas} \quad \lim_{n \to \infty} x_n = \sqrt{2} \notin D\]

Em linguagem técnica: $D$ não é sequencialmente completo. Tem sequências que deveriam convergir, mas cujos limites não existem no próprio conjunto².

Isso é precisamente o problema que levou Dedekind e Cantor a inventarem os números reais em primeiro lugar. Os racionais têm o mesmo problema. Os números reais foram construídos especificamente para eliminar esses buracos.

E aqui estava o que eu não sabia, que provocou a questão inicial e que provocou este estudo. Se eu parasse aqui já teria valido a pena.

Aritmética em $D$: Nem Corpo, Nem Anel Completo

Uma pergunta natural emerge: se $a, b \in D$, então $a + b \in D$? E $a \cdot b$?

A resposta é: frequentemente, mas não sempre. E isso criaria patologias.

Se $a = 0,5$ e $b = 0,25$, então $a + b = 0,75 \in D$. Bom.

Mas considere divisão. Se $a = 1$ e $b = 3$, então $a / b = 1/3 = 0,333… \notin D$.

Portanto, $D$ não é um corpo, não é fechado sob divisão. Na verdade, nem é um anel no sentido algébrico tradicional quando exigimos que todo elemento não-nulo tenha inverso multiplicativo³.

Isso significa que a aritmética em $D$ seria fundamentalmente diferente. Você não poderia fazer certas operações. Ou, para ser mais preciso, você poderia fazer as operações, mas o resultado sairia de $D$, levando você a um universo expandido.

Três Interpretações: Como Responder à Hipótese

Agora, usando um pouco mais de formalidade, podemos dizer que a hipótese original pode ser lida de três formas diferentes, cada uma levando a conclusões distintas.

Primeira Interpretação: Decimais Finitos Apenas

Se mantemos apenas os decimais finitos:

\[D = \bigcup_{n=1}^{\infty} D_n\]

Neste caso:

$ D = \aleph_0$ (contável)
$D$ é denso
$D$ é incompleto
Não contém $\sqrt{2}$, $\pi$, $e$, ou $1/3$
Aritmética é problemática (falta fechamento)

Esse seria um universo genuinamente alternativo aos reais, mas patológico do ponto de vista analítico. Muitos dos teoremas do cálculo diferencial e integral entrariam em colapso. O teorema do valor intermediário, por exemplo, não funcionaria universalmente⁴.

Segunda Interpretação: Números Computáveis

Um número é computável se seus dígitos podem ser gerados por algum algoritmo, por alguma máquina de Turing, para ser preciso.

$\sqrt{2}$ é computável. Você pode escrever um programa que calcula $\sqrt{2}$ com qualquer precisão desejada.

$\pi$ é computável. Existem algoritmos que calculam seus dígitos.

$e$ é computável.

O conjunto dos programas é contável. Portanto, o conjunto dos números computáveis é contável⁵:

\[R_{comp} = \{\text{números reais computáveis}\}\]

\[|R_{comp}| = \aleph_0\]

Esse universo seria muito mais rico que $D$. Incluiria $\sqrt{2}$, $\pi$, $e$ e praticamente todos os números que aparecem em aplicações práticas. Mas ainda não seria $\mathbb{R}$:

\[R_{comp} \subsetneq \mathbb{R}\]

Existem reais não-computáveis. De fato, quase todos os reais no sentido cardinal são não-computáveis. O argumento é similar ao de Cantor: se você tenta listar todos os números computáveis, sempre pode construir um número cuja representação decimal é gerada de forma que difere do $n$-ésimo número computável na $n$-ésima casa decimal.

Olhando para a pergunta original acho que a questão realmente profunda que emerge aqui é: qual matemática “realmente existe”? Se você não pode computar um número, em que sentido ele existe? Essa é uma pergunta que construtivistas como Brouwer fizeram, e que ainda gera debate nos fundamentos da matemática⁶.

Terceira Interpretação: Expansões Infinitas Arbitrárias

Se você permitir todas as expansões decimais infinitas, não apenas aquelas que são computáveis, não apenas aquelas periódicas, mas literalmente toda sequência infinita de dígitos, então você inevitavelmente retorna ao contínuo e aos infinitos de Cantor.

O conjunto de todas as sequências infinitas de dígitos é:

\[\{0, 1, 2, ..., 9\}^{\mathbb{N}}\]

Esse conjunto é incontável. Seu tamanho é $2^{\aleph_0}$. É o mesmo tamanho que $\mathbb{R}$.

Finalmente, reduzindo minha pretensão a zero, você recupera a continuidade, a completude e todos os problemas, e benefícios, que acompanham os números reais.

O Argumento Diagonal: Por Que Nenhuma Lista É Suficiente

A prova de incontabilidade é tão elegante quanto desconcertante. Eu estudei isso antes aqui. Cantor mostrou que não importa como você tente enumerar todos os decimais infinitos:

\[x_1, x_2, x_3, ...\]

sempre é possível construir um número novo que não está na sua lista. Você faz isso alterando o $n$-ésimo dígito do $n$-ésimo número:

Se $x_1 = 0.d_{1,1} d_{1,2} d_{1,3} ...$ $x_2 = 0.d_{2,1} d_{2,2} d_{2,3} ...$ $x_3 = 0.d_{3,1} d_{3,2} d_{3,3} ...$

Construa $x_0 = 0.d'_1 d'_2 d'_3 ...$

na qual $d’n$ é qualquer dígito diferente de $d{n,n}$.

Esse novo número $x_0$ não pode estar em sua lista. Se estivesse, seria igual a $x_k$ para algum $k$. Mas então $d’k = d{k,k}$, o que contradiz a definição.

É um argumento simples, devastador e fundamental. Mostra que existem infinidades de diferentes tamanhos e que não existe uma infinidade máxima. Isso me irrita, contradiz meu senso comum e vai me assombrar mais alguns anos.

Essa ideia de que não existe um infinito máximo, de que para qualquer cardinalidade você pode encontrar uma maior, é profundamente perturbadora quando você realmente a compreende. Significa que o universo dos infinitos não tem teto. Cantor passou pelos últimos anos de sua vida em um hospício, parcialmente porque essa verdade o obsessionava.

O Ponto Decisivo: O Que Significa “Estar em Um Conjunto”

Aqui chegamos ao coração da questão. Qual seria a consequência mais profunda de viver num universo onde $D$ substituísse $\mathbb{R}$?

Não seria principalmente a ausência de $\sqrt{2}$ ou $\pi$. Seria a ausência de completude. Seria viver num universo onde processos de aproximação infinita têm lugar, mas nenhum objeto final dentro do sistema.

Imagine que você está tentando calcular $\sqrt{2}$ por aproximações sucessivas:

\[1, 1.4, 1.41, 1.414, 1.4142, 1.41421, ...\]

Em nosso universo $D$, cada termo existe. Você pode escrever cada um deles. Mas a sequência não converge para nada dentro de $D$. Existe um processo infinito de aproximação, mas o objeto limite está fora do universo.

Esse é um estado de incompletude fundamental. Você tem movimento sem destino final. Você tem aproximação sem chegada.

Os números reais foram inventados especificamente para resolver esse problema. O axioma do supremo diz: Se você tem um processo de aproximação que é limitado, ele converge para algo dentro do sistema. Essa é a essência da completude.

Reflexão: Por Que Precisamos de Continuidade

A pergunta que fica é: por que Dedekind, Cantor e outros matemáticos do século XIX sentiram a necessidade de inventar os números reais em primeiro lugar?

A resposta honesta é: porque os racionais sozinhos não eram suficientes para cálculo. O teorema do valor intermediário não funcionava universalmente. As sequências de Cauchy não tinham sempre limites. O cálculo diferencial e integral, estruturas que já existiam há dois séculos, funcionava, mas não tinha fundação rigorosa.

Eu vou voltar aqui: O cálculo diferencial e integral, estruturas que já existiam há dois séculos, funcionava, mas não tinha fundação rigorosa. Esta frase me deu outra ideia interessante.

Os números reais foram construídos como uma solução a esse problema específico: adicionar os limites de todas as sequências convergentes que faltavam.

Agora surge uma questão profunda e talvez desconfortável: será que essa solução foi a única possível? Ou, como sua hipótese sugere, seria possível construir uma matemática alternativa que renunciasse à completude?

Parece que a resposta técnica é: sim, seria possível. Teríamos uma matemática com estruturas algébricas diferentes, com análise fundamentalmente alterada, mas não incoerente. Números computáveis oferecem um exemplo parcial disso.

Mas então por que não fazemos isso?

Responder a última pergunta foi mais demorado que a pergunta original deste artigo. Tive que procurar muito fundo, gastei o domingo todo nesta linha: Porque, pragmaticamente, a completude é tão profundamente útil que renunciar a ela seria renunciar a uma parte vasta da matemática que temos.

Eu vou voltar aqui também, com certeza absoluta.

Conclusão: Dois Universos

Temos, portanto, dois universos em contraste:

Universo $D$ (Decimais Finitos)

Contável: $ D = \aleph_0$
Denso: sempre há pontos entre dois pontos
Incompleto: nem toda sequência convergente tem limite
Aritmética parcial: nem todas as operações fecham
Sem $\sqrt{2}$, $\pi$, $e$

Universo $\mathbb{R}$ (Números Reais)

Incontável: $ \mathbb{R} = 2^{\aleph_0}$
Denso: sempre há pontos entre dois pontos
Completo: toda sequência convergente tem limite
Aritmética completa: é um corpo
Contém $\sqrt{2}$, $\pi$, $e$ e infinitamente mais

Parece que a escolha entre eles não é uma questão de verdade matemática absoluta. É uma questão de qual estrutura queremos trabalhar. Os reais venceram essa competição não porque sejam mais verdadeiros, mas porque são mais úteis. Oferecem mais estabilidade, mais completude, mais ferramentas.

Ao que tudo indica, a hipótese permanece válida como pensamento contrafactual. Ela nos força a examinar quais pressupostos sustentam nossa matemática. Ela nos mostra que a continuidade não é inevitável, apenas consequente.

E talvez, só talvez, quando entendemos que nossas escolhas matemáticas são escolhas, não destinos, entendemos algo mais profundo sobre a natureza do pensamento abstrato.

Referências

BROUWER, L. E. J. Intuitionism and formalism. Bulletin of the American Mathematical Society, Providence, v. 20, n. 2, p. 81-96, 1913. DOI: 10.1090/S0002-9904-1913-02440-6. Disponível em: https://www.ams.org/. Acesso em: 24 maio 2026.

CANTOR, G. Ueber eine Eigenschaft des Inbegriffs aller reellen algebraischen Zahlen. Journal für die reine und angewandte Mathematik, Berlin, v. 77, p. 258-262, 1874. DOI: 10.1515/crll.1874.77.258. Disponível em: https://eudml.org/doc/148238. Acesso em: 24 maio 2026.

DAVIS, M. D.; SIGAL, R.; WEYUKER, E. J. Computability, complexity, and languages: fundamentals of theoretical computer science. 2. ed. San Diego: Academic Press, 1994.

DAUBEN, Joseph W. Georg Cantor: his mathematics and philosophy of the infinite. Cambridge, MA: Harvard University Press, 1979. Reprint: Princeton: Princeton University Press, 1990.

DEDEKIND, R. Stetigkeit und irrationale Zahlen. Braunschweig: Vieweg, 1872.

DEDEKIND, R. Stetigkeit und irrationale Zahlen. 2. ed. Braunschweig: F. Vieweg, 1892. Disponível em: https://archive.org/. Acesso em: 24 maio 2026.

HALMOS, P. R. Naive set theory. New York: Springer, 1974. DOI: 10.1007/978-1-4757-1645-0.

MUNKRES, J. R. Topology. 2. ed. Upper Saddle River: Prentice Hall, 2000.

ROGERS, H. Theory of recursive functions and effective computability. Cambridge, MA: MIT Press, 1987.

RUDIN, W. Principles of mathematical analysis. 3. ed. New York: McGraw-Hill, 1976.

TURING, A. M. On computable numbers, with an application to the Entscheidungsproblem. Proceedings of the London Mathematical Society, Series 2, London, v. 42, n. 1, p. 230-265, 1937. DOI: 10.1112/plms/s2-42.1.230.

VAN DALEN, D. L. E. J. Brouwer: topologist, intuitionist, philosopher: how mathematics is rooted in life. London: Springer, 2013.

Notas de Rodapé

A enumeração de um conjunto infinito é uma operação bem definida em teoria dos conjuntos, mas pode ser conceitualmente complicada. Existe um algoritmo que enumera $D_2$ colocando em primeiro lugar todos os números com denominador $10^2$ e numerador de magnitude até um certo limite, depois expandindo esse limite sucessivamente. O resultado é uma sequência bem definida onde cada número aparece exatamente uma vez. ↩
A incompletude sequencial é ligeiramente diferente da incompletude no sentido do axioma do supremo, mas estão intimamente relacionadas em espaços métricos. Em $D$ com a métrica usual, temos sequências de Cauchy que não convergem, exatamente o problema que levou à construção de $\mathbb{R}$. E que eu só aprendi nesse domingo, chato e chuvoso. ↩
Tecnicamente, $D$ é um subanel dos racionais $\mathbb{Q}$, e $\mathbb{Q}$ é um corpo. Mas quando você tenta trabalhar dentro de $D$ como um universo fechado, sem sair para $\mathbb{Q}$ ou $\mathbb{R}$, perde a estrutura de corpo. ↩
O teorema do valor intermediário diz que se $f$ é contínua em $[a,b]$ e $f(a) < 0 < f(b)$, então existe $c \in (a,b)$ tal que $f(c) = 0$. Em $D$, isso não seria verdadeiro universalmente porque o ponto $c$ poderia estar no “buraco” onde o supremo deveria estar. ↩
A prova de que números computáveis são contáveis é simples: existe uma enumeração de todas as máquinas de Turing (ou programas). Cada máquina computa um número. Portanto, números computáveis são enumeráveis. O argumento é idêntico ao que Turing usou para provar a existência de números não-computáveis. ↩
O construtivismo de Brouwer vai além: para Brouwer, um número existe apenas se puder ser construído. Isso elimina grandes partes da matemática clássica. Mas cria uma matemática mais segura epistemicamente. Ainda é um área ativa de pesquisa. Brouwer é meu novo herói de infância. ↩

A Engenharia, o Núcleo Comum e a Teoria dos Jogos

2026-05-23T21:00:00-03:00

No artigo anterior desta série, exploramos o Jogo da Imitação, mostrando como a estrutura de incentivos pode transformar o ensino em um mero exercício de reconhecimento de padrões superficiais em busca de aprovação. Agora, vamos aplicar essa mesma lente analítica da Teoria dos Jogos a uma decisão estrutural muito específica e comum no ensino superior.

Há algumas décadas uma universidade do Rio de Janeiro criou o núcleo comum para as engenharias. A ideia é interessante por vários motivos logísticos e econômicos. Afinal, todas as engenharias precisam estudar cálculo e física. Sempre fui contra. O aluno de engenharia civil não precisa aprender cálculo, ou física, com o mesmo foco, ou profundidade, do aluno de engenharia eletrônica, ou da computação e vice-versa.

Esta semana, discutindo um novo curso de engenharia fiz uma análise dos possíveis efeitos da aplicação do núcleo comum nas engenharias. Mas, como era uma discussão informal, durante uma reunião, acabei deixando passar alguns pontos importantes. Esta pulga ficou atrás da minha orelha.

Este artigo retoma as considerações anteriormente feitas, com um pouco mais de cuidado e correção. Mas, não o considere nada além disso: considerações.

Racional

A criação de um núcleo comum para cursos de engenharia costuma ser apresentada como uma solução administrativa racional. Em vez de múltiplas turmas de Cálculo, Física, Álgebra Linear, Química, Estatística ou Programação, cada uma associada às necessidades específicas de uma engenharia, a instituição passa a organizar turmas únicas, ou quase únicas, destinadas a vários cursos simultaneamente.

A justificativa imediata parece simples: reduzir custos, otimizar carga docente, simplificar a grade, aumentar a ocupação das salas, padronizar a oferta e diminuir a complexidade operacional. Afinal, o conteúdo é o mesmo.

Do ponto de vista administrativo, a unificação é uma solução eficiente.

No entanto, há uma diferença importante entre eficiência operacional e eficácia formativa. Uma disciplina pode ser eficiente em termos de custo por aluno aprovado e, ao mesmo tempo, ineficaz em termos de proficiência técnica real.

A minha hipótese desde sempre, e ponto central desta análise, é que a unificação de disciplinas básicas em um núcleo comum pode criar um sistema de incentivos no qual a redução gradual do rigor se torna uma estratégia localmente racional, embora produza um resultado coletivamente inferior.

Este artigo aborda uma das interpretações possíveis desse fenômeno usando conceitos da teoria dos jogos e da economia institucional. De uma forma um pouco ingênua, sem o rigor que a matemática exige, mas aplicando os conceitos de forma precisa. A intenção é mostrar que deterioração do conhecimento em Cálculo, Física e outras disciplinas básicas, percebida pelos professores das disciplinas específicas, não precisa ser explicada por falhas individuais de professores ou alunos. Ela pode emergir da própria estrutura do jogo institucional.

O núcleo comum como sistema de produção de capital técnico

Antes de qualquer coisa, precisamos concordar que as disciplinas como Cálculo, Física, Álgebra Linear, Química, Estatística e Programação introdutória não são apenas disciplinas isoladas. Elas formam a infraestrutura conceitual dos cursos de engenharia.

O que está em jogo não é apenas a aprovação em Cálculo I ou Física I. O que está em jogo é a produção de um tipo específico de capital intelectual: a capacidade de modelar, abstrair, calcular, demonstrar, interpretar e transferir conhecimento para problemas técnicos posteriores que serão diferentes em engenharias diferentes.

Esse capital será fundamental em disciplinas como:

Mecânica dos Fluidos;
Resistência dos Materiais;
Fenômenos de Transporte;
Circuitos Elétricos;
Eletromagnetismo;
Controle;
Sinais e Sistemas;
Termodinâmica;
Cálculo Numérico;
Métodos Computacionais;
Estruturas;
Materiais;
Robótica;
Processamento de Sinais;
Inteligência Artificial aplicada à engenharia.

Destas, já lecionei: circuitos elétricos, eletromagnetismo, controle, sinais e sistemas, cálculo numérico, métodos computacionais e processamento de sinais. Com toda certeza existem muitas outras que estão fora das minhas habilidades. Disciplinas da civil, da mecânica, etc.

Graças a este capital cognitivo, quando o núcleo comum falha, o problema não fica restrito ao primeiro ou ao segundo semestre. A deficiência se propaga. O aluno que não domina funções, derivadas, integrais, vetores, equações diferenciais, unidades físicas, leis de conservação e modelagem matemática passa a carregar essa lacuna para as disciplinas profissionais.

Não se engane, eu não estou falando de métodos de derivação. Os alunos que chegam a eletromagnetismo, por exemplo, não sabem o que é uma derivada, ou como usar uma integral para representar um fenômeno.

O capital cognitivo não é a disciplina de Cálculo ou a disciplina de Física em si. O capital cognitivo é o padrão formativo mínimo que o núcleo comum deveria garantir.

A mudança institucional provocada pela turma única

Antes da unificação, uma disciplina básica podia ser calibrada segundo a trajetória de cada engenharia. A mesma palavra Cálculo não significa necessariamente a mesma demanda formativa para todos os cursos.

Engenharia Elétrica, por exemplo, depende fortemente de números complexos, equações diferenciais, séries, transformadas, cálculo vetorial, sinais, sistemas e eletromagnetismo. Engenharia Civil depende intensamente de estática, equilíbrio, funções, derivadas, integrais, geometria, resistência dos materiais e métodos aproximados. Engenharia Química exige domínio de balanços, cinética, transporte, termodinâmica e equações diferenciais. Engenharia de Computação pode exigir uma ênfase maior em matemática discreta, álgebra linear, probabilidade, cálculo numérico, otimização e fundamentos computacionais.

Quando todas essas formações são comprimidas em uma turma única, a disciplina tende a perder aderência às demandas específicas. O professor não pode calibrar a disciplina para uma trajetória formativa definida, ele precisa pensar em uma mediana institucional construída artificialmente.

Essa mediana pode ser problemática por dois motivos. Primeiro, pode ser baixa demais para os cursos que exigem maior profundidade matemática e física. Segundo, pode ser alta demais para os alunos que ingressam com lacunas graves de formação básica. O resultado pode ser uma disciplina que não atende adequadamente nem aos alunos mais preparados nem aos alunos menos preparados.

A turma única, portanto, não é apenas uma decisão logística. Ela altera o jogo pedagógico.

As pessoas que estudam pedagogia estudam teoria dos jogos? Dúvida honesta.

Os jogadores do sistema

Para analisar o problema pela teoria dos jogos, é necessário identificar os jogadores envolvidos. No caso do núcleo comum, os principais jogadores podem ser classificados como:

Jogador	Objetivo local provável
Universidade	Reduzir custos, simplificar a grade, melhorar indicadores de fluxo e diminuir retenção
Coordenações de curso	Evitar gargalos curriculares, reclamações e atrasos na integralização
Departamentos de serviço	Ofertar menos turmas, padronizar avaliações e reduzir complexidade operacional
Professores	Reduzir conflito, reprovação, retrabalho, recursos e sobrecarga de atendimento
Alunos	Maximizar aprovação e progressão curricular com o menor custo possível de esforço
Disciplinas posteriores	Receber alunos com pré-requisitos reais, embora geralmente não controlem o núcleo comum
Mercado, conselhos e sociedade	Receber egressos tecnicamente competentes

A dificuldade aparece porque esses jogadores não compartilham os mesmos incentivos no mesmo horizonte temporal. A universidade observa custo, ocupação, fluxo e evasão. A coordenação observa retenção, adequação curricular e reclamações. O professor observa reprovação, conflito e carga de trabalho. O aluno observa aprovação e progressão. Já as disciplinas posteriores observam, tardiamente, a ausência de proficiência.

O benefício da simplificação aparece imediatamente. O custo da deterioração aparece depois ao longo de anos.

A estratégia localmente racional: reduzir o rigor efetivo

Quando as turmas são grandes, heterogêneas e submetidas a pressão por aprovação, a redução do rigor efetivo pode se tornar uma estratégia racional para diferentes agentes.

Essa redução não precisa ocorrer de modo explícito. Ela pode aparecer como uma sequência de pequenas decisões administrativamente justificáveis:

reduzir a profundidade conceitual;
substituir demonstrações por procedimentos;
evitar problemas longos;
diminuir a exigência algébrica;
remover tópicos considerados difíceis;
reduzir o peso de modelagem matemática;
padronizar provas em torno de exercícios repetidos, ou quase repetidos;
aceitar lacunas de pré-requisito;
diminuir o nível de abstração;
aumentar a tolerância a respostas parcialmente corretas;
evitar questões que produzam reprovação elevada;

E, o mais grave de todos: deslocar o foco da proficiência para a aprovação.

Cada decisão isolada pode parecer razoável. O problema é o efeito acumulado. Ao longo de vários semestres, o núcleo comum pode deixar de funcionar como mecanismo de formação técnica e passar a funcionar como mecanismo de passagem curricular.

A disciplina continua existindo no currículo. O nome da disciplina permanece o mesmo. A carga horária formal talvez permaneça a mesma. A ementa oficial talvez continue sofisticada. No entanto, o conhecimento efetivamente exigido pode ser reduzido.

Esse é o ponto central: a deterioração pode ocorrer sem mudança explícita na ementa, dos professores ou do conteúdo. Como veremos no próximo artigo desta série, essa conivência mútua para manter as taxas de aprovação artificialmente altas acaba selando um covarde ‘tratado de paz’ não escrito. Um acordo macabro onde professores não cobram, alunos não reclamam e as coordenações fingem que estão diante de uma turma de gênios.

O núcleo comum como jogo de bens públicos

Uma primeira forma de modelar o problema é tratá-lo como um jogo de bens públicos.

Na reunião eu orbitei em torno do dilema do prisioneiro, mas olhando com cuidado, vi que será melhor começar com um pouco de economia e o jogo dos bens públicos (public goods game).

O conhecimento sólido produzido pelo núcleo comum é um bem público interno aos cursos de engenharia. Todos os departamentos se beneficiam quando os alunos chegam às disciplinas profissionais sabendo Cálculo, Física, Álgebra Linear, Química, Estatística e Programação. No entanto, manter esse padrão requer um custo.

Esse custo inclui:

turmas menores;
mais professores;
mais monitorias;
avaliações mais complexas;
maior tempo de correção;
atendimento extraclasse;
diagnóstico de lacunas;
nivelamento;
recuperação estruturada;
reprovações necessárias;
gestão de conflito acadêmico;
acompanhamento longitudinal.

O custo é alto. Cada agente se beneficia do rigor, mas pode preferir que outro agente pague o custo de mantê-lo.

A coordenação deseja alunos preparados nas disciplinas posteriores, mas pode resistir a reprovações altas no ciclo básico. O departamento profissional deseja pré-requisitos reais, mas pode não querer financiar reforço no núcleo comum. A universidade deseja bons egressos, mas pode medir a eficiência por custo e fluxo. O aluno deseja formação útil no futuro, mas pode preferir aprovação imediata no presente.

O resultado é subinvestimento coletivo no núcleo comum.

A tragédia dos comuns aplicada ao padrão acadêmico

Um outro jogo interessante, a Tragédia dos Comuns, ocorre quando um recurso compartilhado é degradado pela ação racional de agentes individuais. No caso clássico, o recurso pode ser um pasto, uma floresta, um aquífero ou uma área de pesca. No caso acadêmico, o recurso não é natural. É institucional.

O recurso comum é o padrão acadêmico do núcleo comum.

Esse padrão pode ser consumido ou erodido por pressões locais:

um curso pede flexibilização porque seus alunos têm menor base matemática;
uma coordenação pede redução de reprovação porque precisa de maior retenção;
alunos pressionam por provas mais previsíveis;
professores reduzem profundidade para evitar conflitos;
a instituição amplia turmas para reduzir custo;
conteúdos difíceis são transferidos para disciplinas futuras;
disciplinas futuras assumem que o núcleo comum ensinou o que, na prática, não foi consolidado.

Cada flexibilização local parece irrelevante. A soma delas, entretanto, reduz a credibilidade formativa da aprovação. O aluno aprovado em Cálculo, Física ou Álgebra Linear pode não possuir a proficiência que a aprovação deveria certificar.

Nesse sentido, a tragédia não é a existência do núcleo comum. A tragédia é a erosão progressiva do padrão comum sem que nenhum agente individual seja plenamente responsável pelo efeito final.

O problema principal-agente

O problema é complexo. Outra moldura interessante que podemos considerar é o problema principal-agente.

O principal, em sentido amplo, é a sociedade, a instituição ou o projeto formativo do curso. O principal deseja engenheiros capazes de raciocinar matematicamente, modelar fenômenos físicos e resolver problemas técnicos.

Os agentes são aqueles que executam partes do processo: coordenações, departamentos, professores e alunos.

O problema surge quando o objetivo real não é diretamente medido. A instituição deseja competência, mas frequentemente mede indicadores substitutos:

taxa de aprovação;
taxa de evasão;
tempo médio de integralização;
satisfação discente;
número de turmas;
custo por aluno;
ocupação de sala;
número de reclamações;
regularidade da oferta;
ausência de conflito administrativo.

Quando os indicadores substitutos passam a governar o sistema, os agentes otimizam esses indicadores. Isso não significa que os agentes estejam agindo de má-fé. Significa apenas que o sistema recompensa alguns resultados de curto prazo e não recompensa suficientemente a proficiência de longo prazo.

O problema principal-agente aparece porque a competência técnica real só se torna visível posteriormente: em disciplinas avançadas, projetos, estágios, trabalhos de conclusão, concursos, pós-graduação e mercado profissional.

A aprovação é visível agora. A deficiência é visível depois. Mas seria injusto culpar apenas as universidades; elas não operam num vácuo. Como aprofundaremos no ensaio sobre o Meta-Jogo Regulatório, o próprio Estado e suas agências regulatórias são os grandes arquitetos desse declínio, usando o financiamento público para chantagear as instituições a priorizarem estatísticas maquiadas em detrimento da excelência acadêmica.

Risco moral e deslocamento temporal do custo

O risco moral ocorre quando um agente toma decisões cujos custos serão suportados, ao menos parcialmente, por outros agentes.

No núcleo comum, a redução de rigor pode gerar benefícios imediatos:

menos reprovação;
menos evasão;
menos conflito;
menos necessidade de turmas extras;
menor custo;
maior fluidez curricular;
maior satisfação aparente.

Os custos aparecem depois:

alunos sem base para Física II, Cálculo Numérico, Eletromagnetismo, ou Mecânica dos Fluidos;
professores de disciplinas posteriores obrigados a reensinar pré-requisitos;
redução do nível das disciplinas profissionais;
trabalhos finais mais fracos;
menor desempenho em estágios;
menor capacidade de resolver problemas abertos;
menor autonomia técnica;
reputação institucional fragilizada no longo prazo.

A estrutura é intertemporal. O benefício administrativo é imediato. O custo formativo é diferido. Por isso, o sistema pode permanecer estável mesmo quando todos percebem que há deterioração. Contudo, a fatura da negligência acadêmica sempre chega. Quando esse “engenheiro de papel” bate à porta da indústria e descobre que a gravidade não aceita desculpas, o mercado de alta performance é forçado a se defender do colapso do diploma como sinal de competência. Exploraremos a brutalidade dessa seleção adversa no ensaio sobre O Mercado de Limões.

Escolha ingênua: O Dilema do Prisioneiro

O Dilema do Prisioneiro não é adequado para ser usado como explicação única do fenômeno. Ele funciona melhor como um submodelo ou como uma analogia para determinadas interações locais. A minha análise inicial foi:

Considere dois professores, dois departamentos ou duas coordenações. Cada um pode escolher entre duas estratégias:

cooperar: manter rigor, exigir pré-requisitos, aceitar reprovações necessárias e preservar o padrão formativo;
desertar: reduzir exigência, facilitar aprovação e diminuir conflito local.

A matriz conceitual pode ser descrita assim:

	O outro mantém rigor	O outro reduz rigor
Eu mantenho rigor	Formação forte, mas com custo elevado compartilhado	Meu curso ou minha turma parece mais difícil; recebo mais reclamações
Eu reduzo rigor	Ganho local: menos conflito, maior aprovação aparente	Equilíbrio de baixa exigência e deterioração coletiva

A estrutura se aproxima de um Dilema do Prisioneiro quando reduzir rigor é individualmente vantajoso para cada agente, embora a manutenção coletiva do rigor fosse melhor para todos no longo prazo.

A condição fundamental é esta:

\[\text{benefício local da flexibilização} > \text{custo individual imediato da deterioração}\]

enquanto:

\[\text{custo coletivo da flexibilização generalizada} > \text{benefício administrativo de curto prazo}\]

Ou seja, individualmente, cada agente pode ter razões para flexibilizar. Coletivamente, todos perdem quando a flexibilização se torna norma. Esta é uma hipótese verdadeira mas, muito simples para o problema completo. A ideia parece correta mas o modelo perde nuances importantes quando consideramos a complexidade dos efeitos do tempo nas ações dos diversos agentes envolvidos.

O equilíbrio de baixa proficiência

Em teoria dos jogos, um Equilíbrio de Nash ocorre quando nenhum jogador tem incentivo para mudar unilateralmente sua estratégia, dadas as estratégias dos demais.

No caso do núcleo comum, o equilíbrio problemático aparece quando nenhum agente consegue restaurar o rigor sozinho sem pagar um custo local elevado.

Um professor que decide aumentar o rigor pode enfrentar:

aumento de reprovação;
pior avaliação discente;
reclamações formais;
pressão da coordenação;
comparação desfavorável com outras turmas;
maior carga de atendimento;
maior volume de correção;
necessidade de justificar cada reprovação.

Uma coordenação que decide exigir mais rigor pode enfrentar:

aumento de reprovação;
aumento de evasão;
necessidade de abrir mais turmas;
conflito com alunos;
pressão institucional por indicadores de fluxo;
aumento de custo;
necessidade de monitoria e nivelamento.

Um aluno que decide estudar com profundidade pode enfrentar:

maior custo de tempo;
menor retorno imediato se a prova for procedimental;
competição com colegas que buscam apenas aprovação;
ausência de recompensa institucional para proficiência superior.

O problema é que todos podem saber que o sistema deteriora a formação, mas nenhum agente isolado consegue corrigi-lo sem alterar os incentivos do jogo.

Esse é o ponto mais importante: o problema não é apenas pedagógico. É estratégico.

A turma única e o ensino para a mediana

A unificação das turmas aumenta a heterogeneidade interna. Alunos de diferentes cursos, com diferentes bases e diferentes demandas futuras, passam a receber a mesma disciplina, no mesmo ritmo, com a mesma avaliação e a mesma profundidade.

O professor passa a ensinar para uma mediana institucional. Essa mediana, no entanto, pode não corresponder a nenhuma necessidade formativa real.

O efeito é duplo.

Para os alunos com menor formação prévia, a disciplina pode continuar difícil demais. Eles são aprovados, eventualmente, por mecanismos de flexibilização, mas não necessariamente adquirem proficiência.

Para os alunos de cursos que exigem maior base matemática ou física, a disciplina pode se tornar superficial demais. Eles são aprovados, mas não recebem o nível de formação necessário para disciplinas posteriores.

A turma única, portanto, pode produzir um agente que não serve bem a nenhum dos extremos. O sistema evita a exclusão imediata, mas reduz a potência formativa.

A diferença entre ementa oficial e currículo efetivo

Uma análise institucional do núcleo comum precisa distinguir três níveis:

ementa formal;
conteúdo efetivamente ensinado;
competência efetivamente exigida para aprovação.

A deterioração normalmente não aparece no primeiro nível. A ementa pode continuar contendo limites, derivadas, integrais, séries, vetores, leis de Newton, energia, momento, campos, circuitos ou algoritmos.

A deterioração aparece no segundo e no terceiro nível.

O conteúdo efetivamente ensinado pode ser encurtado, simplificado ou tratado de maneira procedimental. É exatamente neste fosso entre ementa e realidade que se instala o Jogo da Imitação, que dissecamos no artigo anterior: fingimos ensinar engenharia, mas treinamos papagaios algébricos viciados em decorar padrões superficiais de problemas repetidos apenas para garantir a aprovação. A competência efetivamente exigida para aprovação pode ser ainda menor do que o conteúdo ensinado.

Essa distinção é essencial. A instituição pode afirmar que a disciplina preserva sua ementa, enquanto os professores das disciplinas posteriores observam que os alunos não dominam aquilo que a aprovação deveria certificar.

O mecanismo de propagação da deterioração

A deterioração do núcleo comum raramente permanece confinada ao núcleo comum. Ela se propaga por equilíbrio de baixa exigência.

O sistema pode convergir para um equilíbrio de baixa exigência, no qual nenhuma unidade acadêmica isolada tem incentivo para restaurar o rigor, porque isso elevaria seus custos locais.

O processo pode ser descrito em etapas:

o núcleo comum reduz o rigor efetivo;
os alunos chegam às disciplinas posteriores com lacunas;
os professores das disciplinas posteriores precisam reensinar pré-requisitos;
parte do conteúdo profissional é comprimida por falta de tempo nas disciplinas posteriores;
as avaliações profissionais também se tornam mais procedimentais;
o padrão de conclusão do curso é ajustado para a nova realidade;
o egresso apresenta menor autonomia técnica;
a instituição passa a tratar a nova média como normal.

Esse processo é cumulativo. A cada etapa, a adaptação parece necessária. No conjunto, e ao longo do tempo, a formação se desloca para baixo.

Por que pedir mais esforço individual não resolve

Uma resposta comum para a deterioração é pedir que professores sejam mais rigorosos ou que alunos estudem mais. Nem sei dizer em quantas reuniões eu já ouvi isso. Infelizmente, a verdade é que essa resposta é insuficiente porque ignora a estrutura do jogo.

Se o professor aumenta o rigor, ele assume sozinho o custo da mudança. Se o aluno estuda mais, mas a avaliação recompensa apenas procedimentos mínimos, o retorno imediato é limitado. Se uma disciplina posterior exige pré-requisitos reais, mas as disciplinas anteriores não os consolidaram, ela passa a carregar um custo que não controla.

A correção exige mudar as recompensas de todo sistema.

Isso significa alterar quais comportamentos são recompensados e quais custos são distribuídos institucionalmente.

Se a deterioração resulta de incentivos desalinhados, a solução precisa alterar os incentivos.

Algumas possibilidades são:

avaliações diagnósticas obrigatórias no ingresso;
trilhas diferenciadas por área de engenharia;
nivelamento antes ou em paralelo ao núcleo comum;
turmas menores nas disciplinas críticas;
avaliações comuns com calibração externa;
proficiência mínima por competência, não apenas média final;
acompanhamento do desempenho dos alunos nas disciplinas posteriores;
responsabilização longitudinal do núcleo comum;
comunicação formal entre professores do núcleo comum e professores das disciplinas profissionais;
revisão periódica das ementas reais, não apenas das ementas oficiais;
uso de problemas contextualizados por engenharia;
critérios institucionais claros para reprovação acadêmica legítima;
indicadores de retenção conceitual, não apenas indicadores de fluxo.

E se todas essas reformas pedagógicas falharem? Como demonstraremos no desfecho impiedoso desta série, em Prova de Autoria e o Equilíbrio Físico, a única saída para estraçalhar esse ciclo de mediocridade pode ser ancorar a avaliação na realidade física crua, onde as leis da natureza não perdoam incompetência e a imitação barata é sumariamente triturada.

A pergunta central deixa de ser:

Como aprovar mais alunos no núcleo comum?

e passa a ser:

Que competências o aluno deve demonstrar para que a aprovação no núcleo comum seja confiável para as disciplinas posteriores?

Essa mudança altera a função objetivo do sistema.

Uma formulação formal simplificada

Podemos representar o problema com um pouco de formalismo mas ainda de modo simplificado. Neste caso, considere que cada agente institucional escolha entre duas estratégias:

\[R = \text{manter rigor}\] \[F = \text{flexibilizar exigência}\]

A utilidade local imediata de flexibilizar pode ser representada como:

\[U_i(F) = A_i - C_i\]

de tal forma que:

$A_i$ representa ganhos administrativos locais, como aprovação, menor conflito e menor custo;
$C_i$ representa o custo imediato percebido da flexibilização.

Em muitos casos, $C_i$ é baixo para o agente que flexibiliza, porque o custo principal aparecerá posteriormente em outro ponto do sistema.

Já a utilidade coletiva de longo prazo depende da proficiência acumulada:

\[U_{coletiva} = P - D\]

na qual:

$P$ representa o ganho coletivo de proficiência técnica;
$D$ representa a deterioração acumulada do padrão formativo.

O problema aparece quando, para cada agente individual:

\[U_i(F) > U_i(R)\]

mas, para o sistema como um todo:

\[U_{coletiva}(R, R, R, ..., R) > U_{coletiva}(F, F, F, ..., F)\]

Ou seja, flexibilizar pode ser racional individualmente, enquanto a flexibilização generalizada é inferior coletivamente.

Esse é o núcleo estratégico do problema.

A tese central

A deterioração do conhecimento em Cálculo, Física e outras disciplinas convertidas em núcleo comum pode ser interpretada como resultado de um jogo institucional repetido, no qual diferentes agentes respondem a incentivos locais de curto prazo.

A unificação aumenta a heterogeneidade das turmas, reduz a aderência entre conteúdo e necessidades específicas de cada engenharia e desloca a métrica de sucesso da proficiência técnica para indicadores administrativos, como aprovação, fluxo e custo por aluno.

Nesse ambiente, reduzir o rigor efetivo pode se tornar uma estratégia localmente racional para professores, coordenações, departamentos e alunos. O resultado coletivo, entretanto, é inferior: egressos com menor domínio das ferramentas matemáticas, físicas e computacionais necessárias às disciplinas profissionais e à prática da engenharia.

O fenômeno pode ser comparado a uma tragédia dos comuns aplicada ao padrão acadêmico do núcleo comum. Ele também contém subestruturas semelhantes ao Dilema do Prisioneiro. Mas sua descrição mais precisa é a de um problema de ação coletiva, principal-agente e risco moral.

A teoria dos jogos permite compreender esse fenômeno sem recorrer a explicações baseadas apenas em falhas individuais. Professores, alunos, coordenações e departamentos podem agir racionalmente dentro de seus incentivos locais e, ainda assim, produzir coletivamente uma formação inferior.

A deterioração, portanto, não deve ser vista apenas como perda de conteúdo. Ela deve ser vista como resultado de um desenho institucional que alterou os incentivos do sistema.

Se o jogo recompensa aprovação, baixo conflito e baixo custo, o sistema tenderá a produzir aprovação, baixo conflito e baixo custo. Se a instituição deseja proficiência, autonomia técnica e formação robusta, então precisa desenhar um jogo em que esses resultados sejam medidos, recompensados e protegidos.

O Processo Czochralski, como se puxa um cristal quase perfeito

2026-03-17T07:00:00-03:00

Uma descoberta acidental, mas não um acidente histórico

Há descobertas científicas que nascem de um programa rigoroso de pesquisa. Há outras que surgem porque alguém erra um gesto banal. O processo Czochralski pertence à segunda categoria, embora seus efeitos pertençam à primeira. Em 1916, o metalúrgico polonês Jan Czochralski, ao estudar a cristalização de metais, mergulhou por engano a pena em um cadinho de estanho fundido, e não no tinteiro. Ao retirar a pena, observou a formação de um filamento metálico contínuo. Não era apenas um fio. Era um prenúncio. A análise posterior mostrou que aquele material podia apresentar estrutura monocristalina.

Guarde esta informação: a indústria contemporânea, com toda a sua litografia extrema, toda a sua microeletrônica, toda a sua obsessão por escala nanométrica, toda a sua fé na precisão, começa num gesto quase doméstico, quase ridículo, quase improvável. Um homem erra o lugar da pena. Um século depois, bilhões de transistores dependem do princípio revelado por esse erro.

A técnica foi inicialmente empregada para estudar velocidades de cristalização, mas, nas décadas seguintes, ganhou outra estatura. Nos anos 1950, Gordon Teal e colaboradores retomaram e aperfeiçoaram o método para o crescimento de monocristais de germânio e, em seguida, de silício, abrindo o caminho para a produção industrial de substratos eletrônicos de alta qualidade. Desde então, o método Czochralski, usualmente abreviado como CZ, tornou-se o principal processo de fabricação de silício monocristalino para a indústria de semicondutores.

E aqui começa a parte realmente interessante: o método parece simples quando descrito em uma frase. Derrete-se o silício, encosta-se uma semente cristalina no banho, puxa-se o material lentamente e obtém-se um cristal único. Mas essa frase esconde quase tudo o que importa. Porque, na prática, o processo não é uma receita mecânica. É uma negociação contínua entre temperatura, fluxo, química, gravidade, tensão mecânica, contaminação e tempo. Em outras palavras: não se produz um monocristal apenas puxando matéria para cima. Produz-se um monocristal impedindo que a física o destrua a cada segundo.

O objetivo real do processo: impor ordem atômica em escala industrial

O propósito do método Czochralski é converter silício policristalino de altíssima pureza em um grande lingote monocristalino, o chamado boule, cuja rede cristalina preserve a mesma orientação ao longo de um volume macroscópico. Não se trata apenas de obter silício sólido. Isso seria trivial. Trata-se de obter um sólido em que os átomos ocupem posições compatíveis com uma única estrutura cristalina contínua, com controle rigoroso de orientação, concentração de dopantes e densidade de defeitos.

Essa exigência é o que torna o processo extraordinário. Um cristal para semicondutores não é apenas matéria sólida. Ele é matéria solidificada sob disciplina e precisão extremas.

Na indústria, o silício utilizado nesse processo é de grau eletrônico, com pureza extremamente elevada. Esse material é colocado em um cadinho de quartzo e aquecido até acima de sua temperatura de fusão, em torno de $1414\,^\circ\mathrm{C}$. Na prática operacional, trabalha-se um pouco acima disso para estabilizar o banho e controlar a interface de crescimento, tipicamente em torno de $1420$ a $1425\,^\circ\mathrm{C}$, em atmosfera inerte, geralmente argônio. A atmosfera não está ali por elegância laboratorial, mas por necessidade: em temperaturas tão altas, qualquer interação química indesejada se converte em defeito, e defeito, nesse contexto, significa perda de desempenho, de rendimento e de dinheiro.

Outra informação que você deve guardar: qualquer interação química indesejada se converte em defeito, e defeito, nesse contexto, significa perda de desempenho, de rendimento e de dinheiro.

O ciclo de crescimento: uma sequência que parece linear, mas é uma luta de correções contínuas

1. Carga e fusão do silício

O processo começa com a inserção de pedaços de silício policristalino no cadinho. Frequentemente, adicionam-se também pequenas quantidades de dopantes, como boro, fósforo, arsênio ou antimônio, conforme o tipo de wafer desejado. O conjunto é então aquecido até formar um banho líquido homogêneo.

Parece simples. Não é.

O banho fundido precisa manter composição química previsível, perfil térmico estável e superfície controlada. O silício líquido é altamente reativo em altas temperaturas e interage com o próprio recipiente que o contém. Portanto, desde o primeiro momento, o processo já traz consigo um paradoxo: o ambiente necessário para produzir um cristal quase perfeito é, ao mesmo tempo, um ambiente que introduz contaminação.

2. Contato da semente com o banho

Uma pequena semente monocristalina, cuja orientação cristalográfica foi previamente definida, por exemplo $\langle 100 \rangle$ ou $\langle 111 \rangle$ (índices de Miller), é aproximada do banho fundido até tocar sua superfície. Essa semente funciona como molde atômico. A solidificação subsequente tende a replicar sua orientação, desde que as condições térmicas e geométricas sejam mantidas dentro de uma faixa muito estreita.

Esse é um dos pontos mais delicados de todo o processo. Se a temperatura estiver alta demais, a semente derrete excessivamente. Se estiver baixa demais, ocorre solidificação descontrolada. Se o gradiente térmico for inadequado, a interface sólido-líquido perde estabilidade. E quando a interface perde estabilidade, o cristal deixa de obedecer a estrutura da semente.

Para sermos mais práticos, imagine a estrutura microscópica do silício monocristalino como uma repetição infinita de minúsculos cubos, as células unitárias. Os números indicam em qual direção geométrica o cristal está apontando ou crescendo:

Orientação $\langle 100 \rangle$: a direção corre paralela a uma das arestas ou faces do cubo. É como alinhar o crescimento perfeitamente ao longo de uma linha reta horizontal ou vertical.

Orientação $\langle 111 \rangle$: a direção atravessa o cubo internamente na diagonal, partindo de um canto e saindo exatamente no canto diagonalmente oposto.

Isso é muito, muito importante, porque o funcionamento de um transistor MOSFET depende de criar um canal para a passagem de corrente elétrica sob uma camada isolante, geralmente dióxido de silício ($SiO_2$). A superfície do cristal de silício na fronteira com esse óxido dita o quão bem o canal se forma.

Ligações pendentes (Dangling bonds): quando o cristal é fatiado para formar o disco, que chamamos de wafer, os átomos de silício que ficam na superfície perdem a continuidade da rede e ficam com “braços” eletrônicos soltos. A orientação $\langle 100 \rangle$ apresenta uma densidade significativamente menor dessas ligações pendentes em comparação com o wafer orientado em $\langle 111 \rangle$.

Desempenho elétrico: menos ligações soltas na superfície significam menos armadilhas para os elétrons. Isso resulta em uma tensão de acionamento mais estável e em uma mobilidade de carga muito superior. Os chips de ponta usam a orientação $\langle 100 \rangle$. Apesar de a arquitetura dos transistores ter mudado nas últimas décadas, saindo de modelos planos para arquiteturas 3D (como FinFET e GAAFET), o substrato — o disco de silício sobre o qual os transistores são esculpidos — continua sendo o $\langle 100 \rangle$.

3. O pescoço de dash

Após o contato inicial, o cristal é puxado para cima formando uma região estreita, chamada neck ou pescoço, tipicamente com poucos milímetros de diâmetro. Essa etapa, conhecida como Dash necking, tem uma função fundamental: reduzir drasticamente a propagação de deslocações cristalinas provenientes da semente ou geradas no contato inicial.

A lógica é elegante. Ao forçar o crescimento de uma seção muito fina, aumenta-se a probabilidade de que defeitos lineares saiam lateralmente da região de crescimento, em vez de continuarem propagando-se para o corpo principal do lingote. É como estrangular o defeito antes que ele encontre volume suficiente para prosperar.

Perceba a sutileza: a pureza estrutural do grande cristal começa pela fabricação intencional de uma região frágil e estreita. O processo cria uma vulnerabilidade local para evitar uma catástrofe global.

4. Expansão até o diâmetro desejado

Uma vez obtido o pescoço, reduz-se a velocidade de puxada e ajusta-se a potência térmica para aumentar progressivamente o diâmetro do cristal. Essa transição precisa ser suave. O cristal não pode simplesmente passar de alguns milímetros para centenas de milímetros como se isso fosse apenas um problema geométrico. Cada mudança de diâmetro altera o balanço térmico, a curvatura da interface e a distribuição de tensões.

O sistema de controle precisa conduzir o cristal até o diâmetro-alvo, por exemplo $200$ ou $300\,\mathrm{mm}$, sem induzir instabilidades. Não se trata apenas de puxar mais devagar. Trata-se de sincronizar transferência de calor, menisco, rotação, solidificação e geometria.

Na física de fluidos, um menisco é a curva que se forma na superfície de um líquido quando ele entra em contato com um objeto sólido, devido à tensão superficial. Um exemplo cotidiano é a forma como a água sobe levemente pelas bordas internas de um copo de vidro.

No processo Czochralski, o menisco é a ponte de silício líquido que se forma entre a superfície do banho fundido e a base do cristal sólido que está sendo puxado para cima. Quando o cristal sobe, a tensão superficial arrasta uma pequena coluna de líquido junto com ele, erguendo-a acima do nível do tanque antes que ela solidifique. O ângulo e a altura dessa ponte líquida ditam a largura da próxima camada de silício que vai se solidificar.

Se o menisco afinar: isso ocorre se a temperatura subir ou se a velocidade de tração aumentar. A ponte líquida fica mais alta e estreita, fazendo o diâmetro do cristal em formação diminuir.

Se o menisco alargar: isso ocorre se o banho esfriar ou a tração desacelerar. A ponte líquida fica mais baixa e grossa, forçando o cristal a crescer lateralmente e aumentar seu diâmetro.

5. Crescimento do corpo principal

A fase seguinte é o crescimento do corpo cilíndrico do lingote. Agora o objetivo é manter o diâmetro praticamente constante ao longo de um grande comprimento. Para isso, controlam-se a taxa de puxada, a potência do aquecimento, a rotação da haste do cristal e, em muitos sistemas, a rotação do próprio cadinho em sentido oposto.

Essa contrarrotação não é detalhe secundário. Ela modifica o escoamento do banho líquido, influencia a distribuição térmica e afeta diretamente a incorporação de dopantes e impurezas. Em outras palavras, a rotação é simultaneamente ferramenta e fonte de problema. Ela ajuda a homogeneizar o sistema, mas também altera a hidrodinâmica de modo complexo. O processo Czochralski avança assim: toda solução introduz uma nova classe de dificuldades.

A rotação e a contrarrotação criam três problemas importantes:

Estrias de dopagem (Dopant Striations): a rotação do cristal funciona como uma bomba centrífuga, puxando o líquido para cima e arremessando-o para as bordas. A contrarrotação do cadinho empurra o líquido no sentido inverso. O choque entre essas duas correntes de fluido cria zonas instáveis. Se o fluxo oscilar, a espessura da camada limite na interface de solidificação varia continuamente. Isso faz com que os dopantes sejam absorvidos em quantidades desiguais, formando anéis ou espirais de variação de resistividade elétrica ao longo do lingote.

Transporte de impurezas: o cadinho é feito de quartzo. Em altas temperaturas, o silício líquido corrói as paredes do recipiente, liberando oxigênio no banho. O padrão de escoamento gerado pelas rotações determina a quantidade desse oxigênio que será transportada até a base do cristal em comparação com a quantidade que irá evaporar na superfície livre do líquido. Padrões de fluxo desorganizados levam a concentrações heterogêneas de oxigênio no material final, gerando falhas e prejudicando a fabricação de componentes eletrônicos.

Flutuações térmicas e falhas na rede: a contrarrotação tenta uniformizar a temperatura, mas cria células de convecção complexas. Em certos regimes de rotação, massas de líquido mais quentes ou mais frias atingem a interface de solidificação de forma intermitente. Essas oscilações térmicas causam ciclos de microderretimento seguidos de resolidificação rápida, induzindo estresse mecânico e erros de empilhamento atômico na rede cristalina.

6. Cauda e término do crescimento

Ao final do lingote, reduz-se progressivamente o diâmetro formando a chamada cauda. Isso ajuda a encerrar o crescimento de forma controlada e a aliviar tensões na etapa final. Depois disso, o lingote é resfriado segundo perfis rigorosos, pois um cristal pode sair estruturalmente aceitável do banho e ainda assim sofrer dano significativo durante o resfriamento.

O crescimento termina quando o lingote deixa o reator. O risco, não.

O que realmente governa o processo: interface, transporte e instabilidade

A imagem didática de um cristal sendo puxado para cima costuma induzir a um erro conceitual. O centro do processo não está no movimento mecânico de puxada, mas na interface sólido-líquido. É ali que a ordem atômica é selecionada. É ali que dopantes são incorporados. É ali que perturbações térmicas se convertem em defeitos permanentes.

Tudo o que acontece no método Czochralski deve ser lido a partir dessa interface. A questão central é simples de formular e difícil de resolver: como manter uma frente de solidificação suficientemente estável para crescer um monocristal de grande volume sem perder controle composicional e estrutural?

A resposta envolve termodinâmica, cinética de solidificação, transferência de calor, dinâmica dos fluidos e mecânica dos sólidos. Ou seja, envolve justamente a parte da física que se recusa a obedecer a descrições simplistas.

As limitações fundamentais do método

1. Dinâmica de fluidos: o banho líquido nunca está realmente em paz

O silício fundido dentro do cadinho não é um meio estático. Ele se move continuamente. Move-se por convecção natural, causada por gradientes de temperatura e densidade; move-se por convecção forçada, induzida pela rotação do cristal e do cadinho; move-se também por efeitos associados à tensão superficial e, em certos regimes, por interações magneto-hidrodinâmicas quando campos magnéticos são aplicados para estabilização.

Quando o silício líquido se move através das linhas de um campo magnético, duas leis da física entram em ação simultaneamente:

Indução de Corrente: o movimento de um fluido condutor através de um campo magnético gera correntes elétricas internas no próprio líquido, fenômeno descrito pela Lei da Indução de Faraday.

A Força de Lorentz: as correntes elétricas recém-criadas interagem imediatamente com o campo magnético aplicado. Essa interação produz uma força vetorial chamada força de Lorentz.

A mecânica da força de Lorentz atua sempre em oposição ao movimento que a gerou. Na prática, o campo magnético funciona como um freio sem contato físico. Ele aumenta a viscosidade aparente do silício líquido, amortecendo a turbulência e estabilizando as oscilações de temperatura na interface na qual o cristal está se solidificando

Essa movimentação altera o transporte de calor e massa junto à interface de crescimento. Isso significa que a composição local do banho na vizinhança da interface não coincide necessariamente com a composição média do sistema. Em particular, a incorporação de dopantes depende do coeficiente de segregação e da espessura efetiva da camada difusiva próxima à interface.

Em modelos simplificados inspirados no tratamento de Burton-Prim-Slichter, a espessura difusiva efetiva, $\delta$, pode ser relacionada à difusão, à viscosidade e à rotação por expressões como:

\[\delta = 1.6 \, D^{1/3} \, \nu^{1/6} \, \omega^{-1/2}\]

em que $D$ é o coeficiente de difusão do soluto no líquido, $\nu$ é a viscosidade cinemática e $\omega$ representa uma escala angular associada à rotação.

Esta é apenas uma relação de escala aproximada sob hipóteses agressivamente simplificadoras. Ainda assim, o que essa equação nos diz, em linguagem simples e direta, é que a camada de difusão não é uma constante metafísica. Ela responde à hidrodinâmica do sistema. Se a rotação muda, se o perfil térmico muda, se o escoamento muda, a forma como o dopante chega à interface também muda. E, quando isso muda, a resistividade local do cristal muda junto.

Daí surgem as chamadas estrias de crescimento, variações espaciais na concentração de dopantes que aparecem como padrões aproximadamente concêntricos ou helicoidais ao longo do lingote e dos wafers. Em um nível de abstração, trata-se de uma não uniformidade composicional. Em um nível industrial, trata-se de uma assinatura do fato de que o processo jamais está em equilíbrio perfeito.

O cristal parece contínuo. O histórico térmico dele, não.

2. O problema não termina quando o cristal vira wafer

É aqui que muita gente erra a escala do problema. As perturbações introduzidas durante o crescimento cristalino não desaparecem magicamente quando o lingote é cortado. Elas são herdadas pelo wafer. E, quando o wafer entra na linha de fabricação, a fotolitografia passa a trabalhar sobre um substrato que não é, nem de longe, tão homogêneo quanto a linguagem publicitária da indústria gosta de sugerir.

As estrias de crescimento, variações locais de dopagem, microvariações de concentração de oxigênio e defeitos associados ao histórico térmico do cristal podem produzir consequências relevantes para a fotolitografia e para as etapas subsequentes de fabricação. Não porque a luz da litografia veja diretamente a rotação do banho, evidentemente, mas porque ela incide sobre um material cuja resposta físico-química foi moldada por essa rotação.

Isso aparece de várias formas.

Primeiro, há não uniformidade elétrica local. Regiões com pequenas variações de dopagem exibem diferenças de resistividade e de potencial de superfície. Em dispositivos modernos, isso afeta limiares de operação, correntes parasitas e uniformidade entre transistores. A litografia pode imprimir com precisão extraordinária, mas ela não corrige um substrato que já nasce com variabilidade embutida.

Segundo, há efeitos indiretos na formação e no comportamento dos filmes. Em etapas posteriores, como oxidação térmica, deposição, implantação iônica e recozimento, regiões com composição ou defeitos ligeiramente distintos respondem de modo ligeiramente distinto. O resultado pode ser variação na espessura de óxidos, na ativação de dopantes, na taxa de ataque químico e na planicidade final. A fotolitografia, que depende de foco, overlay, controle dimensional e uniformidade de superfície, sofre quando o wafer não oferece uma base fisicamente homogênea.

Terceiro, há o problema da nanotopografia e da deformação local do wafer. Defeitos cristalinos, tensões residuais e precipitados podem contribuir para pequenas variações de curvatura ou planicidade. Em escalas antigas isso podia ser tolerável. Em litografia avançada, em que profundidade de foco, alinhamento entre camadas e controle de dimensão crítica são brutalmente exigentes, uma pequena variação geométrica torna-se um problema gigante.

Em síntese: a rotação do líquido durante o crescimento não estraga a fotolitografia de forma direta, como se um redemoinho deixasse uma marca visível no chip. O que ela faz é mais sofisticado e mais perigoso. Ela participa da construção de um substrato com heterogeneidades térmicas, químicas e estruturais que mais tarde reaparecem como variabilidade de processo, perda de uniformidade e redução de rendimento.

A litografia imprime padrões. Quem decide se esses padrões viverão sobre um território estável é o cristal.

3. Contaminação pelo cadinho: o recipiente participa da química, queira-se ou não

O cadinho usado no método Czochralski é usualmente de quartzo, isto é, $\mathrm{SiO_2}$. À primeira vista, isso parece conveniente, porque o cadinho compartilha elementos químicos com o próprio silício. Um olhar detalhado percebe o problema: em temperaturas de operação, o silício líquido dissolve parcialmente o quartzo, e o oxigênio do $\mathrm{SiO_2}$ passa a ser incorporado ao cristal em crescimento.

Esse oxigênio pode permanecer em solução intersticial, pode formar complexos com outros defeitos ou pode precipitar durante etapas térmicas posteriores do processamento do wafer. Nem toda presença de oxigênio é necessariamente indesejada, e em certos contextos ele pode até contribuir para resistência mecânica ou para internal gettering. Mas o ponto importante aqui é outro: sua concentração precisa ser conhecida e controlada. O que a indústria quer não é pureza mística. É previsibilidade físico-química.

Em etapas térmicas posteriores do processamento do wafer, especialmente em tratamentos na faixa de aproximadamente $450^\circ \mathrm{C}$, o oxigênio intersticial dissolvido no silício pode reorganizar-se e formar complexos defeituosos eletricamente ativos, tradicionalmente conhecidos como thermal donors. O ponto importante é que não se trata de uma dopagem deliberada no mesmo sentido em que se adiciona fósforo ou boro ao cristal durante o crescimento. Trata-se, antes, do surgimento de centros doadores associados à evolução térmica de complexos de oxigênio no interior do material. A consequência prática é uma alteração não planejada das propriedades elétricas do wafer, cuja intensidade depende da concentração inicial de oxigênio, do histórico térmico, da presença de outros defeitos e impurezas e do tempo de exposição à temperatura.

Em material do tipo $n$, a formação desses centros doadores pode contribuir para modificar a concentração efetiva de portadores e, portanto, a resistividade final. Em material do tipo $p$, esses defeitos podem introduzir compensação elétrica parcial, alterando o comportamento esperado do cristal e reduzindo a previsibilidade dos parâmetros do dispositivo. O essencial, portanto, não é afirmar que o oxigênio simplesmente passa a funcionar como um dopante convencional, mas reconhecer que ele pode gerar defeitos eletricamente ativos capazes de perturbar o balanço elétrico originalmente projetado para o wafer.

Para ser honesto nem tudo relacionado ao oxigênio sequestrado do cadinho é problema. Durante a fabricação de circuitos integrados, impurezas metálicas, como ferro, cobre e níquel, contaminam o silício acidentalmente. Se esses metais ficarem na superfície do wafer, região na qual os transistores operam, eles causam curtos-circuitos e vazamentos de corrente, inutilizando o processador.

Além do oxigênio, há também a incorporação de carbono, geralmente associada a componentes de grafite presentes no sistema térmico. Embora costume aparecer em concentrações menores do que o oxigênio, o carbono não é quimicamente neutro no interior do cristal. Ele pode interagir com defeitos pontuais, com oxigênio e com outros complexos formados ao longo do histórico térmico do material, modificando a cinética de agregação de defeitos e influenciando propriedades elétricas e estruturais do wafer. Em outras palavras, o problema não é apenas a presença isolada de impurezas específicas, mas a forma como essas espécies participam, em conjunto, da evolução defeituosa do cristal durante o crescimento, o resfriamento e os tratamentos térmicos subsequentes. Em silício Czochralski, a previsibilidade elétrica do material depende justamente de manter sob controle esse ecossistema de impurezas e defeitos, e não apenas de minimizar uma única espécie química.

Portanto, o cristal Czochralski nunca cresce isolado. Ele cresce em diálogo químico com o reator. E esse diálogo não é opcional.

4. Tensões térmicas: um cristal gigante não perdoa gradientes mal administrados

Agora chegamos a uma das dificuldades menos intuitivas para quem imagina o processo apenas em escala microscópica. Um lingote moderno pode ter centenas de milímetros de diâmetro e grande comprimento. Isso significa massa térmica elevada, resfriamento prolongado e gradientes internos relevantes. O centro do cristal e sua periferia não percorrem exatamente a mesma história térmica.

Quando esses gradientes produzem tensões acima da resistência efetiva do silício naquela faixa de temperatura, surgem deslocações por escorregamento cristalográfico, fenômeno conhecido como slip. Em termos simples, planos atômicos deslizam uns sobre os outros. Em termos menos simples, o cristal deixa de ser o cristal que a indústria precisa.

Essas deslocações funcionam como centros de degradação eletrônica e mecânica. Para dispositivos, isso pode significar recombinação aumentada, piora na mobilidade, aumento de correntes de fuga e queda de rendimento de fabricação. O defeito mecânico torna-se defeito funcional.

É importante perceber o encadeamento causal. O problema não está apenas na etapa de crescimento, mas na história termomecânica completa do lingote. Um cristal pode ter sido bem orientado, bem dopado e ainda assim ser condenado por um resfriamento inadequado. A perfeição estrutural não depende apenas de como ele nasce, mas de como ele atravessa o calor.

5. A perda por serragem: parte do cristal vira pó antes mesmo de virar tecnologia

Aqui aparece um fato industrialmente brutal e pedagogicamente útil: uma fração relevante do silício purificado jamais chega a existir como wafer funcional. O lingote precisa ser cortado em fatias por serras de fio, usualmente com fio diamantado ou sistemas abrasivos de altíssima precisão. Esse corte, porém, não é matematicamente fino. Ele tem espessura efetiva. E essa espessura se converte em perda material.

Essa perda é conhecida como kerf loss. A cada wafer serrado, uma faixa de silício equivalente à espessura de corte é removida e transformada em resíduo particulado. Graças a esse corte a perda aproximada apenas na etapa de fatiamento com serra de fio diamantado fica entre $10\%$ e $15\%$ do volume da seção reta do lingote. Em linguagem menos cerimoniosa: o processo destrói o cristal que acabou de custar uma fortuna energética para ser produzido.

O absurdo físico-econômico é evidente. Primeiro, a indústria gasta enorme quantidade de energia, tempo e infraestrutura para obter um monocristal de alta pureza. Depois, ao transformá-lo em wafers, destrói uma fração substancial dessa matéria sob a forma de lama, pó ou resíduos de serragem. Não se trata de detalhe marginal. Em produção em larga escala, isso representa impacto direto no custo, no aproveitamento de matéria-prima e na eficiência global da cadeia.

Além disso, o corte introduz dano mecânico subsuperficial. Microtrincas, tensões residuais e rugosidade não são acidentes fortuitos; são consequências normais da interação mecânica entre o fio e o silício. Por isso os wafers precisam passar por etapas adicionais de retificação, ataque químico, polimento e planarização química e mecânica. O wafer não sai do corte pronto para a fotolitografia. Ele sai machucado e precisa ser curado.

Essa observação é importante porque recoloca o problema em seus termos corretos: a fabricação do substrato semicondutor não é apenas um problema de crescimento cristalino, mas também um problema de transformar um corpo macroscópico em lâminas finas sem destruir, no processo, a própria qualidade que se tentou construir.

Embora o kerf represente até $15\%$ de perda em pó, a perda global do lingote Czochralski é consideravelmente maior. Desde a saída do tanque até a obtenção da bolacha polida, descarta-se cerca de 40% a 50% do peso total do cristal. Isso ocorre por conta de outras etapas de adequação geométrica:

Corte de extremidades: o cone superior, próximo à semente, e a cauda do lingote são serrados, pois não possuem o diâmetro comercial e acumulam os resíduos segregados na solidificação.

Retificação e chanfro: o lingote bruto apresenta ondulações de diâmetro. Ele passa por uma retífica cilíndrica pesada para atingir o formato de um cilindro perfeito.

Remoção de dano (Lapping e CMP): a serra diamantada deixa microfissuras na superfície do cristal. Após o fatiamento, usa-se polimento químico e abrasivo para desgastar a superfície até expor o silício perfeitamente plano e livre de estresse, reduzindo ainda mais a massa de cada wafer.

6. A perda geométrica: a natureza entrega discos, a indústria quer retângulos

Há ainda uma segunda forma de desperdício, menos espetacular do que a serragem, mas igualmente inevitável. O método Czochralski produz lingotes cilíndricos. Esses lingotes, quando cortados, geram wafers circulares. Mas os circuitos integrados, por razões óbvias de projeto, organização de área e empacotamento, são em geral retangulares ou quadrados.

Daí nasce uma incompatibilidade geométrica incontornável. Ao preencher um disco com retângulos, sempre haverá áreas de borda que não podem ser aproveitadas integralmente. Quanto mais próximo da periferia do wafer, maior a probabilidade de sobrar área morta, de haver dies incompletos ou de existir região que, mesmo tecnicamente processável, não seja economicamente interessante para produção.

Em outras palavras: mesmo que o wafer fosse perfeito, mesmo que não houvesse defeitos, mesmo que a litografia fosse impecável, ainda assim parte do material estaria condenada pela geometria.

Esse problema torna-se ainda mais interessante quando lembramos que a borda do wafer já é, por si só, uma região menos amigável. Efeitos de uniformidade de deposição, gravação, temperatura, planicidade e manejo mecânico tendem a ser mais difíceis ali. Assim, a área geometricamente menos aproveitável costuma coincidir com uma área processualmente mais delicada.

É por isso que o aumento do diâmetro do wafer melhora o aproveitamento relativo, embora nunca elimine completamente o problema. Wafers maiores permitem acomodar mais dies por unidade de perímetro, reduzindo proporcionalmente a perda de borda. Mas não anulam a diferença fundamental entre um disco e um retângulo. A geometria continua sendo um imposto silencioso sobre a produção.

7. Escala industrial e controle de defeitos: quanto maior o cristal, menor a indulgência do processo

A busca industrial por lingotes cada vez maiores responde a motivos econômicos evidentes: wafers maiores produzem mais chips por ciclo e melhoram a produtividade por equipamento. Mas o aumento de diâmetro transforma o processo em um problema ainda mais severo de estabilidade térmica e mecânica.

Quando se cresce um cristal de $300\,\mathrm{mm}$, a janela operacional se estreita. Pequenas flutuações de temperatura, pequenas assimetrias no fluxo ou pequenas variações na potência de aquecimento podem ter efeitos macroscópicos. A escala amplia produtividade, mas também amplifica vulnerabilidades. A física que era administrável em diâmetros menores torna-se mais rígida, mais cara e mais sensível em diâmetros maiores.

Isso explica por que a evolução da indústria de wafers não consistiu apenas em fazer fornos maiores. Foi necessário desenvolver controle mais sofisticado, modelagem térmica mais refinada, instrumentação mais precisa, estratégias de redução de turbulência e, em muitos casos, aplicação de campos magnéticos para amortecer convecções indesejadas. O crescimento de cristais, em escala industrial, não evolui por força bruta. Evolui por governança da instabilidade.

8. Consumo energético: a perfeição cristalina é lenta e cara

Um dos fatos mais importantes sobre o método Czochralski é também um dos menos glamorosos: ele é energeticamente oneroso. Crescer um monocristal de alta qualidade exige manter centenas de quilogramas de material a temperaturas superiores a $1400\,^\circ\mathrm{C}$ durante períodos prolongados. Além disso, a taxa de puxada é baixa, frequentemente da ordem de milímetros por minuto para cristais grandes e de alta qualidade.

Isso significa que o processo consome tempo, energia, infraestrutura térmica e capital de equipamento em níveis substanciais. Não se trata apenas do custo da eletricidade. Trata-se do custo sistêmico de sustentar um ambiente de crescimento estável por longas durações, com controle fino e baixa tolerância a falhas.

Um processo lento. Muito lento. Tipicamente, a produção de um lingote de silício monocristalino de $300 \mathrm{mm}$ de diâmetro, que pode pesar mais de $300 \mathrm{kg}$ e medir até 2 metros de comprimento, consome entre 70 e 100 horas apenas para a etapa de puxada. O ciclo completo da máquina dura entre 4 e 6 dias ininterruptos.

A lentidão aqui não é ineficiência administrativa. É uma imposição física. Crescer rápido demais degrada a qualidade cristalina. Crescer com pouca energia inviabiliza a estabilidade térmica. Crescer barato demais compromete o controle. A indústria não opera lentamente por gosto. Opera lentamente porque a ordem atômica, em grandes volumes, custa caro.

O paradoxo central do processo Czochralski

Chegamos, então, ao núcleo conceitual do problema. O método Czochralski domina a produção de silício monocristalino não porque seja fisicamente impecável, mas porque, apesar de suas imperfeições estruturais, químicas, geométricas e energéticas, ele oferece o melhor compromisso histórico entre escala, custo relativo, qualidade e maturidade industrial.

Esse ponto merece ser dito com clareza. O processo não venceu porque eliminou os defeitos. Venceu porque aprendeu a administrá-los. Não venceu porque domou completamente a termodinâmica. Venceu porque construiu uma engenharia capaz de conviver com ela. Não venceu porque produz cristais ideais em sentido absoluto. Venceu porque produz cristais suficientemente controlados para uma indústria inteira ser construída sobre eles.

Essa é a marca de processos tecnológicos maduros: não são os que aboliram a física adversa, mas os que institucionalizaram modos reprodutíveis de negociar com ela.

Porém, existem processos melhores…

QI 83 — O Número que as Redes Sociais Adoram Citar e a Burrice Nacional

2026-02-18T07:00:00-03:00

Eu sou brasileiro. Eu sei, ninguém é perfeito. Sendo este brasileirinho de quinta, todas as vezes que alguém diz que o QI médio do brasileiro é 83 eu levanto as orelhas como um gato, caçador, entre a atenção, o susto e o desespero. Para colocar meu barco em águas mais tranquilas, no texto a seguir, vou tentar entender o que este número significa, de onde ele veio, por que tantos acreditam e de que forma isso é relevante para as nossas vidas. Talvez o meu mar tranquilo sirva para a sua navegação.

Este número assusta por que o valor QI 83 coloca o brasileiro médio perigosamente perto de ser diagnosticado como tendo um retardo mental profundo, ou se preferir reescrevendo nos termos da OMS: o brasileiro médio está perto da deficiência intelectual. Ou ainda, se for mais velho, cru é ríspido, o QI 83 está perigosamente próximo da debilidade mental. Abaixo da estimativa do QI de um chipanzé, mas muito maior que a estimativa do QI do Macaco prego.

Este é o primeiro ponto que você deve guardar: é impossível medir o QI de um macaco, ou de qualquer outra espécie que conhecemos hoje. Mas, sempre podemos estimar.

Os cientistas estimam valores hipotéticos baseados no desempenho em testes cognitivos, resolução de problemas, uso de ferramentas, memória, aprendizado de símbolos/linguagem de sinais etc., comparando estes resultados com o padrão estabelecido para os seres humanos (média 100).

Na internet, em sua imensa estupidez, estas estimativas variam bastante dependendo da fonte e do tipo de teste, mas a título de ilustração aqui os valores aproximados mais citados para as espécies de primatas (macacos no sentido amplo, incluindo grandes símios):

Chimpanzé (Pan troglodytes): estimado em torno de 85–95 (média ~90 em algumas listas menos formais). São os que mais frequentemente aparecem no topo, com habilidades impressionantes em memória de curto prazo, uso de ferramentas e até aprendizado de sinais.
Bonobo (Pan paniscus): estimado em torno de 85–95 (média ~87–90). Muitos pesquisadores consideram os bonobos tão inteligentes quanto ou até ligeiramente mais cooperativos/empáticos que os chimpanzés. Indivíduos como Kanzi são famosos por entenderem centenas de palavras e símbolos.
Orangotango (Pongo spp.): estimado em torno de 75–90 (média ~88). Frequentemente citados como os mais inteligentes em resolução de problemas complexos e planejamento a longo prazo. Alguns estudos colocam eles no topo entre os grandes símios. Existem muitos vídeos de orangotangos selvagens usando ferramentas para resolver problemas complexos.
Gorila (Gorilla spp.): estimado em torno de 70–90 (média ~75–85). Gorilas como a famosa Koko (que aprendeu mais de 1.000 sinais) mostram inteligência alta, mas geralmente um pouco abaixo de chimpanzés e orangotangos em testes comparativos. O par da Koko, o gorila Michael, também aprendeu a linguagem de sinais com humanos e alguns sinais com a própria Koko. Há registros de comunicação entre os dois apenas com sinais e da criação de sinais novos pelo par. Contudo, infelizmente eles não tiveram crias.
Macaco-prego / capuchinho (Sapajus / Cebus): estimado ~45–65. Muito inteligentes para o tamanho, usam ferramentas (pedras para quebrar nozes), mas bem abaixo dos grandes símios.

curiosamente não consegui encontrar nenhuma foto da Koko em domínio público ou sob alguma licença Creative Commons ou que me permitisse publicar aqui.

Não há nenhuma prova científica de que qualquer um dos QI’s dos símios seja verdadeiro. Todos são estimativas que perdem o sentido e o valor aos olhos de qualquer observador mais atento e persistente.

A verdade é que nada disso faz muito sentido a não ser que você entenda o que é média, o que é QI, o que é inteligência e de onde veio este nefasto QI 83.

Vídeo 1: Robin Willians visitando Koko. Os dois ficaram amigos e Koko demonstrou tristeza quando soube do falecimento do ator.

Nosso Conceito de Média Vem da Curva Normal

O segredo mais bem guardado da estatística é o Teorema Central do Limite. Este teorema implica que, quando você soma muitas variáveis independentes e aleatórias (como genética, nutrição, qualidade da escola, estímulo dos pais, saúde na infância), o resultado final tende a formar uma curva em formato de sino, que chamamos de Distribuição Normal, independentemente da distribuição original de cada fator isolado. Por isso, se você medir a altura, o peso ou a pressão arterial de 10.000 pessoas, você provavelmente encontrará a Distribuição Normal. Essa curvinha aí.

Figura 1: imagem gerada pelo NanoBanana em 2026-02-17

A natureza prefere o equilíbrio. Será muito difícil para um organismo, ou sistema, acumular todos os fatores extremos ao mesmo tempo. Para alguém ter um QI 185, ele precisa ter uma genética favorável, excelente nutrição, zero doenças graves na infância e estímulo intelectual intenso. Como a maioria das de nós tem uma mistura de fatores bons e ruins, a massa da população acaba sendo puxada para o centro.

O que torna a Curva Normal especial e simples é a sua simetria: a média, a mediana (o valor que divide o grupo ao meio) e a moda (o valor que mais se repete) são praticamente iguais e ficam no topo do sino.

Fugindo do QI podemos usar a altura humana para explicar a curva, este é o exemplo canônico da distribuição normal. Se medirmos todos os homens adultos de uma cidade grande no Brasil veremos que a maioria deles terá uma altura próxima da média (ex: 1,75m). Porém, à medida que nos afastamos da média (para 1,60m ou 1,90m), o número de pessoas diminui. Da mesma forma, pessoas extremamente altas (2,10m) ou extremamente baixas (1,40m) são raras e ficam nas caudas da curva. A cauda é a área onde o valor da população tende a zero.

A Média é Pobre em Semântica

Para realmente entender a média, você precisa do seu fiel escudeiro: o Desvio Padrão ($\sigma$). O desvio padrão é o valor que indica o quão espalhados estão os dados estão em relação ao centro. Na curva normal simétrica da Figura 1, 68% da população está a apenas um desvio padrão da média e 95% da população está dentro de dois desvios padrões. Volte lá na Figura 1, eu marquei um desvio padrão (1σ ) para cada lado.

Na linguagem coloquial, não científica, que usamos no dia-a-dia, chamamos de normal tudo que está a $1\sigma$ da média e de anormal tudo que está a mais de $2\sigma$ da média. Estes termos vieram da pesquisa científica para o popular e com o tempo ganharam outros significados.

Com QI 83 médio, em uma curva normal perfeita, metade da população brasileira (mais de 100 milhões de pessoas) estaria a esquerda da média e teria um QI abaixo de 83, o que tornaria muito difícil para o país operar tecnologia moderna ou ter uma indústria complexa. Notadamente, porque os extremos da curva, os QI’s muito altos, e muito baixos, representam um número muito pequeno de pessoas para viabilizar um país como o Brasil. A média é importante, mas o formato da curva também é.

Esta é outra informação que você deve guardar: o formato da curva é importante para o entendimento do fenômeno.

Quociente de Inteligência, QI?

O Quociente de Inteligência (QI) é uma pontuação obtida por meio de testes padronizados, elaborados para avaliar certas capacidades cognitivas humanas. Testes sérios, não é uma brincadeira como alguns querem que você acredite.

“O objetivo é classificar as capacidades humanas em faixas. Em vez de medir o conhecimento acumulado, como um exame escolar tradicional, o teste de QI busca quantificar a habilidade de raciocínio lógico, resolução de problemas e reconhecimento de padrões. O objetivo principal é avaliar a capacidade que um indivíduo tem de processar informações e aplicar a lógica abstrata para responder a desafios específicos.”

Este texto que coloquei entre aspas aparece, quase exatamente como está escrito aqui, em todos os sites de psicologia e teste de QI que eu visitei. Mative aqui porque quero que você preste atenção especial neste trecho: quantificar a habilidade de raciocínio lógico, resolução de problemas e reconhecimento de padrões.

Historicamente, o valor do QI era calculado dividindo a idade mental da pessoa pela sua idade cronológica, multiplicando o resultado final por 100. Neste caso, o valor apresentado era a média aritmética simples da faixa na qual o indivíduo se encaixava.

Hoje, a metodologia moderna utiliza mais estatísticas para posicionar a pontuação de um indivíduo em comparação ao restante da população da mesma faixa etária. Nesse sistema, a média é sempre ajustada para o valor 100, com um desvio padrão de 15 pontos, o que significa que a grande maioria da população mundial pontuará entre 85 e 115.

O QI 100 é amplamente considerado como sendo o valor do QI do ser humano médio se a curva de distribuição for normal.

Apesar de ser uma métrica presente em avaliações neuropsicológicas, o teste de QI foca intensamente em habilidades matemáticas, espaciais e linguísticas, deixando de fora aspectos como a emoção, a criatividade e a aptidão social. Além disso, o desempenho nesses testes é profundamente influenciado pelo ambiente, englobando fatores como nutrição infantil, estímulos precoces e a qualidade da educação ao longo da vida.

Guarde essa informação: o desempenho nesses testes é profundamente influenciado pelo ambiente, englobando fatores como nutrição infantil, estímulos precoces e a qualidade da educação ao longo da vida.

Ficou um problema: o que é inteligência

A inteligência é uma daquelas palavras que, ao longo do tempo, foram sendo alteradas para suprir a falta de lexemas adequados ou para dar valor a narrativas políticas seculares.

A palavra inteligência tem sua origem no latim intelligentia, que deriva do verbo intelligere, significando “compreender”, “perceber” ou “entender”. Esse verbo é composto por inter, que indica “entre” ou “no meio de”, e legere, que significa “escolher”, “selecionar”, “recolher” ou “ler”. Etimologicamente, portanto, a inteligência remete à capacidade de “escolher entre” opções, discernir diferenças ou recolher e processar informações de forma significativa. Escolheu certo, inteligência positiva, escolheu errado, inteligência negativa.

Partindo dessa raiz etimológica, podemos extrapolar e definir inteligência como: a faculdade cognitiva que permite ao indivíduo ou sistema selecionar, compreender e aplicar conhecimentos de maneira eficaz, distinguindo o essencial do irrelevante para resolver problemas, adaptar-se a novas situações ou tomar decisões informadas.

Guarde mais essa informação: a faculdade cognitiva que permite ao indivíduo ou sistema selecionar, compreender e aplicar conhecimentos de maneira eficaz, distinguindo o essencial do irrelevante para resolver problemas, adaptar-se a novas situações ou tomar decisões informadas.

Essa noção fundamental de discernimento entre opções evoluiu ao longo do tempo para englobar aspectos como raciocínio, aprendizado e criatividade, mas mantém o cerne da etimologia latina. Podemos enriquecer o conceito de inteligência ao considerar visões complementares de diferentes campos, que reforçam a ideia de inteligência como capacidade adaptativa e seletiva:

Psicologia cognitiva: na tradição psicométrica iniciada por Charles Spearman, a inteligência é modelada como um fator geral ($g$) que explica a correlação positiva entre diferentes habilidades cognitivas. Formalmente, mede-se por desempenho em tarefas envolvendo: raciocínio abstrato; memória de trabalho; velocidade de processamento; compreensão verbal e as capacidades de entendimento visual e espacial. Posteriormente este conceito foi refinado por Raymond Cattell, dividindo a inteligência em refinou o conceito em inteligência fluida ($Gf$): capacidade de resolver problemas novos e inteligência cristalizada ($Gc$): conhecimento acumulado.

Este é um ponto importante da história: Raymond Cattell era um eugenista de carteirinha. Ele foi um apoiador inicial do Nationalsozialistische Deutsche Arbeiterpartei, o Partido Nacional-Socialista dos Trabalhadores Alemães, e aderente a teorias raciais nazistas, o que continuou a influenciar suas ideias, embora tenha tentado obscurecer essas origens após a Segunda Guerra Mundial. Após o conflito, Cattell distanciou-se explicitamente do nazismo, criticando o “militarismo” e o tratamento de judeus e dissidentes por Hitler, mas manteve crenças eugênicas radicais através de sua filosofia “Beyondism” (desenvolvida a partir dos anos 1970), que promovia pureza racial, competição entre grupos étnicos e a eliminação gradual de populações consideradas inferiores para aumentar a aptidão humana.

O problema prático e ideológico de Cattell era que ele vivia aterrorizado pela disgenia, a crença de que as classes e raças consideradas inferiores estavam se reproduzindo mais rápido que a elite intelectual. Pela lógica eugênica, o QI médio da humanidade deveria estar despencando. Mas os dados empíricos da época mostravam o contrário: graças à expansão da educação pública, as notas nos testes de QI estavam subindo.

Para resolver esse problema e salvar sua narrativa supremacista, Cattell precisou mudar o conceito de inteligência. Ele argumentou que a educação estava apenas mascarando a decadência genética da humanidade e, por isso, dividiu a inteligência em duas. A Inteligência Cristalizada ($Gc$) seria o conhecimento cultural e escolar acumulado, a parte poluída pelo ambiente. Já a Inteligência Fluida ($Gf$) seria a capacidade neurológica pura, inata e hereditária. Com esse malabarismo semântico, se um indivíduo de origem inferior fosse bem nos testes graças ao estudo, Cattell podia simplesmente dizer: “Isso é só o $Gc$ dele inflado pela escola, o $Gf$ biológico continua inferior”. Ele moldou o modelo psicométrico para justificar o segregacionismo. Ou seja, ele mudou o sentido semântico do teste que media a inteligência para que este teste fosse adequado aos seus valores pessoais.

Apesar dessa origem nojenta, a maior parte do material sobre inteligência que existe disponível hoje ainda usa as ideias de Cattell. O que, aqui entre nós, e que ninguém nos ouça, é um absurdo completo, depreciando tanto a ciência quanto o estudo da inteligência.

Neurociência: sob a perspectiva neurobiológica, inteligência corresponde à eficiência funcional e estrutural de redes neurais distribuídas, especialmente envolvendo: o córtex pré-frontal (funções executivas) e redes fronto-parietais (integração e controle cognitivo). Alguns modelos contemporâneos associam inteligência à eficiência sináptica, conectividade funcional e capacidade de integração global de informação.
Ciência da computação e inteligência artificial: na ciência da computação, inteligência é frequentemente definida como: capacidade de um agente maximizar uma função objetivo em múltiplos ambientes. Essa formulação é típica da tradição de agentes racionais, formalizada por Stuart Russell e Peter Norvig. Em termos formais, teremos que um agente é inteligente se, dado um histórico de percepções $P_t$, ele seleciona ações $A_t$ que maximizam o valor esperado de uma função de utilidade $U$:

\[A_t = \arg\max_{a} \mathbb{E}[U \mid P_t, a]\]

Russel e Novig trouxeram o conceito semântico de inteligência para o domínio da matemática. Mais tarde, modelos como o de Marcus Hutter (AIXI) formalizam inteligência como maximização universal de recompensa ponderada por complexidade de Kolmogorov. Os dois trabalhos coincidem com o meu conceito de inteligência, citado anteriormente e, sem dúvida, influenciaram minha visão.

Biologia evolutiva: na biologia, a inteligência é uma adaptação funcional que aumenta a aptidão (fitness) por meio de: modelagem interna do ambiente; previsão de estados futuros e tomada de decisão estratégica. Sob esse prisma, inteligência é um mecanismo de redução de incerteza ambiental. Leia com cuidado e verá que novamente, concorda com a minha definição de inteligência.
Filosofia da mente: na filosofia, inteligência relaciona-se à: intencionalidade, representação simbólica e capacidade inferencial. Autores como Daniel Dennett analisam inteligência como um padrão explicativo atribuído a sistemas cuja conduta é melhor descrita sob a postura intencional. Parece ser uma tentativa de usar o conceito semântico original para explicar as relações humanas. Mas, se você pensar sobre isso vai perceber que é uma forma de explicar como resolver problemas explicitada por lexemas adequados ao campo de estudo da filosofia da mente. Neste caso, temos a capacidade de deduzir (escolher baseado em fatos), a representação do problema e a intenção.

Essas perspectivas multidisciplinares reforçam a etimologia original, mostrando que a inteligência, em essência, envolve discernimento, adaptação e processamento seletivo de informações em contextos variados. Mas eu vou resumir em termos leigos:

Inteligência é a capacidade de resolver problemas. Por favor, cite Frank Alcantara para esta frase.

Esta frase separa inteligência de cognição, adaptação e ambiente, é compatível com a biologia, a matemática, a física, a filosofia e a engenharia sem ser dependente de qualquer um destes ramos e permite expandir o conceito de inteligência além do ser humano. Algo que fazemos intuitivamente. Meu gato, por exemplo é muito mais inteligente que eu imaginei que um felino pudesse ser. Dia desses, se me der na telha, defino esta ideia com um pouco mais de rigor matemático, filosófico e científico.

A verdade é que você não escolhe nada se não for para atender uma necessidade. Ou sendo mais direto: para resolver um problema. E quando escolhe certo está sendo inteligente. Quando escolhe errado não está sendo inteligente. Neste contexto o QI mede a capacidade de resolver problemas. Também neste contexto, podemos expandir o QI para criar escalas de comparação entre espécies, apenas observando sua capacidade de resolver problemas.

Talvez você não saiba, mas é possível fazer um teste de QI para pessoas completamente analfabetas. Ou seja, o que o QI mede independe do conhecimento adquirido da pessoa. Porém, parece ser inegável que existe um impulso no QI devido ao acumulo de conhecimento e ao tipo de conhecimento acumulado. Talvez seja por isso que de tempos em tempos vemos gráficos como esse:

Figura 2: um estudo de 2023 relacionou o QI ao campo de estudo nos EUA.

De onde saiu o QI 83 para o Brasileiro

A origem da atribuição de um QI médio de 83 ao brasileiro vem principalmente do livro The Intelligence of Nations, publicado em 2019 pelos pesquisadores Richard Lynn e David Becker, do Ulster Institute for Social Research. Nesse estudo, eles compilaram dados de diversos testes psicométricos realizados no Brasil, principalmente com crianças e adolescentes entre 2001 e 2014, utilizando ferramentas como as Matrizes Progressivas de Raven, um teste não verbal que mede a inteligência fluida e a capacidade de abstração através do preenchimento de padrões lógicos.

Além das Matrizes progressivas de Raven, os autores aplicam ajustes metodológicos, incluindo correções pelo Efeito Flynn, o fenômeno observado mundialmente em que as pontuações médias de QI de uma população aumentam ao longo das décadas devido a melhorias em nutrição e educação, o que exige a atualização constante das normas dos testes.

Por fim, o estudo também utiliza ponderações por qualidade de amostra e integração de avaliações escolares como o PISA. O resultado final é uma estimativa de QI nacional de 83,38 para o Brasil.

Em trabalhos anteriores de Lynn, como o de 2002 (IQ and the Wealth of Nations), o valor para o Brasil era de 87, mas foi revisado para baixo na atualização de 2019. Outras fontes variam entre 83 e 87, dependendo da metodologia, mas o número exato de 83 é frequentemente ligado a essa publicação de 2019.

Essa estimativa é controversa devido a críticas sobre a representatividade das amostras (foco em regiões urbanas como São Paulo e Belo Horizonte), variações étnicas e fatores socioeconômicos não totalmente considerados. As críticas não são limitadas ao valor encontrado para o Brasil, alguns pesquisadores de outros países atacam a obra de Flynn destacando um viés racista e eugenista.

Se olharmos com cuidado o concesso acadêmico veremos que O trabalho de Lynn é, no mínimo, controverso. Seus achados são contestados por psicólogos (ex.: Jelte Wicherts, que mostrou viés em dados africanos, aplicável a contextos semelhantes), sociólogos e geneticistas, que rejeitam o conceito de QI nacional. A visão mainstream é que diferenças em QI são majoritariamente ambientais, não genéticas, e que o trabalho de Lynn promove racismo científico.

Em resumo, o consenso científico, representado por organizações como a APA e meta-análises publicadas em revistas como PNAS e Psychological Bulletin, afirma que efeitos sócio-ambientais (nutrição e educação, por exemplo) são predominantes em diferenças de QI entre grupos e ao longo do tempo, embora interajam com a genética em níveis individuais. Esses trabalhos refutam visões hereditárias extremas e enfatizam intervenções ambientais para mitigar desigualdades.

Mais uma para você guardar: efeitos sócio-ambientais (nutrição e educação, por exemplo) são predominantes em diferenças de QI entre grupos e ao longo do tempo, embora interajam com a genética em níveis individuais.

Porque Tantos Acreditam no QI 83

Se o trabalho que originou o QI 83 é tão controverso, e os cientistas envolvidos têm fama de monstros, como tantos acreditam nisso?

A resposta mais cínica é que tantos acreditam nisso simplesmente porque é verdade. Simples assim. Se a média do QI do Brasileiro for 83 o número de pessoas incapazes de entender este problema é tão grande que sim, milhões acreditarão. Ou seja, o assunto é complexo de tal forma que a quantidade de pessoas que acredita no resultado valida o próprio resultado.

Deu para ver como é complicado?

Com dois neurônios você precisa saber que se o estudo é polemico, você não pode aceitar que conclusões são verdadeiras. Com três deve saber que não deve aceitar, sem contestar, nem os estudos que têm o famoso consenso da comunidade.

O consenso é implacável e inútil.

Até 1609 o concesso científico dizia que o sol girava em torno da Terra. Copérnico foi ridicularizado até Galileu apontar uma luneta para Júpiter e encontrar pequenas esferas orbitando o planeta.

Na década de 1830 o médico Ignaz Semmelweis foi parar no manicômio por ter ido contra o concesso e dizer que os médicos precisavam lavar as mãos entre pacientes.

Até 1950 a lobotomia, retirada de uma parte do cérebro, era o tratamento indicado para depressão e TOC. A essa hora eu estaria babando e tremendo em algum asilo. O último procedimento registrado foi na França em 1986.

Até 1970 o universo estava comprimindo, ou no mínimo desacelerando. Hoje o concesso diz que ele está acelerando.

O consenso é só um momento congelado no tempo. Representa um ponto específico no processo de evolução do conhecimento. Historicamente, defender o consenso como uma verdade absoluta se mostrou uma decisão estúpida.

Pode ser mais simples que isso, pode ser simplesmente porque todos os dias, as redes sociais mostram coisas como o Bar dos Ratos.

Vídeo 2: Bar dos Ratos. Um evento social de jovens dançando dentro de um esgoto.

Ou pode ser porque usamos muito as redes sociais.

Figura 3: pequeno gráfico mostrando os países com mais uso de redes sociais.

Afinal, não faltam estudos indicando que as redes sociais tem impacto negativo no QI. Porem, deixando o cinismo e o fígado de lado, podemos tentar voltar um pouco. Lembra dos efeitos sócio-ambientais, como a educação e a nutrição, sobre o QI?

O Que os Brasileiros Dizem Sobre os Brasileiros

Enquanto Lynn e Becker olhavam o Brasil de fora, com amostras concentradas em regiões urbanas e instrumentos calibrados para outras populações, existe um indicador produzido dentro do país que mede, com metodologia rigorosa, o que o brasileiro de fato consegue fazer com a leitura e o cálculo no dia a dia. Esse indicador é o INAF, o Indicador de Alfabetismo Funcional, produzido pelo Instituto Paulo Montenegro em parceria com a ONG Ação Educativa.

Observe que aqui, estou fazendo uma concessão, de coração, ao trabalho de Cattell, que era tão, ou mais racista que Lynn e considerando que existe um impacto relacionado ao acumulo de conhecimento sobre o QI. Uma concessão muito, muito grande.

O INAF não pergunta ao brasileiro qual é o seu QI. Ele apresenta tarefas concretas: interpretar uma bula de remédio, calcular o troco de uma compra, entender um aviso de cobrança. Em outras palavras, ele mede exatamente o que a etimologia da palavra inteligência nos diz que ela é: a capacidade de resolver problemas reais.

Botei a palavra reais aqui só para concordar com os textos do INAF e para não perder a linha de raciocínio. Se estiver perdido, volte no começo.

Os resultados do estudo mais recente, divulgado em 2025 com dados de brasileiros entre 15 e 64 anos, são desconfortáveis, mas honestos:

29% da população se enquadra na categoria de analfabeto funcional, o que significa que quase um em cada três brasileiros tem muita dificuldade para interpretar textos curtos ou realizar operações matemáticas elementares, como calcular um desconto ou ler o horário de um ônibus.
Apenas 10% da população atinge o nível proficiente, a capacidade de elaborar textos complexos, integrar informações de múltiplas fontes e interpretar dados estatísticos.

Todo mundo foca nos 29%, eu vou voltar a isso. Mas agora vamos olhar para os 10%. Estes 10%, mais ou menos 20 milhões de pessoas, são as pessoas capazes de resolver problemas complexos. Se olharmos do melhor para o pior existe uma faixa de 61% que está entre proficiência e analfabetismo funcional.

A título de comparação, nos países escandinavos e no Japão, a proporção de adultos no nível proficiente ou equivalente supera 40%. O consenso científico diz que isso deve ser o resultado de décadas de investimento consistente na educação. E, pode ser exatamente isso.

Nós sabemos que existe um fator genético no QI, mas nunca conseguimos definir este fator sem cair nas armadilhas da eugenia e do racismo. Também sabemos que fatores como alimentação e educação afetam o QI. Então, sim, pode ser que alguns países tenham o QI médio maior que outros graças a educação e alimentação de qualidade, por décadas.

Guarde mais essa: o analfabetismo funcional é a impressão digital do abandono educacional, não da incapacidade cognitiva inata.

Em resumo: um sujeito lá do Reino Unido diz que o QI médio do brasileiro é 83, dizendo que metade da população tem retardo mental. Nós fazemos um estudo aqui e achamos que apenas 29% são analfabetos funcionais.

O problema acontece quando você faz as conexões das premissas: sabemos que a educação afeta o QI, sabemos que 61% está abaixo do bom, e que 29% está no nível muito ruim. Neste cenário, independente da raça ou da nacionalidade é possível imaginar uma curva de distribuição como a Figura 3.

Figura 4: distribuição hipotética do QI na população brasileira com média QI 83

Até onde eu sei, no Brasil, nunca foi realizada uma pesquisa abrangente de QI, puro e simples, sem levar em conta educação, nutrição, raça, herança genética, gênero, sexo, idade. Um simples teste da capacidade de resolução de problemas adequado as características de quem é alfabetizado, ou não. Faltando este teste, eu posso chutar qualquer distribuição que eu imaginar para validar o QI 83.

Na Figura 4 eu criei uma curva binormal, com uma concentração de alto QI proporcional tanto aos 10%, quanto aos 29% encontrados pelo INAF de forma que a média seja QI 83. Eu posso brincar com isso o dia todo e criar curvas como essa com a distribuição que eu quiser mantendo sempre a média 83.

E onde Chegamos com Isso Tudo

Esqueçam o QI 83 por um minuto. O Efeito Flynn descreve como o QI médio global subiu cerca de 3 pontos por década no século XX. Como a genética humana não muda tão rápido, isso parece indicar que que melhorias em nutrição, saneamento básico e educação infantil expandem o desenvolvimento cognitivo.

Aqui está o ponto mais importante de todo este texto: este QI 83 pode ser verdadeiro e resultado de educação de péssima qualidade.

Um analfabeto funcional, é incapaz de entender textos curtos ou realizar operações matemáticas elementares, como calcular um desconto ou ler o horário de um ônibus. Mas isso não é um degrau, existem graus diversos de analfabetismo funcional. Talvez a pessoa seja capaz de ler o horário do ônibus mas não seja capaz de entender juros, ou seus direitos legais.

Alguns analfabetos funcionais estão sendo formados em cursos superiores agora mesmo, enquanto você está lendo este texto. Outros, não terminaram nem o primeiro grau.

Para colocar esses 29% de analfabetos funcionais em uma perspectiva brutalmente prática e trazer o problema para o nosso dia a dia, podemos usar um pouco de probabilidade, a famosa regra do evento complementar. Se você quiser saber a chance de ter pelo menos um analfabeto funcional na sua próxima reunião, o jeito matemático mais elegante não é somar as probabilidades individuais, mas calcular a chance de todo mundo ali ser plenamente capaz de interpretar um texto (os 71% restantes) e subtrair isso do total.

A matemática é implacável: se você reunir aleatoriamente apenas 3 brasileiros, a chance de que pelo menos um deles não consiga entender um gráfico simples ou calcular um desconto já salta para assustadores 64,2% ($100\% - 0,71^3$).

Se a sua mesa de bar ou a equipe do projeto crescer para 4 pessoas, essa probabilidade sobe para quase três em quatro, batendo a marca de 74,6%. E se você juntar 5 brasileiros em uma sala, existe uma chance esmagadora de 82% ($100\% - 0,71^5$) de que a barreira do alfabetismo funcional esteja sentada ali com vocês.

Eu vejo o QI 83 como uma bandeira para você não esquecer as dificuldades do nosso país quando estiver conversando, ou negociando com alguém. O buraco educacional não é algo abstrato que acontece apenas nas estatísticas ou longe das grandes capitais ele permeia todas as nossas relações. Eu, você, seus parentes, amigos, chefes, professores, todos nós fomos formados no Brasil. Qual de nós é analfabeto funcional?

Referências

Cattell, R. B. (1943). The description of personality: Basic traits resolved into clusterss Journal of Abnormal and Social Psychology, 38, 476–506.
Cattell, R. B. (1949). Culture Fair Intelligence Test, Scale 1. Champaign, IL: Institute for Personality and Ability Testing.
Cattell, R. B. (1960). Culture Fair Intelligence Test, Scale 2. Champaign, IL: Institute for Personality and Ability Testing.
Cattell, R. B. (1963). Theory of fluid and crystallized intelligence: A critical experiment. Journal of Educational Psychology, 54(1), 1–22.
Horn, J. L., & Cattell, R. B. (1966). Refinement and test of the theory of fluid and crystallized general intelligences. Journal of Educational Psychology, 57(5), 253–270.
Jensen, A. R. (1998). The g factor: The science of mental ability. Westport, CT: Praeger.
LYNN, Richard; BECKER, David. The intelligence of nations. London: Ulster Institute for Social Research, 2019. 436 p. ISBN 978-0-9930001-6-4.
LYNN, Richard; VANHANEN, Tatu. IQ and the wealth of nations. Westport, CT: Praeger, 2002. 320 p. ISBN 978-0-2759751-0-4.
Gillham, N. W. (2001). A life of Sir Francis Galton: From African exploration to the birth of eugenics. Oxford: Oxford University Press.
Tucker, W. H. (1994). The science and politics of racial research. Urbana, IL: University of Illinois Press.
Tucker, W. H. (2002). The funding of scientific racism: Wickliffe Draper and the Pioneer Fund. Urbana, IL: University of Illinois Press.
WICHERTS, Jelte M.; DOLAN, Conor V.; MAAS, Han L. J. van der. A systematic literature review of the average IQ of sub-Saharan Africans. Intelligence, Amsterdam, v. 38, n. 1, p. 1-20, 2010. DOI: 10.1016/j.intell.2009.05.002.
Winston, A. S. (2000). Science in the service of ideology: The case of Raymond B. Cattell. History of Psychology, 3(1), 48–66.
INSTITUTO PAULO MONTENEGRO; AÇÃO EDUCATIVA. INAF Brasil 2025: Indicador de Alfabetismo Funcional. São Paulo: Instituto Paulo Montenegro, 2025. Disponível em: https://ipm.org.br/inaf.
MCCUTCHEON, Lynn E.; ZSILA, Ágnes; DEMETROVICS, Zsolt. Celebrity worship and cognitive skills revisited: applying Cattell’s two-factor theory of intelligence in a cross-sectional study. BMC Psychology, [s. l.], v. 9, n. 174, 2021. DOI: https://doi.org/10.1186/s40359-021-00679-3. Disponível em: https://bmcpsychology.biomedcentral.com/articles/10.1186/s40359-021-00679-3. Acesso em: 20 fev. 2026.