Geral

A nova alfabetização: por que dominar IA não é saber programação

Como a inteligência artificial se tornou infraestrutura simbólica, e por que isso exige critério, não apenas código

Gerson Diniz 28 de novembro de 2025 5 min

Em qualquer timeline, a promessa se repete: quem aprender a usar IA “antes dos outros” vai sobreviver à próxima curva do mercado. Cursos de prompt, bootcamps de programação, certificações relâmpago , tudo parece dizer a mesma coisa: ou você domina a máquina, ou será substituído por ela. É assim que a ideia de “dominar IA” se cola quase automaticamente à imagem da pessoa técnica: quem aprendeu Python, quem conecta APIs, quem automatiza processos complexos. A alfabetização em IA é vendida como uma espécie de novo “saber ler e escrever”, só que agora em linguagem de máquina. Quem não acompanha, supostamente volta a ser analfabeto num mundo que se redesenha à velocidade de um modelo atualizado.

Mas algo importante se perde nesse enredo: a IA não é apenas uma ferramenta técnica; é uma nova camada de mediação simbólica. Ela escreve, resume, recomenda, traduz, sugere imagens, desenha caminhos de decisão. E quando uma tecnologia passa a organizar o que vemos, o que dizemos e o que consideramos plausível, a pergunta deixa de ser apenas “como usar?” e passa a ser: como ler criticamente o que ela produz e decide por nós?

Em anúncios de cursos, trilhas de certificação e posts de “upskilling” em IA, uma fórmula aparece quase sempre igual: aprender a manipular prompts, automatizar fluxos, escrever scripts. A mensagem implícita é direta: quem domina ferramentas e linguagens domina a própria IA. Esse enquadramento reforça um mito confortável : A inteligência artificial é um território puramente técnico, acessível a quem “fala o código”. O que quase não se discute é que, mesmo quando não programamos, já estamos dentro do campo de força da IA: nossos feeds, pesquisas, imagens e até decisões de trabalho passam por filtros algorítmicos. A questão, então, deixa de ser “você sabe programar?” e passa a ser: você sabe ler o que esses sistemas estão fazendo com a sua percepção e com o seu trabalho?

Nessa chave, aprender IA se parece menos com aprender uma linguagem de programação e mais com aprender a interpretar uma nova camada de realidade mediada por modelos, com seus vieses, opacidades e automatismos.

Antes, o desafio era aprender a falar com a máquina em sua língua sintática. Hoje, o desafio é saber ler a simulação de linguagem que a máquina produz na nossa língua. Saímos da sintaxe dura para uma semântica suspeita: tudo parece plausível, fluido, publicável.

A tese da mente estendida propõe que nossas ferramentas cognitivas, cadernos, agendas, computadores, funcionam como extensões reais do nosso pensamento. A IA intensifica isso: ela não apenas armazena informação, mas sugere frases, imagens, argumentos, hipóteses. É como se o rascunho da nossa cognição estivesse terceirizado.

Aqui entra a metáfora da tipografia invisível. Uma boa tipografia organiza o texto sem chamar atenção para si mesma. A IA faz algo parecido com o nosso pensar: alinha ideias, suaviza arestas, gera conexões adequadas e, justamente por isso, corre o risco de normalizar o pensamento, empurrar tudo para um centro estatístico confortável.

Ser alfabetizado em IA, então, não é apenas saber usar essa tipografia invisível, e sim perceber quando o texto já não é mais nosso, quando o que dizemos é apenas a forma mais provável do que costuma ser dito. O que isso muda para quem trabalha com marketing, design e comunicação

Para profissionais de marketing e comunicação, a tentação é reduzir IA a automação de tarefas: rascunhos de texto, segmentações, testes A/B, variações de peças visuais. Não é pouco — mas é insuficiente. Em um campo que trabalha diretamente com linguagem, desejo e imaginário, alfabetização em IA significa, sobretudo, aprender a ler o que os modelos fazem com esses elementos.

Algumas práticas concretas podem ajudar:

• Tratar o prompting como exercício de pensamento, não apenas como atalho: variar perguntas, comparar respostas, analisar pressupostos embutidos.
• Instituir rotinas de checagem: o que o modelo deixou de fora? Que vozes some? Que estereótipos reaparecem?
• Combinar IA com escuta de campo: entrevistas, observação, dados qualitativos que devolvam textura humana ao que o modelo tende a suavizar.
• Discutir, em equipe, quando não usar IA: certos tipos de escuta, conflitos sensíveis, narrativas de grupos historicamente distorcidos.

Para designers, a questão é semelhante: reconhecer que modelos generativos tendem a reforçar padrões visuais globalizados e que o trabalho autoral passa, agora, por curar fricções, trazer contexto local, corpos reais, materialidades específicas para tensionar a estética “de catálogo” da IA.

A crença de que “dominar IA é saber programação” é confortável porque desloca a responsabilidade: se tudo é uma questão de linguagem de máquina, basta contratar ou se tornar o especialista técnico adequado. Mas quando entendemos IA como tipografia invisível, como extensão do pensamento e como infraestrutura de poder, essa crença se desfaz.

A nova alfabetização não pergunta apenas “como isso funciona?”, mas “o que isso faz com o que consideramos verdadeiro, belo, aceitável?”. E essa pergunta não se responde em linhas de código; responde-se na interseção entre teoria, prática e sensibilidade ética.

Talvez o verdadeiro marcador de maturidade em IA não seja o domínio de ferramentas, mas a capacidade de dizer não à resposta mais provável, de atrasar um pouco a eficiência para recuperar o tempo da interpretação.

Dominar IA não é dominar o código; é recusar que as máquinas escrevam o mundo sem o nosso critério.

Gerson Diniz

Sou cofundador do Autoclipper, uma plataforma de inteligência artificial para edição de vídeo que transforma vídeos longos em conteúdo otimizado para redes sociais. Desenvolvemos uma tecnologia que une automação e criatividade, apoiando criadores, agências e empresas na escalada de sua presença digital com qualidade e eficiência.