Alfabetização em IA não é alfabetização imediata. Ann Handley diz que é alfabetização em julgamento
Ann Handley postou algo no LinkedIn na semana passada que me interrompeu no meio da rolagem. Ela é autora de best-sellers do Wall Street Journal e uma das vozes mais respeitadas em marketing, e escreveu:
“A literacia em IA não é uma literacia imediata. É uma literacia de julgamento.”
Sua postagem passou a fazer uma pergunta que ninguém na indústria de treinamento em IA parece estar perguntando: “Por que continuamos ensinando as pessoas a usar a IA – sem nunca ensiná-las quando não o fazemos?”
Eu mandei uma mensagem para ela. Eu tinha que saber onde alguém iria para aprender isso.
Sua resposta honesta: “Não conheço nenhum curso que ensine exclusivamente isso. Na MarketingProfs, nossas sessões sobre IA normalmente incluem alguns slides que abordam quando não usar IA ou como se proteger contra alucinações, mas não conheço uma sessão ou série inteira.”
Ela acrescentou: “Acho que essa é realmente a história, e por que escrevi o que escrevi. Temos toda uma indústria construída em torno do treinamento em habilidades de IA – bootcamps de engenharia imediata, programas de certificação, tutoriais de ferramentas, um milhão de postagens no LinkedIn sobre as instruções perfeitas que você precisa para fazer isso ou aquilo, caso contrário você ficará para trás. O que não temos é nada que pergunte: quando você deve deixar a ferramenta de lado? Quando usá-la lhe custa algo que você não pretendia desistir?”
Essa lacuna é real e é mais importante do que a indústria de formação em IA reconhece atualmente.
A alfabetização imediata ocorre à tarde. A alfabetização em julgamento leva anos
A distinção que Ann faz não é sutil quando vista. A alfabetização imediata pode ser ensinada em uma tarde. Você aprende a sintaxe, a estrutura, o ciclo de refinamento iterativo. Você aprende a ser específico, a adicionar restrições, a dizer ao modelo o que não fazer e o que fazer. Isso é genuinamente útil e pode ser aprendido rapidamente.
A alfabetização em julgamento é algo completamente diferente. É saber quando a velocidade da produção de IA está realmente desgastando algo que você precisava construir lentamente. É reconhecer quando a luta em si é o ponto principal, quando o atrito de ainda não saber a resposta é o que produz a experiência que terá importância mais tarde. É a compreensão, como disse Ann, “quando a IA ajuda e quando ela abre caminho para a própria luta que nos ensina algo”.
Um comentarista em sua postagem disse com precisão:
“A alfabetização imediata pode ser ensinada em uma tarde e a alfabetização de julgamento leva anos, porque o julgamento consiste principalmente em saber o valor da luta que você estaria evitando.”
Há vários anos venho ministrando um curso on-line sobre conteúdo de IA em que o público realmente confia. E passei os últimos meses analisando o que o cenário de treinamento em IA realmente oferece aos profissionais. O padrão é consistente. Os cursos que existem (e agora existem muitos deles) ensinam o que as ferramentas podem fazer. Os melhores ensinam como implantá-los estrategicamente. Quase nenhum deles ensina quando colocá-los no chão.
Esta não é uma lacuna menor no currículo. É a questão central do momento atual.
Por que a lacuna existe
A indústria de treinamento em IA tem um problema estrutural de incentivos. Cursos que ensinam a usar ferramentas geram demanda por mais ferramentas, mais cursos, mais certificações. Não existe um modelo de negócios para ensinar contenção. Ninguém está construindo um bootcamp de engenharia imediato cuja lição principal seja “às vezes não faça isso”.
Mas o custo de ignorar a questão do julgamento é real e mensurável. A própria pesquisa da Anthropic descobriu que os engenheiros juniores que se apoiaram fortemente em agentes de codificação de IA demonstraram uma compreensão mais fraca de seu trabalho quando testados posteriormente. Quando a ferramenta produziu resultados, a luta que teria construído expertise não aconteceu. A produção e a experiência não são a mesma coisa.
Especificamente para profissionais de SEO e profissionais de marketing de conteúdo, a exposição é direta. O Mapa de Exposição Laboral de IA do MIT, sobre o qual escrevi na semana passada, descobriu que quase três quartos do tempo que um especialista em marketing passa no trabalho vai para tarefas que a IA já pode realizar. A questão não é usar IA para essas tarefas. Para muitos deles, você deveria. A questão é quais tarefas nesses 74% são realmente aquelas em que fazer é aprender, onde terceirizar a execução também terceiriza o entendimento que você precisava construir.
Essa questão requer julgamento. Não pode ser respondido por um prompt.
Cultura, não cursos
Quando perguntei a Ann onde os profissionais deveriam ir para desenvolver esse julgamento, sua segunda mensagem reformulou totalmente a questão.
“Será que realmente precisamos de um curso? Em vez disso, precisamos de permissão e de melhores modelos. Líderes que visivelmente escolhem o longo caminho. Gerentes que dizem em voz alta quando não vão usar a IA para determinadas coisas, e aqui está o porquê. Indivíduos que veem o valor. Dito de outra forma: cultura, não cursos.”
Vale a pena sentar-se com essa reformulação. O julgamento sobre quando não usar IA não é uma habilidade transmitida por meio de um programa de certificação. É uma norma profissional que é transmitida através da observação, observando alguém que você respeita fazer uma escolha deliberada de fazer algo de maneira lenta e humana, e depois explicando o porquê.
Ann tem um livro que será lançado em fevereiro de 2027 pela Penguin Random House chamado “ASAP (As Slow As Possible): Quando tomar o longo caminho em um mundo de atalhos”. O título captura a tensão com precisão. Numa cultura profissional que fez da velocidade a principal virtude, escolher a lentidão requer não apenas julgamento, mas coragem: a disposição de ser visto demorando mais quando todos ao seu redor estão acelerando.
O que os profissionais podem realmente tentar agora mesmo
O argumento de Ann sobre cultura, e não sobre cursos, está correto no longo prazo. Mas enquanto essa cultura ainda está em formação, os profissionais precisam de algo concreto. Aqui está um fluxo de trabalho que vale a pena replicar, extraído de um experimento que realizei com a equipe editorial do The Acton Exchange, um jornal comunitário sem fins lucrativos em Acton, Massachusetts, em novembro de 2025.
A equipe enfrentou um problema de prazo. Um comitê diretor acabara de realizar uma sessão de trabalho de três horas sobre uma questão crítica de reorganização do distrito escolar, revisando 156 páginas de materiais. A reunião não foi gravada, o que significa que nenhuma transcrição estava disponível. Mas as 101 páginas de informações suplementares e as 55 páginas de comentários públicos que a comissão recebeu antecipadamente estavam acessíveis.
Então, a equipe tentou algo novo. Elaboramos um prompt detalhado especificando o que o artigo precisava realizar: informações precisas e confiáveis, uma história convincente e relevante para os residentes. Carregamos todas as 156 páginas em quatro mecanismos de IA simultaneamente: ChatGPT, Gemini, Perplexity e NotebookLM. Cada mecanismo seguiu uma rota diferente a partir do mesmo prompt e do mesmo material de origem. ChatGPT produziu 748 palavras focadas em dados e processos. Gemini produziu 712 palavras focadas em por que o status quo não era mais viável. Perplexidade produziu 1.232 palavras focadas no significado das opções para os moradores. NotebookLM produziu 1.506 palavras organizadas em torno de cinco verdades surpreendentes.
Revisamos todos os quatro rascunhos juntos em uma reunião editorial geral. O rascunho de Perplexity foi o mais preciso e o mais útil como base. Nós o escolhemos como ponto de partida. Em seguida, fizemos o que nenhum mecanismo de IA poderia fazer: adicionamos citações diretas de pessoas que estavam na sala, refletindo as vozes da comunidade que o Acton Exchange existe para representar.
A principal lição deste experimento não é qual mecanismo teve melhor desempenho. É o que o processo revelou sobre o julgamento. O gerente municipal, John Mangiaratti, havia observado algumas semanas antes que as ferramentas eram úteis para os primeiros 75% do conteúdo, mas que “os 25% restantes de detalhes, nuances e contexto estão ausentes ou incorretos”. O superintendente Peter Light concordou, acrescentando que a qualidade melhora com melhores solicitações de entrada.
Essa divisão 75/25 é um quadro prático para qualquer fluxo de trabalho de conteúdo. Use a IA para chegar rapidamente a 75% do caminho. Em seguida, aplique a experiência humana, a verificação da fonte primária e a observação direta para colmatar a lacuna. Os 25% que exigem um humano não são um bug no fluxo de trabalho. É onde mora o julgamento.
Antes de adotar qualquer ferramenta de IA em seu processo de conteúdo, converse explícitamente com seu editor ou equipe sobre quais tarefas a IA realizará e quais requerem supervisão humana. Documente sua solicitação. Execute o mesmo prompt em mais de um mecanismo quando os riscos forem altos. Verifique os resultados em relação às fontes primárias antes de publicar. E divulgue seu processo ao seu público, como fez o Acton Exchange no final deste artigo publicado.
Ann Handley está certa ao dizer que a verdadeira habilidade é o julgamento: saber quando a velocidade é útil e quando ela realmente corrói algo que você precisava construir. A experiência Acton Exchange não resolveu essa questão. Tornou a questão visível de uma forma que um curso rápido de engenharia nunca faria.
A alfabetização imediata leva você a 75%. A alfabetização de julgamento é o que fecha o resto.
Mais recursos
Imagem em destaque: Yuriy2012/Shutterstock
