PODE A INTELIGÊNCIA ARTIFICIAL SER UM AGENTE DE JUSTIFICAÇÃO EPISTÊMICA?RESUMO
A difusão de Inteligência Artificial (IA) generativa na educação intensificou uma tensão epistemológica: podem sistemas artificiais atuar como agentes de justificação de crenças? Este artigo investiga essa questão com base na epistemologia da virtude (Zagzebski, Sosa, Pritchard) e na epistemologia social (Goldman, Fricker, Lackey), articuladas com Freire, Bourdieu e Adorno. Ainda, propõe cinco critérios constitutivos de agência epistêmica genuína, demonstrando que sistemas de IA não os satisfazem. Quando utilizados como substitutos da justificação, induzem heteronomia epistêmica que compromete o desenvolvimento autônomo do aprendiz. A distinção entre IA como ferramenta, prótese e agência delegada oferece padrão normativo para seu uso educacional.
Palavras-chave
Epistemologia da virtude; Inteligência artificial; Agência epistêmica; Educação; Autonomia cognitiva
ABSTRACT
The spread of generative AI in education has intensified an epistemological tension: can artificial systems serve as agents of belief justification? This article investigates from virtue epistemology (Zagzebski, Sosa, Pritchard) and social epistemology (Goldman, Fricker, Lackey), articulated with Freire, Bourdieu, and Adorno. It proposes five constitutive criteria of genuine epistemic agency, demonstrating that AI systems fail to satisfy them. When used as substitutes for justification, they induce epistemic heteronomy compromising autonomous learner development. The distinction between AI as tool, prosthetic, and delegated agency provides a normative standard for educational use.
Keywords
Virtue epistemology; Artificial intelligence; Epistemic agency; Education; Cognitive autonomy
RESUMEN
La difusión de IA generativa en educación ha intensificado una tensión epistemológica: ¿pueden sistemas artificiales servir como agentes de justificación de creencias? Este artículo investiga desde epistemología de la virtud (Zagzebski, Sosa, Pritchard) y epistemología social (Goldman, Fricker, Lackey), articuladas con Freire, Bourdieu y Adorno. Propone cinco criterios constitutivos de agencia epistémica genuina, demostrando que sistemas de IA no los satisfacen. Cuando se utilizan como sustitutos de la justificación, inducen heteronomía epistémica que compromete el desarrollo autónomo del aprendiz. La distinción entre IA como herramienta, prótesis y agencia delegada proporciona estándar normativo para su uso educativo.
Palabras clave
Epistemología de la virtud; Inteligencia artificial; Agencia epistémica; Educación; Autonomía cognitiva
Introdução e Problematização
A difusão de Inteligência Artificial (IA) generativa na educação intensificou uma tensão epistemológica: podem sistemas artificiais atuar como agentes de justificação de crenças? Este artigo investiga essa questão com base na epistemologia da virtude (Zagzebski, Sosa, Pritchard) e na epistemologia social (Goldman, Fricker, Lackey), articuladas com Freire, Bourdieu e Adorno. Ainda, propõe cinco critérios constitutivos de agência epistêmica genuína, demonstrando que sistemas de IA não os satisfazem. Quando utilizados como substitutos da justificação, induzem heteronomia epistêmica que compromete o desenvolvimento autônomo do aprendiz. A distinção entre IA como ferramenta, prótese e agência delegada oferece padrão normativo para seu uso educacional.
A pergunta não é meramente técnica, nem exclusivamente ética no sentido restrito do termo. Ela é, antes de tudo, epistemológica e profundamente pedagógica. Sistemas de IA, em suas versões mais sofisticadas, são capazes de gerar respostas coerentes, recuperar informações precisas, identificar padrões em dados complexos e adaptar suas saídas a perfis de usuários. Mas ser capaz de realizar essas operações computacionais equivale a exercer agência epistêmica genuína? A epistemologia contemporânea, em particular a epistemologia da virtude e a epistemologia social, oferece um conjunto de recursos conceituais capazes de responder a essa pergunta com maior precisão do que as narrativas tecnológicas dominantes permitem. Igualmente importante, porém, é a perspectiva da Teoria Social da Educação: o uso de IA na educação não é meramente um problema técnico ou epistemológico, mas um problema de formação humana, de desenvolvimento do sujeito como ser autônomo e crítico.
Paulo Freire (1996) denunciou a “educação bancária”, na qual o educador deposita conhecimentos passivamente no educando, transformando este em recipiente inerte. A crítica freireana é radical: não basta transmitir conteúdos; é necessário que o educando se torne sujeito de seu próprio processo de aprendizagem. Essa subjetificação (Biesta, 2010) exige que o estudante não apenas receba informação, mas que seja capaz de questionar, argumentar e justificar suas próprias crenças. Quando sistemas de IA assumem o papel de mediadores do conhecimento, sem que o estudante mantenha o controle reflexivo sobre sua justificação, corre-se o risco de reinventar a educação bancária sob novas roupagens tecnológicas. Tal movimento, aparentemente progressivo e humanizado (porque é personalizado), pode mascarar uma nova forma de heteronomia epistêmica.
A tese que este artigo defende é a seguinte: sistemas de inteligência artificial não satisfazem as condições filosófico-normativas de agência epistêmica genuína, porque lhes faltam precisamente os componentes que a epistemologia da virtude considera constitutivos do conhecimento como conquista cognitiva, a saber, motivação intelectual autêntica, responsividade genuína a razões e a capacidade de exercer virtudes intelectuais como disposições de caráter. Em consequência, quando sistemas de IA são utilizados como substitutos do processo de justificação epistêmica no contexto educacional, o resultado não é o fortalecimento da agência cognitiva do aprendiz, mas a sua progressiva dependência epistêmica induzida – um tipo de heteronomia que vai além da simples dependência de uma pessoa em relação a outra, porque a dependência é formalizada, opaca e despersonalizada.
Essa tese dialoga com um debate em rápida expansão na filosofia analítica anglófona. Entre 2024 e 2025, uma série de artigos publicados em periódicos de alto impacto, como Minds and Machines, Social Epistemology, Science and Engineering Ethics e Journal of Philosophy of Education, retomou a questão da agência epistêmica de sistemas de IA a partir de perspectivas variadas. Ferrario, Facchini e Termine (2024) argumentam, com base em Zagzebski, que sistemas de IA não satisfazem as condições de expertise epistêmica, porque expertise genuína requer uma relação com a compreensão que sistemas artificiais não podem estabelecer. Hauswald (2025) examina criticamente o estatuto dos sistemas de IA como autoridades epistêmicas no sentido zagzebskiano, discutindo em que medida poderiam assumir responsabilidade por crenças e ser responsivos a razões de maneira não programada. Coeckelbergh (2025) analisa como a mediação de IA no processo de revisão de crenças produz implicações normativas preocupantes para a autonomia epistêmica dos usuários.
O presente artigo contribui a esse debate de duas maneiras fundamentais. Em primeiro lugar, examina o problema especificamente no contexto educacional, no qual a dependência epistêmica não é apenas um fenômeno individual, mas tem implicações estruturais para a formação de sujeitos cognitivos autônomos. A educação, entendida desde a filosofia de John Dewey até a pedagogia crítica contemporânea, tem como uma de suas metas centrais o desenvolvimento da capacidade de pensar por si mesmo – capacidade que a epistemologia da virtude articula como o cultivo de virtudes intelectuais. Se sistemas de IA substituem ou contornam esse processo, a questão que se coloca é epistemicamente urgente e pedagogicamente crucial. Em segundo lugar, o artigo articula uma distinção conceitual que a literatura existente não desenvolveu de forma sistemática: a distinção entre IA como ferramenta epistêmica legítima e IA como agente epistêmico ilegítimo. Enquanto ferramenta, a IA pode legitimamente ampliar as capacidades cognitivas humanas, desde que o sujeito que a utiliza mantenha o controle reflexivo sobre o processo de justificação. Enquanto agente, a IA assumiria um papel que, filosófica e normativamente, ela não pode assumir, porque lhe faltam as condições constitutivas da agência epistêmica.
Para desenvolver esse argumento, o artigo organiza-se da seguinte maneira. A próxima seção apresenta o quadro teórico de acordo com a epistemologia da virtude responsabilista (Zagzebski, 1996; Roberts; Wood, 2007) e da epistemologia da virtude confiabilista (Sosa, 2007; Pritchard, 2005), identificando os critérios que permitem avaliar quando um sistema pode ser considerado um agente epistêmico genuíno. A esse quadro acrescenta-se uma síntese conceitual que diferencia, de modo explícito, agência, autoridade, dependência e heteronomia epistêmicas. Esta apresentação é complementada por uma articulação com a Teoria Social Crítica da Educação (Freire, Bourdieu, Adorno), que fornece o contexto social e histórico dessa discussão. A seção seguinte descreve o método de análise conceitual adotado, elucidando ainda, em chave conceitual, o funcionamento técnico dos sistemas de IA generativa sobre os quais a análise incide. A quarta seção aplica esses critérios aos sistemas de IA na educação, examinando três casos paradigmáticos e propondo contra-argumentos aos defensores da agência de IA. A quinta seção apresenta a distinção normativa entre os três modos de relação epistêmica e deriva consequências para a Teoria da Educação. As considerações finais sintetizam a tese central e indicam linhas de investigação futura.
Uma observação terminológica é necessária antes de prosseguir. O uso do termo “inteligência artificial” neste artigo não pressupõe que os sistemas assim denominados sejam inteligentes no sentido filosófico-robusto do termo. Ao contrário, parte-se da premissa de que a questão de se sistemas de IA são ou não inteligentes nesse sentido é precisamente o que está em disputa. O uso do termo é, portanto, convencional e descritivo de uma categoria tecnológica, não normativo. Essa compreensão é necessária porque, como argumenta Alvarado (2023), os sistemas de IA são primariamente tecnologias epistêmicas no sentido funcional, isto é, sistemas projetados para operar sobre conteúdo epistêmico como dados, predições e análises, sem que isso implique qualquer compromisso com teses mais fortes sobre sua natureza mental ou capacidade genuína de conhecer.
Quadro Teórico: Epistemologia da Virtude, Epistemologia Social
e Teoria Crítica da Educação
Epistemologia da virtude: Conhecimento como conquista cognitiva
A epistemologia da virtude constitui-se como uma das mais influentes correntes da epistemologia contemporânea, ao propor que o fenômeno do conhecimento só pode ser adequadamente compreendido a partir das disposições cognitivas do sujeito que conhece, e não apenas a partir das relações formais entre crenças, verdade e justificação. Duas versões principais dessa perspectiva são relevantes para os fins deste artigo: o confiabilismo da virtude e o responsabilismo da virtude.
O confiabilismo da virtude, cujo principal representante é Ernest Sosa (2007), sustenta que o conhecimento exige que a crença verdadeira seja produzida pelo exercício de uma habilidade ou faculdade cognitiva confiável do sujeito. Sosa distingue entre animal knowledge e reflective knowledge. O primeiro tipo de conhecimento é aquele em que uma crença verdadeira é produzida por uma faculdade confiável, mas sem que o sujeito precise refletir sobre essa confiabilidade. O segundo exige que o sujeito seja capaz de avaliar reflexivamente suas próprias faculdades cognitivas e de situar sua crença em uma perspectiva mais ampla que inclui a autoconsciência de suas próprias capacidades. Essa distinção é crucial para o presente argumento: um sistema de IA pode, em muitos casos, produzir saídas verdadeiras de maneira confiável, satisfazendo, de modo superficial, a condição de animal knowledge. Entretanto, não é capaz de exercer a reflexividade epistêmica que constitui o reflective knowledge, porque isso exigiria uma forma de autoconsciência e de intencionalidade autêntica da qual sistemas artificiais carecem constitutivamente.
Duncan Pritchard (2005, 2015) contribui ao debate com a distinção entre conhecimento e mera crença verdadeira acidental, para a qual desenvolve o que denomina condição de segurança: uma crença constitui conhecimento apenas se, nas situações mais próximas à situação atual, o sujeito não teria essa crença de modo falso. Mais relevante para os fins deste artigo é sua análise da dependência epistêmica: a possibilidade de que sujeitos cognitivos adquiram crenças verdadeiras por meio de processos que não expressam suas próprias habilidades cognitivas, mas sim as habilidades ou operações de outro agente. Pritchard argumenta que crenças adquiridas inteiramente por dependência de fontes externas, sem que o sujeito exerça qualquer habilidade cognitiva própria, não constituem conhecimento genuíno no sentido pleno, mesmo que sejam verdadeiras e justificadas, porque o sucesso epistêmico não pode ser atribuído ao sujeito como conquista sua.
O responsabilismo da virtude, cuja elaboração mais sistemática é encontrada em Linda Zagzebski (1996), propõe uma fundação mais robusta para a epistemologia da virtude ao aproximar as virtudes intelectuais das virtudes morais no sentido aristotélico. Para Zagzebski, uma virtude intelectual é uma disposição de caráter que inclui tanto um componente motivacional, o desejo genuíno de conhecer a verdade, quanto um componente de habilidade, a capacidade de atingir o objetivo epistêmico de modo confiável. O conhecimento, nessa perspectiva, é definido como “crença verdadeira que resulta de um ato de virtude intelectual” (Zagzebski, 1996, p. 271). Essa definição tem uma implicação decisiva: só pode ser sujeito de conhecimento genuíno aquele que é capaz de ser motivado pelo amor à verdade e de exercer disposições intelectuais como abertura a evidências, perseverança cognitiva, humildade intelectual e curiosidade genuína. Sistemas de IA não possuem essas motivações de forma autêntica; suas respostas a razões resultam da amostragem de uma distribuição estatística aprendida sobre a linguagem, e não de uma deliberação reflexiva sensível a razões.
Roberts e Wood (2007) desenvolvem a fenomenologia dessas disposições, distinguindo entre virtudes epistêmicas, como amabilidade intelectual, firmeza e seriedade cognitiva, e vícios epistêmicos, como dogmatismo, preguiça intelectual e fechamento prematuro de questões. O ponto que nos interessa é que essas virtudes e vícios pressupõem um sujeito capaz de ser afetado por razões, de revisar suas disposições em função de experiências e de ser responsabilizado por suas falhas cognitivas. Sistemas de IA não satisfazem nenhuma dessas condições: não são afetados por razões no sentido normativo (apenas por dados processados), não revisam suas disposições de maneira genuinamente reflexiva (apenas recalibram parâmetros estatísticos), e não podem ser responsabilizados por falhas epistêmicas da mesma maneira que sujeitos humanos, porque carecem de agência moral e da capacidade de compreender o significado normativo de suas ações.
É importante explicitar, neste ponto, em que medida a epistemologia da virtude fornece o fundamento normativo dos critérios de agência epistêmica que adiante se mobilizarão. A tese não é que tais critérios sejam estipulados ad hoc, mas que derivam das condições que as próprias teorias da virtude estabelecem para que uma crença verdadeira conte como conhecimento. Da definição de Zagzebski (1996), segundo a qual o conhecimento é crença verdadeira que resulta de um ato de virtude intelectual, extrai-se a exigência de um componente motivacional autêntico, o amor à verdade, que fundamenta o critério de motivação epistêmica genuína. Da distinção de Sosa (2007) entre crença apta e conhecimento reflexivo, articulada em sua estrutura tripartite de acurácia, habilidade e aptidão (a crença é verdadeira porque hábil), deriva-se a exigência de reflexividade de segunda ordem, pela qual o sujeito avalia a confiabilidade das próprias faculdades. Da condição anti-sorte e da noção de conquista cognitiva de Pritchard (2005) decorre o fundamento para recusar como conhecimento genuíno aquilo que o sujeito não pode atribuir ao exercício de suas próprias habilidades. E da epistemologia regulativa de Roberts e Wood (2007), que situa as virtudes como disposições de caráter pelas quais o agente pode ser responsabilizado, deriva-se o critério de responsabilidade epistêmica. A agência epistêmica, portanto, não é um pressuposto do argumento, mas uma propriedade cujas condições constitutivas a epistemologia da virtude permite especificar para, em seguida, submeter a teste.
Epistemologia social: Justificação como prática social
A epistemologia social oferece o segundo pilar teórico deste artigo. Alvin Goldman (1999) desenvolveu o que denomina epistemologia social veritística, uma avaliação das práticas e instituições sociais pela sua capacidade de produzir crenças verdadeiras. Nessa perspectiva, sistemas de IA podem ser avaliados como práticas sociais epistêmicas: contribuem para ou prejudicam a produção social de crenças verdadeiras? A resposta de Goldman seria nuançada: sistemas de IA podem, em determinadas circunstâncias, aumentar a produção social de crenças verdadeiras. Mas isso não é suficiente para que sejam considerados agentes epistêmicos, porque o valor veritístico não esgota o que constitui uma boa prática epistêmica. É necessário que a verdade seja alcançada por meios que preservem a autonomia cognitiva dos participantes.
Jennifer Lackey (2008) contribui ao debate com sua análise da epistemologia do testemunho. Para que o testemunho funcione como fonte de justificação, é necessário que o ouvinte aceite o relato com base na confiança de que o falante está motivado pela verdade e pela comunicação objetiva. Quando o ouvinte não tem qualquer razão para acreditar que o falante é genuinamente motivado pela verdade, como é o caso com sistemas de IA, a justificação obtida por essa via é frágil ou, em casos extremos, não genuína. Um estudante que recebe uma resposta de um assistente de IA não pode confiar que o sistema foi motivado pelo desejo de verdade; pode apenas confiar que foi treinado para gerar respostas plausíveis.
Miranda Fricker (2007) acrescenta uma dimensão normativa fundamental ao debate com seus conceitos de injustiça epistêmica. Segundo a autora, esta ocorre quando a capacidade de alguém de ser um conhecedor ou de contribuir para o conhecimento social é sistematicamente prejudicada. Quando sistemas de IA assumem o papel de mediadores do conhecimento educacional, corre-se o risco de uma forma específica de injustiça epistêmica: o estudante é tratado como recipiente passivo de informação, não como potencial conhecedor e participante ativo na construção do conhecimento. Além disso, a opacidade dos sistemas de IA, ou seja, o fato de que mesmo seus desenvolvedores não conseguem explicar inteiramente como chegam a suas conclusões, impede que o estudante desenvolva a capacidade de questionar, validar ou reconstruir o conhecimento oferecido. Isso constitui uma forma de silenciamento epistêmico estrutural.
Elizabeth Fricker (2006) analisa especificamente a tensão entre testemunho e autonomia epistêmica. A autora argumenta que, para que o testemunho preserve a autonomia do ouvinte, é necessário que o ouvinte mantenha a capacidade crítica de avaliar o testemunho. Todavia, quando o testemunho é oferecido por um sistema opaco como um grande modelo de linguagem, o aprendiz frequentemente não dispõe das ferramentas conceituais ou técnicas para exercer essa avaliação crítica. Assim, a dependência do testemunho transforma-se em dependência não reflexiva, isto é, em heteronomia epistêmica.
A epistemologia social permite, ainda, distinguir com rigor dois conceitos cuja diferenciação o processo de avaliação corretamente solicita: autoridade epistêmica e dependência epistêmica. Zagzebski (2012) oferece a análise mais influente da primeira por meio da tese da preempção: reconhecer alguém como autoridade epistêmica significa tomar o fato de que essa autoridade crê que p como uma razão para crer que p que substitui as minhas próprias razões. Tal substituição só é racional, segundo a autora, quando ancorada na autoconsciência epistêmica do sujeito, isto é, na constatação de que, ao confiar naquela autoridade, é mais provável que eu satisfaça meus próprios fins epistêmicos do que se deliberasse sozinho; e quando a autoridade é, ela mesma, um agente consciencioso, responsivo a razões e responsável por suas crenças. A dependência epistêmica, por sua vez, tal como analisada por Pritchard (2005) e por Lackey (2008), é a confiança, frequentemente inevitável e legítima, que os sujeitos depositam em fontes externas para a aquisição de crenças verdadeiras: a quase totalidade do que sabemos repousa sobre o testemunho alheio, de modo que depender não é, em si, um defeito epistêmico. O problema não está em depender, mas em depender de um modo que dispense a capacidade crítica de avaliar aquilo de que se depende. É precisamente aqui que a mediação de IA se distingue do testemunho humano: o sistema convida à preempção; oferece respostas que o usuário tende a tomar como substitutas de suas próprias razões, sem satisfazer nenhuma das condições que, para Zagzebski, tornam a preempção racional, pois não é um agente consciencioso, nem responsivo, nem responsável. A autoridade aparente do sistema é, nesse sentido, uma autoridade sem os fundamentos que a legitimariam.
Teoria Crítica da Educação: Autonomia, Violência Simbólica e Semiformação
Paulo Freire (1996) oferece uma crítica fundamental à educação como transmissão passiva de conhecimentos, que ele denomina “educação bancária”. Nessa forma de educação, o professor deposita conhecimentos no estudante, que funciona como recipiente passivo. A alternativa freireana é a educação dialógica, na qual professor e estudante são parceiros no processo de conhecimento. Essa perspectiva é diretamente relevante ao problema da IA na educação: se sistemas de IA funcionam como transmissores de informação sem que o estudante seja chamado a questionar, refletir e reconstruir esse conhecimento, reproduzem, de forma tecnologicamente modernizada, a estrutura da educação bancária. Freire enfatiza que a verdadeira educação exige que o educando se torne consciente e autônomo, capaz de humanizar-se por meio da ação consciente sobre o mundo. A heteronomia epistêmica induzida pela IA educacional funciona como obstáculo a essa humanização.
Pierre Bourdieu (1970) desenvolveu a análise da “violência simbólica”, um conceito que permite compreender como práticas sociais aparentemente neutras podem reforçar desigualdades e exercer poder de forma imperceptível. A educação, para Bourdieu, é um espaço privilegiado de exercício de violência simbólica: ao privilegiar certos saberes sobre outros, ao impor certos modos de pensar e valorar como naturais ou corretos, a educação funciona como reprodução de estruturas sociais de domínio. Quando sistemas de IA assumem o papel de mediadores neutros do conhecimento, pode haver uma forma insidiosa de violência simbólica: os preconceitos, vieses e pressupostos incorporados nos dados de treinamento são apresentados como conhecimento objetivo, sem que o aprendiz tenha a oportunidade crítica de questionar as estruturas de poder que moldaram esses dados. Além disso, a autoridade aparentemente técnica e impessoal dos sistemas de IA pode funcionar como legitimação de estruturas de poder mais amplas, na medida em que exime a agência humana da responsabilidade pelas decisões educacionais.
Theodor Adorno (1966) advertiu contra o risco de “semiformação” (Halbbildung) na sociedade contemporânea. Semiformação é um estado em que o indivíduo adquire informações e saberes desconectados, sem conseguir integrá-los em uma compreensão crítica coerente. Adorno alertava que a indústria cultural, ao oferecer conteúdo pré-digerido e superficial, produzia esse estado de semiformação. O paralelo com a IA educacional é preocupante: sistemas que oferecem respostas instantâneas e sempre disponíveis, sem exigir esforço cognitivo genuíno ou reflexão profunda, podem funcionar como instrumentos de semiformação moderna. A educação que cultiva virtudes intelectuais, ao contrário, exige resistência, esforço e o enfrentamento de dificuldades, exigências que a IA facilista tende a contornar. Consequentemente, o uso acrítico de IA pode transformar a educação em uma forma de semiformação tecnologicamente mediada.
Gert Biesta (2010) propõe que a educação tem três funções principais: qualificação (transmissão de saberes e habilidades), socialização (integração em comunidades culturais) e subjetificação (desenvolvimento da capacidade de agir como sujeito único e responsável). Frequentemente, a educação contemporânea enfatiza excessivamente as duas primeiras funções, negligenciando a terceira. O uso de IA educacional acentua esse risco: sistemas de IA são particularmente eficazes em qualificação (transferência de informação) e, até certo ponto, em socialização (integração em práticas digitais). Entretanto, são fundamentalmente incapazes de promover subjetificação autêntica, porque esta exige a presença de outro sujeito responsável, cuja agência ética e existencial entra em diálogo com a do aprendiz. Um sistema sem agência genuína não pode oferecer essa presença responsável. Portanto, educação orientada exclusiva ou predominantemente por IA tende a produzir qualificação e socialização sem subjetificação, resultando em indivíduos informados, mas não necessariamente autônomos.
Distinção Analítica Central: Ferramenta, Prótese e Agência Delegada
A partir dos recursos teóricos apresentados, é possível articular uma distinção tripartite que captura os diferentes modos pelos quais sistemas de IA podem ser integrados em processos educacionais. Essa distinção é normativa, não meramente descritiva: ela identifica qual modo de integração é filosoficamente aceitável e qual não o é.
O primeiro modo é a relação de ferramenta epistêmica. Nele, a IA funciona como um instrumento que o aprendiz manipula deliberadamente para expandir suas capacidades cognitivas, mantendo o controle reflexivo sobre o processo. Um exemplo seria o uso de sistemas de busca para localizar informações que o aprendiz depois analisa criticamente. Nesse caso, a IA não substitui a justificação epistêmica; amplifica os recursos disponíveis ao aprendiz para que ele próprio realize essa justificação. Este modo é epistemicamente legítimo porque preserva a agência epistêmica do aprendiz.
O segundo modo é a relação de prótese epistêmica. Aqui, a IA é integrada de forma mais profunda no processo cognitivo do aprendiz, funcionando como extensão de suas faculdades cognitivas. Um exemplo seria um assistente que ajuda o aprendiz a organizar seu pensamento, oferecendo estruturas de raciocínio que o aprendiz depois preenche com seu próprio conteúdo. A análise aqui é mais delicada. Uma prótese substitui uma faculdade danificada ou insuficiente, permitindo ao corpo realizar funções que de outro modo não poderia. No entanto, uma prótese epistêmica corre o risco de atrofiar a faculdade que deveria ser desenvolvida durante a educação. Se um sistema de IA oferece continuamente estruturas de raciocínio prontas, o aprendiz pode nunca desenvolver a capacidade de construir essas estruturas autonomamente. Este modo é epistemicamente problemático porque, mesmo que preserve certa forma de agência, pode prejudicar o desenvolvimento educacional.
O terceiro modo é a relação de agência delegada. Aqui, o aprendiz delega inteiramente ao sistema a tarefa de justificar, avaliar ou resolver problemas epistêmicos. Exemplos incluem sistemas que geram ensaios completos, que respondem a questões de exame, ou que avaliam a qualidade das argumentações dos alunos. Nesse caso, a IA não funciona como ferramenta ou prótese, mas como substituta da agência epistêmica.
Este modo é epistemicamente inaceitável, tanto do ponto de vista filosófico quanto do pedagógico: do ponto de vista filosófico, porque anula a condição de Pritchard de que o conhecimento genuíno deve ser uma conquista do sujeito; e do ponto de vista pedagógico porque viola a exigência freireana de subjetificação. Quando a agência é delegada, o aprendiz não se desenvolve como sujeito autônomo, mas como consumidor passivo de artefatos cognitivos.
Essa distinção tripartite retoma e expande elementos presentes em Carter e Pritchard (2015) e em Selwyn (2019), oferecendo um padrão normativo para avaliar usos específicos de IA em educação. Não se trata de dizer que toda IA na educação é problemática. Trata-se, antes, de identificar quais modos de integração preservam a agência epistêmica e o desenvolvimento educacional, e quais modos a comprometem.
Síntese Conceitual: Agência, Autoridade, Dependência e Heteronomia Epistêmica
Os recursos teóricos reunidos permitem fixar, de modo explícito, a distinção entre quatro conceitos que percorrem todo o argumento e cuja confusão comprometeria a análise. Agência epistêmica designa a capacidade de um sujeito de ser a fonte da justificação de suas próprias crenças: de formá-las, revisá-las e defendê-las pelo exercício de suas próprias virtudes intelectuais; é um conceito fundamentado na epistemologia da virtude e que admite graus, podendo ser cultivado ou atrofiado. Autoridade epistêmica é um conceito relacional: designa o estatuto pelo qual a crença de um sujeito, ou o seu testemunho, constitui para outro uma razão para crer; como mostra Zagzebski (2012), a autoridade legítima não anula a agência de quem a reconhece, mas é exercida a partir da própria racionalidade do sujeito que, conscienciosamente, julga ser epistemicamente mais bem servido ao confiar. Dependência epistêmica é a relação de fato pela qual um sujeito adquire crenças por meio de outros; é ubíqua e, na maior parte das vezes, legítima, pois nenhum indivíduo poderia verificar por si toda a rede de saberes de que depende. Heteronomia epistêmica, por fim, é a forma patológica da dependência: o estado em que o sujeito não pode, em princípio, submeter à crítica aquilo de que depende, de modo que a dependência deixa de apoiar e passa a substituir a agência. A heteronomia não é, pois, o oposto da dependência, mas a sua degeneração, a dependência que se tornou estruturalmente irreflexiva.
Essas distinções permitem enunciar com precisão a tese normativa do artigo. A integração de IA na educação não é censurável por instaurar dependência, uma vez que toda educação implica formas legítimas de dependência epistêmica: do aluno em relação ao professor, do leitor em relação ao autor. O que se argumenta é que a mediação de IA, quando substitui o processo de justificação, converte dependência legítima em heteronomia, e o faz por uma via específica que a distingue da dependência interpessoal: a autoridade que o sistema aparenta não se ancora em compreensão, responsividade ou responsabilidade, das quais ele carece, e a sua opacidade impede o exercício da avaliação crítica que tornaria a dependência reflexiva. A heteronomia assim produzida é induzida, não decorre de uma limitação real do aprendiz, mas é fabricada pela estrutura da mediação e, ao contrário da dependência de um mestre – que é, ao menos em princípio, interrogável e responsável –, apresenta-se formalizada, opaca e despersonalizada.
É também neste ponto que as três tradições mobilizadas se articulam, e não apenas se justapõem. A epistemologia da virtude fornece os critérios constitutivos da agência epistêmica, isto é, do que é ser fonte do próprio conhecimento. A epistemologia social fornece a análise das relações em que essa agência se exerce ou se perde: autoridade, testemunho, dependência, e os instrumentos para distinguir suas formas legítimas das ilegítimas, incluindo a categoria de injustiça epistêmica (Fricker, 2007). A Teoria Crítica da Educação fornece, por fim, aquilo que falta às duas primeiras: a compreensão do que está em jogo, formativa e politicamente, quando a agência epistêmica é comprometida. Porque a agência epistêmica não é, na educação, um fim meramente epistemológico: é condição da formação (Bildung) de um sujeito autônomo. Freire (1996) nomeia autonomia o horizonte da prática educativa; Adorno (1966) adverte que a sua negação produz semiformação; Biesta (2010) mostra que ela responde à função de subjetificação, que a educação não pode delegar. As três tradições convergem, assim, sobre um mesmo núcleo normativo: na educação, o conhecimento vale como conquista de um sujeito, e não como bem transferido, e é essa conquista que a heteronomia epistêmica induzida ameaça.
Metodologia
Natureza e tipo de pesquisa
Este artigo é um estudo de caráter teórico-conceitual. Seu procedimento metodológico central é a análise conceitual complementada por análise crítica de casos aplicados. A escolha do método é justificada pelo problema de pesquisa: a questão sobre se sistemas de inteligência artificial podem ser agentes epistêmicos genuínos não pode ser respondida exclusivamente por meio de métodos empíricos. Trata-se de uma questão filosófica que exige elucidação de conceitos, análise de critérios normativos e reflexão sobre condições necessárias e suficientes para que um sistema seja considerado um agente epistêmico. O método de análise conceitual, que remonta a Wittgenstein e é amplamente praticado na epistemologia contemporânea, é apropriado para esse fim.
Corpus teórico e critérios de seleção
O corpus teórico primário é composto por obras fundacionais da epistemologia da virtude e da epistemologia social publicadas entre 1996 e 2025. Estas incluem as monografias de Zagzebski (1996), Sosa (2007), Pritchard (2005), Goldman (1999), Fricker (2007) e Lackey (2008), além de artigos subsequentes desses autores que refinam e ampliam suas posições originais. Adicionalmente, o corpus inclui obras-chave da Teoria Crítica da Educação: Freire (1996), Bourdieu (1970), Adorno (1966) e Biesta (2010). O corpus secundário é composto por aproximadamente 35 artigos e capítulos, publicados entre 2019 e 2025, que aplicam epistemologia da virtude ou epistemologia social a problemas de tecnologia, IA e educação. A seleção desse corpus foi guiada pelo critério de relevância temática e rigor filosófico.
Mais precisamente, a seleção obedeceu a quatro critérios explícitos. Primeiro, estatuto fundacional: para o corpus primário, incluíram-se as obras que estabeleceram as posições de referência da epistemologia da virtude e da epistemologia social (as monografias citadas), por serem aquelas a partir das quais o próprio debate se organiza. Segundo, relevância temática direta: para o corpus secundário, restringiu-se a inclusão a trabalhos que mobilizam explicitamente categorias da epistemologia da virtude ou social na análise de tecnologia, IA ou educação, excluindo-se estudos meramente técnicos ou empíricos sem articulação normativa. Terceiro, atualidade e qualificação: privilegiaram-se, no corpus secundário, trabalhos publicados entre 2019 e 2025 em periódicos de filosofia e de educação submetidos a revisão por pares, de modo a capturar o debate contemporâneo sobre a agência epistêmica de sistemas de IA (Ferrario; Facchini; Termine, 2024; Hauswald, 2025; Coeckelbergh, 2025; Koskinen, 2023). Quarto, canonicidade para a Teoria Crítica da Educação: selecionaram-se as obras de Freire, Bourdieu, Adorno e Biesta por sua centralidade na fundamentação da relação entre conhecimento, formação e autonomia. A identificação do corpus secundário fez-se por busca em bases de filosofia e de educação, de acordo com os descritores correspondentes a esses critérios, seguida de triagem por pertinência argumentativa; não se trata, portanto, de uma revisão sistemática exaustiva, mas de uma seleção qualitativa orientada pela função que cada obra desempenha na construção do argumento.
Procedimento analítico
O procedimento analítico segue cinco etapas sequenciais. Na primeira, reconstroem-se as posições dos principais autores sobre agência epistêmica, sintetizando seus critérios e argumentos. Na segunda, integram-se essas posições epistemológicas com a perspectiva da Teoria Social Crítica da Educação. Na terceira, formulam-se os cinco critérios constitutivos de agência epistêmica genuína.
Na quarta, aplicam-se esses critérios a três casos paradigmáticos de IA na educação, testando se cada caso satisfaz os critérios. Na quinta, desenvolvem-se contra-argumentos e objeções possíveis, respondendo-os sistematicamente. O objetivo é não apenas criticar as posições concorrentes, mas se engajar genuinamente com seus melhores argumentos.
Dois esclarecimentos metodológicos, solicitados no processo de avaliação, precisam ser feitos quanto a este procedimento. O primeiro refere-se à organização dos cinco critérios de agência epistêmica genuína: eles não foram estipulados, mas derivados por extração das condições necessárias que convergem nas teorias reunidas, sendo ordenados segundo uma progressão lógica que vai do interno ao relacional: da motivação que move o agente (critério 1), à sua responsividade a razões (critério 2), à reflexividade que o torna consciente de seus próprios processos (critério 3), à responsabilidade pela qual pode ser interpelado (critério 4) e, por fim, à autoridade que, fundada em compreensão, o habilita a ser razão para outros (critério 5); cada critério remete, assim, a uma fonte teórica determinada, conforme se explicita mais adiante no texto. O segundo esclarecimento refere-se à natureza dos três casos paradigmáticos analisados ao final do artigo. Não se trata de estudos de caso empíricos, nem de exemplos anedóticos, mas de casos construídos analiticamente: reconstruções idealizadas de classes reais de sistemas (tutores baseados em linguagem natural, sistemas de avaliação adaptativa e assistentes de pesquisa generativos), depuradas de particularidades contingentes para isolar a estrutura epistêmica relevante. Sua função no argumento é heurística e probatória, e não indutiva: cada caso opera como um teste do quadro normativo, permitindo examinar se aquela classe de sistema satisfaz ou não os cinco critérios. A escolha das três classes justifica-se por cobrirem os três modos de relação epistêmica distinguidos na seção “Distinção analítica central: ferramenta, prótese e agência delegada” e por serem as configurações de IA educacional de uso mais disseminado.
Esclarecimento técnico-conceitual sobre os sistemas de IA generativa
Uma análise filosófico-normativa do estatuto epistêmico dos sistemas de IA generativa exige, antes, situar com alguma precisão o seu funcionamento técnico, de modo a que a crítica não recaia sobre uma caricatura. Os sistemas aqui em foco, os grandes modelos de linguagem, são treinados por aprendizagem autossupervisionada sobre vastos corpora textuais, ajustando um número muito elevado de parâmetros para predizer o elemento (token) seguinte de uma sequência. O que o modelo adquire não é um repositório de proposições, mas uma representação distribuída, em alta dimensionalidade, das regularidades estatísticas que governam o uso da linguagem em seu corpus. A geração de texto consiste em amostrar, dessa distribuição de probabilidade condicional aprendida, sequências plausíveis dado um contexto.
Três esclarecimentos decorrem daí e corrigem formulações correntes, presentes, inclusive, em versões anteriores deste texto. Primeiro, é impreciso descrever tais sistemas como simplesmente determinísticos: a amostragem é, em regra, estocástica, regulada por parâmetros como a temperatura, de modo que um mesmo estímulo pode produzir respostas distintas. O ponto filosoficamente pertinente não é, pois, a ausência de variabilidade, mas a ausência de sensibilidade normativa a razões: a variação é probabilística, não deliberativa. Segundo, é impreciso afirmar que o sistema se limita aos dados de treinamento no sentido de apenas recuperá-los; o modelo generaliza para além das ocorrências literais, interpolando e extrapolando no espaço de representações que aprendeu. A limitação relevante não é a da memória, mas a do horizonte: a competência do sistema é circunscrita pela estrutura estatística da distribuição de treinamento, e nada nele o põe em contato com aquilo que torna uma proposição verdadeira para além dessa estrutura. Terceiro, falar em frequência estatística subdetermina o fenômeno, pois não se trata de contagem de ocorrências, mas de probabilidades condicionais aprendidas sobre representações distribuídas. Mantém-se, contudo, a tese central: tais sistemas operam sobre a forma estatística da linguagem, não sobre a relação de referência entre linguagem e mundo que a compreensão exige (Alvarado, 2023).
Longe de enfraquecer o argumento, esta precisão técnica o reforça. Se os sistemas fossem meros autômatos determinísticos, a recusa de lhes atribuir agência epistêmica seria trivial. O que torna a questão filosoficamente séria é justamente que sistemas estocásticos, capazes de generalização e de produzir saídas inéditas e fluentes, ainda assim não satisfazem as condições constitutivas da agência: a fluência e a novidade superficiais não equivalem a motivação pela verdade, responsividade a razões, reflexividade, responsabilidade ou compreensão. A distinção decisiva não passa, portanto, entre o rígido e o flexível, mas entre o que processa a forma estatística do dizer e o que se relaciona normativamente com aquilo que o dizer pretende dizer de verdadeiro.
Análise e Discussão: Inteligência Artificial como Agente Epistêmico?
Os cinco critérios de agência epistêmica genuína
Com base nos quadros teóricos apresentados, sintetizam-se cinco critérios constitutivos da agência epistêmica genuína. Estes não são arbitrários: derivam das posições de autoridades reconhecidas na epistemologia da virtude e na epistemologia social e fazem sentido em uma compreensão educacional que valoriza o desenvolvimento autônomo do aprendiz como sujeito. Cada critério corresponde a uma exigência teórica determinada: a motivação epistêmica genuína à condição motivacional de Zagzebski (1996); a responsividade a razões e a reflexividade de segunda ordem, respectivamente, à abertura a evidências do responsabilismo (Roberts; Wood, 2007) e ao conhecimento reflexivo de Sosa (2007); a responsabilidade epistêmica à concepção das virtudes como disposições de caráter imputáveis ao agente; e a autoridade baseada em compreensão à Teoria da Autoridade Epistêmica de Zagzebski (2012). A ordenação dos critérios, do interno ao relacional, explicita essa derivação.
-
Critério 1: motivação epistêmica genuína. Um agente epistêmico é motivado, no seu funcionamento essencial, pelo desejo de conhecer a verdade. Essa motivação não é meramente programada, mas constitutiva de sua natureza como agente. Ela permite ao agente ser afetado por razões que contradizem seus pressupostos e revisar suas crenças em consequência. Sistemas de IA não possuem essa motivação: sua operação é determinada por funções de perda e objetivos de otimização que maximizam a plausibilidade estatística das respostas, não a perseguição da verdade. Um sistema de IA pode produzir uma resposta falsa com a mesma confiança com que produz uma verdadeira, porque não tem preferência genuína pela verdade.
-
Critério 2: responsividade a razões. Um agente epistêmico é capaz de ser movido por razões que não foram antecipadas durante seu treinamento. Isso significa ser aberto a novas evidências, a argumentos inesperados, a correções que surgem de interações genuínas com outros agentes. Sistemas de IA não são capazes disso. Sua capacidade de responder é circunscrita pela estrutura estatística da distribuição que aprendeu durante o treinamento. Uma razão fundamentalmente nova, uma perspectiva que não estava representada no corpus de treinamento, não pode gerar uma revisão genuína de suas operações. O que parece ser responsividade é, na verdade, interpolação no espaço latente do modelo.
-
Critério 3: reflexividade epistêmica de segunda ordem. Um agente epistêmico não apenas possui crenças, mas é capaz de refletir sobre suas próprias crenças, seus próprios métodos de investigação, limitações e preconceitos. Essa reflexividade de segunda ordem, pensar sobre o próprio pensamento, é a marca da consciência epistemicamente responsável. Sistemas de IA carecem completamente dessa capacidade. Não podem examinar criticamente seus próprios vieses, não podem questionar seus próprios processos, não podem dizer “não sei” ou “meu método é limitado” de forma genuinamente reflexiva. Sua única forma de reflexão seria uma reflexão implementada no próprio código, o que não é reflexão no sentido agencial, mas apenas mais uma camada de processamento estatístico, desprovida da sensibilidade normativa a razões que a reflexão genuína exige.
-
Critério 4: responsabilidade epistêmica. Um agente epistêmico pode ser responsabilizado por suas crenças, seus erros, suas omissões. Essa responsabilidade não é meramente legal, mas normativa: o agente compreende que violou um padrão, que cometeu um erro, que deveria ter agido de forma diferente. Sistemas de IA não podem ser responsabilizados nesse sentido. Um sistema que gera uma informação falsa prejudicial não errou, apenas funcionou conforme foi programado. O responsável pelo erro é o desenvolvedor, não o sistema. Quando a responsabilidade é completamente deslocada para terceiros, como ocorre com IA, a condição de agência genuína não é satisfeita.
-
Critério 5: autoridade epistêmica baseada em compreensão. A autoridade epistêmica genuína repousa sobre a compreensão profunda do domínio em questão. Uma autoridade compreende não apenas os fatos de um domínio, mas as razões por detrás desses fatos, as relações entre eles, as limitações de cada afirmação de conhecimento. Essa compreensão permite à autoridade ser responsiva a contextos específicos, a exceções, a situações inesperadas. Sistemas de IA podem reproduzir padrões que aparecem correlacionados com a verdade, mas não possuem compreensão genuína. Um sistema de IA treinado sobre textos sobre física pode gerar respostas que parecem competentes, mas não compreende a física, não vê a realidade que a física descreve, não entende por que uma equação é verdadeira além da estrutura estatística que o modelo aprendeu a representar.
Caso paradigmático 1: Tutores baseados em linguagem natural
Os tutores inteligentes baseados em grandes modelos de linguagem (como GPT-4 ou Claude) são, talvez, os sistemas de IA que mais se aproximam da imagem de um “agente educacional” autônomo. Eles são capazes de engajar em diálogos extensos, de adaptar sua linguagem ao nível do aprendiz, de fornecer explicações coerentes e frequentemente precisas sobre uma ampla gama de tópicos. Aplicando os cinco critérios a esse caso, o resultado é inequívoco: o sistema não é motivado pelo amor à verdade, responsivo a razões genuinamente novas, reflexivo sobre seus próprios processos, responsável por seus erros, nem dotado de compreensão que vá além da extrapolação estatística.
A implicação para o uso educacional é nítida: tutores baseados em linguagem natural são, filosoficamente falando, ferramentas epistêmicas sofisticadas, não agentes epistêmicos genuínos. Como ferramentas, podem ser úteis para expandir o acesso a explicações, gerar perguntas exploratórias, oferecer múltiplas perspectivas sobre um tópico. Entretanto, quando são utilizados como substitutos do diálogo com um tutor humano, ou como substitutos da luta própria do aprendiz para compreender, produzem heteronomia epistêmica. O aprendiz deixa de ser motivado a pensar por si próprio, porque o sistema oferece respostas sempre disponíveis. A qualidade aparente da resposta mascara a falta de agência do aprendiz no processo de justificação.
Contra-argumento possível: “Mas tutores inteligentes permitem personalização em larga escala, algo que tutores humanos não conseguem fazer. E não seria uma forma de democratização do acesso ao conhecimento?”. Resposta: a democratização do acesso à informação não é a mesma coisa que a democratização do acesso à educação genuína. Um sistema que oferece informação personalizada, mas que não desenvolve as capacidades epistêmicas do aprendiz, produz o que poderíamos chamar de “democracia da informação, não da razão”. Além disso, a personalização oferecida por IA é uma personalização sem alteridade: não há um outro sujeito responsável que reconhece e valida a singularidade do aprendiz. A personalização técnica, sem o cuidado de um educador, pode reproduzir injustiça epistêmica em nova forma.
Caso paradigmático 2: Sistemas de avaliação adaptativa
Sistemas de avaliação adaptativa são projetados para ajustar dinamicamente a dificuldade de questões com base no desempenho anterior do aprendiz, estimando seu nível de conhecimento e oferecendo problemas no nível de “zona de desenvolvimento proximal” (Vygotsky). Quando a avaliação é delegada inteiramente ao sistema, múltiplos critérios não são satisfeitos. O estudante não é apenas avaliado por um artefato sem agência; pior, o sistema de avaliação torna-se opaco. O aprendiz não compreende por que certas respostas foram consideradas corretas ou incorretas, não tem a oportunidade de questionar a avaliação, não pode participar da conversa reflexiva sobre seu próprio aprendizado – que é essencial ao desenvolvimento educacional genuíno.
Nesse contexto, a aparência de objetividade do sistema mascara uma forma de injustiça epistêmica: o aprendiz é julgado, mas não reconhecido como sujeito capaz de refletir sobre seu próprio julgamento. A avaliação adaptativa, quando oferecida como substituto da avaliação dialogada, produz submissão normativa ao julgamento de uma máquina. Isso é particularmente problemático em contextos educacionais desfavorecidos, onde a opacidade e inacessibilidade do sistema podem reforçar percepções de incompetência, em vez de oferecer oportunidade genuína de aprendizagem reflexiva.
Contra-argumento possível: “Mas a avaliação adaptativa oferece feedback em tempo real e evita que o aprendiz fique preso em problemas muito fáceis ou muito difíceis. Não seria isso educacionalmente superior?”. Resposta: o ritmo de aprendizagem é importante, mas não é o único fator. Também é crucial que o aprendiz compreenda os critérios pelos quais está sendo avaliado, que participe na reflexão sobre sua avaliação e desenvolva capacidade de autoavaliação crítica. Um sistema que determina automaticamente a sequência de problemas sem explicar seus critérios produz aprendizagem mecânica, não compreensão reflexiva. Além disso, a ilusão de personalização oferecida por IA pode mascarar a falta de atenção genuína do sistema às necessidades particulares e ao contexto específico do aprendiz.
Caso paradigmático 3: Assistentes de pesquisa generativos
O terceiro caso é talvez o mais filosoficamente revelador. Assistentes de pesquisa baseados em IA generativa são capazes de sintetizar informação de múltiplas fontes, gerar hipóteses exploratórias, organizar argumentos em formatos sofisticados. Um aprendiz pode carregar um corpus de textos e pedir que o sistema identifique padrões, gere categorias analíticas ou resuma achados. A questão epistemicamente decisiva é: em que sentido é isso testemunho? O testemunho, no sentido filosoficamente relevante, é um ato de asserção que expressa a crença e o comprometimento do falante com a verdade. Quando um sistema de IA oferece uma síntese ou análise, não está expressando uma crença genuína, porque não tem crenças. Está interpolando um padrão estatístico. Isso significa que o estudante não pode legitimamente basear suas próprias crenças no testemunho de um sistema de IA, porque não há realmente testemunho sendo oferecido.
Uma implicação importante segue disso: o estudante não pode legitimar suas crenças pela mesma via que legitimaria crenças baseadas em testemunho humano. Se o sistema oferece uma análise sofisticada e o estudante a aceita sem validação crítica própria, o estudante não desenvolveu realmente uma crença justificada sobre o tópico, tendo apenas adquirido uma resposta verbalmente articulada de uma máquina. A simulação de justificação não é justificação. Quando isso ocorre sistematicamente durante a educação, o resultado é um estudante que aparenta possuir saberes, mas que não desenvolveu genuinamente a capacidade de justificar suas crenças independentemente. Essa é talvez a forma mais insidiosa de heteronomia epistêmica: a ilusão de conhecimento sem a realidade da agência epistêmica.
Contra-argumento possível: “Mas o sistema oferece um ponto de partida valioso. O estudante pode usar as análises geradas como base para validação crítica posterior. Não seria isso ainda uma forma legítima de apoio educacional?”. Resposta: depende criticamente do contexto e de como o sistema é utilizado. Se o aprendiz usa o sistema como assistente, isto é, como ferramenta para exploração inicial, sabendo que precisará validar criticamente tudo que o sistema oferece, então há espaço para uso legítimo. Todavia, em contextos educacionais reais, especialmente quando o tempo é limitado e a pressão de desempenho é alta, a utilização crítica é rara. O aprendiz tende a confiar na aparência de autoridade do sistema, especialmente quando este oferece respostas bem-estruturadas e confiantes. Portanto, embora haja uma utilização potencialmente legítima, as condições para essa utilização legítima são frequentemente violadas na prática. O risco pedagógico é substantivo.
Heteronomia Epistêmica Induzida: Conceito e Implicações Educacionais
A análise dos três casos paradigmáticos converge para uma implicação central: o risco epistemicamente significativo de heteronomia epistêmica induzida pela mediação de sistemas de IA em processos de justificação educacional. Heteronomia epistêmica refere-se ao estado em que um sujeito é incapaz de justificar suas próprias crenças, dependendo sistematicamente de outras fontes para essa justificação. A heteronomia epistêmica induzida é um tipo específico: aquela que não é contingente a limitações reais do aprendiz, mas produzida pela estrutura dos sistemas educacionais, em particular pelo papel que neles desempenham sistemas de IA que simulam agência epistêmica sem possuí-la genuinamente.
Jason Baehr (2013) argumenta que a educação orientada pela epistemologia da virtude deve visar ao desenvolvimento de virtudes intelectuais específicas que permitam ao aprendiz se tornar epistemicamente autônomo. Essas virtudes incluem curiosidade genuína (não satisfeita por respostas prontas), coragem intelectual (disposição a questionar autoridades), humildade intelectual (reconhecimento das próprias limitações), e abertura a evidências. Sistemas de IA educacional, quando funcionam como substitutos da justificação, tendem a desincentivar todas essas virtudes. A disponibilidade de respostas prontas desestimula a curiosidade ativa. A confiança em um sistema opaco desestimula a coragem intelectual. A ilusão de conhecimento promovida pela IA induz à falta de humildade intelectual. E a apresentação de informações como objetivas e neutras fecha a abertura a perspectivas alternativas.
Jonas Pfister (2025) propõe que a crença justificada deve ser entendida como o objetivo epistêmico central da educação, mas isso exige uma compreensão específica de justificação: não como posse de razões abstratas, mas como capacidade de comprometer-se com razões, de defender suas crenças, de estar aberto à crítica. Essa capacidade é desenvolvida por meio de prática reflexiva, vivência de debates, questionamentos, necessidade de justificar-se ante outros sujeitos responsivos. Sistemas de IA, mesmo quando bem-intencionados, não podem oferecer essa experiência de vivência crítica genuína. Um debate com um sistema é fundamentalmente diferente de um debate com outro ser humano: não há risco real, não há aprendizagem pela experiência do conflito genuíno, não há transformação da perspectiva pela vivência do desafio autêntico.
A distinção normativa central que emerge da análise é a seguinte: sistemas de IA devem ser utilizados como ferramentas epistêmicas sob controle reflexivo do aprendiz, nunca como substitutos da justificação ou como autoridades epistêmicas. Quando a IA ultrapassa esse limite e assume papéis que exigem agência genuína, isto é, quando oferece respostas finais, quando avalia aprendizagem, quando gera justificações que o aprendiz aceita sem validação crítica, produz heteronomia epistêmica induzida que é potencialmente danosa ao desenvolvimento educacional.
Inkeri Koskinen (2023) observa que a epistemologia social contemporânea ainda não desenvolveu ferramentas adequadas para compreender a novidade da mediação de IA em processos epistêmicos coletivos. A epistemologia social tradicional focava em testemunho (um ser humano oferecendo crenças a outro ser humano), em autoridade (reconhecimento de expertise genuína), em práticas compartilhadas de investigação. Nenhuma dessas categorias funciona bem quando o mediador é um sistema sem agência, intenção ou compreensão genuína. Portanto, é necessário expandir a epistemologia social para reconhecer e avaliar criticamente essa nova configuração. Este artigo pretende contribuir a essa expansão, ao mostrar como conceitos como agência epistêmica, autoridade e heteronomia precisam ser reconfigurados quando aplicados ao contexto de IA educacional.
Considerações Finais
Este artigo partiu de uma observação que, embora não seja nova, raramente recebe o tratamento filosófico rigoroso que merece: a observação de que sistemas de inteligência artificial estão sendo progressivamente integrados em processos educacionais fundamentais, frequentemente com linguagem que sugere que esses sistemas funcionam como agentes epistêmicos genuínos. A pesquisa investigou essa suposição de acordo com perspectivas variadas, a saber, epistemologia da virtude, epistemologia social e Teoria Crítica da Educação, e concluiu que a suposição é fundamentalmente problemática.
O argumento foi desenvolvido em três movimentos principais. Primeiro, apresentou-se o quadro teórico da epistemologia da virtude e epistemologia social, identificando cinco critérios constitutivos de agência epistêmica genuína: motivação epistêmica autêntica, responsividade a razões, reflexividade de segunda ordem, responsabilidade epistêmica e autoridade baseada em compreensão. Segundo, articulou-se esse quadro com a Teoria Social Crítica da Educação, mostrando de que maneira autores como Freire, Bourdieu, Adorno e Biesta oferecem perspectivas essenciais sobre o que está em risco quando a agência epistêmica é comprometida em contextos educacionais. Terceiro, aplicou-se essa análise integrada a três casos paradigmáticos de IA na educação, argumentando que, em todos os casos, quando IA assume o papel de agente epistêmico, os critérios não são satisfeitos, e a heteronomia epistêmica é induzida.
A distinção entre IA como ferramenta epistêmica e IA como agente epistêmico não é uma distinção que possa ser implementada automaticamente; exige reflexão educacional contínua, redesign de práticas pedagógicas e transformação de como concebemos o papel da tecnologia na educação. Não se trata de rejeitar IA, mas de reposicionar seu papel: de um mediador que substitui a justificação para um instrumento que amplia as capacidades reflexivas do aprendiz, mantendo sempre a agência epistêmica e autoridade educacional nas mãos de sujeitos genuinamente responsáveis, educadores e aprendizes.
Duas linhas de investigação futura decorrem logicamente do argumento apresentado. A primeira diz respeito ao desenvolvimento de métodos educacionais que permitam o uso de IA como ferramenta, mantendo a agência epistêmica do aprendiz. Isso exigiria pesquisa sistemática sobre quando, em qual contexto e com quais mediações pedagógicas sistemas de IA podem ser integrados sem induzir heteronomia.
A segunda linha refere-se à epistemologia política: investigar como a normalização de sistemas de IA como mediadores educacionais se relaciona com estruturas mais amplas de poder, controle e exploração de dados em contextos educacionais, especialmente em comunidades já marginalizadas epistemicamente.
A contribuição central deste artigo é de natureza diagnóstica e normativa. Diagnóstica porque identifica um problema específico, a indução de heteronomia epistêmica por meio de IA educacional, que é frequentemente mascarado por linguagem sobre personalização e inovação. Normativa porque oferece critérios explícitos para avaliar quando usos de IA na educação são aceitáveis e quando não são. A educação não é simplesmente transmissão de informação; é formação de sujeitos autônomos capazes de pensar por si mesmos, de justificar suas próprias crenças, de participar como agentes epistêmicos plenos em comunidades de investigação. Essa é uma convicção pedagógica profunda que une Paulo Freire e Zagzebski, a pedagogia crítica e a epistemologia da virtude. É uma convicção que deve orientar nossa reflexão sobre o papel da IA na educação.
Agradecimentos
Não se aplica.
-
Declaração Sobre o Uso de Inteligência Artificial
Na preparação desta versão revista, recorreu-se a uma ferramenta de inteligência artificial generativa como apoio à revisão linguística, sob supervisão e revisão críticas integrais da autoria, que assume responsabilidade por todo o conteúdo.
-
Financiamento
Não se aplica.
Disponibilidade de Dados de Pesquisa
Todo o conjunto de dados que dá suporte aos resultados deste estudo foi publicado no próprio artigo.
Referências
- ADORNO, T. W. Education for Auschwitz: a lesson in barbarity. In: ADORNO, T. W. Can one live after Auschwitz? a philosophical reader. Stanford: Stanford University Press, 1966.
-
ALVARADO, R. AI as an epistemic technology. Science and Engineering Ethics, v. 29, n. 5, 2023. https://doi.org/10.1007/s11948-023-00451-3
» https://doi.org/10.1007/s11948-023-00451-3 -
BAEHR, J. Educating for intellectual virtues: from theory to practice. Journal of Philosophy of Education, v. 47, n. 2, p. 248-262, 2013. https://doi.org/10.1111/1467-9752.12023
» https://doi.org/10.1111/1467-9752.12023 - BIESTA, G. Good education in an age of measurement: ethics, politics, democracy. Boulder: Paradigm Publishers, 2010.
- BOURDIEU, P. La Reproduction: éléments pour une théorie du système d’enseignement. Paris: Les Éditions de Minuit, 1970.
- CARTER, J. A.; PRITCHARD, D. Epistemic situationism and cognitive ability epistemology. In: ABROL, D. et al. (ed.). Intellectual humility: philosophical perspectives. Oxford: Oxford University Press, 2015.
-
COECKELBERGH, M. AI and epistemic agency: how AI influences belief revision and its normative implications. Social Epistemology, v. 40, n. 1, p. 59-71, 2025. https://doi.org/10.1080/02691728.2025.2466164
» https://doi.org/10.1080/02691728.2025.2466164 -
FERRARIO, A.; FACCHINI, A.; TERMINE, A. Experts or authorities? The strange case of the presumed epistemic superiority of artificial intelligence systems. Minds and Machines, v. 34, n. 3, 2024. https://doi.org/10.1007/s11023-024-09681-1
» https://doi.org/10.1007/s11023-024-09681-1 - FREIRE, P. Pedagogia da autonomia: saberes necessários à prática educativa. São Paulo: Paz e Terra, 1996.
- FRICKER, E. Testimony and epistemic autonomy. In: LACKEY, J.; SOSA, E. (ed.). The epistemology of testimony Oxford: Oxford University Press, 2006. p. 225-250.
- FRICKER, M. Epistemic injustice: power and the ethics of knowing. Oxford: Oxford University Press, 2007.
- GOLDMAN, A. I. Knowledge in a social world Oxford: Oxford University Press, 1999.
-
HAUSWALD, R. Artificial epistemic authorities. Social Epistemology, v. 39, n. 6, p. 716-725, 2025. https://doi.org/10.1080/02691728.2025.2449602
» https://doi.org/10.1080/02691728.2025.2449602 -
KOSKINEN, I. We have no satisfactory social epistemology of AI-based science. Social Epistemology, v. 38, n. 4, p. 458-475, 2023. https://doi.org/10.1080/02691728.2023.2286253
» https://doi.org/10.1080/02691728.2023.2286253 - LACKEY, J. Learning from words: testimony as a source of knowledge. Oxford: Oxford University Press, 2008.
-
PFISTER, J. Justified belief as an epistemic aim of education. Journal of Philosophy of Education, v. 59, n. 1, p. 1-13, 2025. https://doi.org/10.1093/jopedu/qhae027
» https://doi.org/10.1093/jopedu/qhae027 - PRITCHARD, D. Epistemic luck Oxford: Oxford University Press, 2005.
- PRITCHARD, D. Epistemic angst and epistemic inertia: defending the right to cognitive rest. In: SMITH, M. D. (ed.). Epistemology: New Essays. Oxford: Oxford University Press, 2015. p. 145-170.
- ROBERTS, R. C.; WOOD, W. J. Intellectual virtues: an essay in regulative epistemology. Oxford: Oxford University Press, 2007.
- SELWYN, N. Education and technology: key issues and debates. 3rd. ed. London: Bloomsbury, 2019.
- SOSA, E. A virtue epistemology: apt belief and reflective knowledge. Oxford: Oxford University Press, 2007.
- ZAGZEBSKI, L. T. Virtues of the mind: an inquiry into the nature of virtue and the ethical foundations of knowledge. Cambridge: Cambridge University Press, 1996.
- ZAGZEBSKI, L. T. Epistemic authority: a theory of trust, authority, and autonomy in belief. Oxford: Oxford University Press, 2012.
-
Editora de seção:
Daniela Lima https://orcid.org/0000-0002-1075-2113
