Como a tecnologia apoia (sem substituir) o professor na personalização do aprendizado em saúde
Por trás de cada percurso personalizado por IA está um professor que decidiu o que deveria ser ensinado.
“Personalização” virou uma das palavras mais usadas (e menos precisas) quando se fala em tecnologia educacional. Às vezes ela descreve algo bastante simples: um sistema que ajusta o ritmo de exercícios conforme o desempenho do estudante. Outras vezes, o termo é usado de forma mais ambiciosa, quase como se a tecnologia estivesse decidindo sozinha o que cada estudante precisa aprender. Essa segunda ideia é onde mora a confusão (e vale a pena desfazê-la).
O que a IA de fato personaliza
Na prática, os sistemas de aprendizagem adaptativa fazem um trabalho mais limitado e mais útil do que se costuma imaginar: ajustam sequência, ritmo e nível de dificuldade de conteúdos já definidos, a partir de dados de desempenho do estudante. Uma revisão de escopo publicada este ano na BMC Medical Education, que mapeou o uso de inteligência artificial na graduação em saúde, descreve exatamente esse padrão: sistemas de tutoria inteligente e simulações digitais que ampliam a personalização do percurso de aprendizagem e apoiam o raciocínio clínico, sem substituir a validação científica dos conteúdos nem a supervisão docente (1). Em outras palavras: a IA reorganiza a experiência em torno do que o professor já decidiu que deveria ser ensinado. Ela não decide o quê.
Vale registrar que essa distinção não é apenas conceitual, tendo consequências reais quando ignorada. Um estudo da Wharton School (Universidade da Pensilvânia), publicado na PNAS em 2025, mostrou que o uso de IA generativa sem mediação pedagógica pode efetivamente prejudicar o aprendizado: quando a ferramenta entrega respostas prontas antes que o estudante formule seu próprio raciocínio, o esforço cognitivo necessário para consolidar o conhecimento simplesmente não acontece (2). A personalização, nesse cenário, deixa de ser vantagem e passa a ser atalho que custa caro na formação em saúde, onde o raciocínio clínico se constrói justamente pelo exercício repetido de formular hipóteses, errar e ajustar.
É por isso que a personalização bem-feita calibra o desafio ao momento do estudante, sem antecipar a resposta certa, preservando o esforço de pensar que a aprendizagem exige.
A curadoria continua sendo humana
Essa distinção é o princípio central que orienta o uso responsável dessas ferramentas. O Ministério da Educação, no Referencial para o Uso e Desenvolvimento Responsáveis de Inteligência Artificial na Educação, publicado em 2026, é direto nesse ponto: a IA só deve entrar nos ambientes educacionais como apoio complementar, nunca como decisão final — quem avalia e decide continua sendo o educador, para que o propósito pedagógico não se perca na adoção da tecnologia (3). Essa não é uma posição isolada do MEC: a UNESCO, em seu referencial de competências em IA para professores, trata a autonomia docente como elemento inegociável diante da presença cada vez mais constante de algoritmos em sala de aula, defendendo que cabe ao professor (devidamente capacitado) fazer as escolhas pedagógicas conscientes que nenhuma ferramenta pode fazer por ele (4).
Não se trata de uma restrição à tecnologia, mas uma definição de papéis: a tecnologia organiza, o professor decide. Um estudo de Ethan e Lilach Mollick, da Wharton School (Universidade da Pensilvânia), mostra como professores podem usar a IA generativa para criar experiências de aprendizado personalizadas (simulações, mentoria, coaching, cocriação) desde que sejam eles a desenhar essas experiências a partir do próprio conhecimento de conteúdo e de pedagogia (5). Os autores descrevem esse papel como o de “construtores e inovadores”: o professor não é usuário passivo de uma ferramenta pronta, mas autor de como ela é aplicada em sala. A IA fornece o material de trabalho; o professor decide o que construir com ele (e para quem).
Na Inspirali, essa divisão de responsabilidades está na origem de como as soluções da MedRoom são construídas: são os professores da Inspirali que alimentam esses sistemas com critério clínico e pedagógico. Os recursos de personalização (como o ajuste de complexidade em cenários simulados ou a recomendação de conteúdos de reforço) funcionam a partir de currículos, casos clínicos e critérios definidos pelo corpo docente. A tecnologia não escolhe o que entra no plano de ensino; ela ajuda a entregar esse plano de forma mais ajustada a cada estudante. “A personalização por IA só tem valor quando parte de decisões pedagógicas já tomadas por quem conhece o currículo e os estudantes. A tecnologia amplia o alcance dessas decisões; ela não as substitui”, afirma André Augusto de Almeida, coordenador de treinamentos da MedRoom.
Por que essa distinção importa para quem decide sobre tecnologia educacional
Para instituições avaliando ferramentas de IA, essa separação de papéis é também um critério prático de escolha: soluções que devolvem ao docente a visibilidade sobre o que está sendo recomendado (e por quê) tendem a gerar mais confiança e adoção sustentável do que sistemas que operam como caixa-preta. Perguntar “o que exatamente esta ferramenta está personalizando, e quem definiu os critérios por trás disso?” é um bom filtro para reconhecer a tecnologia que amplia a decisão pedagógica.
A personalização que funciona não é a que substitui o julgamento do professor por um algoritmo, mas a que libera tempo e atenção docente para o que só um professor pode fazer: interpretar o desempenho de um estudante à luz de um contexto que nenhum dado sozinho explica.
É esse o convite por trás da adoção madura de tecnologia na formação em saúde: não abrir mão da curadoria pedagógica, mas usar a tecnologia para escalar aquilo que os professores já fazem bem.
(1) RINCÓN, E. H. H.; JIMENEZ, D.; AGUILAR, L. A. C.; FLÓREZ, J. M. P.; TAPIA, Á. E. R.; PEÑUELA, C. L. J. Mapping the use of artificial intelligence in medical education: a scoping review. BMC Medical Education, v. 25, n. 526, 2025. DOI: 10.1186/s12909-025-07089-8. Disponível em: https://link.springer.com/article/10.1186/s12909-025-07089-8. Acesso em: 08 set. 2026.
(2) BASTANI, H.; BASTANI, O.; SUNGU, A.; GE, H.; KABAKCI, Ö.; MARIMAN, R. et al. Generative AI Without Guardrails Can Harm Learning: Evidence from High School Mathematics. Proceedings of the National Academy of Sciences, v. 122, n. 26, 2025. DOI: 10.1073/pnas.2422633122. Disponível em: https://doi.org/10.1073/pnas.2422633122. Acesso em: 08 set. 2026.
(3) BRASIL. Ministério da Educação. Secretaria de Gestão da Informação, Inovação e Avaliação de Políticas Educacionais. Referencial para o Uso e Desenvolvimento Responsáveis de Inteligência Artificial na Educação. Brasília: MEC, 2026. Disponível em: https://www.gov.br/mec/pt-br/referencial-de-ia-na-educacao. Acesso em: 08 set. 2026.
(4) MIAO, F.; CUKUROVA, M. AI competency framework for teachers. Paris: UNESCO, 2024. DOI: 10.54675/ZJTE2084. Disponível em: https://unesdoc.unesco.org/ark:/48223/pf0000391104. Acesso em: 08 set. 2026.
(5) MOLLICK, E. R.; MOLLICK, L. Instructors as Innovators: A Future-focused Approach to New AI Learning Opportunities, With Prompts. Filadélfia: The Wharton School, University of Pennsylvania, 2024. DOI: 10.2139/ssrn.4802463. Disponível em: https://papers.ssrn.com/sol3/papers.cfm?abstract_id=4802463. Acesso em: 08 set. 2026.
