AI Literacy
A literacia em IA é o conhecimento e o discernimento necessários para compreender, questionar e utilizar bem a IA. Competências essenciais, quadros de referência escolares e o Artigo 4.º do Regulamento Europeu da IA.
A literacia em IA é o conhecimento e o discernimento de que as pessoas precisam para usar bem a inteligência artificial: compreender, na prática, como os sistemas de IA produzem resultados, adquirir o hábito de avaliá-los criticamente e saber quando confiar neles. Assim como a leitura ou a numeracia, é uma competência geral para todas as pessoas que encontram IA no trabalho, na escola ou em casa, e não exige saber criar ou programar modelos. O artigo da CHI de 2020 de Duri Long e Brian Magerko apresentou uma definição amplamente citada: competências que permitem avaliar criticamente a IA, comunicar e colaborar com ela e usá-la como ferramenta.
Uma pessoa com literacia em IA sabe que a resposta fluente de um chatbot ainda pode estar errada, que um sistema de reconhecimento facial pode ter um desempenho inferior para alguns grupos, que um vídeo realista pode ser um deepfake e que compartilhar documentos confidenciais com um assistente online pode expô-los. Essas perceções se baseiam num pequeno conjunto de ideias aplicáveis a diferentes ferramentas.
O que abrange a literacia em IA#
A maioria das estruturas organiza a literacia em IA em torno de três capacidades. Compreender significa saber que os sistemas de aprendizagem automática aprendem padrões a partir de dados de treinamento, por isso o seu comportamento reflete a abrangência e as lacunas desses dados; e que a IA generativa produz texto ou imagens plausíveis a partir de padrões aprendidos, sem verificar os fatos. Avaliar significa conferir resultados com fontes independentes, reconhecer alucinações e o viés em IA, e tratar a pontuação de confiança de um modelo como uma estimativa do próprio modelo, que pode estar mal calibrada. Usar de forma responsável significa decidir quais dados compartilhar, quem analisa decisões importantes, quando revelar o uso de assistência de IA e quando uma tarefa não deve ser delegada à IA.
Para as escolas, o referencial de competências em IA da UNESCO para estudantes, publicado em 2024, apresenta 12 competências em quatro dimensões: uma mentalidade centrada no ser humano, a ética da IA, técnicas e aplicações de IA e o design de sistemas de IA. Cada dimensão progride da compreensão da IA à sua aplicação e criação. O Referencial de Literacia em IA da OCDE e da Comissão Europeia, finalizado em 2026 após um rascunho de 2025, agrupa competências em quatro domínios: interagir com a IA, criar com ela, geri-la e moldá-la; e contribui para a primeira avaliação PISA de literacia midiática e em IA, em 2029. Conceitos relacionados se sobrepõem: a literacia de dados abrange a interpretação de dados e estatísticas, a literacia digital abrange o uso geral de tecnologia, e a engenharia de prompts é uma competência prática dentro da literacia em IA.
Literacia em IA no trabalho e o Regulamento da UE relativo à IA#
A literacia em IA no local de trabalho tornou-se uma questão jurídica na União Europeia quando o artigo 4.º do Regulamento da UE relativo à IA começou a ser aplicável em 2 de fevereiro de 2025. O Regulamento define literacia em IA como as competências, os conhecimentos e a compreensão que permitem aos fornecedores, responsáveis pela implementação e pessoas afetadas implementar sistemas de IA de forma informada e conhecer as suas oportunidades, riscos e possíveis danos. Com a alteração introduzida pelo Digital Omnibus on AI em julho de 2026, o artigo 4.º exige que as organizações que fornecem ou implementam sistemas de IA tomem medidas para apoiar a literacia em IA dos funcionários e de outras pessoas que operam esses sistemas em seu nome, tendo em conta os seus conhecimentos técnicos, experiência, formação e o contexto de utilização do sistema, sem ter de garantir um nível específico de literacia para cada pessoa. A obrigação abrange todos os sistemas de IA, independentemente da sua categoria de risco, o que faz dela um dos requisitos mais abrangentes do Regulamento.
O artigo 4.º não determina um currículo ou certificado, por isso as organizações normalmente adaptam a formação às funções, mantêm registros e integram-na ao seu programa de governação da IA. Um agente de apoio que usa um chatbot precisa saber identificar respostas inventadas e quais dados de clientes não devem ser incluídos nos prompts, o que também reduz a IA paralela. Um engenheiro de qualidade que opera uma linha de inspeção automatizada precisa compreender falsos positivos, falsos negativos e como as configurações de limiar afetam a relação entre eles. Gestores que aprovam implementações de IA precisam de conhecimentos suficientes para perguntar como um sistema foi avaliado e com quais dados.
Desenvolver a literacia em IA com prática#
A literacia se desenvolve mais rapidamente com a experiência direta de um modelo acertando, errando e demonstrando incerteza. Executar um modelo Ultralytics YOLO26 de deteção de objetos pré-treinado numa foto, com dois limiares de confiança, torna concreto o compromisso entre precisão e revocação:
from ultralytics import YOLO
model = YOLO("yolo26n.pt")
# Run the same image at a permissive and a strict confidence threshold
for conf in (0.1, 0.7):
results = model("https://ultralytics.com/images/bus.jpg", conf=conf)
result = results[0]
print(f"conf={conf}: {result.verbose()}")
result.save(filename=f"bus_conf_{conf}.jpg")Com um limiar de 0.1, o modelo deteta cinco pessoas, incluindo uma segunda caixa de baixa confiança sobre o mesmo pedestre parcialmente visível, além de um «sinal de stop» que na verdade é um sinal de proibido estacionar. Com 0.7, mantém o ônibus e as três pessoas claramente visíveis, mas deixa de detetar o pedestre cortado pela borda esquerda. Comparar as duas imagens salvas mostra que o limiar determina que tipo de erro um sistema comete — alarmes falsos e omissões, contabilizados por uma matriz de confusão — e que a configuração adequada depende de qual custa mais numa determinada aplicação: deixar de detetar um objeto ou gerar um alarme falso.
O mesmo exercício funciona sem código para alunos mais novos, na educação em IA: separar fotos que um modelo rotulou corretamente daquelas que rotulou incorretamente e, depois, discutir o motivo desenvolve o hábito de perguntar em que evidências se baseia um resultado de IA.










