Um estudo de caso em uma instituição de educação profissional e tecnológica de Singapura examinou por que a aprendizagem personalizada com inteligência artificial ainda é difícil de escalar em cursos voltados ao trabalho. A principal conclusão é que, embora a IA possa apoiar feedback, adaptação de conteúdos e produtividade docente, a adoção em larga escala exige antes clareza pedagógica, formação de equipes, regras de avaliação e testes controlados em contextos reais.
O QUE HÁ DE NOVO: A pesquisa analisou a viabilidade de implementar aprendizagem personalizada com IA em uma instituição de formação profissional de nível diploma em Singapura, composta por seis escolas e cursos ligados a diferentes áreas da indústria. Foram entrevistados seis funcionários experientes, entre professores, gestores e administradores, de quatro faculdades, todos potencialmente envolvidos em uma futura adoção institucional da abordagem.
COMO FUNCIONA: O estudo não testou uma ferramenta específica, mas investigou como a IA poderia entrar no ecossistema educacional para apoiar percursos mais individualizados, com recursos como chatbots, sistemas de recomendação, análise de dados de aprendizagem, feedback automatizado e apoio à organização de atividades. As entrevistas semiestruturadas buscaram mapear experiências anteriores com aprendizagem personalizada, percepções sobre modelos atuais e expectativas sobre o uso futuro de IA, com análise orientada pela Teoria da Atividade Histórico-Cultural, que observa como regras, comunidade, divisão de trabalho e ferramentas influenciam a prática educacional.
PRINCIPAIS RESULTADOS: Os entrevistados demonstraram conhecer partes do conceito de aprendizagem personalizada, como autonomia do estudante, flexibilidade de ritmo e adaptação de avaliações, mas poucos haviam visto aplicações consistentes em sua instituição. As maiores barreiras apontadas foram a carga de trabalho para preparar materiais, organizar turmas, desenhar avaliações justas e adequar diferentes cursos técnicos, especialmente quando há laboratórios, equipamentos, produção física ou demonstrações práticas. Também apareceram dúvidas sobre a maturidade dos estudantes para escolher trajetórias próprias, a multiplicidade de ferramentas de IA, a necessidade de validar respostas geradas por sistemas automatizados e a proteção de dados, propriedade intelectual e informações dos alunos.
POR QUE ISSO IMPORTA PARA A EDUCAÇÃO: A pesquisa reforça que a personalização com IA não depende apenas de disponibilizar plataformas digitais, mas de redesenhar práticas de ensino, avaliação e gestão. Para estudantes, a promessa está em receber apoio mais ajustado ao ritmo, aos interesses e às lacunas individuais; para professores, a IA pode reduzir tarefas repetitivas e abrir espaço para acompanhamento mais qualificado. Ao mesmo tempo, em cursos profissionais, há uma tensão específica: a liberdade de escolha do aluno precisa conviver com competências exigidas por diplomas, padrões de empregabilidade e critérios de progressão acadêmica, o que torna a personalização mais complexa do que em disciplinas puramente teóricas ou ambientes on-line.
LIMITES E ALERTAS: A evidência é exploratória e baseada em apenas seis entrevistas, o que impede generalizações amplas para toda a educação profissional. Ainda assim, o estudo chama atenção para riscos recorrentes em projetos de IA educacional: introdução apressada por pressão de tendência tecnológica, capacitação superficial de docentes, excesso de plataformas, ausência de diretrizes claras e dificuldade de avaliar aprendizagens práticas por meios automatizados. A recomendação central é evitar uma adoção institucional precoce e, em vez disso, realizar pilotos pequenos, documentar casos de uso, ouvir equipes acadêmicas e construir confiança antes de expandir.
O QUE VEM A SEGUIR: O caminho sugerido é testar a aprendizagem personalizada com IA em disciplinas específicas, inclusive nas mais difíceis de adaptar, para entender onde a tecnologia realmente melhora a experiência do estudante e onde a intervenção humana continua indispensável. Novas pesquisas também devem ampliar a amostra, incluir dados quantitativos e investigar se estudantes da educação profissional se beneficiam de escolher metas de aprendizagem próprias ou se precisam de modelos híbridos, nos quais a personalização ocorre dentro de objetivos curriculares e profissionais previamente definidos.
