Literacia de IA não é um curso, é um músculo organizacional.

Um certificado pode provar que alguém assistiu a uma aula. Não pode provar se uma organização consegue reconhecer um sistema de IA, questionar as suas...

Literacia de IA não é um curso, é um músculo organizacional.

The legal sentence that changes the meeting

On 24 July 2026, the Official Journal of the European Union published the Digital Omnibus on AI. Among its amendments was a small change to Article 4 of the Artificial Intelligence Act. The obligation remains, but the law no longer asks organisations to promise a prescribed or universal level of AI literacy for every individual. Providers and deployers are required to take measures that support the development of literacy among their staff and among other people who operate or use AI systems on their behalf. The amendment also says that the Commission and the Member States should support those efforts, and that the AI Board should work towards common objectives.

That is a legal change. It is also a management question. If there is no universal examination score, what does a serious organisation do when it brings an AI system into a real process? It cannot answer with a certificate alone. A certificate can show that somebody completed a lesson. It cannot show that the person can tell a draft from an approved policy, recognise when a model is outside its task, ask for the evidence behind a recommendation, stop a workflow, or find the owner who can change it. The interesting part of literacy begins after the slide deck has gone quiet.

The European Commission’s own questions and answers make the point with unusual plainness. There is no single format for AI literacy and no requirement for a specific certificate. The organisation should consider its role, the risk and purpose of the system, the knowledge and experience of the people involved, and the context in which the system is used. It should keep an internal record of training or other guiding initiatives, but a record of attendance is not the same thing as the capability those initiatives are meant to build.

AI literacy is therefore best understood as a working muscle. A muscle is not proved by owning a gym card. It is built through repeated, contextual effort, and it becomes visible when the situation is awkward. A literate organisation can name the system it is using, state what the system is allowed to do, notice when the evidence is weak, ask who may be affected, and route an uncertain case to a person with the authority to decide. That is less glamorous than a launch event. It is also where the law meets ordinary work.

This article is about that ordinary work. It is not a course outline and it is not legal advice. It is a way to separate three things that are often bundled together: awareness, competence and authority. It follows the questions that arise when a public body, a company, a school or a professional team tries to make AI useful without handing its judgement to a screen. The examples are drawn from European public guidance and documented institutional practice. Any invented situation is marked as a hypothetical, because a story is not evidence merely because it has a plausible office in it.

Literacy is a practice, not a badge

The word literacy arrived in the AI debate carrying too much luggage. It can sound like a basic introduction for people who have not yet learned the important vocabulary. It can also sound like a compliance label that can be attached to a person and filed. Neither interpretation is useful. Literacy is the ability to read a situation well enough to act in it. Reading a book about a language is not the same as understanding a letter addressed to you. Reading a definition of an AI system is not the same as knowing whether the tool in front of you is making a prediction, retrieving a record, generating a continuation, ranking options or controlling a step in a workflow.

A explicação atual da Comissão para o artigo 4.º começa no sítio certo: as organizações devem desenvolver uma compreensão geral do que é a IA, como funciona, que sistemas utilizam e que oportunidades e perigos esses sistemas trazem. Isso é um começo, não um fim. A compreensão geral dá à pessoa um mapa. O mapa só se torna útil quando está ligado a uma tarefa, a uma função, a uma fonte de prova e a uma consequência.

Considere-se uma equipa de aquisições, a título de exemplo, a analisar uma ferramenta que resume as propostas dos fornecedores. A sensibilização permite que a equipa reconheça que a ferramenta produz texto gerado e pode cometer erros. A competência permite que um revisor verifique se o resumo preserva exclusões, condições e datas e o compare com as propostas subjacentes. A autoridade determina o que acontece quando o resumo está incompleto. Pode o revisor rejeitá-lo? Pode a equipa exigir que o fornecedor exponha as passagens de origem? Pode alguém suspender a avaliação enquanto o problema é investigado? Sem autoridade, a competência torna-se uma preocupação privada que o fluxo de trabalho é livre de ignorar.

A distinção é importante porque as organizações formam frequentemente a camada mais fácil. Explicam o que é um modelo, mostram alguns exemplos e pedem às pessoas que aceitem uma política de utilização. As pessoas saem com palavras novas e os incentivos antigos. Se a rapidez é recompensada e o questionamento é tratado como obstrução, quem deteta um problema aprende a calar-se. A organização pode então comunicar um elevado nível de sensibilização enquanto as suas decisões permanecem inalteradas. O distintivo é real. A literacia é decorativa.

Uma perspetiva baseada na prática coloca uma pergunta diferente: o que deve uma pessoa ser capaz de notar e fazer no ponto em que um sistema de IA toca o seu trabalho? A resposta varia consoante a função. Um cidadão que interage com um serviço público precisa de saber quando está envolvida uma máquina, o que pode ser contestado e onde pedir uma via humana. Um gestor de processo precisa de compreender o objetivo, as provas, a incerteza e a via de anulação do sistema. Um gestor precisa de decidir se a tarefa é adequada para automatização e se a equipa tem tempo para rever o resultado. Um programador precisa de conhecer a fronteira entre dados e modelo, os modos de falha e os registos que devem sobreviver a uma alteração. Chamar a tudo isto um curso esconde as diferenças que tornam o trabalho seguro.

A nova redação legal abre espaço para essa variação. O Regulamento (UE) 2026/1744 afirma que a literacia em matéria de IA deve começar na educação e na formação e continuar ao longo da vida. Reconhece também que diferentes fornecedores e utilizadores enfrentam diferentes encargos e contextos. Não é um convite para não fazer nada. É um convite para deixar de fingir que um único exame pode medir a capacidade de agir com responsabilidade em todos os sistemas, setores e grupos de pessoas afetadas.

A prática tem outra propriedade útil: revela lacunas sem envergonhar as pessoas por as terem. Uma pessoa pode compreender que um modelo de linguagem prevê continuações prováveis e ainda assim não saber como um determinado sistema de recuperação seleciona documentos. Um responsável pelos dados pode compreender a proveniência e ainda assim não ter permissão para alterar o índice. Um gestor pode saber que um ser humano deve supervisionar um sistema de alto risco e ainda assim não ter tempo atribuído para uma revisão significativa. São lacunas de conceção, não falhas morais pessoais. Uma organização com literacia torna-as visíveis para poder repará-las.

A literacia em IA torna-se visível quando uma utilização do sistema deixa a utilização seguinte melhor compreendida, e não apenas quando uma pessoa conclui uma lição.

A consciência é a porta, não a sala

A consciência é muitas vezes desvalorizada porque parece algo vago. Isso é um erro. As pessoas não podem questionar um sistema que não conseguem nomear, e não conseguem nomear um sistema se todo o software for descrito como inteligente. A consciência dá a uma organização um vocabulário comum para distinguir um modelo de uma interface, uma previsão de uma decisão, uma fonte de um resumo, uma instrução de um conteúdo recuperado e uma indicação de confiança de uma prova de correção.

O vocabulário não precisa de ser grandioso. Precisa de ser suficientemente exato para evitar um erro de categoria. Um motor de busca, uma verificação de elegibilidade baseada em regras, um classificador, um assistente generativo e um agente de fluxo de trabalho podem aparecer no mesmo catálogo de produtos. Os seus mecanismos e riscos são diferentes. Se o pessoal lhes chamar IA a todos e ficar por aí, perde as perguntas que deveriam seguir-se. Que dados vê o sistema? Qual é o seu propósito pretendido? O que devolve? Quem age com base no resultado? Que erros importam? O que pode ser desfeito? Que pessoas são afetadas mesmo que nunca toquem na interface?

A consciência inclui também o contexto social. A orientação da UNESCO para a IA generativa na educação e na investigação descreve a capacidade humana como parte de uma abordagem centrada no ser humano. Coloca a compreensão técnica ao lado da privacidade, da equidade, da inclusão, da diversidade linguística e cultural e da utilização significativa. A questão não é que todos os colaboradores tenham de se tornar investigadores de políticas. A questão é que um sistema não se torna neutro quando é colocado numa aplicação familiar. O mesmo parágrafo gerado pode ser um auxílio inofensivo de redação num contexto e uma decisão não revista noutro.

Uma pessoa consciente do contexto consegue ouvir a diferença entre um pedido de ajuda e uma delegação de autoridade. Peça ao sistema para sugerir perguntas para uma reunião e o utilizador continua a ser o autor da reunião. Peça-lhe para decidir qual residente recebe um serviço escasso e o sistema entra num território moral e legal diferente. As palavras no ecrã podem parecer semelhantes. A fronteira da tarefa não é. A consciência é o hábito de notar que a fronteira se moveu.

As instituições públicas precisam desta consciência de uma forma particularmente disciplinada. Os seus sistemas podem afetar pessoas que não podem optar por sair, que não sabem que ferramentas automatizadas estão envolvidas, ou que não podem suportar uma segunda tentativa depois de um erro. Uma equipa de serviço precisa, portanto, de mais do que uma declaração geral de que a IA pode ser imprecisa. Precisa de um vocabulário para explicar o percurso que uma pessoa pode seguir quando o sistema está errado, quando os dados faltam ou quando a resposta nunca deveria ter sido automatizada.

As empresas precisam do mesmo vocabulário por razões menos visíveis. Um fornecedor pode descrever um sistema de classificação como apoio à decisão, enquanto o processo do cliente trata a classificação como uma decisão porque ninguém tem tempo para a rever. Uma equipa de marketing pode usar uma ferramenta de tradução para rascunhos internos e depois copiar o resultado para um aviso público sem uma segunda verificação. Uma equipa de recrutamento pode chamar a uma pontuação de triagem uma conveniência e usá-la silenciosamente para eliminar candidatos. A consciencialização expõe estas mudanças antes de ficarem enterradas num diagrama de fluxo de trabalho.

A consciencialização deve, portanto, ser testada através de uma linguagem que pertence à organização. Peça a uma equipa que descreva um sistema sem usar as palavras inteligente, automatizado ou com IA. Pergunte que informação recebe, o que produz e quem pode alterar o resultado. Se a explicação se tornar vaga, a organização encontrou uma necessidade útil de formação. O exercício é simples, mas a simplicidade tem uma longa história de ser subestimada por quem aprecia um painel complicado.

Competência tem uma tarefa associada

A competência é mais exigente do que o reconhecimento porque é específica. Uma pessoa não é simplesmente competente com IA. É competente para executar uma tarefa definida com um sistema definido em condições definidas. As perguntas e respostas da Comissão associam repetidamente a literacia ao contexto e ao propósito do sistema, ao conhecimento das pessoas envolvidas e ao risco da utilização. Essa é uma melhor descrição de competência do que uma lista de truques genéricos de instruções.

Para um utilizador comum, competência pode significar saber que informação pode ser introduzida, que resultado precisa de verificação, como preservar o material de origem e quando parar. Pode incluir a capacidade de distinguir uma resposta gerada de uma passagem recuperada, de inspecionar a ligação por trás de uma afirmação, de detetar um qualificador em falta e de comunicar uma falha em termos que outra pessoa possa reproduzir. São competências práticas. Não exigem que o utilizador implemente um transformador, mas exigem mais do que acreditar que o sistema leu a política da organização.

Para um revisor, a competência inclui a capacidade de contestar o resultado. O revisor precisa de um conjunto de testes que se assemelhe ao trabalho, uma forma de ver que evidência o sistema usou e uma declaração clara do que conta como um resultado aceitável. Se a tarefa disser respeito a um direito público ou ao sustento de uma pessoa, o revisor também precisa de conhecimento de domínio suficiente para reconhecer uma resposta gramaticalmente correta mas substancialmente errada. A fluência é uma propriedade da interface. A competência é um juízo sobre a tarefa.

Para um gestor, a competência inclui decidir se a tarefa deve sequer ser automatizada. Essa decisão exige uma compreensão do trabalho por trás do rótulo. Uma tarefa pode ser repetitiva e ainda assim conter uma exceção crucial. Uma decisão pode ser rotineira para um profissional experiente e ainda assim ser demasiado consequente para ser delegada sem uma via de recurso visível. Um processo pode ser tecnicamente mensurável e socialmente inadequado para otimizar. Os gestores que não conseguem fazer estas perguntas deixam o design ao fornecedor e às definições predefinidas.

Para um engenheiro, a competência inclui tornar os limites do sistema inspecionáveis. Que versão do modelo foi executada? Que dados estavam disponíveis? Que chamadas de ferramentas foram permitidas? Que política ou instrução foi aplicada? Que condição de incerteza ou recusa foi alcançada? O que acontece quando uma fonte está desatualizada, em conflito ou em falta? O pessoal técnico não precisa de resolver todas as questões de governação, mas precisa de impedir que o sistema apague a informação que a governação exigirá mais tarde.

As disposições de risco elevado do Regulamento IA tornam isto concreto. As perguntas e respostas da Comissão referem que os utilizadores de sistemas de risco elevado devem garantir que o pessoal que lida com esses sistemas na prática recebe formação para os operar e para assegurar a supervisão humana. Colocar meramente instruções ao lado da ferramenta não basta. As pessoas que fazem o trabalho precisam da competência e das condições práticas para utilizar o mecanismo de supervisão. Se o operador não conseguir compreender o resultado ou não conseguir interromper o processo, a palavra humano em supervisão humana torna-se um substantivo decorativo.

A competência cresce quando a organização permite que as pessoas pratiquem com restrições reais. Uma equipa de privacidade pode trabalhar um pedido hipotético que contenha dados pessoais e decidir o que pode entrar no sistema. Uma equipa de serviço público pode ensaiar uma recusa e uma escalada sem usar o caso de um residente real. Uma equipa de produto pode reproduzir um modelo alterado contra um conjunto de avaliação fixo e discutir quais diferenças importam. Estes exercícios não são prova de que uma implementação futura será segura. São ensaio para as decisões que a segurança exige.

Há um limite importante. A competência não pode compensar a falta de evidência. Um revisor altamente qualificado não pode verificar uma alegação quando a fonte desapareceu, nem um operador bem treinado pode sobrepor-se a um sistema se a interface não oferecer essa opção. A formação pode expor a ausência, mas não pode preenchê-la pela força do entusiasmo. As organizações por vezes respondem a um controlo em falta agendando outro curso. O calendário torna-se um monumento ao controlo que nunca foi construído.

A autoridade é a metade que falta

A autoridade é a parte da literacia em IA que as organizações preferem deixar implícita. Diz respeito a quem pode decidir, quem pode recusar, quem pode pausar um processo, quem pode alterar uma regra e quem suporta a consequência quando um sistema está errado. Autoridade não é o mesmo que antiguidade. Uma pessoa sénior pode aprovar um sistema e ainda assim não conseguir inspecionar a sua evidência. Um trabalhador da linha da frente pode ver um problema primeiro e ainda assim ser informado de que apenas um fornecedor o pode alterar.

A supervisão humana é muitas vezes descrita como se uma pessoa junto a um painel de controlo fosse suficiente. Não é. A supervisão precisa de uma pessoa com tempo, conhecimento e autoridade para compreender o resultado, reconhecer quando está fora do âmbito e intervir. Os requisitos de risco elevado do Regulamento IA tornam o ponto da formação explícito, mas o princípio subjacente aplica-se mais amplamente. Uma pessoa não pode exercer supervisão sobre um processo que trata a intervenção como uma falha de eficiência.

Considere um serviço habitacional hipotético que usa uma ferramenta para ordenar candidaturas recebidas para revisão. O sistema pode ter permissão para sugerir uma ordem, mas a organização ainda tem de decidir o que acontece quando o registo de origem está incompleto, quando as circunstâncias de um residente não se enquadram nas categorias, ou quando a regra de ordenação entra em conflito com um dever legal. Uma equipa literata não sabe apenas que o modelo pode estar errado. Sabe quem pode parar a fila, quem pode abrir uma exceção, que registo é mantido e como o residente é informado do que aconteceu. O exemplo é deliberadamente hipotético. O seu propósito é mostrar que a autoridade é uma propriedade do fluxo de trabalho, não um traço de personalidade.

A autoridade também tem uma direção inversa. As pessoas afetadas por um sistema precisam de uma via para o questionar, mesmo quando nunca escolheram o sistema. Um cliente, estudante, paciente, candidato ou residente pode não precisar de compreender a matemática interna do modelo. Precisa de saber se uma máquina esteve envolvida, que tipo de decisão influenciou, qual gabinete humano pode rever o resultado e que informação ajudaria essa revisão. A literacia pertence tanto à pessoa que recebe o resultado como à pessoa que opera a ferramenta.

É por isso que a escalação não é um castigo. É um canal de informação para casos que o percurso automatizado não consegue absorver em segurança. Um registo de escalação útil diz o que foi pedido ao sistema, que provas viu, o que devolveu, por que razão o resultado foi questionado e quem decidiu o que aconteceu a seguir. Não precisa de transformar cada interação comum num processo legal. Precisa de preservar contexto suficiente para que uma falha repetida se torne visível, em vez de ser descartada como uma queixa isolada de um utilizador.

A autoridade deve ser ensaiada antes da implementação. Quem carrega no botão de paragem? Quem pode aprovar um novo modelo? Quem pode alterar um limiar? Quem é responsável por uma fonte de dados contestada? Quem pode dizer a um fornecedor que um resultado não é aceitável? Quem informa as pessoas afetadas? Quem decide se o sistema volta a funcionar depois de um incidente? Se as respostas forem nomes em vez de funções, o acordo é frágil. As pessoas saem, mudam de emprego ou estão numa reunião. As funções sobrevivem a uma agenda.

A resposta mais humana nem sempre é colocar mais decisões sobre um profissional já sobrecarregado. A autoridade tem um custo. Exige tempo, acesso às provas, apoio da gestão e um processo que não castigue uma recusa prudente. Se uma organização concede autoridade nominal sem estas condições, cria um bode expiatório em vez de supervisão. A pessoa torna-se responsável por um resultado que não tinha meios para influenciar. É um padrão de gestão conhecido com uma nova interface.

A disciplina das fontes por detrás de cada resposta

A literacia em IA é muitas vezes centrada nos resultados porque os resultados são o que as pessoas veem. A parte mais difícil é aprender a perguntar o que entrou no sistema. Uma resposta gerada pode ser fluente enquanto o conjunto de fontes está desatualizado, incompleto, não autorizado ou misturado com material que nunca foi destinado a orientar a tarefa. Um sistema de recuperação pode devolver um parágrafo relevante da versão errada de uma política. Um resumo pode omitir a frase que contém uma exceção. Um pedido pode conter uma instrução disfarçada de documento. A disciplina das fontes é o hábito de tratar as entradas como material sujeito a regras, e não como contexto conveniente.

As pessoas não precisam de conhecer todos os detalhes de implementação para praticar a disciplina das fontes. Precisam de fazer um conjunto curto de perguntas. Qual é a fonte? Quem é o responsável? Quando era válida? É autoritativa para esta tarefa? Foi transformada? O sistema consegue mostrar a passagem ou o registo que moldou a resposta? Que dados foram excluídos e por que razão? O que deve acontecer quando duas fontes discordam? Estas perguntas são úteis para um assistente de políticas, uma ferramenta de pesquisa clínica, um companheiro de código e um serviço de informação pública.

Uma fonte não é autoritativa apenas porque é fácil de recuperar. As pastas partilhadas contêm rascunhos. As bases de dados contêm duplicados. Um resumo gerado por modelo pode ter sido indexado como se fosse um registo primário. Uma tradução pode ter perdido uma qualificação legal. Um documento pode estar atualizado e ainda assim estar fora do propósito para o qual o sistema está autorizado a usá-lo. A literacia torna estas distinções parte do trabalho normal, em vez de uma preocupação especializada que só aparece depois de uma queixa.

A disciplina das fontes também muda a forma como as pessoas falam sobre confiança. Um resultado com alta confiança não é prova forte se a fonte relevante estiver ausente. Um resultado cauteloso pode ser a resposta responsável quando o conjunto de fontes está incompleto. A organização não deve treinar os utilizadores para recompensar a certeza fluente e castigar uma recusa útil. Se o sistema não conseguir responder dentro das provas permitidas, o próximo passo pode ser encontrar o responsável pela fonte, pedir um julgamento humano ou estreitar a pergunta.

The source path should be visible at the right level. A user may need a link to the policy passage. A reviewer may need the version and transformation history. An auditor may need the complete input lineage. The information can be layered without being hidden. A tool that shows only a green confidence badge asks the user to trust an abstraction. A tool that shows the evidence and its limits lets the user exercise judgement.

This is also a literacy issue for procurement. A buyer should ask whether the supplier can describe the data boundary, export records, preserve version history, and explain what happens when a source is withdrawn. These are not only technical requirements. They determine whether the organisation can learn from an error. If the contract gives the buyer an answer but not the evidence behind it, the buyer has purchased prose and retained the risk.

Escalation is a form of knowledge

Organisations often treat escalation as a sign that the system has failed to deliver efficiency. A better view is that escalation is how the organisation learns where automation stops being trustworthy. Every escalation contains information about the boundary between the task and the world. The case may be unusual, the source may be defective, the policy may be ambiguous, the interface may have hidden a condition, or the workflow may have assigned authority to the wrong person.

A good escalation route is specific. It tells the user what to record, who receives the case and what response to expect. It distinguishes a missing source from a suspected harmful output, and a technical outage from a policy conflict. The distinction is not paperwork for its own sake. It allows the organisation to repair the correct layer. Re-training a model cannot fix a missing legal source. Updating a policy cannot fix an interface that gives nobody the ability to stop.

Escalation must be safe for the person who uses it. If a worker is measured only on speed, every escalation looks like a personal cost. If a public-service employee risks criticism for delaying a case, the system will accumulate silent overrides rather than visible records. Management has to make the prudent route legitimate. The alternative is a culture in which people are literate enough to see the problem and disciplined enough to hide it.

The European Commission’s own internal measures, described in its Article 4 questions and answers, are instructive because they extend beyond a single course. The Commission says it has developed an internal competency framework for basic AI literacy, learning packages for different groups including generalists, managers and developers, a portal with tool-specific resources, question-and-answer sessions, a community of practice, a monthly newsletter and an AI Champions network. These are not presented as a universal template, and the Commission notes that its internal framework may change as common objectives evolve. The important idea is the network: knowledge has a route through the organisation.

A community of practice is useful because it turns isolated questions into shared memory. A person can ask why a system behaved oddly, compare the answer with another team’s experience, and find someone who understands the domain. That does not replace formal ownership. It makes ownership easier to locate. A newsletter can point to a new risk, but it cannot decide whether a local workflow should change. An AI champion can help a team learn, but should not become the only person who knows how the system works.

Escalation should also feed back into training. If the same confusion appears repeatedly, it is no longer an individual knowledge gap. It may mean the interface is misleading, the policy is unclear, the evidence is not exposed or the role boundary is wrong. The organisation can then update the relevant layer. Training is one option. A better label, a safer default, an additional record or a changed approval route may do more.

That feedback is why the muscle metaphor matters. A muscle grows through resistance. Escalations are the resistance in an AI workflow. Remove them to make the dashboard look calm and the organisation loses the signals that would have made it stronger. A quiet system can be healthy. It can also be a system whose users have stopped reporting what they see.

Habits beat events

A course is an event. Literacy is a pattern of small behaviours repeated before, during and after a system is used. Before use, people identify the task, the purpose, the permitted data, the affected people and the authority that remains human. During use, they check the evidence, notice uncertainty, record important decisions and escalate when the system leaves its boundary. After use, they review outcomes, preserve relevant records and repair the source, policy, training or system when the same problem returns.

These habits need to be designed into work. A prompt asking for the source behind an answer is more useful than a poster saying be critical. A required field for the decision owner is more useful than a training slide about accountability. A visible stop control is more useful than a paragraph reminding staff that they retain responsibility. Controls are not substitutes for judgement, but they can make good judgement easier to exercise on a Tuesday afternoon.

Habits also need to fit the pace of the work. A public information desk cannot complete a long audit for every low-consequence draft. A safety-critical workflow cannot treat a quick visual check as meaningful oversight. The organisation should define levels of evidence and review that match the task and its possible consequences. The point is proportionality, not minimalism. A small task with a large effect on another person deserves more care than a large task with no meaningful consequence.

There is a useful difference between a rule and a habit. A rule says do not enter confidential data into an unapproved tool. A habit asks, before opening the tool, which data is actually necessary and whether the purpose permits its use. A rule says a human must review a recommendation. A habit asks whether the reviewer has the evidence, time and authority to make that review real. A rule says report incidents. A habit notices near misses before they become reportable incidents and treats them as learning material.

Habits can be observed without turning people into surveillance subjects. The organisation can inspect whether a workflow exposes its source, whether an escalation route is used, whether model changes trigger a review and whether records can be replayed. It should not confuse a high count of clicks with a high level of literacy. A person can tick every box and still misunderstand the decision. Observability is useful when it measures the conditions for judgement, not when it rewards the appearance of compliance.

The AI Office’s repository of literacy practices follows this practical logic. The Commission describes more than forty initiatives from companies and the public sector, including e-learning, in-person training, bootcamps and collaboration between industry and academia. It also states that copying a practice from the repository does not automatically create a presumption of compliance. That disclaimer is important. A practice can be a useful idea without being evidence that another organisation has handled its own context.

O que pode ser emprestado é o hábito de perguntar como uma prática está ligada ao trabalho. Chega às pessoas que operam o sistema? Cobre os riscos da tarefa? Dá às pessoas um caminho para questionar e corrigir? Muda quando o sistema ou o contexto muda? Cria um registo que ajuda a organização a aprender? O formato pode variar. As perguntas devem permanecer.

As pessoas sobre quem um sistema é usado

A literacia em IA é muitas vezes dirigida ao pessoal porque o pessoal é o público mais fácil de reunir numa sala. A lei e o interesse público são mais amplos. A explicação da Comissão pede às organizações que considerem as pessoas ou grupos sobre quem os seus sistemas são usados. Essa expressão mantém a pessoa afetada dentro da conversa de conceção, mesmo quando nunca vê o modelo, nunca consentiu na implementação e nunca recebeu o convite para a formação.

Para as pessoas afetadas, a literacia significa um tipo diferente de acesso. Podem precisar de saber que um sistema automatizado influenciou um serviço, que tipo de influência teve, que informações foram consideradas e como pedir uma revisão. Os direitos e avisos exatos dependem do sistema e da lei aplicável. O princípio geral é estável: uma pessoa não deve ter de compreender aprendizagem automática antes de poder contestar uma decisão que lhe é importante.

A comunicação faz parte do controlo. Um aviso cheio de termos técnicos pode ser formalmente transparente e praticamente inútil. Uma explicação curta que nomeie o propósito, o caminho humano e a limitação pode fazer mais pela autonomia. A organização deve testar a explicação com as pessoas que dela precisam, não apenas com os engenheiros que construíram o sistema. A clareza não é uma qualidade decorativa. Decide se uma contestação pode começar.

A linguagem também importa aqui. A orientação da UNESCO coloca a diversidade linguística e cultural no centro da sua abordagem centrada no ser humano à IA generativa. Um aviso traduzido pode ainda falhar se perder a distinção entre um convite e uma obrigação, ou se usar um termo que as pessoas não reconhecem no serviço a que tentam aceder. A literacia inclui, portanto, a capacidade de perguntar se a mensagem sobreviveu à tradução e se a pessoa pode usá-la para agir.

As instituições públicas devem ser especialmente cuidadosas com a ideia de utilização informada. As pessoas não ficam informadas porque uma página web inclui uma divulgação. Ficam informadas quando a explicação chega no ponto em que afeta a sua escolha, quando o caminho humano é real e quando a instituição pode mostrar o que fez com a informação que recebeu. O ónus é maior quando a instituição detém o poder e a pessoa não tem alternativa prática.

As empresas enfrentam a mesma questão nos serviços ao cliente e de emprego. Uma empresa pode formar o seu pessoal minuciosamente e ainda assim deixar os clientes incapazes de compreender porque é que uma pontuação afetou o seu pedido. Um local de trabalho pode formar os gestores e ainda assim deixar os trabalhadores sujeitos a um sistema de agendamento que não podem questionar. A literacia está incompleta quando a organização compreende a sua ferramenta, mas a pessoa que carrega a sua consequência fica com uma caixa negra e um formulário de contacto genérico.

Conceber para as pessoas afetadas também melhora o sistema. Perguntas de residentes, pacientes, candidatos e trabalhadores revelam frequentemente pressupostos que os testes internos não detetaram. A questão não é se cada reclamação está correta. A questão é se a organização consegue distinguir um desacordo individual de um padrão que sinaliza uma fonte de dados defeituosa, um limiar injusto ou uma explicação enganosa. Um caminho para contestar é também um caminho para a evidência.

Uma instituição pública deve ensinar os seus próprios limites

As instituições públicas têm um papel pedagógico mesmo quando não se consideram educadoras. Todos os serviços automatizados ensinam às pessoas o que a instituição considera normal, comprovável e contestável. Um sistema que aceita apenas provas estruturadas ensina aos cidadãos que as suas vidas têm de caber num formulário. Um sistema que devolve uma explicação gerada sem oferecer um canal humano ensina-lhes que a instituição delegou a responsabilidade. Um sistema que declara claramente os seus limites ensina uma lição diferente: a tecnologia pode apoiar um dever público, mas não o substitui.

As orientações éticas atualizadas da Comissão Europeia para o uso de IA e dados no ensino e na aprendizagem oferecem um exemplo público concreto deste trabalho pedagógico. As orientações destinam-se sobretudo a professores e pessoal educativo, incluindo pessoas com pouca ou nenhuma experiência prévia e aquelas com competências digitais avançadas. A atualização de 2026 acrescenta cenários práticos, um glossário atualizado e contexto jurídico que abrange o Regulamento IA e o RGPD. A forma é educativa, mas o princípio transita bem: as pessoas precisam de definições, perguntas e exemplos que as ajudem a tomar uma decisão baseada no contexto.

As orientações não transformam os professores em responsáveis pela conformidade. Ajudam os educadores a compreender os benefícios potenciais, os riscos ocultos e as responsabilidades que acompanham o uso de IA e dados no contexto dos alunos. Essa distinção é importante. Uma boa literacia não torna um profissional desconfiado de todas as ferramentas. Dá-lhe compreensão suficiente para escolher onde uma ferramenta ajuda, onde precisa de limites e onde a relação humana deve continuar a ser primordial.

Um conselho escolar hipotético ilustra a diferença. Se comprar um assistente de escrita e oferecer uma demonstração geral, os professores podem aprender a produzir material rapidamente. Se também perguntar que dados dos alunos entram no sistema, como o material gerado é verificado, como um aluno pode contestar uma marcação automática e quem pode desativar a ferramenta, o conselho está a construir competência institucional. A segunda conversa pode ser mais lenta. É também a conversa que torna a primeira responsável.

As instituições públicas devem publicar a sua própria aprendizagem na medida em que a confidencialidade e a segurança o permitam. Uma descrição curta da finalidade de um sistema, dos limites das provas, do percurso de revisão e dos limites conhecidos pode ajudar cidadãos, funcionários e fornecedores a falar do mesmo objeto. A documentação pública dá também à sociedade civil e aos órgãos de supervisão algo concreto para questionar. Uma promessa vaga de inovação responsável deixa toda a gente a discutir o tom.

Há uma dimensão democrática nisto. A literacia em IA é por vezes descrita como um programa para a força de trabalho, como se os cidadãos fossem apenas futuros empregados. Os cidadãos são também eleitores, doentes, inquilinos, pais, candidatos, vizinhos e pessoas cujos dados aparecem no fluxo de trabalho de outra pessoa. A sua capacidade de compreender e contestar os sistemas automatizados faz parte da capacidade pública necessária ao controlo democrático. Uma sociedade que só consegue discutir IA através de demonstrações de fornecedores externalizou o seu vocabulário.

A educação é um ensaio organizacional

As escolas e as universidades são lugares naturais para discutir a literacia em IA, mas a lição não deve ficar pela sala de aula. As orientações da UNESCO afirmam que a IA generativa muda mais depressa do que muitos quadros regulamentares nacionais e apelam a que a capacidade humana acompanhe esse ritmo. Não é uma razão para apressar todas as ferramentas para o ensino. É uma razão para ensinar as pessoas a avaliar ferramentas, proteger dados, reconhecer limites e perguntar quem beneficia de uma utilização específica.

A Comissão Europeia e a OCDE apresentaram, em junho de 2026, um quadro de referência para a literacia em inteligência artificial no ensino básico e secundário. O quadro é descrito como uma referência comum para escolas, educadores, dirigentes, decisores políticos e concebedores de aprendizagem, com espaço para adaptação aos contextos locais. Uma referência comum é útil porque reduz a tentação de definir literacia como a caraterística que um fornecedor, por acaso, vende. A adaptação é igualmente importante porque uma escola, um instituto de investigação e um serviço público não enfrentam as mesmas tarefas nem as mesmas pessoas afetadas.

A educação pode modelar os hábitos de que as organizações virão a precisar. Os alunos podem comparar uma explicação gerada com uma fonte, documentar o que mudou, questionar uma resposta confiante e discutir quando deve continuar a ser um humano a assumir a responsabilidade. Os professores podem tornar a incerteza visível, em vez de a tratarem como um falhanço da aula. Os dirigentes escolares podem incluir as questões de aquisição e de dados na decisão, em vez de as deixarem a um entusiasta individual com uma conta gratuita.

Estas práticas não têm a ver com tornar as crianças responsáveis pela governação de sistemas comerciais. Têm a ver com dar às pessoas um vocabulário duradouro antes de entrarem em locais de trabalho e instituições públicas onde o que está em jogo pode ser maior. Os adultos precisam da mesma oportunidade. Um gestor que aprendeu a questionar as fontes na escola pode usar esse hábito numa reunião de aquisição. Um cidadão que sabe que um modelo pode estar errado, mas ainda assim ser influente, pode pedir o percurso certo num serviço público.

A educação mostra também porque é que a literacia não pode ser reduzida à competência técnica. Um professor pode aprender como um modelo gera texto e ainda assim precisar de decidir se usá-lo altera a relação com um aluno. Um investigador pode compreender o processo de treino de um modelo e ainda assim precisar de verificar os direitos e o consentimento nos dados. Um aluno pode conseguir dar instruções a um sistema de forma impressionante e ainda assim precisar de reconhecer quando o sistema não é uma fonte adequada. O juízo humano é uma competência, não um resíduo que sobra depois da lição técnica.

As universidades e as associações profissionais podem ajudar, ligando as disciplinas. A literacia em IA pertence ao direito, à gestão de dados, ao design, à ética, ao trabalho, à administração pública, à saúde e à engenharia, e não a uma sala onde uma especialidade explica o futuro a todos os outros. O objetivo não é tornar cada pessoa perita em todas as áreas. É tornar possível que os especialistas reconheçam onde acaba a sua própria área e onde é preciso convidar outra área a entrar.

O que a Comissão está a fazer a si própria

Há uma diferença útil entre uma política que diz aos outros o que fazer e uma instituição que descreve o que está a fazer internamente. As perguntas e respostas sobre o artigo 4.º da Comissão incluem esta última. Descrevem uma política interna para uma força de trabalho com competências em IA, um quadro básico de competências de literacia em IA, pacotes de aprendizagem para generalistas, gestores e programadores, recursos específicos por ferramenta, sessões de perguntas e respostas, uma comunidade de prática, um boletim mensal e uma rede de Campeões de IA.

Nada disto deve ser tratado como um modelo mágico. A própria Comissão diz que o quadro interno pode mudar na sequência de futuras recomendações. As práticas são um exemplo de uma instituição que trata a literacia como um sistema de apoio e não como um evento único. Um quadro dá linguagem. Diferentes pacotes de aprendizagem reconhecem diferentes papéis. A orientação específica por ferramenta liga a aprendizagem ao trabalho. Uma comunidade dá às perguntas um sítio para onde ir. Os campeões criam um percurso através da organização sem os tornarem os únicos donos do conhecimento.

O exemplo contém também um aviso discreto. O programa é descrito em termos de aprendizagem incentivada e recursos práticos, e não como prova de que todos os colaboradores conseguem executar todas as tarefas de IA em segurança. Esse é o limite honesto. Uma organização pode desenvolver capacidades e ainda assim ter lacunas. Pode oferecer formação e ainda assim descobrir que um fluxo de trabalho não tem uma opção de anulação. Pode publicar orientações e ainda assim precisar de as rever quando uma ferramenta, uma lei ou uma tarefa mudar.

O repositório público da Comissão torna esse mesmo limite explícito. Reúne exemplos para apoiar a aprendizagem e a troca de experiências, mas reproduzir uma prática não cria automaticamente uma presunção de conformidade. Vale a pena repetir esta frase, porque as organizações copiam muitas vezes um formato visível e deixam para trás o raciocínio invisível. Um bootcamp pode ser útil num contexto e irrelevante noutro. Um módulo de e-learning pode chegar a toda a gente e não mudar nada. Uma comunidade de prática pode florescer num ambiente de investigação e precisar de uma forma diferente numa central de atendimento público.

A questão prática para qualquer organização não é se o seu programa se assemelha ao da Comissão. É se as pessoas conseguem usar o que aprenderam no momento em que o sistema lhes pede para fazer um juízo. Se conseguem, o programa está ligado ao trabalho. Se não conseguem, a organização construiu uma biblioteca sem porta.

Um mapa de capacidades para uma organização comum

É útil mapear a literacia por capacidade e não por presença. O mapa deve mostrar o que a organização precisa de fazer, quem executa cada parte, que provas a sustentam e que autoridade permanece humana. Uma pequena organização pode desenhá-lo numa página. Uma maior pode precisar de um registo ligado a sistemas, funções e ciclos de revisão. A forma importa menos do que manter as relações visíveis.

A primeira capacidade é o reconhecimento. A organização consegue listar os sistemas de IA que fornece, implementa ou utiliza em nome de terceiros e descrever a sua finalidade em linguagem corrente. Sabe quais as ferramentas experimentais, quais as aprovadas, quais as integradas num serviço de um fornecedor e quais as que entraram através de uma conta individual. O reconhecimento não é vigilância da curiosidade de cada colaborador. É uma forma de impedir que uma utilização com consequências se esconda atrás de uma categoria de aquisição ou de uma solução entusiasta.

A segunda é a prova. Para cada tarefa, a organização sabe que dados o sistema recebe, que fontes são autoritativas, como a atualidade e as permissões são verificadas e que registos sobrevivem à transformação. Consegue distinguir uma sugestão gerada de um registo de origem e um resultado de avaliação de um resultado de produção. A prova é a parte da literacia que transforma uma afirmação em algo que uma segunda pessoa pode inspecionar.

A terceira é o juízo. A organização consegue indicar que ações o sistema pode tomar, quais pode sugerir e quais permanecem decisões humanas. Define as condições que exigem uma recusa, uma escalada ou uma revisão. Torna visível o compromisso quando um caminho mais rápido dá menos provas ou menos oportunidade de contestação. O juízo não é um argumento contra a automatização. É a parte do design que diz para que serve a automatização.

A quarta é a autoridade. São atribuídas funções para aprovação, supervisão, propriedade dos dados, tratamento de incidentes, comunicação com as pessoas afetadas, contestação de fornecedores e retirada. As funções têm acesso e tempo. Uma pessoa com um título mas sem forma de parar ou alterar o sistema não é um mecanismo de supervisão. Uma caixa de escalada sem dono é uma caixa de sugestões vestida a rigor.

A quinta é a aprendizagem. A organização regista o que as pessoas perguntaram, onde o sistema falhou, que pressupostos mudaram e o que foi reparado. Atualiza a formação quando a tarefa muda, mas também altera a interface, o percurso da prova, a política ou o contrato quando essa é a melhor correção. A aprendizagem não é um relatório retrospetivo que fica ao lado do sistema. É o sistema a tornar-se mais honesto sobre os seus limites.

Um mapa de capacidades mantém visíveis as pessoas, as provas e a autoridade em torno de um sistema de IA. É um mapa do trabalho, não um registo de participantes.

Como fazer o ciclo sobreviver a um trimestre movimentado

A maioria dos programas de literacia falha da forma mais comum. O lançamento tem boa adesão, os materiais são cuidados, e depois o trabalho urgente regressa. Chegam novas ferramentas através de um fornecedor, uma equipa copia um prompt de outra equipa, uma política muda, ou uma atualização do modelo aparece numa nota de versão. A organização continua a falar de literacia como se o curso original ainda estivesse presente. Não está. O sistema avançou enquanto a aprendizagem ficou parada.

A primeira proteção é um gatilho claro para revisão. Uma alteração ao modelo, à fonte de dados, ao propósito, à população afetada, ao fornecedor, ao limiar ou à via humana deve levar alguém a perguntar se a prática existente ainda se adequa. O gatilho não tem de criar um comité para cada alteração menor. Tem de impedir que uma alteração material seja tratada como manutenção quando altera a autoridade ou o risco.

A segunda proteção é a posse local. Um gabinete central de IA pode oferecer orientação, mas a pessoa mais próxima da tarefa costuma ver primeiro o desfasamento entre o sistema e o trabalho. Essa pessoa precisa de uma via nomeada para fazer perguntas, reportar um problema e receber uma resposta. A posse local também impede que o programa se torne um conjunto de princípios abstratos que ninguém consegue traduzir para o caso de amanhã.

A terceira proteção é um pequeno conjunto de perguntas reutilizáveis. O que está o sistema a fazer? Que provas está a usar? O que pode mudar? Quem é afetado? O que nos faria parar? Quem o pode alterar? Que registo nos permitirá compreender o resultado mais tarde? Estas perguntas podem aparecer na aquisição, na revisão de design, na orientação ao pessoal, num aviso público, num formulário de incidente e num exercício de formação. A repetição não é um defeito quando a pergunta é o controlo.

A quarta proteção é o tempo. As organizações pedem muitas vezes às pessoas que exerçam juízo nos intervalos entre outras tarefas. Isso faz com que a ação correta pareça ineficiente. Se se espera que um revisor verifique uma recomendação gerada, a carga de trabalho tem de incluir essa verificação. Se se espera que um trabalhador escale uma preocupação, o horário tem de o permitir. Se se espera que um gestor reveja um novo modelo, o cargo tem de incluir a revisão. Caso contrário, a organização transformou a literacia numa atividade voluntária e ficará surpreendida quando os voluntários escassearem.

A quinta proteção é um fim visível para o ciclo. Uma escalada não deve desaparecer numa caixa de entrada. Quem a levantou deve saber se o caso foi aceite, o que mudou e quem é responsável pelo próximo passo, sujeito a limites de privacidade e segurança. Um pequeno reconhecimento pode ser mais poderoso do que outra política, porque mostra que a organização trata o discernimento como parte do trabalho, e não como uma interrupção dele.

As métricas podem ajudar, mas devem ser escolhidas com cuidado. Conte quantos sistemas têm um responsável, quantas tarefas têm um limite de evidência declarado, quantas alterações desencadearam revisão, quantas escaladas receberam resposta e com que frequência uma fonte ou política foi reparada. Não use percentagens de conclusão como substituto da compreensão. Uma conclusão de cem por cento pode coexistir com autoridade zero. Um valor de conclusão mais baixo pode revelar que a organização finalmente deixou de fingir que uma lição serve para todos.

A melhor medida não é um número. É a qualidade da próxima pergunta. Após o programa, consegue uma equipa desafiar um resultado confiante sem lhe dizerem que o modelo é apenas uma ferramenta? Consegue identificar a fonte e a evidência em falta? Consegue dizer o que faria o fluxo de trabalho parar? Consegue uma pessoa afetada chegar a uma revisão humana? Consegue a organização alterar o sistema sem perder o histórico do que aconteceu? Se a resposta melhorar, o músculo está a ser usado.

O que um certificado não lhe pode dizer

Um certificado pode dizer-lhe que uma pessoa concluiu uma atividade identificada. Isso pode ser útil para orientação, registo ou desenvolvimento profissional. Não pode dizer-lhe se a atividade correspondia ao sistema diante da pessoa, se a pessoa teve oportunidade de praticar, se a organização expôs as suas evidências, se a autoridade era real ou se o sistema mudou depois. Essas perguntas pertencem à organização e ao trabalho.

A distinção não é um argumento contra cursos. Os cursos podem fornecer um ponto de partida comum, especialmente quando é necessário um novo vocabulário rapidamente. Podem explicar mecanismos, contexto jurídico e riscos recorrentes. Podem ajudar pessoas que foram excluídas de conversas técnicas a entrar nelas sem terem de fingir que já sabem as respostas. O problema começa quando o curso é tratado como o resultado, em vez de um instrumento numa prática mais ampla.

Um bom curso deve tornar a próxima utilização mais exigente. Deve deixar as pessoas com perguntas que possam fazer, evidências que possam inspecionar, limites que possam declarar e caminhos que possam usar quando o sistema não chega. Deve tornar um gestor menos confortável com uma afirmação vaga e um trabalhador mais confiante numa recusa prudente. Deve tornar mais fáceis de ver as lacunas da própria organização. A aprendizagem que produz apenas confiança não produziu necessariamente literacia.

A redação atual da lei ajuda porque recusa definir uma linha de chegada única para cada pessoa. O artigo 4.º pede agora a fornecedores e implantadores que tomem medidas que apoiem o desenvolvimento. O considerando da alteração diz que a literacia deve ser uma prioridade estratégica, independentemente das obrigações regulamentares e de possíveis sanções. Essa é uma base mais forte do que uma corrida a uma pontuação universal. Diz às organizações que construam capacidade porque o seu trabalho o exige, não porque um certificado possa silenciar uma lista de verificação.

A nossa pequena nota

Na Dweve, a nossa pequena contribuição é o Ground truth, um guia cívico gratuito, baseado no browser, sobre IA. Não é um certificado e não pode, por si só, tornar uma organização literada. É um lugar para praticar o vocabulário partilhado aqui descrito: o que um sistema faz, que evidências utiliza, que limites importam e onde permanece o julgamento humano. Mencionamo-lo como um exemplo do material que produzimos, não como prova de um resultado organizacional. A prova tem de aparecer no trabalho, nas perguntas que as pessoas fazem e nas decisões que lhes é permitido alterar.

A lição

A literacia em IA não é o momento em que uma pessoa conclui um curso. É o momento em que uma organização consegue ver o que os seus sistemas estão a fazer e ainda consegue agir quando a resposta é incerta. A consciencialização nomeia o sistema e o seu contexto. A competência liga o conhecimento a uma tarefa e à sua evidência. A autoridade torna possível o julgamento e a intervenção. Os hábitos mantêm essas capacidades vivas quando a ferramenta, a política, os dados ou as pessoas mudam.

A posição europeia está a tornar-se mais clara. O artigo 4.º do Regulamento IA continua a ser uma responsabilidade organizacional, mas a legislação atual não prescreve um nível individual ou certificado único. As orientações da Comissão apontam para o contexto, o risco, o papel e as pessoas afetadas. O seu próprio programa interno combina enquadramentos, aprendizagem específica por função, orientação sobre ferramentas, uma comunidade e um canal para perguntas. As orientações educativas e as orientações da UNESCO colocam a capacidade humana, os direitos e a utilização significativa ao lado da compreensão técnica. Nenhuma destas fontes promete um atalho. É precisamente esse o seu valor.

Para um organismo público, o trabalho é tornar o percurso humano visível e utilizável. Para uma empresa, é ligar a formação à evidência, à responsabilidade e à capacidade de recusar um fluxo de trabalho deficiente. Para uma escola, é ensinar as pessoas a questionar um sistema antes de o sistema lhes pedir que confiem nele. Para uma pessoa afetada por uma decisão, é ter uma forma de compreender o que aconteceu e pedir revisão sem aprender primeiro o vocabulário do fornecedor.

O músculo cresce quando a organização pratica antes de a consequência chegar: reconhecer, questionar, verificar, decidir, escalar e reparar. Não haverá um certificado final que diga que o trabalho está concluído. Isso não é uma lacuna no programa. É o objetivo. Um sistema vivo precisa de julgamento vivo, e o julgamento vivo é algo que uma organização tem de continuar a exercitar.

Fontes