Quando governos e fundações falam em democratização do acesso à educação via IA, a narrativa é sedutora: ferramentas de tutoria inteligente disponíveis para qualquer criança com um smartphone, nivelando o campo de jogo global. A realidade tem mais atrito — e os dados sugerem que, sem intervenção deliberada, IA pode aprofundar desigualdades existentes antes de reduzi-las.
O paradoxo da conectividade
Segundo dados do ITU (União Internacional de Telecomunicações), 2,6 bilhões de pessoas ainda não têm acesso à internet. Entre os que têm, a qualidade varia dramaticamente: um estudante em Lagos com conexão 2G intermitente e um aluno em Seul com fibra óptica e MacBook vivem experiências tecnológicas incomparáveis — mesmo que ambos “tenham acesso” nas estatísticas.
Mas o problema vai além de conectividade. Plataformas de IA educacional são desenvolvidas majoritariamente em inglês, com dados de treinamento que sobrerrepresentam contextos ocidentais e de renda média-alta. Um sistema que explica frações usando exemplos de pizzas ou bolsas de valores tem desempenho diferente para crianças de contextos rurais no Sul Global.
Quem colhe os benefícios primeiro
A difusão de tecnologias educacionais historicamente segue o padrão da curva de adoção: instituições de elite adotam primeiro, estabelecem vantagem, e só anos depois a tecnologia alcança contextos menos privilegiados — quando já houve tempo de consolidar a diferença. GPT e ferramentas similares não são exceção.
Pesquisa da Universidade de Stanford sobre adoção de Khanmigo mostrou que estudantes de escolas privadas de alta renda usavam o sistema 3x mais frequentemente e com mais profundidade que estudantes de escolas públicas com acesso equivalente. A variável não era tecnologia — era capital cultural e hábito de uso de ferramentas de estudo.
O que políticas públicas precisam fazer diferente
Subsídio de dispositivos e conectividade é condição necessária mas insuficiente. O que move o ponteiro é: formação docente para uso pedagógico de IA (não apenas técnico), desenvolvimento de conteúdo localizado e em línguas nativas, e modelos de implementação que considerem infraestrutura real — incluindo acesso offline.
Iniciativas como o AI for Education da UNESCO e o programa brasileiro de Computação na Escola mostram que a intenção existe. O gap entre intenção e execução é onde a maioria dos programas falha. Gestores que querem usar IA como ferramenta de equidade precisam começar pela pergunta: quem fica de fora por padrão, e como o design do programa muda isso explicitamente?
