Como pais e professores devem abordar a IA com crianças menores de 13 anos?

Esta é uma tradução automática da página em inglês; ainda não foi revisada por uma pessoa falante nativa.

A IA já está na sua casa ou na sua sala de aula: o brinquedo que responde, o companheiro de tablet, o tutor que seu filho abre enquanto você faz o jantar, a ferramenta de escrita da qual um colega está entusiasmado. Você está decidindo o que uma criança com menos de treze anos pode fazer com ela, com ou sem uma política.

A conclusão principal: a IA generativa é a camada avançada para essa faixa etária, não o ponto de entrada. Deixe a criança pequena conhecer a IA primeiro como algo que pessoas desenham e que crianças podem moldar, mantenha um adulto no circuito sempre que a criança não puder julgar a saída, e proteja o pensamento da própria criança. Uma proibição indiscriminada não é a opção mais segura, porque a maior parte da exposição desse grupo etário acontece em casa, onde uma proibição escolar não alcança — e não existe nenhum estudo sobre proibições baseadas em idade.

A versão curta: permitir, bloquear, supervisionar

• Permitir. Menores de 9 anos: brincadeiras desconectadas (unplugged), programação tangível, contar histórias, dramatização e construção manual, mais explicações sobre o que é uma máquina. Dos 9 aos 12 anos: atividades com apoio, frequentemente não generativas, em plataformas avaliadas, mais ensino explícito sobre dados e sobre o que a IA não pode saber.
• Bloquear. Chat generativo sem supervisão para os mais novos; qualquer ferramenta que mantenha gravações, transcrições ou dados de uma criança sem uma resposta clara para "o que acontece com eles"; qualquer ferramenta que você não possa avaliar nos idiomas das suas famílias.
• Supervisionar. Uso conjunto, e não monitoramento silencioso: pergunte o que a ferramenta fez com as palavras da criança e mantenha visível o trabalho feito sem ajuda — qualidade de saída subindo enquanto o trabalho sem ajuda cai é o padrão a se detectar.
• Não construa uma regra que você não possa fazer cumprir. A aplicação baseada em detecção não é defensável (por quê).

O que uma criança com menos de treze anos deve poder fazer

Um desenho em camadas já existe, e ele coloca o uso generativo por último. Wang, Chuang e Wu (2026) avaliaram um recurso de letramento em IA dividido por faixas etárias para o sistema K-12 de Taiwan em duas edições: uma edição Elementar para idades de 9 a 12 anos com atividades com apoio, baseadas em plataforma e não generativas, e uma edição Avançada para idades de 13 a 18 anos com raciocínio ético e uso supervisionado de IA generativa. Em uma única pesquisa pós-exposição com 831 participantes, a coorte Elementar avaliou os materiais significativamente mais alto em expectativa de desempenho, expectativa de esforço, ludicidade e intenção comportamental, sendo a ludicidade percebida o correlato mais forte da intenção em ambos os grupos — embora os autores sejam explícitos de que se trata de aceitação de curto prazo após cerca de trinta minutos de exposição, e não de aprendizagem, competência ética ou uso real.

A brincadeira é o mecanismo. Play With AI (PL-AI) é um currículo centrado na brincadeira para a pré-escola e o jardim de infância, construído sobre brincadeira encarnada, programação tangível como ponte procedural, diálogo guiado como Andaime (Scaffolding) reflexivo e codesenho com professores como âncora de Sustentabilidade; o conforto autoavaliado dos professores subiu ao longo dos ciclos de desenho, e as crianças raciocinaram sobre a IA como algo desenhado por humanos, construíram sequenciamento e depuração por meio da programação tangível, e refletiram sobre justiça por meio do diálogo guiado. AI-Play segue a rota desconectada, com atividades sem tela que os pais podem replicar em casa.

Para as crianças mais novas, o risco é a crença. Yang, Li e Lee (2025) alertam que robôs sociais generativos podem produzir conteúdo que crianças pré-operatórias aceitam como verdadeiro, que esses sistemas não são calibrados ao desenvolvimento no feedback que oferecem, e que seu custo e disponibilidade ampliam as divisões existentes. Xu, Girouard e Shi (2026) chamam o mecanismo de redistribuição da agência na brincadeira: o controle se desloca em direção à interação criança–brinquedo, restringindo a brincadeira quando o brinquedo a organiza e a potencializando quando o brinquedo segue a imaginação da criança.

Ensine como as máquinas funcionam. A camada elementar é deliberadamente não generativa, e a evidência de robótica no jardim de infância concorda: Tsingidou e colegas (2026) constatam que aprendizagem baseada em problemas, contar histórias e apoio (scaffolding) são as estratégias mais usadas no pensamento computacional mediado por robôs, sendo sequenciamento, depuração e desenho algorítmico as habilidades mais avaliadas (na maioria das vezes por meio do TechCheck-K, embora muitas ferramentas sejam desenvolvidas ad hoc, sem validação). Pule essa etapa e os riscos aparecem depois como dependência excessiva.

Habilidades transversais podem ser ensinadas a baixo custo. Demir e Akar (2026) aplicaram um programa de letramento midiático crítico de 18 horas, baseado no modelo 5E, a 36 alunos do quarto ano na Turquia, cobrindo privacidade de dados, comunicação segura e ética midiática, com d de Cohen entre grupos de 1,12 (leitura), 1,18 (escrita) e 1,31 (letramento total).

Supervisão e revelação: quem está na sala

Espere que a responsabilidade seja pouco clara; defina-a explicitamente. Em entrevistas com 33 professores de K-12 nos EUA, Xiao e colegas (2026) descobriram que 10 apontaram o cenário do companheiro voltado aos pais como o mais preocupante, 17 disseram que um professor deveria se envolver e 11 disseram que depende; o teste de visibilidade dos professores deixou o uso de IA em casa fora de sua jurisdição na ausência de efeitos observáveis, e os pais foram apontados como os principais responsáveis, embora descritos como desinformados ou sobrecarregados. Fan, Li e Zhang (2026) formalizam os arranjos família–escola como modelos aditivos, sinérgicos e compensatórios, e afirmam claramente que a versão sinérgica não tem evidência que a sustente.

Dê ao adulto um papel definido, ou a ferramenta o tomará. ParaTutor (Luo e colegas, 2026) separou os papéis de pai e filho na tutoria de matemática em casa mediada por LLM, com 23 díades pai–filho (crianças de 10 a 12 anos) em quatro condições: a assistência genérica tendeu a deslocar o papel de tutoria do pai, enquanto a interface com papéis separados o preservou. Os pais também tiveram dificuldade com o conhecimento de conteúdo e com a comunicação.

Companheiros que leem para crianças precisam do mesmo cuidado. Liao (2026) constatou que um companheiro de IA com papel fixo de par produziu interações significativamente mais longas, mas uma participação menor de palavras e frases vindas do estudante, e foi mais forte na recordação de fatos do que na reflexão emocional ou prospectiva — razão pela qual o framework proposto acrescenta um papel de Conselheiro dos Pais e aponta um vazio de apoio para professores e pais.

Mantenha o humano nas partes que mais importam. Raave e colegas (2026) compararam um agente conversacional de IA generativa com educadores humanos facilitando atividades de aprendizagem socioemocional baseadas em histórias com uma criança de IA estática — 18 simulações por facilitador, 108 observações, avaliadas às cegas quanto ao tipo de facilitador. O agente foi forte em tom respeitoso e em apoio processual de rotina; os educadores humanos foram mais fortes na instrução mais profunda de ASE, na condução da reflexão e na promoção do conhecimento socioemocional, então a aprendizagem socioemocional inicial deve partir da complementaridade.

A revelação é obrigação da escola, não trabalho de detetive da família. Escreva o que a escola usa e como uma família pode perguntar; ver Privacidade, Segurança pedagógica, Uso de IA e declarações de divulgação e equidade, ética, privacidade e segurança na pesquisa em AIED.

Privacidade e dados: o que a ferramenta guarda

Presuma que a camada de segurança não foi construída para o seu filho. Um framework de avaliação de segurança infantil fundamentado em orientação de especialistas e dados de incidentes reais relata que a maior parte dos frameworks e benchmarks de segurança de IA tem como alvo usuários adultos, apesar da evidência de forte engajamento de jovens — uma pesquisa nacional citada nesse trabalho encontrou 72% de adolescentes dos EUA que haviam usado companheiros de IA — e que, quando três modelos Llama Guard foram testados com provocações inseguras relacionadas à educação, eles tiveram dificuldade em identificá-las.

Faça quatro perguntas antes de adotar uma ferramenta. Quais riscos específicos de crianças foram testados? O que ela faz com gravações, transcrições e dados de voz por padrão? Quanto custará às famílias se o plano gratuito desaparecer? Ela funciona nos idiomas que suas famílias falam? Um estudo de caso de makerspace só de meninas (Liu e colegas, 2026) documenta pais relatando que as meninas ficavam com medo e falavam menos em ambientes mistos, um gerador de imagens gratuito que abandonou suas funções gratuitas por um plano pago que a organização sem fins lucrativos não conseguia absorver, e provocações disponíveis apenas em inglês como uma barreira adicional.

Para lideranças escolares, a confiança da equipe é um controle de privacidade. Um estudo de contextos da primeira infância constata que a utilidade percebida e a facilidade de uso são centrais para as intenções de uso de IA por professores de pré-escola, a autoeficácia em IA é uma preditora significativa, a ansiedade em relação à IA é um fator dissuasivo, e a norma subjetiva — colegas e liderança — molda a intenção.

Integridade: o que é o trabalho da própria criança?

Não construa sua regra sobre um detector. Bassett e colegas (2026) argumentam que a detecção de IA não deveria ser usada na educação de forma alguma: suas estimativas são probabilísticas e não podem ser verificadas de forma independente porque a origem real do texto no mundo é desconhecida, seu uso viola a justiça processual já que os escores dos detectores não atendem ao padrão de balanço de probabilidades que as investigações de integridade exigem, e sua dicotomia humano versus IA não tem sentido para trabalho criado com a IA, e não por ela. A detecção "não protege a integridade acadêmica; ela a solapa", corroendo a confiança.

A vigilância empurra para o ocultamento; não o elimina. Mohamed e Temimi (2026) modelam a avaliação como informação imperfeita: o estudante sabe como o trabalho foi produzido, a instituição vê apenas o artefato. A dissuasão passa pela discriminação de um detector entre uso oculto e trabalho legítimo, e não por sua taxa bruta de captura — quando os falsos positivos sobem mais rápido que os verdadeiros positivos, um monitoramento mais forte torna o ocultamento relativamente mais atraente. Qu e Wang (2026) descobriram que a não revelação entre 409 estudantes de graduação era adaptação estratégica a normas percebidas dos pares e a baixa confiança interpretativa, e não negligência moral.

Observe o trabalho sem ajuda, não o produto. Uma análise do ensino médio com 26.811 estudantes descobriu que as notas de tarefas de casa subiram enquanto as notas de provas sem consulta caíram — daí a recomendação de monitorar os insumos, e não os produtos. Uma revisão sistemática de 8 estudos de IA na instrução de escrita no ensino fundamental (2019–2025) constata que ferramentas conversacionais apoiam a prática de escrita e ferramentas multimodais estendem a composição para além do texto, ao mesmo tempo que conclui que a avaliação automatizada ainda exige supervisão de humanos no circuito para garantir justiça e precisão. Um programa de nove semanas de escrita de opinião apoiado por GenAI com 301 alunos do 5º e 6º anos elevou o auto ideal de escrita e a resilviência acadêmica (buoyancy) e aumentou o engajamento comportamental e emocional, mas não moveu a mentalidade de crescimento, o engajamento cognitivo ou metacognitivo, nem a organização — e aponta os riscos: dependência excessiva, busca por atalhos e automonitoramento reduzido.

Saiba onde está a linha antes de anunciá-la. Uma análise comparativa de políticas institucionais e planos de curso descobriu que as instituições incentivam amplamente o uso de GenAI (63% de 116 políticas), enquanto metade dos 98 planos de curso o proibia de forma absoluta. Nash e Burriss (2026) encontraram o mesmo reflexo entre 27 professores em formação escrevendo políticas de sala de aula: 26 de 27 permitiam algum uso de IA em termos definidos pelo professor, apenas um o proibia inteiramente, e os limites raramente eram operacionalizados — uma política permitia IA "para colocar seu pensamento em movimento" e então declarava "é aqui que a linha deve ser traçada" sem dizer onde. Uma análise de 30 políticas de GenAI universitárias a partir do framework da UNESCO acrescenta que princípios centrais de ética e governança são amplamente adotados, enquanto inclusão, equidade, acesso à internet e impacto ambiental são frequentemente negligenciados, com muitas disposições permanecendo declarativas.

O que fazer quando algo dá errado

Trate a saída errada como um momento de ensino: pergunte como a criança a verificaria, em vez de simplesmente apagá-la. Quando uma criança diz que o companheiro a "entendeu", isso é uma conversa sobre o que um sistema que prevê a próxima palavra pode saber.

Um estudo de escrita multimodal com alunos do 5º ano descobriu que visualizar as histórias das crianças produziu ganhos sustentados em interpretação, análise, avaliação e explicação, mas nenhum ganho em inferência, e as crianças relataram menos necessidade de inferir significado implícito uma vez que as imagens o tornaram explícito. A fluidez compra a crença. A mesma cautela se aplica a uma resposta fluente de IA.

Robôs e dramatização são veículos legítimos para conversas difíceis. REMind usa drama aplicado mediado por robôs para intervenção de espectadores em casos de bullying — crianças observam um cenário de bullying encenado por robôs sociais e ensaiam estratégias de defesa manipulando um avatar robótico; em um teste lúdico de métodos mistos com 18 crianças de 9 a 10 anos, ele apoiou a autoeficácia, a tomada de perspectiva e a compreensão dos desfechos de defender alguém.

O que a evidência apoia e não apoia

A maior síntese aqui é cuidadosa. Arthars e colegas (2026) revisaram 271 artigos empíricos sobre IA generativa na PreK-12 e não encontraram nenhum "efeito GenAI" único: ganhos afetivos são comuns, mas indicadores fracos de aprendizagem; a evidência mais consistente diz respeito a melhorias no desempenho imediato e na qualidade do produto; e a evidência sobre aprendizagem durável, transferência e autorregulação auto-regulada sustentada é desigual. Os resultados dependem de cinco condições entrelaçadas — aprendiz, ferramenta, tarefa, arranjos sociais, contexto cultural e institucional — e o framework separa quatro funções pedagógicas: aprender a partir da IA, com ela, sobre ela ou moldando-a, e pergunta se um estudante entrega, descarrega ou exerce agência. Para crianças com menos de treze anos: sobre e moldando antes de a partir, uso conjunto com adultos onde quer que a criança ainda não consiga avaliar a saída, e nenhuma afirmação sobre aprendizagem durável a partir do produto de uma boa tarde.

Não existe estudo de proibições baseadas em idade nesta base de conhecimento. Esse é o estado honesto da evidência, dito claramente em vez de ser maquiado: nada aqui pode definir se as proibições que agora surgem em alguns sistemas escolares funcionam. A evidência que existe — sobre os riscos, sobre a aplicação e sobre restringir versus ensinar — aponta na mesma direção.

Onde o acesso foi ensinado, e não meramente permitido, os resultados se recuperaram. O estudo de disponibilidade versus integração de GenAI descobriu que tornar a GenAI disponível sem ensinar os estudantes a usá-la esteve associado a desempenho significativamente menor em questões aplicadas (ω² = 0,35) — presumivelmente porque os estudantes não conseguiam avaliar a saída — enquanto ensinar explicitamente seu uso para tarefas como resumir dados devolveu o desempenho aplicado aos níveis pré-GenAI e superou a linha de base em um quiz mais difícil. A alternativa a uma proibição não é o laissez-faire: o acesso irrestrito sem instrução também fracassou. Essa faixa etária pode ser ensinada — o programa de letramento midiático do quarto ano produziu efeitos entre grupos de d = 1,12 a 1,31.

As objeções que você vai ouvir

A IA deveria ser proibida para crianças com menos de treze anos?

Não como regra indiscriminada — e a razão honesta é que não existe estudo sobre essas proibições, então ninguém pode lhe dizer que elas funcionam. O caminho da aplicação é ruim: as estimativas da detecção são probabilísticas e não podem ser verificadas de forma independente, e quando os falsos positivos sobem mais rápido que os verdadeiros positivos, um monitoramento mais forte torna o ocultamento relativamente mais atraente. Uma proibição também governa o canal menos importante: aplicativos companheiros, brinquedos de IA e tutoria familiar acontecem em casa, além do alcance da escola, no vazio jurisdicional que aqueles professores descreveram. Uma proibição escolar deixa o lar sem governança onde o risco se concentra, enquanto famílias com recursos mantêm o acesso em casa. A linha defensável é divisão por faixa etária mais avaliação de ferramentas mais ensino: atividade com apoio, frequentemente não generativa, para cerca de 9 a 12 anos, e uso generativo supervisionado com um propósito declarado depois disso.

"O filho de todo mundo já está usando."

Parcialmente verdade: uma pesquisa nacional citada em o trabalho de avaliação de segurança infantil encontrou 72% de adolescentes dos EUA que haviam usado companheiros de IA. Esse número é sobre adolescentes, não sobre o seu filho de dez anos. A revisão PreK-12 de 271 artigos não encontrou nenhum "efeito GenAI" único, então o que os pares fazem lhe diz o que é normal, não o que é seguro ou útil.

"A escola deveria dar conta disso."

As escolas podem agir sobre o que provisionam, adquirem e ensinam: condições de aquisição, avaliação de riscos específicos de crianças, minimização de dados e revelação às famílias pertencem à política. Mas o canal doméstico é onde a exposição desse grupo etário acontece em sua maior parte. Fan, Li e Zhang (2026) apontam o modelo sinérgico família–escola e afirmam claramente que ele não tem evidência que o sustente. Ele precisa ser construído — o que significa dizer aos pais o que fazer em casa, e não apenas o que não fazer.

Checklists

Para casa.

• Menores de 9 anos: primeiro sem tela e encarnado — programação tangível, histórias, dramatização, construção manual — com a IA ensinada como algo que pessoas desenham, e não como algo que sabe.
• Dos 9 aos 12 anos: atividades com apoio, frequentemente não generativas, em plataformas avaliadas, mais ensino explícito sobre privacidade de dados, persuasão e o que a IA não pode saber; ferramentas generativas vêm depois, com um papel adulto nomeado.
• Decida quem monitora qual ferramenta e o que a escola vai lhe contar, use companheiros e tutores como atividade conjunta em vez de supervisão silenciosa, e verifique o que um aplicativo faz com dados de voz e de transcrição.
• Mantenha visível a construção de sentido da própria criança — redigir, explicar, refletir, fazer — e fique atento à qualidade da saída subindo enquanto o trabalho sem ajuda cai.

Para lideranças escolares e professores.

• Antes de adotar uma ferramenta, pergunte quais riscos específicos de crianças foram testados, o que ela faz com dados por padrão, quanto custa às famílias se o plano gratuito desaparece, e se ela funciona nos idiomas das suas famílias.
• Prefira regras de acesso por faixa etária e condições de avaliação de ferramentas a uma proibição indiscriminada, e escreva a linha de forma operacional — "IA para colocar seu pensamento em movimento" não é uma política.
• Monitore insumos além de produtos, conforme a análise do ensino médio com 26.811 estudantes em que as notas de tarefas de casa subiram enquanto as notas de provas sem consulta caíram, e invista na confiança dos professores, já que a autoeficácia em IA prediz a adoção na primeira infância, enquanto a ansiedade em relação à IA a desestimula.
• Publique um plano de avaliação. O corpus ainda não tem evidência de que proibições mudem o uso ou a aprendizagem, e os análogos mais próximos — aplicação por detectores, planos de curso pesados em proibições, disponibilidade sem ensino — todos tiveram desempenho pior do que o esperado.
• Prefira desempenho sem ajuda e transferência tardia a engajamento e satisfação ao relatar o que uma criança aprendeu.

Ver também Como a IA está impactando os estudantes?, Como devo incorporar a alfabetização em IA no meu curso?, Letramento em IA, Pais e famílias e Educação infantil e anos iniciais para a base de pesquisa por trás desta página.