Ensinar Programação com IA sem Criar 'Vibe Coders': Um Quadro Pedagógico para 2026

Se ensina programação em 2026, tem duas opções que não funcionam, e uma que funciona. As duas que não funcionam são bem conhecidas: proibir a IA no seu curso (inaplicável, empurra o uso para a clandestinidade, deixa os licenciados impreparados para a indústria) ou deixar os estudantes usar a IA livremente (produz licenciados capazes de prompter mas incapazes de pensar de forma lógica). A opção que funciona é mais difícil. Exige que reconceba a posição da IA no processo de aprendizagem – não como um resolvedor de problemas, não como uma ferramenta proibida, mas como um andaime pedagógico (scaffolding) cuidadosamente estruturado que deixa para o estudante o esforço cognitivo que a IA estava prestes a fazer por ele.

Este é o quadro pedagógico de que necessita. Não uma lista de diretrizes sobre a IA. Não uma corrida aos armamentos de detecção. Um verdadeiro modelo de ensino baseado em três décadas de investigação em ciências da aprendizagem sobre o andaime e a zona proximal de desenvolvimento, adaptado à era das ferramentas de programação agente capazes de resolver qualquer tarefa.

Este guia destina-se a professores de programação que pretendem conceber o programa que produzirá verdadeiros programadores em 2026. Passaremos em revista as bases pedagógicas, o quadro em sete passos para o ensino de programação assistido por IA, os modelos comprovados em sala de aula da introdução ao projeto de fim de curso, e a camada de ferramentas – incluindo o Plagly.ai – que torna o quadro viável à escala.

Por que os dois extremos falharam em 2024-2025

A experiência de dois anos terminou e o veredicto saiu. Os programas que proibiram completamente a IA (uma pequena vaga de departamentos de informática em 2024) viram a aplicação desmoronar-se num semestre, constataram que os estudantes contornavam silenciosamente a regra e viram alargar-se o fosso entre os seus licenciados e os requisitos profissionais. Os programas que tomaram o caminho oposto – nenhuma regra, os estudantes utilizam o que querem – produziram turmas incapazes de depurar o seu próprio código quando integradas nas empresas. Os recrutadores reagiram implementando entrevistas de programação em direto e auditorias de competências onde os recém-licenciados falharam em massa.

Estes dois modos de falha partilham a mesma causa: trataram a IA como uma questão binária (Sim/Não) e não como uma variável pedagógica. A pergunta correta não é se os estudantes devem usar a IA, mas sim: em que ponto do ciclo de aprendizagem a IA deve intervir, e em que modo? É a esta pergunta que responde este quadro.

A base pedagógica: luta produtiva e andaime

Dois conceitos das ciências da aprendizagem constituem o fundamento de tudo o que se segue. O primeiro é a luta produtiva: o estado cognitivo no qual um aprendente dispõe de informação suficiente para progredir, mas não o suficiente para o fazer sem esforço. A investigação mostra consistentemente que a aprendizagem ocorre na luta produtiva. As tarefas demasiado fáceis não desenvolvem as competências; as tarefas demasiado difíceis apenas geram frustração. O meio-termo ideal – a zona proximal de desenvolvimento – é onde as vias neuronais de resolução de problemas se formam realmente.

O segundo conceito é o andaime pedagógico (scaffolding): o apoio temporário que um terceiro mais competente (tradicionalmente um professor, um colega ou um manual) fornece para permitir ao aprendente operar mesmo acima da sua capacidade independente. O andaime é gradualmente retirado à medida que o aprendente integra a competência subjacente. Um bom andaime não resolve o problema; ajuda o estudante a resolvê-lo sozinho.

O problema pedagógico do Vibe Coding torna-se evidente neste quadro: um LLM que fornece uma solução pronta a usar destrói a luta produtiva ao eliminar o esforço cognitivo que gera a aprendizagem. É o equivalente a um tutor que resolvesse cada problema no segundo em que o estudante franze as sobrancelhas. O estudante continua sentado na cadeira, mas nenhuma aprendizagem tem lugar porque nenhuma luta ocorre.

A oportunidade pedagógica é igualmente evidente. O mesmo LLM configurado para preservar a luta produtiva – ou seja, fazer perguntas de diagnóstico, dar pistas parciais e recusar-se a escrever o código que o estudante ainda não trabalhou – é a ferramenta de andaime mais poderosa alguma vez inventada. É paciente. É infinitamente disponível. Adapta-se a cada estudante. Nunca se irrita.

Investigações recentes publicadas no arXiv em novembro de 2025 (Scaffolding Metacognition in Programming Education) confirmaram-no de forma empírica. O estudo revelou que os estudantes insistiam que os sistemas de IA deviam „evitar dar demasiado rapidamente respostas completas“ e preferiam abordagens estruturadas com pistas passo a passo e perguntas adaptativas. Os estudantes não pediam menos IA. Pediam uma IA mais bem concebida.

O quadro de sete passos para o ensino de programação assistido por IA

Eis o quadro que refinámos nos últimos dezoito meses com professores de programação de todos os níveis. Divide o ciclo de aprendizagem em sete passos distintos e prescreve o que a IA deve fazer e evitar fazer em cada um deles.

Passo 1: confronto com o problema

O estudante lê o enunciado do problema. O papel da IA aqui é nulo. O estudante deve construir a sua própria primeira compreensão antes que qualquer apoio da IA seja autorizado. Isto não é negociável. Permitir que a IA resuma ou explique o enunciado nesta etapa curto-circuita a compreensão. Na prática, isto pode ser reforçado por convenções de curso („sem IA nos primeiros dez minutos“), regras de submissão (dever incluir uma reformulação escrita do problema antes do apoio da IA) ou simplesmente uma cultura de autonomia sistematicamente valorizada.

Passo 2: decomposição

O estudante decompõe o problema em subproblemas. O papel da IA aqui é fazer perguntas de diagnóstico. O estudante redige um projeto de decomposição, e a IA faz-lhe perguntas socráticas: „O que muda se a entrada for vazia?“ „Como o seu plano gere os elementos duplicados?“ „Em que subproblema reside o trabalho algorítmico principal?“ A IA está proibida de propor a sua própria decomposição; pode apenas analisar a do estudante.

Passo 3: seleção da abordagem

O estudante decide uma estratégia algorítmica (recursividade vs iteração, map vs array, etc.). O papel da IA aqui é a análise de trade-offs e comparações. Assim que o estudante propõe uma abordagem, a IA pode compará-la com alternativas, articular as vantagens e desvantagens, e perguntar se a escolha do estudante corresponde às restrições. A IA não escolhe. A IA ajuda o estudante a compreender o alcance da sua escolha.

Passo 4: implementação

O estudante escreve o código. O papel da IA aqui é o mais matizado. A regra por defeito é apenas suporte sintático e idiomático: a IA pode responder a „qual é a sintaxe Python para uma compreensão de lista que filtra e transforma“, mas não „escreve a compreensão de lista de que necessito para este problema“. Para estudantes avançados ou projetos de fim de curso, isto pode ser flexibilizado: a IA como pair programmer, mantendo o estudante a direção. Na introdução, isto deve permanecer estritamente regulado.

Passo 5: teste e depuração

O estudante executa testes e encontra erros. O papel da IA aqui é a geração guiada de hipóteses. Quando um teste falha, a IA não diz „o erro está na linha 12“. Pergunta: „Onde pensa que se situa o erro no código? O que retorna a sua função se a entrada for vazia? Siga comigo passo a passo o que acontece para este caso de teste.“ É aqui que ocorre a maior parte da aprendizagem – e a maior tentação de atalho. Uma IA bem configurada aqui forma a intuição de depuração que servirá para toda a vida.

Passo 6: refatorização e reflexão

O estudante tem um código funcional. O papel da IA aqui é a crítica e a apresentação de alternativas. A IA pode agora mostrar como um desenvolvedor experiente escreveria o mesmo código, explicar por que a sua versão é melhor ou diferente, e pedir ao estudante para avaliar a comparação. É nesta etapa que a IA pode ser mais generativa – a aprendizagem subjacente já ocorreu, e o valor acrescentado reside na exposição a modelos de qualidade superior.

Passo 7: generalização

O estudante deve transferir a competência para um problema ligeiramente diferente. O papel da IA aqui é novamente nulo. Uma pequena variante do problema de origem é apresentada, e o estudante resolve-a sem qualquer ajuda da IA. Este é o momento da avaliação. Se o estudante integrou a competência, a variante é simples. Caso contrário, a variante coloca a lacuna em evidência.

Traduzir o quadro em modelos de ensino

O quadro é o princípio. Os modelos de ensino abaixo são a prática. Cada modelo aplica um ou mais passos do quadro numa atividade concreta. Os professores relatam consistentemente que estes modelos funcionam:

• O trabalho de dupla via. Cada trabalho importante inclui uma parte Solo (generalização do passo 7, sem IA) e uma parte Ferramenta (passos 1-6, IA estruturada). A parte Solo é mais curta, mas avaliada de forma equivalente. Isto valida o que o estudante sabe realmente fazer.
• A submissão da decomposição primeiro. Antes de escrever qualquer código, o estudante submete uma decomposição escrita. A IA está aqui proibida. A clareza do pensamento é avaliada, e não a correção final. Representa frequentemente 20 a 30 % da nota.
• O chatbot IA socrático. Disponibilize aos estudantes um tutor IA específico do curso (um prompt de sistema que aplica os passos 2-5 do quadro) que se recusa a fornecer código direto. Code.org e universidades como Stanford utilizam abordagens semelhantes.
• A avaliação puramente focada na depuração. Dê aos estudantes código gerado por IA que contenha erros subtis e avalie a sua capacidade de os encontrar e corrigir. Isto treina diretamente o passo 5 e valoriza a competência que a IA domina menos.
• O exercício de prompt e avaliação. Os estudantes guiam a IA para resolver um problema, avaliam a resposta em termos de correção e eficiência, identificam erros ou problemas de estilo, e submetem o prompt e uma versão corrigida – com uma análise. Trata a fluidez da IA como uma competência avaliada.
• A defesa oral. Cinco minutos por estudante para os trabalhos importantes. Duas perguntas: explique-me esta função e modifique-a em direto para uma pequena variante. A qualidade do sinal é excelente.
• O scan de verificação da turma. Cada submissão passa por uma camada de verificação que marca as submissões suspeitas para um exame aprofundado. Isto mantém a norma social de fazer o trabalho próprio.

A camada de ferramentas: a viabilidade em escala

Uma turma de introdução com 200 estudantes não pode verificar manualmente cada submissão, estruturar manualmente cada interação IA ou realizar defesas orais para cada trabalho. A camada de ferramentas deve assumir o volume de trabalho, de modo a libertar o humano para os momentos mais preciosos. Este é o papel de <0>Plagly.ai

• Verificação da submissão de código. Cada ficheiro carregado passa por um scan de geração por IA, que fornece um score de confiança e marcadores ao nível das linhas. O Plagly.ai atinge 99 % de precisão no GPT-5.5, Claude 4.6, Gemini 3.1 e nas ferramentas de programação agentes.
• Análise de padrões dentro da turma. Se vários estudantes de uma turma submeterem soluções com nomes de variáveis idênticos, uma densidade de comentários idêntica e o mesmo modelo de caso limite defensivo, o grupo é automaticamente marcado.
• Verificação do percurso do processo. Para projetos maiores, o Agentic Council do Plagly.ai – sete modelos de peritos temáticos – gera um relatório detalhado que documenta se a submissão apresenta os traços de uma autoria humana gradual ou as impressões típicas de um prompt de IA pronto a usar.
• Humanização inversa para o ensino. A função Humanize mostra como é o código de IA típico. Utilizada na sala de aula, torna-se uma ferramenta pedagógica: apresente uma função estilo IA ao lado de uma função estudante idiomática e faça analisar as diferenças.
• Cobertura multilingue. Os sinais funcionam em Python, JavaScript, Java, TypeScript, C++, Rust, Go e outras línguas amplamente ensinadas. A conceção do programa não tem de se curvar às restrições das ferramentas.

O quadro por nível de curso

O quadro permanece coerente através dos níveis de curso, mas o calibragem muda. Quanto mais avançado o estudante, mais ganha em autonomia a cada passo.

CS1 (introdução à programação)

Aplicação estrita do quadro. Os passos 1, 4 e 7 têm um acesso mínimo à IA. Os passos 2-3 apenas utilizam a IA em modo de perguntas. A depuração do passo 5 é fortemente estruturada. O objetivo em CS1 é construir a infraestrutura cognitiva: ler o código, compreender a execução, formular hipóteses. Abandonar este processo à IA em CS1 impede o desenvolvimento destas competências. Combine isto com resolução de problemas obrigatória na sala de aula e defesas orais.

Estruturas de Dados e Algoritmos

Aplicação moderada do quadro. Os passos 4-6 podem ser ligeiramente flexibilizados. A IA pode agora ser utilizada como pair programmer para a implementação, mas apenas depois de o estudante ter escolhido a sua abordagem de forma independente (passo 3). A depuração continua fortemente estruturada. Os trabalhos de generalização do passo 7 tornam-se mais abstratos: prove que o seu algoritmo s'executa em O(n log n), ou modifique a implementação sob uma restrição adicional.

Projeto de Fim de Curso e Engenharia de Software

Aplicação flexível do quadro, alta transparência do processo. No fim do curso, os estudantes devem operar o mais próximo possível do modelo profissional: a IA como colaborador, o estudante como diretor. A camada de verificação passa da detecção de IA por submissão para a transparência do processo: histórico de commits, documentação das escolhas de arquitetura, sessões de revisão de código gravadas. A defesa oral torna-se uma revisão de design – o estudante consegue justificar as suas escolhas de arquitetura e adaptar o seu design?

O que não deve fazer em 2026

Cinco práticas herdadas dos programas da era pré-IA que devem agora desaparecer pois minam ativamente o quadro:

• Não avaliar os trabalhos de casa em mais de 70 % da nota final. O ciclo de avaliação é inteiramente automatizável. Os coeficientes devem deslocar-se para a resolução de problemas na sala de aula, as defesas orais e as etapas de projeto supervisionadas.
• Não utilizar o autograder como única autoridade de classificação. O autograder não sabe quem escreveu o código. Associe os pontos do autograder à camada de verificação.
• Não propor trabalhos padrão com soluções amplamente disponíveis. Se o problema figura no LeetCode ou em manuais anteriores a 2024, a IA conhece a solução. Enunciados de problemas e conjuntos de dados específicos do curso forçam a IA a trabalhar em vez de se lembrar.
• Não tratar a IA como exterior ao programa. A fluidez com a IA faz parte do que fazem os desenvolvedores na indústria. Trabalhos de avaliação de saídas de IA ou de depuração de código de IA ensinam competências requeridas no mercado de trabalho.
• Não ocultar a camada de verificação. Diga abertamente aos estudantes que as submissões são scaneadas para a geração por IA, o que o quadro espera e quais são as consequências em caso de abuso. A transparência reforça a norma social.

Perguntas Frequentes

Este quadro funciona para cursos asíncronos ao seu próprio ritmo?

Sim, com duas adaptações. Primeiro, a defesa oral torna-se um curto vídeo explicativo que o estudante submete. O vídeo (2 a 5 minutos) responde a duas perguntas de diagnóstico. Segundo, o andaime socrático da IA torna-se mais importante porque nenhum professor está presente na sala para impedir os estudantes de passar para o puro „modo resolvedor“.

Que acontece com os estudantes que aprendem melhor lendo código funcional?

O quadro adapta-se explicitamente a isso no passo 6 (refatorização e reflexão). Assim que o estudante produziu o seu próprio código funcional, o contacto com alternativas de IA ou refatorizações de peritos é de grande valor. A restrição reside na ordem: a IA como modelo intervém depois do trabalho pessoal do estudante, e não antes. Ler código brilhante ensina quando o leitor já se confrontou com o problema ele mesmo.

Como gerir os estudantes que já se apoiam fortemente na IA e se opõem a este quadro?

Apresente os argumentos de forma explícita, idealmente no primeiro dia. Mostre os dados da CodeRabbit de dezembro de 2025 sobre taxas de erro 1,7 vezes superiores no código de IA. Faça referência ao artigo de dev.to „30 dias sem IA“. Evoque as entrevistas de programação em direto na indústria. Os estudantes que se opõem ao quadro são geralmente os que mais precisam dele. Muitos não se confrontaram ainda com as consequências do Vibe Coding, e quando o fazem (frequentemente na sua primeira entrevista técnica), lamentam geralmente não ter levado o quadro a sério mais cedo.

Posso introduzir este quadro progressivamente em vez de reestruturar o meu curso de uma só vez?

Sim. A integração mínima viável consiste em adicionar três coisas ao seu curso existente: a obrigação de submeter a decomposição primeiro para um trabalho importante, uma curta defesa oral para esse mesmo trabalho, e uma camada de verificação (uma ferramenta que scaneia as submissões e deteta padrões) que corre em segundo plano. Estes três acrescentos levam-no já muito longe.

Que fazer se a minha instituição não adotou ainda diretrizes claras sobre a IA?

A maioria não o fez e procura o contributo da faculdade. A adoção do quadro ao nível do curso dá-lhe um modelo sólido para as discussões políticas ao nível do departamento: eis o que fazemos em CS1, eis a justificação, eis os resultados. Os professores que modelam de forma proativa uma boa pedagogia nesta área moldam cada vez mais as políticas institucionais. O quadro foi concebido para ser representado nessas conversas – as citações das ciências da aprendizagem e a referência explícita à luta produtiva servem de apoio argumentativo.