Por que o ChatGPT não treina sua equipe

Conteúdo

O ChatGPT parece aprendizado. É articulado, está disponível 24 horas por dia e tem paciência infinita. Peça que ele explique recursão e, em segundos, você recebe uma resposta clara e bem estruturada. Não é à toa que os colaboradores recorrem a ele por padrão — e não é à toa que líderes de T&D se perguntam se ele é "bom o suficiente" para substituir os programas formais de treinamento.

‍

Não é. E o motivo não tem nada a ver com a qualidade das respostas.

‍

Bjork e Bjork (2011) introduziram o conceito de "dificuldades desejáveis" — a constatação contraintuitiva de que as condições que fazem o aprendizado parecer mais difícil são justamente as que constroem competência duradoura. O ChatGPT foi projetado para eliminar a dificuldade. Esse é o problema.

‍Falar sobre código não é escrever código

Esta é a lacuna mais importante. As conversas com o ChatGPT são, no máximo, o que Chi e Wylie (2014) classificam como engajamento "ativo" em seu framework ICAP: o aprendiz recebe informações e responde a elas. Ocasionalmente, a interação se torna "construtiva", quando o aprendiz gera ideias novas. Mas nunca é realmente prática. Ninguém está com os dedos no teclado escrevendo código de verdade, depurando erros reais ou entregando funcionalidades reais.

‍

Isso importa muito. Programar é uma habilidade procedural. A teoria ACT-R, de Anderson, defende que o conhecimento procedural se constrói fazendo, por meio da lenta compilação do conhecimento declarativo em sequências de ação automatizadas pela prática. Você não aprende a programar só conversando, assim como não aprende a tocar piano só conversando.

‍

Os dados confirmam isso em larga escala. Freeman et al. (2014) conduziram uma meta-análise de 225 estudos e concluíram que a aprendizagem ativa em STEM reduz as taxas de reprovação em 33% em comparação com o ensino baseado em aulas expositivas. Não é uma melhoria marginal. É um terço dos aprendizes que teriam sido reprovados e agora são aprovados, simplesmente porque dedicaram mais tempo a fazer e menos a consumir.

‍

Uma plataforma de treinamento criada para esse fim coloca a prática no centro. Os aprendizes passam mais de 80% do tempo escrevendo código, e não lendo sobre ele. Eles constroem projetos prontos para o portfólio que comprovam a competência aplicada. O resultado é habilidade demonstrável, e não uma transcrição de chat.

Feedback que realmente muda o comportamento

O ChatGPT pode comentar o código que você cola nele. O que ele não consegue é acompanhar você escrevendo esse código em tempo real, identificar padrões nos seus erros ao longo das sessões ou avaliar o seu trabalho com base em uma rubrica estruturada, ligada a resultados de aprendizagem específicos.

‍

Essa distinção é crítica. Hattie e Timperley (2007) constataram que o feedback está entre as influências mais poderosas sobre a aprendizagem, com tamanho de efeito médio de d = 0,73, mas somente quando atua no nível da tarefa e do processo. Dizer a um aprendiz que o código dele está "errado" tem pouco valor. Explicar por que a lógica do loop falha, como isso se relaciona com um padrão em que ele já teve dificuldade e o que um engenheiro sênior faria de diferente — isso muda o comportamento.

‍

Plataformas criadas para o treinamento oferecem esse tipo de feedback de forma automática e em escala. A correção por IA, que avalia estilo, estrutura e correção do código, reproduz o code review que um desenvolvedor júnior receberia de um colega sênior. Só que ela nunca se cansa, nunca se atrasa e nunca limita o tamanho da sua turma.

O argumento a favor da retenção estratégica

O ChatGPT é otimizado para ajudar. Você pergunta, ele responde. Por completo. Imediatamente. Sempre.

‍

Do ponto de vista da ciência da aprendizagem, isso é exatamente o contrário do que se deve fazer.

‍

Kapur (2008, 2016) dedicou mais de uma década ao estudo do que chama de "fracasso produtivo" — o fenômeno em que aprendizes que lutam com um problema antes de receber instrução desenvolvem uma compreensão conceitual mais profunda e uma transferência muito melhor para problemas novos do que aqueles que recebem a instrução primeiro. A dificuldade não é um defeito. É o mecanismo.

‍

Um tutor de IA criado para treinamento precisa ser projetado para não responder diretamente. Ele provoca. Faz perguntas. Reconduz o aprendiz ao problema. É o método socrático operacionalizado em software — e as evidências mostram que funciona. Aprendizes obrigados a gerar suas próprias soluções, mesmo imperfeitas, constroem o tipo de conhecimento flexível que resiste ao contato com a complexidade do mundo real.

‍

O ChatGPT faz o oposto. Ele entrega a resposta e tira de você o trabalho cognitivo que faria a resposta se fixar na memória.

Habilidades genéricas não se transferem para o trabalho real

Peça ao ChatGPT que ensine Python e você aprenderá Python genérico. Vai manipular conjuntos de dados de brinquedo, construir exemplos de livro didático e resolver quebra-cabeças de algoritmos que não têm relação nenhuma com o seu trabalho de verdade.

‍

Baldwin e Ford (1988) identificaram isso como o problema da transferência há quase quatro décadas, e ele continua sendo uma das falhas mais persistentes do treinamento corporativo. Habilidades aprendidas em um contexto — especialmente um contexto descontextualizado e genérico — mostram baixa transferência próxima para as tarefas que os colaboradores realmente executam. O conteúdo precisa espelhar o trabalho.

‍

Uma plataforma criada para esse fim consegue gerar currículo a partir do contexto organizacional: seu stack de tecnologia, as convenções do seu código, os seus domínios de problema. Essa é a diferença entre "concluiu um curso de Python" e "sabe construir e manter código de produção no nosso ambiente". Uma fica bonita no dashboard. A outra move o negócio.

Uma janela, não cinco

Este ponto é mais simples, mas a evidência é clara. Usar o ChatGPT para aprender significa alternar entre uma janela de chat, um editor de código, a documentação e o conteúdo de onde você está tentando aprender. Cada troca tem um custo.

‍

A teoria da carga cognitiva de Sweller (1988) explica por quê. A memória de trabalho é limitada. Quando os aprendizes dividem a atenção entre várias fontes de informação, gastam recursos cognitivos com a logística do aprendizado em vez de com o aprendizado em si. Essa é a carga extrínseca, aquela que não acrescenta nada e tira de tudo.

‍

Integrar o ambiente de programação, o conteúdo instrucional e o feedback da IA em uma única interface elimina esse custo. Os aprendizes permanecem em estado de fluxo. Os recursos cognitivos vão para onde devem ir: a construção de habilidade.

Duas ferramentas diferentes para dois trabalhos diferentes

O ChatGPT é um excelente mecanismo de respostas. Foi criado para ser útil, e é. Mas ser útil e ser pedagogicamente eficaz não é a mesma coisa e, em vários aspectos importantes, são o oposto.

‍

A pergunta para líderes de T&D e responsáveis por treinamento não é se a IA tem lugar no desenvolvimento da força de trabalho. Tem. A pergunta é se você está usando uma IA projetada para ensinar ou uma IA projetada para responder. Uma constrói competência. A outra constrói a ilusão dela.

‍

Sua equipe merece o que é de verdade.

‍