Nia Jetter leva a literacia em IA da NASA a salas de aula desfavorecidas

Nia Jetter chegou ao Google News com uma reviravolta marcante na carreira: após duas décadas a desenvolver naves espaciais e robôs, direcionou a sua experiência para a educação inclusiva em IA. O conflito é imediato. A inteligência artificial avança por meio de modelos dispendiosos e infraestrutura concentrada, enquanto 2,2 mil milhões de pessoas continuam sem utilizar a internet.

O perfil, publicado originalmente pela UN News, acompanha Jetter desde a engenharia aeroespacial até às salas de aula que servem comunidades historicamente ignoradas pelo setor tecnológico. A sua iniciativa educativa sem fins lucrativos, thinqueBytes, terá formado mais de 1.000 jovens em quatro continentes.

Estes números formam uma história inspiradora, mas também expõem uma questão mais difícil. A literacia em IA pode ajudar as pessoas a compreender e questionar sistemas automatizados, mas a educação, por si só, não pode fornecer eletricidade, dispositivos acessíveis, banda larga ou influência sobre o desenvolvimento comercial de IA.

Essa tensão distingue o trabalho de Jetter de um perfil profissional convencional. As suas salas de aula representam uma resposta prática à divisão da IA, enquanto as empresas que desenvolvem os modelos líderes continuam a controlar a maior parte da infraestrutura, das decisões de produto e dos recursos de formação.

A história surgiu também após o primeiro Diálogo Global da ONU sobre Governação da IA, realizado em Genebra a 6 e 7 de julho de 2026. Esse momento ligou o trabalho de uma educadora a um debate político mais amplo sobre quem pode moldar a IA, e não apenas sobre quem pode utilizá-la.

O que a história do Google News revelou sobre Nia Jetter

A mudança de carreira de Jetter transforma a inclusão em IA, de um slogan político, numa questão sobre quem recebe conhecimento técnico cedo o suficiente para participar.

Segundo o perfil da ONU, Jetter estudou matemática e ciência da computação no MIT, com especialização em ciência planetária. Mais tarde, obteve um mestrado em aeronáutica e astronáutica na Stanford University.

Passou cerca de 20 anos a desenvolver algoritmos autónomos para naves espaciais e robôs. Algoritmos autónomos permitem que máquinas tomem decisões delimitadas com base em dados de sensores, sem controlo humano constante.

O seu percurso profissional incluiu trabalho associado à NASA, Boeing e Raytheon. Também se tornou senior principal technologist em IA robótica na Amazon, um cargo técnico de elevada senioridade.

O perfil relaciona essa carreira com experiências de infância em New Jersey. Jetter guardava moedas de 25 cêntimos para comprar pilhas e lâmpadas, utilizando materiais comuns para construir circuitos. O pai ajudava-a a encontrar material técnico na biblioteca, enquanto a mãe ensinava no jardim de infância e na educação especial.

Essa combinação é importante. Jetter aprendeu engenharia graças ao acesso a materiais, ao incentivo de adultos e a explicações que conseguia compreender. O seu trabalho atual procura recriar essas condições para estudantes que não dispõem de percursos estabelecidos para entrar na tecnologia.

Jetter desenvolveu a thinqueBytes durante cinco anos antes de a integrar no Distinguished Minds Institute. A iniciativa organiza temas como inteligência artificial, robótica e ciência de foguetões em pequenos segmentos educativos chamados bytes.

O formato responde a perguntas diretas. Os estudantes podem começar pelo significado de IA, por saber se devem temê-la ou por entender como a automação pode afetar o emprego. Esta abordagem reduz a barreira conceptual sem fingir que a própria IA é simples.

Uma aula curta não pode transformar um estudante num engenheiro de machine learning. Pode, no entanto, fornecer vocabulário para questionar uma decisão automatizada, avaliar uma resposta gerada ou imaginar uma carreira técnica.

Essa distinção é importante porque a literacia em IA tem vários níveis. A familiaridade básica ajuda as pessoas a reconhecer sistemas de IA. A literacia funcional ajuda-as a usar esses sistemas. A literacia crítica ajuda-as a questionar resultados, incentivos, fontes de dados e alegações institucionais.

O argumento mais consequente de Jetter diz respeito ao terceiro nível. As pessoas afetadas pela IA precisam de compreensão suficiente para participar nas decisões sobre ela. Caso contrário, inclusão significa receber produtos concebidos noutro lugar, segundo regras escritas por outros.

A listagem no Google News ampliou o público do perfil, mas a agregação é apenas distribuição. A visibilidade na pesquisa não proporciona a formação contínua, a mentoria, a conectividade ou o apoio institucional necessários para uma participação genuína.

O trabalho de Jetter começa onde o feed termina. Ele desloca a discussão de notar uma engenheira inspiradora para perguntar se mais estudantes podem adquirir autonomia técnica duradoura.

A literacia em IA só é um direito quando o acesso a torna real

Ensinar IA como um direito cria obrigações que um curso, uma organização sem fins lucrativos ou um perfil inspirador não conseguem cumprir sozinhos.

Jetter defende que compreender tecnologias emergentes não deve ser um privilégio. A afirmação é persuasiva porque os sistemas de IA mediam cada vez mais a educação, a contratação, o crédito, a saúde, os serviços públicos e o acesso à informação.

No entanto, o direito de compreender a IA depende de fundamentos mais básicos. Um estudante precisa de eletricidade, conectividade, um dispositivo adequado, conteúdo relevante, tempo disponível e um professor que consiga enquadrar o material.

A lacuna de conectividade continua enorme. A União Internacional das Telecomunicações estimou que 2,2 mil milhões de pessoas ainda não utilizavam a internet em 2026.

A conectividade também varia em qualidade. Uma escola pode tecnicamente ter acesso à internet, mas depender de uma ligação instável partilhada por muitos alunos. Os dados móveis podem estar disponíveis, mas ser inacessíveis para aulas em vídeo ou ferramentas de IA baseadas na cloud.

O acesso a dispositivos cria outra camada de desigualdade. Muitos produtos atuais de IA pressupõem um smartphone ou computador recente, memória suficiente, software atualizado e acesso fiável a servidores remotos.

A língua apresenta uma barreira mais discreta. Um estudante pode aceder a uma interface de IA e, ainda assim, obter resultados piores porque o modelo dispõe de menos dados de treino para uma língua local. O material educativo também pode importar exemplos que não correspondem às instituições ou necessidades locais.

A acessibilidade também é importante. Interfaces concebidas sem considerar estudantes com deficiência podem excluí-los, mesmo quando uma escola tem dispositivos e conectividade. A educação inclusiva exige métodos de introdução compatíveis, layouts legíveis, legendas e materiais pedagógicos adaptáveis.

Estas limitações não enfraquecem o argumento a favor da literacia em IA. Revelam o que é necessário para o concretizar. A educação deve funcionar em conjunto com infraestrutura, acessibilidade, conteúdo local e participação significativa na governação.

O formato de vídeos curtos de Jetter oferece uma resposta prática. Aulas menores podem reduzir a carga cognitiva e permitir que professores selecionem material para uma determinada faixa etária ou sala de aula. Também podem ser mais fáceis de distribuir do que um currículo técnico completo.

No entanto, mesmo conteúdo compacto não deve transformar-se em consumo passivo. Os estudantes precisam de oportunidades para testar alegações, comparar resultados, examinar erros e ligar o comportamento da IA aos dados que estão por trás dele.

Um exercício útil em sala de aula poderia consistir em fazer a vários sistemas a mesma pergunta factual. Os estudantes poderiam comparar as respostas, identificar afirmações sem suporte e rastrear fontes fiáveis. A aula ensinaria tanto o uso das ferramentas como a cautela epistemológica.

Outro exercício poderia examinar uma recomendação automatizada. Os estudantes poderiam perguntar que dados a influenciaram, cujas preferências estão ausentes e o que acontece quando a recomendação está errada.

Estas atividades desenvolvem pensamento crítico, em vez de simples fluência em prompts. Fluência em prompts significa comunicar eficazmente com um modelo, mas não garante que um utilizador consiga avaliar a resposta.

O mesmo princípio aplica-se à gestão de informação pessoal. Estudantes e trabalhadores do conhecimento precisam de distinguir recuperação de informação de verdade, sobretudo ao usar uma base de conhecimento com IA para organizar material de origem.

Um sistema pode recuperar um documento com precisão, enquanto o próprio documento contém um erro. Também pode produzir uma síntese fluente que elimina a incerteza presente nas evidências originais.

Por isso, a educação em IA precisa de uma hierarquia clara. O acesso vem primeiro, o uso prático segue-se e a avaliação crítica continua essencial em todo o processo. Tratar qualquer uma destas camadas como a solução completa deixa os estudantes expostos.

A pressão vai além das escolas. As empresas tecnológicas beneficiam quando mais pessoas conseguem operar os seus produtos, mas a sociedade precisa de pessoas que também consigam questionar como esses produtos recolhem dados e distribuem riscos.

Os governos enfrentam um teste semelhante. Financiar cursos introdutórios é visível e relativamente fácil. Melhorar a banda larga, a formação de professores, a acessibilidade e a supervisão de interesse público exige compromissos mais longos e orçamentos mensuráveis.

A história de Jetter coloca essas instituições sob pressão. Se a literacia em IA é realmente um direito, a sua disponibilidade não pode depender de um voluntário, de uma organização sem fins lucrativos ou de uma engenheira invulgarmente realizada chegar a uma determinada sala de aula.

A verdadeira divisão é a participação, não o acesso ao produto

A disputa central é entre o acesso a produtos de IA e a participação nas decisões que moldam esses produtos.

A expansão comercial da IA frequentemente mede a inclusão pela disponibilidade. Uma empresa lança-se noutro país, adiciona idiomas, oferece acesso gratuito limitado ou distribui contas através das escolas.

Essas medidas podem ser importantes, mas sobretudo ampliam o consumo. Não concedem automaticamente às comunidades afetadas influência sobre dados de treino, padrões de avaliação, regras de segurança, prioridades de implementação ou reparações por danos.

A preocupação de Jetter vai mais longe. Ela defende que os resultados da IA sofrem quando as vozes certas estão ausentes enquanto os sistemas são moldados. A questão aborda tanto a equidade como a qualidade técnica.

Um modelo concebido sem contributos representativos pode ignorar padrões linguísticos locais, contexto cultural, limitações de infraestrutura ou necessidades comuns dos utilizadores. Essas omissões tornam-se falhas de produto quando o sistema encontra pessoas fora do seu ambiente original de desenvolvimento.

A participação tem de começar antes da implementação. Membros da comunidade podem ajudar a identificar problemas relevantes, definir falhas inaceitáveis, analisar práticas de dados e testar sistemas em condições realistas.

Essa abordagem difere de uma demonstração tecnológica. Uma demonstração pergunta se um modelo consegue executar uma tarefa impressionante. Uma avaliação participativa pergunta se a tarefa importa, se o resultado é fiável e quem suporta o custo dos erros.

As escolas constituem um espaço importante para este trabalho porque os estudantes encontram a IA antes de muitas instituições terem estabelecido regras estáveis. As ferramentas generativas já influenciam a forma como os alunos pesquisam, redigem, traduzem, programam e estudam.

Proibir essas ferramentas por completo pode empurrar a sua utilização para fora de vista. A adoção acrítica traz o risco oposto, permitindo que o material gerado substitua o raciocínio ou esconda lacunas na compreensão.

Um currículo mais sólido trata o resultado da IA como um objeto de análise. Os estudantes devem perguntar de onde veio uma resposta, que evidência a sustenta e que informação o sistema não consegue ver.

Os professores precisam de apoio para esse currículo. Necessitam de tempo para formação, exemplos ligados às suas disciplinas, normas claras de privacidade e permissão para adaptar as aulas. Um workshop único raramente muda a prática em sala de aula por si só.

Os educadores também precisam de alternativas quando um produto exige contas de estudantes ou transfere dados para servidores externos. A literacia em IA não deve obrigar as escolas a aceitar práticas de dados pouco claras.

A experiência de Jetter no setor aeroespacial dá mais peso a essa abordagem. A engenharia sensível à segurança não considera um resultado confiante como prova suficiente. As equipes testam premissas, identificam modos de falha, documentam limitações e preservam a responsabilização humana.

A educação sobre IA em sala de aula pode adotar essa disciplina sem recriar um laboratório de engenharia. Os alunos podem registrar prompts, comparar versões de modelos, observar respostas inconsistentes e separar observação de inferência.

Esse hábito é valioso para além da escola. Trabalhadores do conhecimento enfrentam o mesmo desafio quando a IA resume reuniões, redige relatórios ou pesquisa documentos internos. Uma base de conhecimento técnico pesquisável é mais útil quando os usuários preservam as fontes e verificam conclusões importantes.

A lacuna de participação também afeta a governança. Países com infraestrutura computacional limitada podem depender de sistemas desenvolvidos no exterior. Seus habitantes ainda vivenciam os efeitos trabalhistas, culturais, educacionais e ambientais desses sistemas.

A representação em uma conferência não elimina esse desequilíbrio. Os delegados precisam de capacidade técnica independente, acesso a evidências e instituições capazes de transformar a discussão em política nacional.

Grupos da sociedade civil precisam de recursos para participar de forma consistente. Consultas breves frequentemente favorecem organizações que já dispõem de equipes jurídicas, especialistas técnicos e relações estabelecidas com formuladores de políticas.

Os jovens enfrentam uma versão mais aguda desse problema. Os adultos tomam a maior parte das decisões sobre IA em sala de aula, mas os estudantes vivenciam diretamente as consequências. Eles deveriam ter meios estruturados para relatar danos e influenciar as regras escolares.

A participação significativa, portanto, tem características observáveis. As comunidades ajudam a definir objetivos, não apenas a testar produtos prontos. Educadores podem rejeitar implementações inadequadas. Estudantes entendem os processos de recurso. Órgãos públicos podem auditar resultados.

Sem essas condições, um acesso mais amplo aos produtos pode aprofundar a dependência. Mais pessoas usam IA, enquanto menos instituições compreendem os sistemas suficientemente bem para negociar termos ou contestar falhas.

O modelo educacional de Jetter não consegue resolver esse desequilíbrio sozinho. Ele pode criar participantes mais bem informados, o que é um começo necessário. A tarefa mais difícil é construir instituições dispostas a ouvi-los.

Genebra colocou a inclusão na pauta, mas não na lei

O primeiro Global Dialogue on AI Governance ampliou a representação, mas seu formato não vinculante deixa a implementação a cargo de governos e instituições.

A ONU realizou o primeiro Global Dialogue on AI Governance no centro Palexpo de Genebra, em 6 e 7 de julho de 2026. O encontro ocorreu paralelamente ao AI for Good Global Summit da ITU e a eventos relacionados a políticas digitais.

A Assembleia Geral da ONU estabeleceu o diálogo após compromissos assumidos por meio do Global Digital Compact. Seu objetivo é reunir governos e outras partes interessadas para discussões recorrentes sobre a governança internacional da IA.

O programa oficial abordou quatro grupos de temas. Eles incluíam as implicações sociais e econômicas da IA, a divisão em IA, sistemas seguros e direitos humanos com responsabilização e supervisão humana.

Esses temas correspondem de perto às tensões presentes no trabalho de Jetter. Os estudantes precisam de acesso, mas também de segurança, representação e da capacidade de entender como sistemas automatizados afetam seus direitos.

O Global Dialogue deu a cada governo um lugar formal na discussão. Isso importa porque os marcos internacionais de IA frequentemente refletiram países com setores tecnológicos avançados e maior capacidade de negociação.

A reunião também reconheceu partes interessadas fora do governo, incluindo sociedade civil, academia, indústria e comunidade técnica. Essa participação pode expor os formuladores de políticas a impactos locais que delegações nacionais talvez não percebam.

Ainda assim, o fórum tem uma limitação deliberada. Não é um processo de negociação, e suas sessões não produzem regulamentações vinculantes. A ONU descreve seu papel como o de construir entendimento compartilhado que possa orientar decisões posteriores.

Isso torna o diálogo valioso, mas insuficiente. Uma linguagem de consenso pode identificar um problema sem estabelecer orçamentos, mecanismos de fiscalização, padrões técnicos ou reparações para as pessoas afetadas.

A lacuna é especialmente visível na educação. Um compromisso global com a alfabetização em IA não determina o que os professores devem ensinar, quem certifica os materiais ou como as escolas protegem os dados dos alunos.

Também não resolve a pressão nas compras públicas. Ministérios da Educação podem receber ofertas de serviços em nuvem, acesso a modelos, dispositivos ou treinamento de empresas cujos produtos se tornam difíceis de substituir mais tarde.

O suporte de fornecedores pode ampliar o acesso rapidamente, mas a dependência cria riscos para as políticas públicas. As escolas podem perder o controle sobre dados, escolhas curriculares ou custos quando um projeto-piloto se torna infraestrutura essencial.

Recursos educacionais abertos podem reduzir parte dessa dependência. Aulas adaptáveis localmente permitem que professores modifiquem exemplos, traduzam conteúdos e preservem materiais caso um serviço comercial mude.

Modelos abertos e computação local também podem ajudar em determinados contextos, embora tragam suas próprias exigências técnicas e de segurança. As escolas ainda precisam de manutenção, avaliação e práticas responsáveis de dados.

A governança precisa abordar esses detalhes operacionais. Caso contrário, a inclusão em alto nível produz fotografias e declarações, enquanto as condições em sala de aula permanecem inalteradas.

O secretário-geral da ONU, António Guterres, disse na sessão de abertura que 193 nações participavam. Suas declarações em Genebra apresentaram o encontro como um esforço para fazer a governança acompanhar a tecnologia.

Essa ambição estabelece um padrão exigente. Acompanhar exige mais do que discutir a segurança de modelos de fronteira. Também significa garantir que os estudantes consigam reconhecer um sistema automatizado, questionar seus resultados e buscar ajuda quando ele causar danos.

A próxima sessão programada do diálogo será em Nova York, em maio de 2027. Entre as sessões, os governos têm a oportunidade de demonstrar se a linguagem inclusiva produz planos nacionais, programas para professores e infraestrutura acessível.

Jetter e iniciativas como thinqueBytes podem fornecer evidências de estudantes reais. Sua experiência pode mostrar quais perguntas os alunos fazem, quais explicações funcionam e onde barreiras de conectividade ou idioma interrompem o progresso.

No entanto, formuladores de políticas não deveriam usar o sucesso de organizações sem fins lucrativos para justificar o subinvestimento público. Treinar mais de 1.000 estudantes é significativo, mas a escala global da exclusão é medida em bilhões.

O resultado mais forte combinaria ambos os níveis. Programas comunitários testariam abordagens práticas, enquanto governos financiariam infraestrutura e incorporariam métodos comprovados à educação pública.

O resultado mais fraco celebraria programas individuais sem mudar os sistemas que os tornam necessários. Esse risco deve permanecer visível sempre que histórias inspiradoras circularem pelo Google News e por canais de políticas públicas.

O que os próximos três sinais mostrarão

O próximo teste não é se a história de Jetter continuará visível, mas se as instituições transformarão seu argumento em capacidade, evidências e influência.

O primeiro sinal é a adoção educacional mensurável. Escolas, ministérios e parceiros sem fins lucrativos devem informar mais do que o número de pessoas que assistiram a uma aula ou participaram de um evento.

Evidências úteis incluem conclusão de cursos, mudanças na compreensão dos alunos, retenção de professores, acessibilidade e a capacidade de identificar resultados não confiáveis de IA. Uma avaliação independente tornaria esses resultados mais críveis.

Para thinqueBytes, expandir além de 1.000 estudantes fortaleceria o argumento apenas se a qualidade pedagógica permanecesse consistente. Crescimento sem evidências de aprendizagem enfraqueceria as alegações sobre inclusão duradoura.

Os programas mais reveladores testarão o raciocínio crítico, não a familiaridade com marcas. Um estudante deveria sair sabendo como verificar uma afirmação, reconhecer incertezas e questionar as premissas de um sistema.

O segundo sinal é o investimento em fundamentos digitais. Observe compromissos concretos com banda larga, eletricidade, dispositivos acessíveis, recursos em idiomas locais e desenvolvimento de professores.

Um anúncio importa menos do que a implementação. Orçamentos, registros de compras, qualidade da conexão e uso contínuo em sala de aula fornecem evidências mais fortes do que o lançamento de um projeto-piloto.

O progresso nesses fundamentos sustentaria o argumento de Jetter de que a compreensão de IA pode se tornar amplamente disponível. Lacunas contínuas de conectividade mostrariam que o conteúdo educacional permanece preso por barreiras estruturais.

O terceiro sinal é se a governança inclusiva adquire força prática antes de o diálogo da ONU se reunir novamente em maio de 2027. As estratégias nacionais devem explicar como estudantes, professores, usuários com deficiência e comunidades sub-representadas influenciam as políticas de IA.

Consultas públicas precisam de acompanhamento transparente. Os participantes deveriam poder ver quais recomendações mudaram uma política, quais foram rejeitadas e por quê.

Os governos também podem criar canais de denúncia para danos causados por sistemas automatizados em escolas e serviços públicos. Procedimentos claros de recurso dariam às pessoas mais do que representação simbólica.

O marco do diálogo não é vinculante, portanto a ação nacional determinará seu valor real. Se os países estabelecerem programas responsáveis, a reunião de Genebra parecerá um ponto de partida institucional.

Se a discussão não produzir orçamentos, supervisão ou mecanismos de participação, o evento se assemelhará a uma consulta recorrente com influência limitada sobre a implementação.

As empresas de tecnologia deveriam enfrentar escrutínio semelhante. Interfaces multilíngues e acesso gratuito podem ampliar o uso, mas as empresas deveriam divulgar limitações, apoiar testes independentes e oferecer reparações significativas.

Parcerias educacionais merecem atenção especial porque os estudantes têm poder de negociação limitado. As escolas deveriam saber quais dados um sistema retém, como os modelos usam as interações e se os administradores podem remover registros.

O mesmo escrutínio se aplica ao conteúdo educacional gerado. Uma aula criada ou resumida por IA ainda precisa de revisão especializada, contextualização adequada à idade e fontes confiáveis.

A analogia do martelo de Jetter resume o argumento moral: uma ferramenta pode construir ou causar danos, dependendo de seu uso. Ainda assim, a analogia tem limites, pois os sistemas de IA também refletem decisões tomadas antes mesmo de os usuários terem contato com eles.

Desenvolvedores selecionam dados de treinamento, equipes de produto escolhem configurações padrão, instituições definem regras de implementação e governos determinam a supervisão. A pessoa que segura a ferramenta não controla todas as suas propriedades.

É por isso que a alfabetização em IA deve incluir alfabetização institucional. Os aprendizes precisam entender não apenas o comportamento dos modelos, mas também quem possui um sistema, quem se beneficia e onde reside a responsabilização.

Para educadores e trabalhadores do conhecimento, a ação imediata é prática. Trate cada resposta gerada como uma afirmação que precisa de contexto, especialmente quando ela informa uma nota, decisão de contratação, escolha de saúde ou serviço público.

Preserve o material de origem. Compare resultados importantes com evidências confiáveis. Registre decisões consequentes. Dê às pessoas afetadas uma forma de contestar erros.

O Google News ajudou a revelar a trajetória de Nia Jetter, de espaçonaves a salas de aula. A história mais importante se desenrolará além desse feed, em escolas, orçamentos, projetos de conectividade e processos de governança.

As instituições tratarão a alfabetização em IA como uma capacidade pública ou a deixarão dependente de educadores individuais e programas temporários? A resposta determinará se inclusão significa usar produtos de IA ou conquistar uma voz real na forma como eles moldam a sociedade.