Do NotebookLM ao Power BI: aprendendo com um copiloto de IA na interface entre dados e Educação
As transformações provocadas pela Inteligência Artificial e pelos dados na Educação têm reafirmado, em relação às boas práticas de gestão, a necessidade de ir além da interpretação de dashboards e do uso de soluções tecnológicas prontas. Ao longo da minha trajetória, alguns dos diferenciais mais significativos surgiram justamente quando, diante de problemas concretos, passei de usuária de soluções a alguém disposta a concebê-las — às vezes, inicialmente para um estudante, outras, para uma turma ou um processo e, depois, investigando possibilidades de aprimoramento e escala.
Com os dados, percebi que precisava fazer movimento semelhante. Os conhecimentos que construí, inclusive com o Data Wise, já me permitiam analisar evidências e orientar intervenções; queria agora compreender melhor como os dados são tratados, relacionados, modelados e transformados em informações capazes de apoiar decisões. Foi assim que decidi me aprofundar em Power BI, ampliando mais uma vez minha formação na interface entre Educação e Ciência da Computação.
Essa também não seria minha primeira experiência de aprendizagem apoiada por IA. Nos estudos de Python e Data Science, já havia utilizado o ChatGPT como copiloto de aprendizagem, relacionando conhecimentos computacionais a problemas educacionais. Neste artigo, utilizo essa expressão para designar a forma como tenho incorporado a IA aos meus estudos: como parceira de diálogo que apoia a formulação de perguntas, a compreensão de conceitos, o confronto de hipóteses, a análise de erros e o estabelecimento de relações entre novos conhecimentos e problemas reais, sem transferir para a tecnologia o protagonismo e a responsabilidade de quem aprende. Ao iniciar o Bootcamp Universia “Power BI: Primeiros Passos”, oferecido pelo @Santander e @DIO, decidi retomar essa estratégia, e seu próprio módulo introdutório ofereceu um novo ambiente para colocá-la à prova.
Antes da ferramenta, as perguntas fundamentais
Antes de avançar tecnicamente no Power BI, compreendi que precisava definir o ponto de partida do meu percurso de aprendizagem. Mais importante do que descobrir quais recursos a ferramenta oferece seria identificar o propósito capaz de orientar seu uso. Por isso, comecei com uma pergunta: “Que informações precisamos produzir para compreender melhor um problema educacional e tomar decisões mais qualificadas?”
Para buscar respostas, recorri a autores e pesquisadores de referência que pudessem fundamentar teoricamente o uso de dados na Educação. Essa investigação me conduziu aos campos de Learning Analytics, Educational Data Mining, Data-Driven Decision Making, Human-Centred Learning Analytics e Educational Data Storytelling, além de estudos sobre dashboards educacionais.
A intenção era partir da literatura da área para compreender o Power BI não apenas como uma ferramenta para construir gráficos e dashboards, mas como uma tecnologia capaz de apoiar um percurso mais amplo: dados → análise → informação → visualização → interpretação → decisão → intervenção → monitoramento.
O encontro entre IA, Power BI e NotebookLM
A experiência que relato neste artigo nasceu da própria sequência formativa do bootcamp. No módulo inicial, estudamos os fundamentos da IA moderna — Machine Learning, Large Language Models (LLMs), IA Generativa e Agentes —, avançamos para Engenharia de Prompts e para a compreensão das diferenças e possibilidades de chatbots, copilotos e agentes como recursos para potencializar estudos e carreira. Esse percurso culminou no módulo “Treinando uma IA de Aprendizagem: Explore o Poder do NotebookLM”, no qual fomos convidados a experimentar, na prática, como uma IA fundamentada em fontes selecionadas poderia apoiar processos de investigação e aprendizagem.
A orientação do professor foi escolher um tema que despertasse interesse e curiosidade e utilizá-lo como território de experimentação do NotebookLM. Escolhi justamente a análise de dados aplicada à Educação. Dessa forma, o projeto final do módulo deixou de ser apenas uma atividade para conhecer uma nova ferramenta e passou a integrar o percurso que eu já vinha construindo para aprender Power BI com intencionalidade e conexão com minha área de atuação.
O trabalho final acrescentava uma condição particularmente interessante: documentar fontes, prompts, respostas, dificuldades e as chamadas “cicatrizes” do processo. Nesse contexto, cicatrizes são registros de tentativas que não produziram o resultado esperado, acompanhados da identificação do problema e dos ajustes realizados para aprimorar a interação com a IA. Em vez de apagar o erro e conservar apenas o produto final, preservam-se evidências do percurso de aprendizagem e refinamento.
A proposta reafirmou algo que minhas experiências anteriores com aprendizagem apoiada por IA já indicavam: utilizar uma ferramenta não significa delegar a ela o processo de aprender. No NotebookLM, quanto mais rapidamente eu conseguia acessar, organizar e explorar informações, mais se tornava necessária a mobilização de conhecimentos prévios, leitura, análise das fontes e curadoria humana.
Quando documentar muda a maneira de avaliar
A documentação das cicatrizes acrescentou, entretanto, uma dimensão que considerei especialmente relevante.
Quando recebemos um produto gerado por IA e precisamos apenas decidir se ele atende ou não ao que esperávamos, é relativamente fácil realizar uma avaliação rápida, muitas vezes quase automática. A exigência de documentar a cicatriz e demonstrar o aprimoramento do processo modifica essa relação.
Passamos a olhar para o produto procurando compreender por que determinado resultado não foi satisfatório, que decisão da IA contribuiu para isso, o que estava ausente na nossa instrução e que alteração poderia produzir um resultado melhor. A avaliação deixa de se limitar a “validar ou não validar este produto?” e passa a exigir análise, justificativa, reformulação e comparação.
Essa experiência aprimorou o processo de metacognição que desenvolvo em meu trabalho com IA, pois documentar cada etapa do aprimoramento torna visível o raciocínio que normalmente permaneceria implícito durante a interação com a ferramenta.
O saber se constrói, sobretudo, por meio de perguntas: a importância de aprimorá-las continuamente
As primeiras perguntas feitas ao NotebookLM foram exploratórias; depois, passaram a exigir definições fundamentadas nas fontes, diferenciação entre conceitos, comparação entre autores e possibilidades de aplicação.
Aos poucos, a investigação assumiu uma sequência: explorar → direcionar → conceituar → diferenciar → comparar → localizar evidências → aplicar → verificar.
A IA não estava apenas respondendo às minhas perguntas. Em alguns momentos, ajudava a revelar novas perguntas que eu ainda não havia formulado.
Os produtos gerados também ofereceram importantes oportunidades de análise. Um mapa mental reuniu muitos conceitos, porém de forma superficial, em inglês e com escolhas visuais pouco adequadas. Um material de aparência acadêmica convincente exigiu o retorno às fontes para a verificação de números, conclusões e relações causais. Um vídeo demandou ajustes na linguagem, na precisão conceitual e na força de determinadas afirmações. Já um podcast precisou ser refeito porque, embora o objetivo fosse apresentar uma análise crítica do posicionamento do autor, o prompt direcionou a produção para uma interpretação equivocada desse posicionamento. Ao solicitar flashcards sem definir quantidade, cores, imagens e organização, recebi cerca de 60 cartões predominantemente pretos e pouco atraentes.
Essas experiências reafirmaram uma regra fundamental da interação com IA: “Aquilo que não especificamos também é uma decisão; apenas deixamos que a IA a tome.”
Engenharia de Prompts: conhecimentos anteriores colocados à prova
As experiências com o NotebookLM não inauguraram minha compreensão sobre Engenharia de Prompts; elas permitiram colocá-la à prova em outro contexto.
Em estudos anteriores, eu já havia aprendido a pensar o prompt não simplesmente como uma pergunta ou comando, mas como um gênero textual, isto é, uma produção orientada por finalidade, interlocutor e estrutura e que, por isso, exige intencionalidade na escolha da linguagem.
Também havia estudado diferentes estratégias de interação. Em uma solicitação Zero-Shot, fornecemos a tarefa sem apresentar previamente um exemplo do resultado esperado. No One-Shot, oferecemos um exemplo que funciona como referência. No Few-Shot, apresentamos alguns exemplos para ajudar a IA a reconhecer o padrão, a estrutura ou o tipo de resposta pretendido. A escolha entre essas estratégias depende da tarefa e do grau de orientação necessário.
Esses estudos já haviam reforçado uma compreensão importante: escrever um prompt é também organizar o próprio pensamento. Precisamos saber o que queremos, para que queremos, que informações são relevantes e que características esperamos do resultado.
A experiência com o NotebookLM confirmou e aprofundou essa compreensão. A ferramenta oferece recursos próprios para consultar fontes e gerar resumos, mapas mentais, vídeos, áudios, infográficos e flashcards, mas essa facilidade não elimina a necessidade de prompts construídos com intencionalidade e fundamentados nos princípios da Engenharia de Prompts.
Quando desejamos ultrapassar uma produção automática e obter um resultado adequado a determinada finalidade, precisamos explicitar contexto, objetivo, público, conteúdo, profundidade, estrutura, linguagem, referências, características visuais e critérios de qualidade.
As cicatrizes tornaram isso particularmente evidente: quando algumas dessas dimensões não eram especificadas, o NotebookLM tomava decisões por mim — e nem sempre aquelas que eu teria escolhido.
Nesse sentido, a experiência não mudou minha compreensão sobre a importância dos prompts; reafirmou-a e acrescentou novas evidências. Mesmo em uma ferramenta estruturada para trabalhar sobre fontes selecionadas e equipada com recursos específicos de geração, a qualidade da interação continua dependendo, em grande medida, da capacidade humana de orientar, avaliar, verificar e refinar aquilo que é produzido.
O prompt pode funcionar, portanto, como uma espécie de especificação de qualidade, inserida em um processo iterativo: especificar → gerar → avaliar → verificar → reformular → comparar.
Quando conhecemos as fontes — e quando ainda não as conhecemos
A experiência também confirmou a existência de pelo menos dois contextos bastante diferentes de utilização do NotebookLM.
Quando trabalhamos com um tema e uma literatura que já conhecemos, a ferramenta pode atuar como amplificadora do conhecimento: acelera buscas, comparações, sínteses e reorganizações, enquanto nosso próprio repertório funciona como mecanismo de controle de qualidade. Temos melhores condições de perceber uma simplificação, uma omissão ou uma interpretação inadequada.
A situação é diferente quando alimentamos o NotebookLM com artigos que ainda não lemos ou com um campo que não dominamos profundamente. Nesse contexto, a ferramenta pode ser extremamente eficiente para oferecer uma primeira visão do território, apresentar conceitos, estabelecer relações, construir um vocabulário inicial e até indicar quais textos ou trechos merecem leitura prioritária.
Mas permanece uma questão fundamental: “Como avaliar criticamente uma síntese de um conhecimento que ainda não possuímos?”
O acesso rápido às informações não elimina a necessidade de leitura das fontes. Pode, ao contrário, ajudar a torná-la mais orientada. Em temas novos, o NotebookLM pode construir um primeiro mapa do território; entretanto, se não retornarmos aos textos originais, nossa curadoria permanece apoiada na interpretação realizada por outra IA — que também seleciona, simplifica e pode errar.
Para construir domínio, validar evidências e sustentar academicamente uma afirmação, a leitura crítica continua indispensável.
Da experiência reafirmou-se outro princípio: “Quanto menor nosso domínio prévio sobre determinado tema, maior deve ser nosso compromisso com a validação nas fontes originais.”
O conhecimento prévio, portanto, não serve apenas para formular perguntas melhores à Inteligência Artificial; ele também determina nossa capacidade de avaliar criticamente as respostas que recebemos.
Quanto mais sofisticadas se tornam as produções da IA — textos convincentes, gráficos elegantes, vídeos bem narrados, números apresentados com aparência científica — mais importante se torna nossa capacidade de perguntar: de onde veio essa afirmação? A fonte realmente diz isso? Trata-se de evidência, interpretação ou possibilidade de aplicação?
Do NotebookLM ao Power BI
Ao final desta primeira etapa, percebo que ainda nem cheguei ao núcleo técnico do Power BI, mas já não chego a ele da mesma maneira. A experiência com o NotebookLM reafirmou que aprender uma tecnologia não significa apenas dominar seus recursos: significa saber o que perguntar, que problema queremos compreender, que evidências sustentam nossas interpretações e que decisões pretendemos apoiar.
É com esse repertório que avanço agora para o Power BI. Se o NotebookLM me permitiu investigar conceitos, confrontar fontes, experimentar prompts, identificar cicatrizes e refletir sobre os limites da própria IA, o próximo desafio será levar essa mesma postura crítica para os dados: compreender como são tratados, modelados, relacionados e transformados em indicadores e visualizações.
Diante disso, concluo que a principal contribuição de aprender com um copiloto: a IA pode acelerar o caminho, mas não pode encurtar a aprendizagem. Quando utilizada com intencionalidade, pode fazer justamente o contrário — ampliar as perguntas, tornar os critérios mais explícitos e nos colocar diante daquilo que ainda precisamos compreender.
