Por que estudar se existe IA?

Coluna

Inteligência Artificial

16 de outubro de 2026

Por que estudar se existe IA?

Quando respostas se tornam fáceis, aprender passa a significar mais do que chegar até elas

Por que eu preciso aprender isso se posso perguntar para uma inteligência artificial? Esse tipo de pergunta acompanha a educação há décadas. Por que aprender uma operação se existe calculadora? Por que memorizar uma informação se ela pode ser encontrada na internet? Cada nova tecnologia muda parte do que precisamos fazer sozinhos e nos obriga a discutir novamente o que vale a pena aprender.

A IA generativa amplia essa provocação, porque não automatiza apenas uma tarefa: ela pode pesquisar, resumir, explicar, traduzir, escrever, comparar argumentos e produzir respostas sobre diversos assuntos.

Usar IA já faz parte da rotina de estudantes. O Programa Internacional de Avaliação de Estudantes (PISA), coordenado pela Organização para a Cooperação e Desenvolvimento Econômico (OCDE), avalia jovens de 15 anos pela capacidade de mobilizar conhecimentos e habilidades em diferentes situações.

Em 2025, mais de 760 mil estudantes de 91 países e economias participaram. No Brasil, 48% relataram usar chatbots de IA pelo menos uma vez por semana para aprender. Cerca de 40% usam essas ferramentas para fazer pesquisas preliminares sobre novos temas, 31%, para resumir textos que precisavam lerm, e 27%, para elaborar rascunhos de trabalhos escritos. Os dados não dizem se esses estudantes aprendem mais ou menos, mas mostram que a discussão já não é sobre quando começarão a usar IA: eles já fazem isso.

Durante muito tempo, máquinas foram associadas principalmente à ampliação da força, da velocidade, do cálculo e do armazenamento. Agora, sistemas de IA também participam de atividades que associamos ao trabalho intelectual: formular argumentos, explicar conceitos, produzir textos e resolver problemas.

Isso não quer dizer que máquinas pensem como pessoas, mas que o resultado de uma atividade intelectual pode ser produzido sem que a pessoa que apresenta a resposta tenha realizado sozinha o processo que a produziu. A pergunta deixa de ser apenas o que a IA consegue fazer e passa a incluir o que chamamos de estudar quando parte desse processo pode ser delegada a ela.

Não seria a primeira vez que transferimos parte de nossas atividades mentais para uma tecnologia. Anotamos compromissos para não precisar lembrá-los, seguimos o GPS e consultamos buscadores para recuperar informações que não armazenamos.

Evan Risko e Sam Gilbert utilizam a expressão terceirização cognitiva para descrever o uso de ações e recursos externos que reduzem a demanda mental necessária para realizar uma tarefa. Andy Clark e David Chalmers já haviam proposto, em 1998, que elementos externos podem participar de nossos processos cognitivos.

A questão fica mais delicada quando confundimos uma ferramenta que amplia uma capacidade com o processo necessário para desenvolvê-la. No trabalho, terceirizar uma etapa pode ser exatamente o que torna uma atividade mais eficiente. Durante a aprendizagem, porém, a etapa terceirizada pode ser justamente aquilo que precisava ser praticado.

Escrever não serve apenas para registrar uma ideia pronta: escolher palavras, organizar uma sequência e revisar um argumento são atividades que organizam o pensamento. Resolver um problema não é apenas chegar ao resultado; envolve interpretar, escolher um caminho, testar hipóteses e compreender por que a resposta faz sentido.

Essa diferença aparece quando separamos duas coisas que frequentemente parecem iguais: desempenho e aprendizagem. Em uma revisão publicada em 2015, Nicholas Soderstrom e Robert Bjork chamaram atenção para o fato de que aquilo que uma pessoa consegue fazer durante uma atividade pode ser um indicador pouco confiável daquilo que permanecerá depois dela. É possível melhorar o desempenho durante a prática sem produzir uma mudança igualmente duradoura. Aprender envolve conseguir recuperar, aplicar ou transferir posteriormente aquilo que foi construído durante o processo.

A IA torna essa diferença especialmente visível. Em um experimento publicado em 2025 na Proceedings of the National Academy of Sciences (PNAS), pesquisadores acompanharam quase mil estudantes do ensino médio durante atividades de Matemática. Um grupo recebeu acesso a um modelo de IA genérico, chamado GPT Base. Outro utilizou o GPT Tutor, desenvolvido com orientações pedagógicas para fornecer pistas e conduzir o raciocínio sem simplesmente entregar a resposta. Um terceiro grupo realizava as atividades sem IA.

Enquanto a ferramenta estava disponível, os resultados pareciam confirmar seu potencial. O grupo com GPT Base teve desempenho 48% superior ao grupo de controle durante os exercícios, enquanto o GPT Tutor registrou uma melhora de 127%. Depois, a assistência foi retirada. No teste sem IA, os estudantes que haviam utilizado o GPT Base tiveram desempenho 17% inferior ao grupo que nunca teve acesso à ferramenta. Com o tutor, esse efeito negativo foi amplamente reduzido. Com a IA disponível, os estudantes pareciam saber mais; quando ela desaparecia, parte daquele desempenho também desaparecia.

Um comentário publicado no mesmo ano na Nature Reviews Psychology chama atenção justamente para essa confusão. Sistemas generativos podem melhorar aquilo que o estudante produz enquanto recebe assistência sem necessariamente provocar o processamento cognitivo e metacognitivo necessário para uma aprendizagem duradoura.

A Taxonomia de Bloom ajuda a ampliar essa leitura. Na revisão organizada por Lorin Anderson e David Krathwohl, os processos cognitivos associados aos objetivos educacionais incluem lembrar, compreender, aplicar, analisar, avaliar e criar. Mais do que uma sequência rígida, a taxonomia funciona aqui como um lembrete: chegar à resposta correta representa apenas uma parte do que significa aprender.

Essa distinção também muda a forma como podemos olhar para avaliações. Uma avaliação diagnóstica ajuda a tornar visível o ponto de partida de quem aprende: o que já consegue mobilizar, quais relações estabelece e onde existem lacunas. Em um contexto de assistência disponível o tempo todo, alguns momentos sem ela se tornam importantes não como punição ou resistência à tecnologia, mas para entender o que já foi internalizado e o que ainda depende da ferramenta.

Nem todo esforço durante o aprendizado é desperdício. Estudos sobre prática de recuperação mostram que tentar recuperar uma informação da memória ajuda a fortalecer a aprendizagem e pode desacelerar o esquecimento. Tentar lembrar antes de consultar, formular uma hipótese e reconstruir uma explicação com as próprias palavras criam oportunidades para consolidar conhecimento. O erro também pode ser produtivo quando permite comparar uma tentativa com o resultado e reorganizar o raciocínio. Há uma diferença importante entre não saber e descobrir que não se sabe.

Mas, se podemos consultar praticamente qualquer informação em segundos, por que ainda precisamos manter conhecimento na memória? A resposta exige abandonar a ideia de memória como simples depósito de fatos. Aquilo que já sabemos participa da forma como interpretamos o que encontramos e pensamos sobre novos problemas. A teoria da carga cognitiva ajuda a entender isso.

Nossa capacidade de lidar com várias informações ao mesmo tempo é limitada. Quando já conhecemos um assunto, parte desse conhecimento está organizada na memória e exige menos esforço para ser mobilizada. Por isso, saber algo previamente não serve apenas para lembrar: também facilita a compreensão de conteúdos mais complexos, porque aquilo que já sabemos funciona como base para construir novos conhecimentos.

Algo semelhante aparece na leitura. Uma revisão de 23 estudos com crianças do ensino fundamental, liderada por Reid Smith, encontrou relações entre conhecimento prévio e compreensão de textos. O efeito varia conforme o contexto, mas ajuda a desfazer uma ideia recorrente da era digital: a de que não precisamos saber, porque podemos pesquisar. Pesquisar também exige repertório. Precisamos conhecer termos para formular determinadas perguntas, compreender conceitos para comparar resultados e possuir alguma referência para perceber quando informações entram em contradição.

Com a IA, esse repertório ganha outra função. Uma resposta pode parecer clara e convincente mesmo quando está errada ou incompleta. Para avaliá-la, não basta saber usar a ferramenta: é preciso ter conhecimento suficiente para reconhecer o que faz sentido, o que precisa ser verificado e o que pode estar faltando. Isso lembra, em parte, uma interpretação popular do efeito Dunning‑Kruger: quando sabemos pouco sobre um assunto, também podemos ter menos critérios para perceber as próprias limitações.

Um estudo apresentado na CHI 2025 ajuda a ilustrar essa relação. Ao analisar 936 situações de uso de IA relatadas por 319 profissionais, os pesquisadores observaram que, quanto maior a confiança na IA, menor tendia a ser o esforço de pensamento crítico relatado. Já quem confiava mais no próprio conhecimento sobre a tarefa demonstrava maior envolvimento na avaliação das respostas. O estudo não prova causalidade, mas aponta para uma mudança importante: parte do trabalho intelectual deixa de se concentrar apenas na produção e passa também a envolver verificação, integração e supervisão do que a IA produz.

Durante muito tempo, uma justificativa simples para estudar poderia ser: “preciso aprender porque precisarei produzir a resposta”. Agora surge uma segunda razão: precisamos aprender também porque precisaremos julgar respostas produzidas por sistemas capazes de parecer convincentes. Quanto maior nossa capacidade de delegar, mais importante se torna decidir o que pode ser delegado, em que momento e sob quais critérios.

Ferramentas generativas também podem acelerar a aprendizagem. Um experimento publicado em 2025 com estudantes de Física em Harvard mostrou que um tutor de IA, desenvolvido com princípios pedagógicos, produziu ganhos maiores de aprendizagem em menos tempo do que a aula presencial analisada. Mais importante do que o resultado isolado é o que ele ajuda a mostrar: a IA não precisa funcionar apenas como atalho para chegar à resposta; também pode ajudar a organizar o processo de aprender.

Quando colocamos esse resultado ao lado do estudo da PNAS, a aparente contradição diminui. A mesma tecnologia pode reduzir parte do esforço necessário para aprender ou apoiar esse esforço de forma mais eficiente. A diferença não está apenas em usar ou não IA, mas no papel que ela assume durante o processo. Se a ferramenta simplesmente substitui etapas importantes do raciocínio, pode melhorar o desempenho sem necessariamente fortalecer a aprendizagem. Se ajuda a formular perguntas, testar hipóteses, receber feedback e avançar gradualmente, pode funcionar como apoio para aprender melhor.

Nesse cenário, a educação precisa olhar para a IA em três direções ao mesmo tempo: aprender com IA, usando esses sistemas como apoio; aprender sobre IA, compreendendo seus fundamentos, limites e vieses; e aprender para um mundo com IA, desenvolvendo repertório para agir em contextos nos quais esses sistemas farão parte de decisões, trabalhos e relações sociais. O Marco Referencial de Competências em IA para Estudantes, da UNESCO, segue direção semelhante ao reunir competências ligadas à ética, à compreensão técnica, à aplicação e à criação, sempre preservando a agência humana. Em 2026, a organização reforçou essa perspectiva ao colocar agência, equidade e propósito público da educação no centro de sua Digital Learning Week.

A IA também revela algo que sempre esteve presente, mas era mais fácil ignorar: informação, conhecimento e desempenho não são a mesma coisa. Ter informação disponível não significa compreendê-la. Produzir uma resposta correta não significa conseguir avaliá-la. Realizar uma tarefa com assistência também não garante que aquela capacidade permanecerá quando a assistência desaparecer.

Ao mesmo tempo, não faz sentido insistir em fazer manualmente tudo aquilo que uma tecnologia consegue realizar melhor ou mais rápido. Parte da história da tecnologia também é feita daquilo que deixamos de precisar fazer sozinhos. Como já discuti em outra coluna, tecnologias também funcionam como habilitadoras de novas possibilidades: elas não determinam um único caminho, mas ampliam aquilo que podemos imaginar e fazer. A questão educacional, portanto, não deveria ser proteger todas as atividades existentes da automação, mas compreender quais capacidades queremos desenvolver antes de decidir o que podemos delegar.

Estudamos para construir repertório suficiente para interpretar aquilo que encontramos, relacionar uma informação nova com outras que já conhecemos, formular perguntas que ainda não estavam dadas e perceber quando uma explicação não faz sentido. Estudamos para compreender antes de apenas reproduzir, avaliar antes de aceitar e criar a partir daquilo que conhecemos.

Talvez “por que estudar se existe IA?” seja um convite para repensar a função da educação. Quando respostas passam a estar disponíveis quase instantaneamente, precisamos compreender o que continua valendo a pena aprender. A IA tornou respostas abundantes. Isso não torna o aprendizado desnecessário; muda o valor do que significa saber.

Para ter acesso às referências desse texto clique aqui

Quem publicou esta coluna

Lucas Tangi

Lucas é Design Manager no Pecege, formado em tecnologia e especialista em gestão de equipes criativas. Com ampla experiência liderando equipes de design, é também palestrante, professor e consultor. Já participou de projetos em consultorias de tecnologia, venture builders, ODS e na amazônia brasileira. Entusiasta e pesquisador de futuros, dedica-se à inovação e à criação de soluções com alto impacto social e econômico.

Você também pode gostar

06 de novembro de 2026

Influência do marketing digital no consumo de suplementos proteicos e alimentos enriquecidos com proteína

O consumo de suplementos proteicos e alimentos com adição de proteína tem crescido significativamente nos últimos anos, com conteúdos digitais relacionados à saúde, estética e desempenho físico tornando-se parte relevante da rotina de brasileiros que buscam um estilo de vida disciplinado. O presente estudo teve como objetivo analisar o comportamento de consumo de suplementos e alimentos proteicos, bem como a influência das redes sociais e dos influenciadores digitais nas decisões de compra dos consumidores. Realizou-se uma pesquisa exploratória, que utilizou um questionário online aplicado a 62 participantes via Google Forms, disseminado no Instagram, e uma entrevista semiestruturada com o CEO de uma marca de suplementos. A análise dos dados foi quali-quantitativa. Os resultados indicaram que as redes sociais, especialmente o Instagram, desempenharam papel central no contato inicial dos consumidores com as marcas. A maioria dos entrevistados associou o consumo de produtos proteicos a um estilo de vida saudável e fitness, e considerou a influência de criadores de conteúdo digital no estímulo à experimentação e à compra. Identificou-se o impacto significativo do marketing digital e das narrativas aspiracionais no comportamento de consumo, reforçando a relação entre alimentação funcional, identidade social e pertencimento no ambiente digital no contexto da suplementação e alimentação proteica.

Palavras-chave: Alimentos com adição de proteína; Comportamento do consumidor; Consumo de suplementos proteicos; Influenciadores digitais; Marketing digital.

06 de novembro de 2026

Inovação na Gestão Operacional do Setor Elétrico com Apoio da Ciência de Dados

A aplicação da ciência de dados na gestão operacional da distribuição de energia elétrica foi investigada com o objetivo de otimizar processos e a tomada de decisão estratégica. O estudo analisou como algoritmos preditivos e painéis de Business Intelligence podem potencializar a gestão operacional, visando otimizar o despacho de equipes, prever demandas e monitorar indicadores em tempo real para decisões mais ágeis e sustentáveis. A pesquisa teve caráter aplicado e considerou dados históricos, geográficos e operacionais da EDP São Paulo em São José dos Campos, abrangendo o período de janeiro de 2018 a dezembro de 2024. Os dados foram tratados em ambiente de Business Intelligence e submetidos a algoritmos de machine learning, como regressão linear múltipla e redes neurais recorrentes, para previsão de demanda e identificação de padrões de falhas. Adicionalmente, utilizou-se clustering para identificar áreas críticas. Os resultados indicaram que a integração de modelos de previsão com indicadores operacionais em tempo real reduziu o tempo de resposta a ocorrências, aumentou a eficiência na alocação de recursos e promoveu a melhoria contínua da operação. As redes neurais recorrentes demonstraram maior precisão na previsão de demanda, e a análise de correlação apontou a precipitação como fator relevante para o aumento de interrupções. A identificação de áreas críticas por clustering permitiu priorizar ações de manutenção. Concluiu-se que a adoção de métodos de ciência de dados moderniza o setor, reduz custos, aumenta a confiabilidade e promove maior sustentabilidade, oferecendo subsídios para decisões mais ágeis e sustentáveis na gestão energética.

Palavras-chave: Algoritmos preditivos; Business Intelligence; Ciência de dados; Distribuição de energia; Gestão operacional.

06 de novembro de 2026

Previsão da geração de energia fotovoltaica por meio de aprendizado de máquina: um estudo aplicado a uma usina no Nordeste do Brasil

O incremento das energias renováveis no Brasil, em especial da energia fotovoltaica, evidenciou a necessidade de aprimorar a previsão da produção das usinas, em função da elevada dependência de fatores climáticos e da consequente variabilidade da geração elétrica. Desenvolveu-se e avaliou-se modelos de aprendizado de máquina para a previsão da geração de energia elétrica de uma usina fotovoltaica no Nordeste do Brasil, analisando o impacto da inclusão progressiva de variáveis meteorológicas, temporais, derivadas e defasadas. Utilizaram-se dados horários de geração de energia e variáveis meteorológicas provenientes de bases oficiais e públicas. Implementaram-se três algoritmos de regressão baseados em árvores (Árvore de Decisão, Random Forest e XGBoost) em uma modelagem estruturada em três fases: variáveis meteorológicas, temporais e cíclicas e de defasagens. Os resultados indicaram forte correlação entre a radiação solar e a geração de energia. Observou-se desempenho preditivo moderado nas fases iniciais da modelagem, com melhora expressiva na terceira fase, onde o XGBoost se destacou com um R² de 0,898. Concluiu-se que a inclusão de variáveis temporais e técnicas de engenharia de atributos foi determinante para o aprimoramento da capacidade preditiva dos três modelos, configurando-se como uma estratégia para aplicações práticas no setor fotovoltaico.

Palavras-chave: Algoritmo baseado em árvores; Dados meteorológicos; Dependência temporal; Engenharia de atributos; Parque solar.

06 de novembro de 2026

Comportamento de clientes em cursos preparatórios: segmentação RFM, Cadeias de Markov e aprendizado supervisionado

Construiu-se uma arquitetura analítica para compreender e predizer o comportamento de compra de clientes de um provedor de cursos livres preparatórios. O objetivo foi integrar segmentação RFM, modelagem de transições por Cadeias de Markov e predição de propensão por Regressão Logística, Random Forest e Gradient Boosting, sob a estrutura do CRISP-DM. Utilizaram-se dados transacionais de 7.123 clientes de um provedor de cursos livres, abrangendo novembro de 2022 a janeiro de 2026. A metodologia CRISP-DM guiou a segmentação RFM, a modelagem de transições por Cadeias de Markov e a predição de propensão à compra por modelos supervisionados (Regressão Logística, Random Forest e Gradient Boosting), com validação temporal ‘out-of-time’. A segmentação RFM revelou quatro perfis, com o segmento Muito Recorrente (25% da base) concentrando 60,5% da receita. A Cadeia de Markov indicou uma tendência de degradação da base no longo prazo, com o segmento Baixa Aquisição projetado para crescer de 25% para 31,3% no equilíbrio. Os modelos supervisionados alcançaram AUC entre 0,811 e 0,826, demonstrando que o poder preditivo reside nas variáveis RFM, com a recência emergindo como preditor dominante. Concluiu-se que a integração dessas abordagens fornece subsídios concretos para decisões estratégicas de retenção, segmentação e priorização de clientes em contextos educacionais, destacando a necessidade de ações estruturadas para reverter a degradação da base e a importância da recência na predição de recompra.

Palavras-chave: Cadeias de Markov; CRISP-DM; Predição de propensão; Random Forest; Segmentação RFM.

06 de novembro de 2026

Classificação de retornos de ações no Brasil com machine learning e técnicas de meta-labeling

A demanda por estratégias quantitativas em mercados de capitais impulsionou o desenvolvimento de modelos de machine learning. O presente estudo implementou um pipeline de aprendizado de máquina para a classificação ternária de retornos de ações brasileiras, visando diagnosticar sobreajuste, avaliar o uso de meta-rotulagem e Hierarchical Risk Parity (HRP) para gerar alpha positivo, e documentar modos de falha. Reuniu-se 276 ativos da B3 entre 2000 e 2026, totalizando 257.970 amostras rotuladas pelo esquema triple-barrier sobre eventos CUSUM. Um classificador primário XGBoost agrupado foi treinado com pesos de amostra corrigidos por concorrência e unicidade. A validação empregou PurgedKFold e validação cruzada combinatória purgada (CPCV), com diagnóstico de sobreajuste via PBO e DSR. A decisão de lado seguiu a softmax bruta do modelo primário, e a magnitude da aposta foi delegada a um meta-rotulador binário. A construção de carteira adotou Hierarchical Risk Parity e foi avaliada por comparação honesta A/B/C. Os resultados out-of-sample indicaram acurácia de 0,52 e aprovação nos três gates estatísticos. Contudo, no nível de carteira, o Sharpe da estratégia com timing foi de +0,23 contra +0,87 do buy-and-hold HRP, resultando em alpha de -0,63. Concluiu-se que a seleção do universo explicou substancialmente o desempenho observado, e não o timing do classificador, apesar da aprovação nos testes estatísticos de nível de operação. A contribuição metodológica foi um pipeline reprodutível, auditável e leakage-safe, com modos de falha documentados de forma transparente, e o diagnóstico do colapso do argmax sob calibração isotônica em rótulos ternários desbalanceados.

Palavras-chave: Deflated Sharpe Ratio; Diferenciação fracional; Finanças quantitativas; Meta-rotulagem; Sobreajuste em backtests.

06 de novembro de 2026

Método AHP-Gaussiano na seleção de fornecedores: conformidade em contratações públicas

A seleção de fornecedores em contratações públicas demandou instrumentos para ampliar a transparência e fortalecer a conformidade diante de riscos legais e reputacionais. O objetivo foi aplicar o método AHP-Gaussiano na seleção de fornecedores, com base em critérios quantitativos de integridade e capacidade operacional. A investigação, de natureza aplicada, documental e quantitativa, utilizou dados secundários do Cadastro Nacional de Empresas Inidôneas e Suspensas (CEIS), disponíveis no Portal da Transparência. Avaliaram-se dez fornecedores do segmento de limpeza e conservação, segundo seis critérios: recursos recebidos, sanções vigentes, contratos firmados, emendas parlamentares, serviços e participação em licitações. O método AHP-Gaussiano processou os dados, calculou os pesos dos critérios, agregou os desempenhos e gerou o ranking final das alternativas. Os resultados indicaram que o critério emendas parlamentares apresentou o maior peso relativo no modelo, seguido por participação em licitações e contratos firmados. A alternativa A4 foi a mais bem posicionada no ranking final, seguida por A5 e A6. Um teste de sensibilidade confirmou a coerência e robustez do modelo. Concluiu-se que o AHP-Gaussiano constituiu uma ferramenta adequada para apoiar a seleção de fornecedores no setor público, contribuindo para decisões mais consistentes, rastreáveis e alinhadas aos princípios de integridade e governança.

Palavras-chave: AHP-Gaussiano; Apoio multicritério à decisão; Conformidade; Contratações públicas; Fornecedores.

06 de novembro de 2026

Posicionamento de marcas globais de alimentação e a percepção do consumidor no mercado digital contemporâneo

A expansão de mercados globais impôs às marcas o desafio de superar a padronização digital e evitar a desconexão com consumidores de diferentes contextos culturais. O estudo analisou o posicionamento estratégico e a percepção das marcas McDonald’s, Starbucks e KFC no Brasil, França e Japão, buscando compreender como o tom de voz, a estética visual e os canais de comunicação foram moldados às preferências locais. A metodologia empregou um estudo de caso múltiplo com abordagem mista, que integrou a análise de conteúdo em perfis de Instagram e TikTok à aplicação de um formulário estruturado com 63 respondentes. Os resultados demonstraram contrastes significativos no posicionamento digital: no Brasil, a comunicação priorizou a expressividade e a proximidade emocional por meio de influenciadores; na França, o individualismo estético e o humor irônico predominaram como vetores de engajamento; e no Japão, a estratégia revelou uma comunicação de alto contexto, guiada pelo requinte visual, sazonalidade e uso de canais regionais como o aplicativo LINE. A pesquisa ratificou que 88,9% dos consumidores exigiram campanhas adaptadas, evidenciando a ressonância cultural como variável determinante para a sustentação do capital de marca. Concluiu-se que a eficácia do posicionamento digital dependeu do equilíbrio entre a identidade global e a localização profunda, tornando o consumo culturalmente relevante e autêntico.

Palavras-chave: Branding; Comportamento do Consumidor; Localização da Marca; Marketing Intercultural; Redes Sociais.

Inscreva-se em nossa newsletter!

Receba conteúdos e fique sempre atualizado sobre as novidades em gestão, liderança e carreira com a Revista E&S.

Ao preencher o formulário você está ciente de que podemos enviar comunicações e conteúdos da Revista E&S. Confira nossa Política de Privacidade