Agosto de 2026
De alfabetização a letramento em dados e IA: por que mudamos o nome do que fazemos
Henrique Portella
CEO DataSchool
Letramento em dados e IA, também chamado de alfabetização de dados ou data literacy, é a capacidade de ler, interpretar, questionar e comunicar dados, e de usar inteligência artificial com discernimento, para tomar decisões melhores no trabalho. Não é uma habilidade técnica reservada a analistas: é uma competência de negócio, tão básica para o profissional desta década quanto ler e escrever foi para o século passado. Este artigo conta por que passamos a chamar assim o campo em que trabalhamos há anos, e por que essa mudança de nome não é cosmética. Ela descreve uma mudança real no que as empresas precisam das suas pessoas, e se apoia numa distinção que, curiosamente, a língua portuguesa expressa melhor que o inglês.
Começou como alfabetização
Quando o tema chegou ao Brasil, ele chegou traduzido. Data literacy, o termo consagrado internacionalmente, virou alfabetização de dados, e a tradução foi feliz. A metáfora comunicava instantaneamente o essencial: existe um analfabetismo funcional de dados nas empresas. Profissionais competentes, experientes, muitas vezes com pós-graduação, que diante de um gráfico, de um indicador ou de uma base de dados não sabem o que perguntar, não percebem quando o número engana e não conseguem transformar informação em decisão.
O campo internacional se construiu sobre esse conceito. Jordan Morrow, autor de "Be Data Literate" e um dos nomes que mais fizeram pelo tema no mundo corporativo, definiu a competência em quatro verbos: ler, trabalhar, analisar e comunicar com dados. Angelika Klidas e Kevin Hanegan, autores de "Data Literacy in Practice", levaram a discussão da definição para a implementação: como uma organização inteira, e não alguns indivíduos, desenvolve essa capacidade. Temos o privilégio de contar com os três na história do Data Literacy Talks, o encontro que realizamos anualmente no Brasil, e de tê-los visto discutir essas ideias diretamente com o público brasileiro.
Foi com o nome de alfabetização que os primeiros grandes programas corporativos brasileiros nasceram. O Programa de Alfabetização de Dados do Banco Carrefour, construído em parceria com a DataSchool e vencedor do Prêmio Inovativos 2023, é um marco dessa fase, e o nome dele registra a época com precisão. A imprensa de negócios também consagrou o termo: quando o Valor Econômico publicou, em 2026, uma reportagem sobre os programas de grandes empresas brasileiras, a palavra do título ainda era alfabetização.
Nada disso envelheceu mal. Alfabetização de dados segue sendo um nome correto para uma parte do problema. A questão é que o problema cresceu, e é aqui que o português tem algo a dizer que o inglês não tem.
Uma palavra que o inglês não tem
Em inglês, literacy é uma palavra só, e carrega tudo: do decodificar as letras ao uso pleno da leitura na vida. Quando Morrow, Klidas e Hanegan escrevem data literacy, o termo precisa dar conta dos dois extremos ao mesmo tempo, e o leitor decide pelo contexto de qual deles se fala.
O português do Brasil fez diferente. A partir dos anos 1980, o debate educacional brasileiro, com pesquisadoras como Mary Kato, que introduziu o termo, e Magda Soares, que o consolidou, separou dois conceitos que o inglês funde. Alfabetização é o domínio do código: reconhecer as letras, formar as palavras, ler a frase. Letramento é o estado de quem usa a leitura e a escrita nas práticas sociais reais: a pessoa letrada entende o contrato antes de assinar, percebe a intenção por trás da manchete, escreve o argumento que convence. A distinção nasceu de uma constatação incômoda dos educadores brasileiros: havia gente alfabetizada que não era letrada, gente que decodificava o texto sem conseguir usá-lo na vida.
Outras línguas sentiram a mesma falta e tomaram emprestado: o francês adotou littératie e o espanhol acadêmico usa literacidad, ambos calcos do inglês, justamente para nomear essa dimensão de uso que alphabétisation e alfabetización não alcançam. Mas em nenhuma delas a distinção se tornou tão elaborada, tão debatida e tão incorporada à prática educacional quanto no Brasil. É uma vantagem conceitual genuinamente nossa.
Transposta para o nosso campo, a distinção é exata. A alfabetização de dados ensina a decodificar: entender o que é uma média, ler um gráfico de barras, saber a diferença entre correlação e causalidade. O letramento em dados vai além: é usar essa leitura na prática real do trabalho. É questionar o indicador na reunião, desconfiar do recorte conveniente, pedir o dado que falta, sustentar uma decisão com evidência e comunicar o resultado de um jeito que mova a empresa. Exatamente o que os educadores constataram nas escolas, constatamos nas empresas: há profissionais alfabetizados em dados que não são letrados em dados.
Durante anos, essa diferença podia ficar implícita. Um bom programa de alfabetização de dados, bem feito, acabava produzindo letramento. Então a inteligência artificial generativa chegou às mesas de todos os profissionais, e a diferença deixou de ser um refinamento acadêmico para virar uma urgência operacional.
A IA transformou a distinção em urgência
A IA generativa inverteu um pressuposto silencioso de todos os programas de capacitação em dados: o de que o mais difícil era produzir a análise. Hoje qualquer profissional produz, em segundos, um texto plausível, uma análise plausível, um gráfico plausível. O gargalo mudou de lugar. A pergunta deixou de ser "você consegue ler este dado?" e passou a ser "você consegue julgar o que esta máquina te entregou?".
E aqui está o ponto que a nossa prática em dezenas de empresas confirmou: julgar a resposta de uma IA exige, antes, saber ler o dado. Quem não distingue uma amostra enviesada de uma representativa não percebe quando a IA generaliza a partir do recorte errado. Quem nunca questionou um indicador não questiona uma resposta fluente e bem formatada. A fragilidade diante da máquina é a mesma fragilidade diante do gráfico; a IA apenas a tornou mais cara, porque agora ela opera em escala e com aparência de autoridade.
Por isso não faz sentido tratar capacitação em dados e capacitação em IA como duas prateleiras separadas, uma herdada da década passada e outra comprada na urgência desta. São uma jornada única. A base de dados sustenta o uso crítico da IA; o uso da IA dá à base de dados uma razão de urgência que ela nunca teve. Separá-las produz o pior dos mundos: times que operam ferramentas de IA sem critério para julgar o que elas devolvem.
Por isso, letramento em dados e IA
O nome que adotamos, e que defendemos como nome da categoria, junta as duas decisões conceituais que este artigo descreveu. Letramento, e não apenas alfabetização, porque o objetivo é a prática real de trabalho, não a decodificação em sala de aula. Em dados e IA, e não em cada um separadamente, porque a competência que as empresas precisam formar é uma só, com duas faces.
Essa ponte entre a academia e a prática das empresas não é abstrata para nós; ela tem rostos. Um deles é o do professor Antônio Carlos Gastaud Maçada, que dedicou a carreira a pesquisar como as organizações brasileiras transformam informação em decisão e cultura de dados em resultado, formou gerações de pesquisadores e executivos, e honrou os nossos palcos com a generosidade intelectual de quem une rigor e aplicação. Sua partida em 2025 deixou o campo menor, e boa parte do que este artigo defende, a ideia de que dados só valem quando mudam a prática de decisão das pessoas, conversa diretamente com o que ele pesquisou e ensinou. Fica aqui o registro de gratidão.
Na prática das empresas, o letramento em dados e IA se traduz em perguntas muito concretas. O time comercial sabe ler o próprio funil ou depende do analista para cada dúvida? A liderança decide com evidência ou com a última opinião ouvida? Quem usa IA no dia a dia sabe descrever bem o que precisa, delegar a tarefa certa, discernir uma resposta confiável de uma alucinação plausível e manter a diligência sobre o que entrega adiante? Essas capacidades se medem, e medir é o ponto de partida honesto de qualquer programa: primeiro um diagnóstico avaliativo do que as pessoas de fato sabem, não do que elas acham que sabem; depois a formação desenhada sobre as lacunas reais; ao final, a nova medição que mostra o quanto se avançou.
Para quem chega ao tema pelos nomes mais usados nas buscas, vale o registro das pontes: o que descrevemos aqui é o que o mercado também chama de capacitação corporativa em dados e IA, treinamento de equipes em dados, cultura de dados ou cultura data driven. Os nomes variam; a competência por baixo é a mesma.
O que vem a seguir
Uma categoria madura precisa de mais que um nome bem escolhido: precisa de um retrato. Em setembro de 2026, no DLT Talks Summit, lançaremos o Panorama do Letramento em Dados e IA no Brasil, estudo construído a partir das transcrições de mais de 50 palestras de três edições do Data Literacy Talks, incluindo as contribuições dos autores internacionais e dos pesquisadores brasileiros que passaram pelos nossos palcos, e de consultas à maior comunidade do tema no país. É a primeira tentativa de responder, com método e transparência, onde o mercado brasileiro está nessa jornada: o que as empresas já aprenderam, onde travam e o que separa os programas que transformam cultura dos que apenas preenchem trilhas.
A evolução do nome conta a história do campo: começamos alfabetizando, com o vocabulário que o mundo nos deu, e o trabalho agora é letrar, com a palavra que a nossa língua nos deu, em dados e em IA ao mesmo tempo. As empresas que entenderem essa diferença primeiro vão decidir melhor que as outras. É uma vantagem silenciosa, e as vantagens silenciosas costumam ser as mais duradouras.
Henrique Portella é fundador da DataSchool, referência brasileira em letramento em dados e IA, coautor do livro "Tomada de Decisão em Contextos Complexos" e coordenador do Panorama do Letramento em Dados e IA no Brasil 2026.