+10
Anos em educação e ensino
Pesquisa e sala de aula, sem trocar uma pela outra
CARLOS INTELLIGENCE LABBIOINFORMÁTICA · IA · LEARNING SYSTEMSDisponível para P&D
Carlos Augusto Diniz
Construo sistemas de aprendizagem que a equipe consegue operar depois que o projeto acaba.
Doutor em Bioinformática pela UFMG, educador há mais de 10 anos. Uso IA no desenho de aprendizagem com o método que aprendi na pesquisa: declarar a hipótese, medir e descartar o que não se sustenta.
Passei anos procurando sinal em dados biológicos ruidosos. A pergunta que treinei ali continua sendo a minha aqui: o que este número autoriza a decidir?
Credenciais verificadas
4 evidências verificadas11
Artigos científicos
Publicados com revisão por pares
+260
Citações acadêmicas
Google Scholar · verificado em 16/07/2026
4
Sistemas de P&D navegáveis
Protótipos exploráveis no portfólio
MAPA COMERCIAL · V1
4 soluções para comprar. 12 sistemas para explorar. Um diagnóstico quando a escolha não está clara.
Os quatro flagships abaixo são MVPs operacionais no navegador e estão disponíveis como Pilotos Fundadores delimitados. Os demais sistemas formam o laboratório exploratório, e o Sprint Beta encaminha uma necessidade ainda difusa para a solução adequada.
Para comprador
4 soluções comerciais com preço, prazo e workspace inspecionável.
Para exploração
12 sistemas do laboratório, incluindo os quatro flagships.
Quando a necessidade não está clara
Sprint Beta diagnostica a restrição antes de recomendar uma solução.
AI Fluency
Piloto Fundador · vagas iniciaisA partir de R$ 1.490
Até 2 semanas · Programa piloto de AI Fluency aplicado a uma equipe ou público prioritário.
Primeiro entregável: Diagnóstico inicial nas 4 dimensões: Delegação, Descrição, Discernimento e Diligência.
MVP operacional no navegador · Primeiro piloto real ainda não realizado
Abrir produto e pilotoLearning Journey
Piloto Fundador · vagas iniciaisA partir de R$ 1.990
Até 2 semanas · Piloto de jornada adaptativa com um público, uma competência e um conjunto controlado de regras.
Primeiro entregável: Mapa de público, competência-alvo e sinais que realmente mudam a jornada.
MVP operacional no navegador · Primeiro piloto real ainda não realizado
Abrir produto e pilotoLearningOps
Piloto Fundador · vagas iniciaisA partir de R$ 2.490
2–3 semanas · Piloto de automação de um fluxo operacional prioritário de L&D.
Primeiro entregável: Mapa AS-IS do fluxo atual com gargalos, retrabalho e decisões humanas.
MVP operacional no navegador · Primeiro piloto real ainda não realizado
Abrir produto e pilotoLearning Analytics
Piloto Fundador · vagas iniciaisA partir de R$ 2.490
2–3 semanas · Piloto de Learning Analytics orientado a uma decisão executiva prioritária.
Primeiro entregável: Decision brief: qual pergunta de negócio o analytics precisa responder.
MVP operacional no navegador · Primeiro piloto real ainda não realizado
Abrir produto e pilotoCAMADA EXECUTIVA · 20 SEGUNDOS
Ciência, IA e aprendizagem convertidas em sistemas que você pode inspecionar.
Sinais verificáveis
- 11 artigos revisados por pares
- +260 citações acadêmicas
- 4 flagships em páginas profundas
- 12 sistemas no catálogo integral
- Quem
- Doutor e pós-doutor em Bioinformática pela UFMG, conectando rigor científico, aprendizagem e aplicação responsável de IA.
- O que resolvo
- Fluência em IA, jornadas de aprendizagem, operações de T&D no-code e decisões orientadas por evidências.
- Para quem
- Times de T&D e RH, EdTechs, instituições de ensino e organizações que precisam transformar aprendizagem em capacidade operacional.
Escolha a profundidade certa para sua decisão
Contratar CarlosFast Track com formação, evidências, currículo e provas navegáveis, sem exigir leitura do site inteiro.Abrir Fast TrackResolver um desafio de aprendizagemLeve um gargalo real para a Sprint e transforme o problema em hipótese, prioridade e próximo passo.Abrir diagnósticoExplorar o laboratórioEntre na constelação completa de 12 sistemas, cada um com maturidade, evidência e limitação declaradas.Entrar na constelação
Precisa auditar antes de decidir?O Hub de Avaliação separa Teaching, No-Code e Analytics em rotas de evidência mais profundas.
Abrir Hub de AvaliaçãoArquitetura oficial: 12 sistemas no total = 4 flagships aprofundados + 8 sistemas complementares/experimentais. Os quatro flagships já pertencem aos 12; não existe soma para 16.
PROVA RÁPIDA · 90 SEGUNDOS
Três artefatos para avaliar antes de acreditar.
Uma prova pedagógica, uma prova de fluência e uma prova operacional. Todas já navegáveis e com limites declarados.
30s · ENSINO
Microaula navegável de Ensino de IA
Observe diagnóstico, explicação, exercício, feedback e evidência de aprendizagem no mesmo fluxo.
Abrir microaula30s · FLUÊNCIA
Diagnóstico de fluência em IA
Explore o instrumento de diagnóstico e os critérios usados para ler dimensões de fluência, sem transformar a saída em certificação.
Explorar diagnóstico30s · OPERAÇÃO
Console de fluxo LearningOps
Execute uma demonstração do fluxo e veja estados, exceções e o ponto em que o julgamento volta para uma pessoa.
Executar consoleO objetivo aqui não é impressionar com números: é permitir que você abra o artefato, veja como funciona e decida o peso da evidência.
4 FLAGSHIPS · DENTRO DOS 12
Quatro sistemas aprofundados, com três dimensões de maturidade explícitas.
Os flagships são as páginas de maior profundidade do laboratório. Cada um corresponde a um produto que já pertence ao catálogo de 12 sistemas.
- Piloto Fundador aberto
AI Fluency para Educadores
Framework de letramento em IA com diagnóstico navegável. Aprofunda o AI Fluency Simulator do catálogo.
- Maturidade técnica
- MVP operacional no navegador
- Evidência externa
- Primeiro piloto real ainda não realizado
- Piloto Fundador aberto
Learning Journey Inteligente
Arquitetura de jornadas adaptativas e simulação de percurso. Aprofunda o Learning Journey Architect.
- Maturidade técnica
- MVP operacional no navegador
- Evidência externa
- Primeiro piloto real ainda não realizado
- Piloto Fundador aberto
LearningOps Automation
Operação de T&D com automação, estados, exceções e handoff humano. Aprofunda o LearningOps Control Room.
- Maturidade técnica
- MVP operacional no navegador
- Evidência externa
- Primeiro piloto real ainda não realizado
- Piloto Fundador aberto
Learning Analytics Command Center
Leitura de sinais, limites metodológicos e decisão. Aprofunda o Learning Analytics Decision Cockpit.
- Maturidade técnica
- MVP operacional no navegador
- Evidência externa
- Primeiro piloto real ainda não realizado
Maturidade técnica, disponibilidade comercial e evidência externa são declaradas separadamente. MVP operacional não significa case realizado nem integração de produção.
RESEARCH & DEVELOPMENT OBSERVATORY
Linhas de Pesquisa & Desenvolvimento
Eu chamo de laboratório porque é isso que é: hipótese em teste, prototipagem real, iteração sem fim, até virar algo que funciona fora do papel. Cada linha declara o problema que investiga, o sistema que propõe e onde está na régua de maturidade.
Coordenada de maturidade · 4 linhas ativas
HipóteseProtótipoMVP operacional
RD-01
MVP operacionalMVP operacional · primeiro piloto ainda não realizado
AI Fluency para Educadores
- Problema investigado
- Professores travam diante da Inteligência Artificial. Quando não travam, usam de forma rasa e perdem a chance real de mudar o que acontece na sala de aula.
- Sistema proposto
- Framework de letramento apoiado nas diretrizes da Anthropic, unindo design instrucional ágil a workshops onde a teoria vira prática na hora.
RD-02
MVP operacionalMVP operacional · primeiro piloto ainda não realizado
Learning Journey Inteligente
- Problema investigado
- A maioria das trilhas trata todo mundo igual, e ignora completamente quem cada colaborador realmente é.
- Sistema proposto
- Motor determinístico que usa papel, nível e sinais declarados para montar uma jornada em microdoses e explicar cada regra aplicada.
RD-03
MVP operacionalMVP operacional · integrações ainda não conectadas
LearningOps Automation
- Problema investigado
- Equipes de T&D perdem horas em curadoria manual e gestão administrativa. É tempo que deveria ir para ensinar, não para preencher planilha.
- Sistema proposto
- Esteira local que valida CSV, separa exceções, registra handoffs humanos e exporta auditoria antes de qualquer integração do cliente.
RD-04
MVP operacionalMVP operacional · integrações ainda não conectadas
Learning Analytics Command Center
- Problema investigado
- Decisões educacionais ainda nascem de intuição, sem uma única métrica de correlação para sustentá-las.
- Sistema proposto
- Workspace local que valida CSV, aplica limiares transparentes e produz uma leitura descritiva sem transformar associação em causalidade.
Origem · 4 linhas de P&D
AI FluencyLearning JourneyLearningOpsLearning Analytics
Capacitar pessoas · Personalizar jornadas · Automatizar operações · Medir impacto
12 produtos · 5 territórios
Quatro soluções que se completam dentro de uma operação de aprendizagem. A constelação de produtos abaixo nasce delas, organizada por território.
AI PRODUCT CONSTELLATION
12 sistemas. 5 territórios. Uma constelação de criação.
Cada sistema começa com um problema real, passa por uma hipótese, recebe uma arquitetura e evolui conforme surgem evidências.
Os 4 flagships já estão estruturados para contratação como pilotos comerciais delimitados. Os outros 8 permanecem como sistemas complementares e experimentais em diferentes estágios de materialização.
12 sistemas no total: 4 flagships aprofundados + 8 sistemas complementares e experimentais. Os flagships são aprofundamentos de sistemas que já estão nesta lista de 12.
CATÁLOGO DE PRODUTOS
Filtre por território, maturidade ou sinal de busca.12 de 12 sistemas
A operação de L&D trava no trabalho que ninguém vê acontecer.
LearningOps Control Room
Recomendado para sua intenção
PROBLEMA CENTRALEquipes de L&D acumulam automações pontuais em ferramentas diferentes, sem um lugar único que mostre o que está rodando, o que falhou e quanto tempo isso realmente economiza.
PÚBLICOGestores de L&D · Equipes de operações educacionais · Times pequenos sem suporte de TI dedicado
ReactRechartsn8nSupabaseEvidência VerificadaMetaAntes de investir em IA para aprendizagem, é preciso saber onde a organização realmente está.
Learning Maturity Mapper
Recomendado para sua intenção
PROBLEMA CENTRALOrganizações decidem investir em IA para aprendizagem sem antes verificar se possuem estratégia, pessoas, processos e evidências para sustentar esse investimento.
PÚBLICOGestores de L&D · Lideranças de RH · Consultores em transformação de aprendizagem
React Hook FormZodRechartsNotionConceitualDiagnóstico pedagógico para projetos no-code que pararam de andar.
NoCode Project Doctor
Recomendado para sua intenção
PROBLEMA CENTRALQuem constrói em ferramentas no-code trava em erros cuja causa não aparece na mensagem exibida, e as respostas encontradas ensinam a copiar a correção sem entender o mecanismo.
PÚBLICOConstrutores no-code · Educadores técnicos · Equipes pequenas sem devs
React Hook FormZodAirtableSupabaseEvidência VerificadaMetaTrês conceitos de produto a partir de uma intenção que ainda não fechou.
Product Genesis Engine
PROBLEMA CENTRALEntre a ideia solta e o primeiro artefato utilizável existe um vão onde a maioria das intenções de produto para. O recurso mais comum, pedir ideias a um modelo, devolve sempre a mesma resposta plausível.
PÚBLICODesigners instrucionais · Educadores empreendedores · Analistas de L&D
React Hook FormZodNotionAPI de modelo de linguagemEvidência VerificadaMeta
METATRON INTELLIGENCE MATRIX
Uma geometria que também é um mapa.
Cada nó é um domínio real deste portfólio. As conexões mostram como bioinformática, IA, dados, pedagogia e automação se relacionam na prática. Explore para navegar.
CARLOS / INTELLIGENCE CORESPRINT BETAENTRADA COMERCIALAI FLUENCYIA APLICADALEARNING ANALYTICSDADOSINTELLIGENT JOURNEYPERSONALIZAÇÃOLEARNINGOPSAUTOMAÇÃOLEARNING DESIGNPEDAGOGIATEACHINGDOCÊNCIABIOINFORMATICSORIGEM CIENTÍFICA
EXPLORARPasse o cursor sobre um nó
Cada domínio conecta ciência, dados, IA e pedagogia ao método de Carlos.
ENTRADA COMERCIALSPRINT BETA
Diagnóstico aplicado a um material real, com entregas organizadas e plano de ação.
Explorar sistema IA APLICADAAI FLUENCYIA generativa, prompt engineering e adoção responsável em contexto educacional.
Explorar sistema DADOSLEARNING ANALYTICSSinais de aprendizagem e decisão orientada por evidência, não por intuição.
Explorar sistema PERSONALIZAÇÃOINTELLIGENT JOURNEYTrilhas adaptativas e progressão individualizada de aprendizagem.
Explorar sistema AUTOMAÇÃOLEARNINGOPSAutomação no-code, workflows e orquestração operacional da aprendizagem.
Explorar sistema PEDAGOGIALEARNING DESIGNDesign instrucional, estrutura e clareza aplicados à metodologia de trabalho.
Explorar sistema DOCÊNCIATEACHINGMais de dez anos de docência sustentando a leitura pedagógica do método.
Explorar sistema ORIGEM CIENTÍFICABIOINFORMATICSDoutorado em Bioinformática pela UFMG: método científico aplicado a dados complexos.
Explorar sistemaLEARNING INTELLIGENCE CORE
Um núcleo, três órbitas de decisão.
Todo material real passa pelas mesmas três camadas: pedagogia, inteligência artificial e julgamento humano. Explore os nós para entender como cada camada participa da análise.
MATERIAL REAL
O ponto de partida: um material ou processo real de aprendizagem, não um exemplo abstrato.
NÚCLEO
MATERIAL REAL
O ponto de partida: um material ou processo real de aprendizagem, não um exemplo abstrato.
PEDAGOGIA
PEDAGOGIA
Fundamentos de design instrucional aplicados ao material.
ESTRUTURA
Organização lógica do conteúdo e progressão dos conceitos.
CLAREZA
Legibilidade, linguagem e carga cognitiva do material.
AVALIAÇÃO
Instrumentos de verificação real de aprendizagem.
INTELIGÊNCIA
IA
Modelos de linguagem aplicados à criação e revisão de conteúdo.
AUTOMAÇÃO
Fluxos no-code que aceleram etapas repetitivas.
PERSONALIZAÇÃO
Adaptação de trilhas conforme o perfil de quem aprende.
ANALYTICS
Sinais de uso e desempenho que orientam decisões.
GOVERNANÇA
HUMAN JUDGMENT
A decisão final permanece humana. A IA apoia, não decide.
GOVERNANCE
Critérios de uso responsável e limites definidos.
QUALITY
Padrões de qualidade pedagógica e técnica sustentados.
LEARNING MATERIAL ANALYSIS
O método por trás da leitura do material.
O que acontece na Sprint Beta, desenhado. O material real é lido em camadas: primeiro a estrutura e a carga cognitiva, depois a clareza, e por último onde a IA ajuda e onde a decisão continua sua.
STRUCTURE
COGNITIVE LOAD
CLARITY
AI OPPORTUNITY
HUMAN JUDGMENT
ASSESSMENT
ACCESSIBILITY
Ilustração do método aplicado na Sprint Beta. Nada aqui processa dados em tempo real.
CAMPO DE RESPONSABILIDADE HUMANO × IA
A pergunta não é o que a IA faz. É quem responde por cada decisão.
Cada tarefa de um sistema de aprendizagem ocupa uma posição no espectro. À esquerda, o que pode ser delegado sem perda. À direita, o que nunca deveria sair das mãos humanas. No centro fica a orquestração.
Orquestraçãoo centro é coordenação, não concessão
Alavancagem de IAAutomatize o repetitivo.
Co-inteligênciaAmplifique a inteligência.
Julgamento humanoPreserve o julgamento humano.
Co-inteligênciaGeração de alternativas
O modelo amplia o espaço de opções em segundos. Quem desenha decide o que entra na trilha e o que é descartado.
Alavancagem de IAAutomatize o repetitivo.
- Tarefas mecânicas. Trabalho repetitivo sem decisão embutida. Passa integralmente para fluxos automatizados. Manter isso em mãos humanas desperdiça julgamento.
- Formatação. Padronização de material segue regra explícita. A máquina aplica a regra; a pessoa define qual regra vale.
- Triagem inicial. Primeira separação de volume. A automação reduz o campo; a leitura fina do que sobrou continua sendo trabalho humano.
Co-inteligênciaAmplifique a inteligência.
- Análise apoiada. A IA levanta hipóteses e recortes possíveis. A pessoa decide qual recorte responde à pergunta real do projeto.
- Geração de alternativas. O modelo amplia o espaço de opções em segundos. Quem desenha decide o que entra na trilha e o que é descartado.
- Leitura de padrões em escala. Detectar sinal em volume é força da máquina. Distinguir sinal de ruído com contexto pedagógico é força humana. As duas operam juntas.
Julgamento humanoPreserve o julgamento humano.
- Avaliação de qualidade. Nenhum modelo decide se um material é bom o bastante para uma turma real. Esse critério é humano e permanece humano.
- Decisão pedagógica. O que se ensina, em que ordem e para quem depende de contexto, intenção e ética. Nenhuma dessas três coisas se gera.
- Responsabilidade final. Quem assina o resultado responde por ele. A IA não assume risco, não presta contas e não substitui autoria.
ORIGEM
O método que decifra genomas também decifra como você aprende.
- Formação
- Doutorado e Pós-Doutorado em Bioinformática · UFMG
- Campo
- Learning Design · Inteligência Artificial aplicada à educação
- Método
- Hipótese → dado → ajuste
- Base
- Belo Horizonte, MG · Brasil
Sou Learning Designer. Antes disso, fui cientista. Essa ordem importa: aprendi a tratar capacitação corporativa como um sistema que se mede e se corrige ao longo do tempo, do jeito que se trata uma hipótese no laboratório.
Ciência, IA aplicada e design educacional convergem no meu trabalho todos os dias. O que sai disso são jornadas que reagem a quem está aprendendo, programas de fluência em IA e fluxos automatizados que dispensam código, mas nunca rigor.
Lideranças de L&D, RH e Educação me procuram pelo mesmo motivo. Precisam de algo tecnicamente sério que as pessoas consigam usar, sem abrir mão da régua que mede o resultado.
“Um modelo gera vinte versões de uma aula em um minuto. Escolher qual delas serve àquela turma ainda leva o tempo que sempre levou.”
TRELIÇA DE EVIDÊNCIA CIENTÍFICA
Da bancada científica ao design de aprendizagem.
Cada decisão de projeto que tomo hoje vem de algum ponto desta sequência. Percorra os nós para ver como um estágio alimenta o seguinte.
- 01Formação científica
Doutorado e Pós-Doutorado em Bioinformática pela Universidade Federal de Minas Gerais. A régua de rigor começa aqui.
- 02Dados complexos
Anos de bancada me ensinaram a separar sinal de ruído antes que o ruído custasse uma conclusão errada.
- 03Pensamento sistêmico
Aprendi a pensar em hipóteses, não em opiniões. A desconfiar do óbvio até os dados confirmarem.
- 04Ensino
Mais de dez anos em educação e ensino, traduzindo complexidade técnica para quem precisa efetivamente aprender.
- 05IA aplicada
Esse treinamento não ficou no laboratório: hoje ele decide como construo programas de adoção de Inteligência Artificial.
- 06Sistemas de aprendizagem
Soluções educacionais inteiras, montadas a partir de evidência e dado em vez de intuição ou modelo pronto.
Estágio selecionadoFormação científica
Doutorado e Pós-Doutorado em Bioinformática pela Universidade Federal de Minas Gerais. A régua de rigor começa aqui.
11Publicações científicas internacionaisAvaliadas por pares
+260Citações acadêmicasGoogle Scholar · verificado em 16/07/2026
+10Anos de experiência aplicadaEducação, ensino e P&D
PhDDoutorado e Pós-Doutorado em BioinformáticaUFMG
TRILHOS DE PROVA
Por que confiar problemas complexos a mim.
Poucas pessoas decifraram genoma antes de desenhar treinamento corporativo. Eu fiz as duas coisas, e é daí que vem o meu jeito de atacar um problema de aprendizagem.
E01
Formação científica avançada
Doutorado e Pós-Doutorado em Bioinformática pela UFMG. Anos decifrando dados complexos antes de aplicar o mesmo rigor em problemas de aprendizagem.
E02
Aprendizagem baseada em evidências
Cada decisão de design instrucional nasce de dado e de pesquisa, com a métrica de impacto definida antes de começar.
E03
IA aplicada na prática
LLMs, agentes e automações dentro de jornadas educacionais reais, com resultado que aparece na métrica, não só na apresentação.
E04
Integração entre ciência, educação e tecnologia
Rigor acadêmico, design pedagógico e implementação técnica raramente moram na mesma pessoa. Trabalho nos três desde o doutorado.
TOPOLOGIA DE CAPACIDADES
Um stack integrado entre ciência, design e tecnologia.
Seis capacidades, sete combinações. Isoladas valem pouco; o que muda um projeto é como elas se encaixam. Selecione uma capacidade para ver com quais outras ela opera.
Construir · 3 combinaçõesIA aplicada à educação
Coloco LLMs e modelos generativos para trabalhar dentro da sala de aula e da trilha corporativa, sem perder pedagogia no caminho.
IA aplicada à educação + Ciência de dados
Rigor analítico decide onde um modelo generativo ajuda de verdade e onde ele só produz texto convincente.
IA aplicada à educação + Learning design
Pedagogia primeiro, modelo depois: a IA entra dentro de uma estrutura instrucional, nunca no lugar dela.
IA aplicada à educação + Automação no-code
LLMs geram, automações distribuem. Juntas, fazem o impacto crescer sem multiplicar o esforço da equipe.
MOTOR DE MÉTODO
O caminho que todo projeto percorre aqui.
Cada projeto percorre quatro câmaras, do diagnóstico à análise de resultado, com o mesmo rigor de quem testa hipótese antes de aplicar em escala. Cada câmara declara o que recebe, o que decide e o que entrega.
ESTÁGIO 01
Diagnóstico estratégico
Antes de propor qualquer solução, entendo o terreno: contexto, maturidade em IA, objetivo real e o indicador que vai provar que funcionou.
- Entra
- Contexto, maturidade em IA e objetivo declarado
- Decisão
- Qual indicador vai provar que funcionou
- Artefato
- Diagnóstico com métrica de sucesso definida
ESTÁGIO 02
Design de jornada
Cada trilha nasce de evidência, não de modelo pronto. Desenho a experiência inteira ao redor de quem vai aprender.
- Entra
- Evidência levantada no diagnóstico
- Decisão
- Como a experiência se organiza em torno de quem aprende
- Artefato
- Jornada desenhada e justificada
ESTÁGIO 03
Construção com IA + no-code
Aqui a ideia ganha forma: LLMs, automações e integrações que fazem o impacto crescer sem multiplicar o esforço.
- Entra
- Jornada aprovada e escopo fechado
- Decisão
- O que é IA, o que é automação e o que continua humano
- Artefato
- Sistema em operação
ESTÁGIO 04
Analytics e iteração
Acompanho a métrica de perto e ajusto o sistema sem parar. Ciência boa nunca para no primeiro resultado.
- Entra
- Dados reais de uso e desempenho
- Decisão
- O que ajustar antes do próximo ciclo
- Artefato
- Iteração validada e nova hipótese
A iteração devolve ao estágio 02
O estágio 04 não fecha o projeto. Ele reabre o desenho com dado novo.
MANIFESTO DE SERVIÇOS
Do diagnóstico à implementação.
Cinco frentes de trabalho, aplicáveis como workshops, blueprints, pilotos ou sistemas de apoio à decisão. Cada linha aponta para onde o trabalho começa.
S01
Diagnóstico estratégico de IA para aprendizagem
Mapeamento de oportunidades, riscos, gargalos e casos de uso para IA aplicada à educação, T&D e desenvolvimento de competências.
Diagnóstico · mapeamento
Solicitar diagnósticoS02
Workshop AI Fluency para equipes
Capacitação prática para educadores, times de L&D e equipes corporativas usarem IA com critério, segurança e produtividade.
Workshop · capacitação
Ver formato do workshopS03
Blueprint de LearningOps
Desenho de fluxos, automações e processos para reduzir tarefas manuais, retrabalho e dependência operacional.
Blueprint · desenho de fluxo
Explorar automaçõesS04
Sprint de Learning Analytics
Definição de KPIs, dashboards, fontes de dados e modelo de decisão para provar impacto de aprendizagem.
Sprint · modelo de decisão
Ver estrutura do sprintS05
Design de trilhas inteligentes
Criação de jornadas adaptativas, microlearning e trilhas personalizadas para diferentes perfis de aprendizagem.
Design · jornada adaptativa
Explorar jornadaContextos de aplicação
EdTechsUniversidades corporativasInstituições de ensinoRH e L&DConsultoriasEmpresas em transformação digitalEducadores e formadoresTimes de inovação
Este portfólio funciona como um laboratório vivo de IA aplicada à aprendizagem. As soluções combinam protótipos navegáveis, blueprints estratégicos e estudos de caso em evolução. Cada projeto mostra decisões reais de design, arquitetura, aprendizagem, automação e dados, com o estágio de maturidade declarado caso a caso.
SPRINT BETA · PROTOCOLO APLICADO
OFERTA ATUALIA PARA DESIGN INSTRUCIONAL
Sprint Beta de IA para Design Instrucional
Você traz um material ou processo real de aprendizagem. A análise separa gargalos, oportunidades de uso de IA e riscos de qualidade, e termina com o que fazer nos próximos sete dias.
01material ou processo real08entregas organizadas07dias no plano de ação
Câmara de entrada · pré-leitura do seu caso
Pré-leitura · não substitui o diagnósticoA mesma combinação devolve sempre a mesma leitura.
Aguardando declaração do caso
Escolha as três coordenadas acima. O que aparece aqui é o raciocínio inicial do método. O diagnóstico real parte do seu material.
MÓDULOS DO PROTOCOLO
08 / 08Oito entregas, uma leitura integrada.
Diagnóstico do processo atual de criação de materiais
Análise aprofundada de um material principal
Mapa de oportunidades de IA para Design Instrucional
Checklist de qualidade para materiais educacionais
Kit inicial de prompts para educadores
Plano de ação de sete dias
Reunião inicial de alinhamento
Reunião de devolutiva com recomendações
TRAJETÓRIA APLICADA
Do sinal inicial à recomendação.
01Material de entrada
02Descoberta
03Evidências
04Leitura pedagógica
05Mapeamento de IA
06Engenharia de prompt
07Sistema de qualidade
08Relatório final
FAIXA DE SEGURANÇA
IA aplicada com critério e revisão.
Uso responsável
Riscos de qualidade e limites da aplicação de IA entram no diagnóstico.
Evidência científica
A análise parte do material e do processo real apresentados à Sprint.
Revisão humana
As recomendações apoiam a decisão; a validação final permanece humana.
PRÓXIMO SINAL
Solicitar uma conversaO ponto de partida é um problema real, não um briefing.
Traga um material ou processo que já esteja te custando tempo.LABORATÓRIO EM MOVIMENTO
O que está sendo construído agora.
Frameworks, artigos e recursos começam na pesquisa e amadurecem no contato com a prática. O estado real de cada um fica visível abaixo, inclusive o que ainda não saiu do papel.
Roadmap público
- Q3 2026Hub de Insights
Artigos sobre IA aplicada à educação e Learning Analytics.
- Q4 2026Biblioteca de Frameworks
Modelos navegáveis e gratuitos para download.
- Q1 2027Newsletter “Notas do Laboratório”
Bastidores de pesquisa e protótipos em evolução.
Fila de construção · biblioteca de frameworks
AI Fluency Maturity Model
Mapa de maturidade para avaliar o letramento em IA de educadores e equipes.
Em construçãoLearningOps Canvas
Canvas para desenhar fluxos de automação de T&D ponta a ponta.
Em construçãoAdaptive Journey Map
Modelo de jornada adaptativa orientada por dados de desempenho.
Em construçãoLearning Intelligence Cycle
Ciclo contínuo de hipótese, dado e iteração para aprendizagem.
Em construçãoAcesso antecipado
Recursos gratuitos
- Checklist de AI Fluency
- Template de diagnóstico de L&D
- Canvas de automação educacional
- Guia de prompt engineering para educadores
Notas do Laboratório
Receba novidades de pesquisa, protótipos e análises de IA aplicada à educação. Sem ruído.
Hub de insightsIA aplicada à educaçãoAI FluencyLearning AnalyticsLearningOpsn8nDesign instrucional
SINAL FINAL
Depois de todos esses sistemas, existe uma pessoa.
Parcerias, palestras, consultoria ou só uma conversa séria sobre o futuro da Inteligência Artificial na educação. Escolha o canal que preferir. Respondo pessoalmente.
Carlos Augusto DinizLEARNING DESIGNER · PhD EM BIOINFORMÁTICA · BELO HORIZONTE, MG
- Currículo Lattes
- lattes.cnpq.br/9717412363973376
- Currículo profissional
- Baixar currículo
- English CV
- English CV
- Telefone
- +55 31 99186-0657