Escolher uma grande montanha e aprender com a IA como escalá-la: retrospectiva do Entrepreneur Dojo de 2026

A disciplina de 2026 do Entrepreneur Dojo, um curso de educação em empreendedorismo da Universidade de Tóquio, chegou ao fim.

A primeira metade, o S1 (de abril a junho), teve 7 aulas centradas em palestras e convidados; a segunda metade, o S2 (de junho a julho), teve 7 aulas de prática em equipe. Neste ano, redesenhamos bastante a disciplina nas duas metades. Este texto é o registro e a retrospectiva disso.

Contexto

Primeiro, como contexto: no fim do ano passado escrevi o artigo "Como a IA generativa muda a educação em empreendedorismo". Com a IA generativa, um estudante consegue produzir em 30 minutos um material de pitch com aparência razoável. Ou seja, o esforço e a capacidade do estudante passaram a se descolar facilmente da qualidade do que ele entrega. Além disso, a qualidade da entrega muda bastante conforme o plano de IA generativa que o estudante usa. Com isso, a diferença no gasto com IA e no letramento em IA passou a influenciar fortemente o resultado. Por outro lado, se continuarmos restringindo o uso de IA nas aulas, a distância em relação às situações reais em que se exige empreendedorismo só aumenta.

Também venho explicando que a educação em empreendedorismo tem um sentido amplo e um sentido estrito. Esta disciplina foi desenhada para ficar relativamente mais próxima do empreendedorismo em sentido estrito, mas buscando também cultivar o empreendedorismo em sentido amplo. Seu objetivo não é transmitir conhecimentos e habilidades de negócios, e sim cultivar qualidades e capacidades que os englobam e que servem também em outras áreas, como a validação de hipóteses e a obtenção de recursos; ainda assim, ela se inclina para o sentido estrito. E, mesmo ao tratar do empreendedorismo em sentido estrito, falamos não de empreender em geral, mas tendo como premissa as startups de alto crescimento.

Nesse ambiente, o que a educação em empreendedorismo deve ensinar e o que deve avaliar? O artigo do fim do ano terminava com essa pergunta, e compartilho aqui, como registro, a resposta que nós encontramos em 2026. Já aviso, porém, que isso não se aplica a todas as regiões nem a todos os objetivos educacionais.

As grandes mudanças deste ano: visão e IA

São três mudanças principais.

Primeiro, deslocamos o centro do que ensinamos de "encontrar o problema à mão e validar hipóteses" para "traçar uma grande visão e desenhar a estratégia para chegar até ela".

Como já venho dizendo, acho que metodologias como o Lean Startup e o Design Thinking têm limites quando o objetivo é gerar startups de alto crescimento no Japão. Isso porque elas tendem a partir de ideias próximas do cotidiano e, ao longo da validação, tendem a convergir para um negócio pequeno.

Claro, o processo de buscar problemas ocultos, pensar em soluções e validá-las continua valendo para abrir um pequeno negócio, e, mesmo quando se traça uma grande visão, o que está sob os pés continua sendo uma sucessão de validações de hipóteses. Além disso, como professor, também é bom que a metodologia de validação de hipóteses seja fácil de ensinar.

Mesmo assim, considerando o ambiente em que se encontra o ecossistema de startups do Japão, o avanço da IA de que falarei adiante e o fato de que "fácil de ensinar" não equivale a "bom", minha avaliação atual é que ganhou importância decidir primeiro "qual montanha escalar" (veja o Fit Journey v2).

O que acabei de dizer trata do empreendedorismo em sentido estrito, mas penso que o empreendedorismo em sentido amplo está em situação semelhante. Isso porque começam a ser exigidas várias grandes visões: nas estratégias industriais e regionais e nas estratégias nacionais do Japão de hoje, como traçar um novo desenho e implementá-lo em meio ao encolhimento da população; e, com a ordem internacional em transformação, que posição construir.

Segundo, no S2 passamos a definir a "missão" pelo lado dos professores. Preparamos de antemão grandes metas e restrições, como "criar, em até 15 anos, um negócio com valor de mercado de 300 bilhões de ienes ou mais na área de robôs submarinos", e os estudantes escolhiam entre elas e as enfrentavam. O tamanho da montanha não se pode mudar, mas a forma de escalá-la é livre.

Já há alguns anos, nas oficinas do S2, tínhamos deixado de partir de ideias totalmente livres dos estudantes. O motivo é que, quando é livre, tendem a surgir ideias difíceis de validar por entrevistas e outros meios. Como queríamos que validassem hipóteses por meio de entrevistas, limitávamos a escolha de ideias livres (embora, desde que na mesma área, fosse permitido modificar a ideia).

Os efeitos colaterais dessa restrição são que alguns estudantes perdem a motivação por não ser uma ideia própria, e que fica mais difícil vivenciar a formação de equipe sob um líder. Mesmo com essas desvantagens, valorizávamos a experiência de validar hipóteses. Neste ano, reduzimos a prioridade da experiência de validação de hipóteses por entrevistas e aumentamos a de enfrentar uma grande meta.

Talvez fosse possível pedir aos próprios estudantes que definissem essas grandes metas, mas, mesmo no apoio à criação de empresas por profissionais, decidir "qual montanha escalar" é um trabalho muito difícil. Por isso, na disciplina, os professores assumiram a escolha da montanha, para que os estudantes se concentrassem em treinar "como escalar uma grande montanha".

Além disso, as oportunidades de testar a própria ideia vêm aumentando, tanto nas atividades extracurriculares dentro da universidade quanto em programas fora dela. Então pensei que seria melhor que as aulas da universidade fossem um espaço para apresentar montanhas de grande significado social, que dificilmente se escolheriam sozinho. Aprender em pouco tempo como escalar uma grande montanha era algo difícil até aqui, mas havia também a expectativa de que a IA pudesse acelerar isso.

Terceiro, reorganizamos a disciplina inteira partindo do uso de IA. Incorporamos a IA da pesquisa às entrevistas simuladas, ao planejamento estratégico, ao plano de captação de recursos e à elaboração do material de pitch, e ainda criamos por conta própria cerca de cinco aplicativos web para a disciplina, inserindo uma etapa de "prática simulada" entre a teoria e a prática.

Essas três mudanças não são independentes: justamente porque a IA generativa reduziu o custo da pesquisa e da prototipagem para validação, a capacidade de decidir para onde ir tornou-se relativamente escassa, e o centro da educação também se deslocou para ela. E, graças a essa mesma IA generativa, os próprios professores passaram a poder criar os materiais e aplicativos que sustentam esse deslocamento. A disciplina deste ano implementou, dividida entre S1 e S2, a diretriz de "usar a IA para acelerar a exploração e a prototipagem e, em troca, exigir das pessoas a escolha da montanha, a estratégia e o julgamento".

S1: ênfase em traçar uma grande visão

Definimos o S1 como o semestre de conhecimentos básicos e de desaprendizagem (unlearn). Quanto a esta última, explico que muitos estudantes não "desconhecem" os negócios de tipo startup, e sim "têm conhecimentos errados" sobre eles, e por isso é preciso primeiro desfazer isso. Esse posicionamento não mudou. Também não mudamos o formato de 7 aulas com palestras e convidados, mas trocamos duas grandes partes do conteúdo.

(1) Mercado e estratégia

A primeira é a ênfase em mercado e estratégia. A versão antiga da "Startup Fit Journey" que usamos na FoundX era um caminho que partia do cliente e se acumulava em problema, solução, produto e mercado. Neste ano usamos uma nova versão, com duas etapas acrescentadas antes disso: "escolha do mercado (Market)" e "construção da estratégia (Market/Strategy Fit)". Isso porque as definições macro são difíceis de alterar depois. Se o mercado estiver errado, por mais que se faça um bom trabalho de validação micro depois, a chance de alto crescimento é extremamente baixa.

Na disciplina, falamos várias vezes sobre "tirar 95 em uma prova de 100 pontos ou tirar 9,5 bilhões em uma prova de 1 trilhão de pontos". A medida de uma startup não é a probabilidade de sucesso, e sim o tamanho do sucesso quando ele acontece. Para os estudantes da Universidade de Tóquio, que se treinaram para não perder pontos dentro de uma pontuação máxima já definida, esta é provavelmente a parte que mais exige desaprendizagem.

Na reflexão de fim de semestre, houve também registros como: "Até agora eu dava importância a quão bom era o resultado nos problemas que me eram dados, mas quase não tinha a perspectiva de qual problema enfrentar em primeiro lugar". O fato de ter voltado não como aquisição de conhecimento, mas como a percepção de qual régua eu vinha usando, foi uma reação próxima do que se pretende em uma aula voltada à desaprendizagem.

(2) Prática simulada com IA

A segunda é a prática simulada com IA. Neste ano, eu mesmo criei aplicativos web e os incorporei à aula e às tarefas de casa. Por exemplo, os seguintes:

• Um aplicativo para a aula que transcreve a palestra em tempo real e em que a IA dá sugestões de melhoria às perguntas publicadas pelos estudantes
• Um aplicativo de entrevistas em que se vivencia, contra a IA, vendas e decisões de investimento
• Um aplicativo que simula em 6 etapas o fluxo do empreendedorismo (aplicativo de experiência do Fit Journey)
• Uma coletânea de prompts para a escolha de mercado e o planejamento estratégico

Considero que usar aplicativos de IA tem várias vantagens.

Antes, o passo seguinte ao que se aprendia na teoria era direto a prática real (embora fizéssemos treinos simulados entre estudantes na aula). Agora, entre os dois, inserimos um campo de treino em que o custo do fracasso é praticamente zero.

A vantagem da prática simulada com IA é que a IA dá conselhos a qualquer momento. Por exemplo, o aplicativo de entrevistas devolve na hora sugestões para melhorar a pergunta e "por que aquela pergunta não serve". O mais típico nas reflexões dos estudantes foi: "Eu achava que era uma boa pergunta, mas acabei induzindo o interlocutor e não consegui aprofundar até o que realmente o incomodava". Na teoria é possível explicar "não façam perguntas indutoras", mas não se percebe que se está induzindo até que alguém aponte. Só que é difícil o professor apontar isso para cada estudante, então concluí que a IA serviria como apoio.

Também cuidamos de usar um mecanismo que não coleta dados pessoais e de desenhar para que a equipe organizadora não veja o que os estudantes digitam (por exemplo, ao concluir a tarefa é emitido um código de conclusão, que eles informam por Google Forms). Quanto ao desenvolvimento de aplicativos, eu havia feito mais um aplicativo da linha estratégica, mas não consegui fazê-lo funcionar bem e desisti. Tive a impressão de que ainda é difícil usar a IA como interlocutora de um pensamento de alto nível de abstração.

O que me impressionou foi a percepção dos limites da IA. Numa tarefa em que se usava a IA para escolher um mercado sob a condição hipotética de valor de mercado de 300 bilhões de ienes, um estudante escreveu, pela sensação de tê-la rodado várias vezes: "Ao depender da IA, tende-se a ir para ideias médias de mercados grandes e seguros". Que o resultado de uma aula sobre o uso da IA tenha sido sentir os limites da IA é um pouco paradoxal, mas acho também um resultado natural.

Uma dica pequena: foi útil poder pensar com a IA as perguntas da ficha de reflexão. Em uma reflexão, o aprendizado de quem aprende muda bastante conforme as perguntas que se colocam. Elaborar as perguntas da reflexão, que antes eram discutidas dentro da equipe, com uma IA que se pode consultar a qualquer hora e que responde com base em conhecimentos pedagógicos, foi uma ajuda.

S2: definir a montanha e escalá-la com a IA

O S2 tem 7 aulas em formato de oficina. Os estudantes se dividem em equipes e, partindo da pesquisa inicial, avançam para a formulação da hipótese de negócio, a estratégia e o plano de protótipo, e o plano de captação de recursos e a elaboração do material de pitch. Nas duas últimas aulas, convidamos como jurados 5 empreendedores e 5 investidores em atividade, e todos os estudantes fizeram pitches individuais usando o método jigsaw. A razão foi proporcionar a experiência de confrontar as hipóteses com avaliadores do mundo real, empreendedores e investidores, ou seja, uma avaliação de alta autenticidade (authentic assessment, como se diz na pedagogia).

Sobre essa base, neste ano fizemos as seguintes mudanças.

(1) Desenho das missões

As missões preparadas concentram-se em áreas próximas de deep tech, como mar × robôs, hidrogênio natural, espaço, energia eólica, materiais × IA e moradia × energia. Para as missões com fins lucrativos, impusemos a restrição comum de "valor de mercado de 300 bilhões de ienes ou mais em até 15 anos" (para as de empreendedorismo social, colocamos grandes metas de outra forma). Cada missão vem com uma planilha que lista exemplos de projetos, concorrentes, hipóteses a validar no início, propostas de protótipo que podem ser feitas por cerca de 100 mil ienes e referências bibliográficas. O projeto podia ser alterado, mas a área e as condições de restrição não.

(2) Incorporação da IA em cada etapa

A IA foi incorporada a cada etapa. Na pesquisa, usamos o NotebookLM e o "AI Wiki" preparado para a disciplina. Trata-se de um ambiente de pesquisa e organização que inclui uma coletânea de modelos de prompts: tudo o que os estudantes perguntam à IA é salvo no Wiki e, quando as páginas do Wiki chegam a certa quantidade, um LLM organiza automaticamente os insights; é, por assim dizer, uma versão em grupo do LLM Wiki. A IA é acessada via OpenRouter, e nós escolhemos, a cada momento, a de melhor equilíbrio entre velocidade, desempenho e custo.

Resultados

A tendência foi a impressão de que o tempo ficou mais curto do que antes. Parece mesmo que é muito difícil se atualizar em algo fora da própria especialidade, mesmo usando IA. Por outro lado, penso que, numa época sem IA, não teria sido possível fazer uma pesquisa tão bem feita.

Penso que o aprendizado dos estudantes também mudou um pouco. Mais do que o aprendizado tradicional de "percebi a importância de validar hipóteses", houve comentários que pareciam indicar a sensação de que "mesmo uma meta alta, se pesquisarmos direito e subirmos, dá para chegar a um certo ponto". Acho que isso é como a disciplina foi desenhada.

A reação dos jurados também mudou. Até o ano passado, talvez porque a distância entre os "aplicativos para problemas do cotidiano" dos estudantes e as ideias com que os investidores lidam normalmente era grande demais, eles diziam que "é difícil comentar". Neste ano, recebi a impressão de que "foi mais fácil comentar, mas, por estarem na mesma mesa, as falhas se destacam". Houve também comentários do tipo "por isso mesmo, queríamos que fizessem mais entrevistas e fossem mais ao campo para aumentar a resolução". Talvez isso fosse possível com um pouco mais de tempo. Ainda assim, considero um avanço o próprio fato de terem passado a ser avaliados na mesma mesa que empreendedores comuns.

O que cortamos e o que foi difícil

Por outro lado, houve coisas que cortamos por causa deste desenho.

Primeiro, não é possível praticar a criação de ideias do zero, porque a missão é definida pelos professores. Além disso, como a formação das equipes também foi feita pela organização, não há a experiência de reunir pessoas por conta própria e montar uma equipe (embora, claro, o trabalho em equipe dentro da equipe seja necessário).

Isso se deve a que as oportunidades de testar a própria ideia e de encontrar colegas são relativamente abundantes nas atividades extracurriculares da universidade e em programas externos, mas acho que foi justamente por estarmos em Tóquio, agraciada com essas oportunidades, que pudemos cortar isso. De fato, embora tenhamos explicado que "quem quer testar a própria ideia pode fazê-lo em outras disciplinas ou atividades extracurriculares", é verdade que houve insatisfação com essa mudança e desistências. Mesmo assim, julguei que, se as habilidades exigidas estão mudando, deve-se transmitir as habilidades necessárias, e não a reputação.

O mais difícil foram as entrevistas. Até o ano passado, os próprios estudantes indicavam ideias em que poderiam ser clientes, então era fácil validar hipóteses por entrevistas com clientes; neste ano, como o foco foram áreas deep tech orientadas por missões, chegar aos entrevistados já se tornou difícil. Neste ano também houve uma empresa que colaborou e equipes que conseguiram realizar entrevistas reais, mas a impressão foi de dificuldade. No próximo ano, talvez seja possível atenuar isso um pouco com medidas como restringir as missões a temas relacionados às tecnologias da Universidade de Tóquio ou reduzir os tipos de missão e pedir antecipadamente a colaboração de possíveis clientes.

IA generativa e educação em empreendedorismo

Resumo, por fim, o que pensei a partir da experiência deste ano.

Primeiro, acho muito importante que os professores passem a poder criar por conta própria materiais interativos. Até agora, o software educacional era uma ferramenta de eficiência, como o Zoom ou um LMS. Processava procedimentos definidos com rapidez e precisão, mas não mudava muito o conteúdo da aula. A IA generativa é diferente. Aplicativos que, há alguns anos, custariam milhões de ienes e meses de terceirização, um professor pode fazer sozinho e corrigir toda semana. E, com a personalização pela IA, até certo ponto também é possível. Tornou-se viável um software como ferramenta feita só para um ponto que se quer transmitir, na sua aula e naquela sessão. Acho que essa mudança não se limita à educação em empreendedorismo.

Segundo, em compensação, o desenho da aula ficou mais difícil. Onde antes havia três partes, estudantes, professores e materiais, o software entrou para valer como quarto elemento. Hoje, em que se pode criar rapidamente não só ferramentas genéricas, mas softwares dedicados a cada aula, imagino que ainda dure um tempo a fase de tateamento sobre como posicionar o software e a IA generativa dentro da aprendizagem ativa.

Terceiro, ainda assim, sem usar IA, a distância entre a realidade e a educação certamente se ampliará. Como mencionei no artigo anterior, justamente por ser uma educação próxima da sociedade real, sinto que a educação em empreendedorismo precisa continuar pensando em como conciliar-se com a sociedade real e como maximizar o aprendizado dos estudantes em pouco tempo.

Iniciativas semelhantes no mundo

Parece que também as escolas do exterior se preocupam com como lidar com a IA generativa.

Por exemplo, no Lean LaunchPad de Stanford da primavera de 2026, 8 equipes fizeram 978 entrevistas em cerca de 10 semanas, e todas usaram IA generativa. O que se relatou ali foi o problema de que a velocidade de construir produtos com IA ultrapassa a velocidade de aprender com os clientes. Os estudantes conseguiam fazer em poucas horas um MVP sofisticado, mas às vezes não sabiam explicar que hipótese ele servia para validar. É praticamente o mesmo entendimento da minha preocupação com o desvinculamento (unbundling) entre esforço e entrega.

O formato de definir a missão foi precedido pelo Hacking for Defense, originado em Stanford. É uma disciplina em que equipes de estudantes enfrentam problemas reais trazidos por órgãos governamentais e outros, e já se expandiu para cerca de 70 universidades. A diferença é que o Hacking for Defense trata de "problemas que as pessoas enfrentam hoje", enquanto o Dojo tem os professores definindo "áreas que devem crescer no futuro". Já os Generative AI Labs da Wharton criaram simulações de treino de pitch em que a IA faz o papel de mentor ou investidor, e chegam a conceber um ambiente em que os professores criem simulações dedicadas às suas próprias aulas.

Ou seja, a nossa disciplina deste ano pode ser entendida como um experimento que integrou, em uma única metáfora e em um único currículo, "escalar uma grande montanha com a IA", elementos que estão sendo testados separadamente no mundo: disciplinas com missão definida, simulações com IA, validação de hipóteses e planejamento retroativo a partir de uma visão de longo prazo. Mas, para ser justo, é preciso dizer que a maioria dos casos no exterior ainda está na fase de relatos de prática, e uma validação rigorosa de que o uso de IA elevou os resultados de aprendizagem a longo prazo ainda está por vir. Peço que leiam a tese deste texto não como um método de eficácia comprovada, mas no nível de que experimentos na mesma direção estão começando simultaneamente em vários lugares do mundo.

Conclusão

O ciclo de validação de hipóteses sobre problemas próximos do cotidiano ficou mais rápido com a IA. Num mundo assim, se o trabalho que resta às pessoas é "decidir qual montanha escalar, desenhar como escalá-la e continuar julgando", então o centro da educação também precisa se deslocar para lá. O Dojo deste ano foi uma tentativa nessa direção.

Na disciplina perguntei aos estudantes: "Tirar 95 em 100 pontos ou tirar 9,5 bilhões em 1 trilhão de pontos?". Penso que a mesma pergunta também se dirige a nós, professores: fazer uma aula um pouco melhor dentro do arcabouço existente, ou reconstruir tudo a partir do que deve ser ensinado.

E penso que nós, que lidamos com a educação em empreendedorismo, temos de nos perguntar sempre: "Estamos exercendo o empreendedorismo?" e "Não estamos nos desafiando também na educação, todos os anos?". A iniciativa deste ano foi esse esforço.

Nossas hipóteses podem estar erradas, e não é certo que no ano que vem faremos a mesma disciplina (provavelmente teremos mudado), mas registro neste artigo, como compartilhamento de informações sobre o que estamos fazendo neste momento.

Não há planos de publicar os aplicativos usados desta vez, mas a coletânea de prompts está publicada no site da FoundX. Se houver profissionais da educação ou responsáveis por políticas públicas fazendo as mesmas tentativas e erros, ficarei feliz se servir de referência.