Original Recibido:
6/08/2026│Aceptado:
3/11/2026
Inteligência artificial e gestão
sustentável do desporto universitário em Moçambique: Estudo empírico multi-institucional e proposta do modelo gsdu-ia
Artificial Intelligence
and Sustainable Management of University Sport in Mozambique: A Multi Institutional Empirical Study and Proposal
for tha GSDU-AI Model
Paulo Miguel Gumende.
Licenciado en Ciencias de la educación Física y el Deporte. Máster en Gestión
Empresarial. Universidad Eduardo Mondlane. Mozambique. [gumendepaulomiguel@gmail.com]
Luis Bertot Ortega.
Licenciado en Cultura Física. Doctor en Ciencias de la
Cultura Física. Profesor
Titular. Universidad Eduardo Mondlane. Maputo.
Mozambique. Universidad de Guantánamo. Cuba. [lbertotortega@gmail.com]
Edmundo Claudio Pérez.
Licenciado en Cultura Física. Doctor en Ciencias de la Cultura Física. Profesor Titular. Universidad Eduardo Mondlane. Maputo. Mozambique.
Universidad de Matanzas. Cuba. [eclaudioperez80@gmail.com]
Pedro Hidalgo Reyes.
Licenciado en Cultura Física. Doctor en Ciencias de la Cultura Física. Profesor
Titular. Universidad de Granma. Bayamo. Cuba. [phidalgor@udg.co.cu]
Resumo
Este artigo analisa estratégias de
utilização da Inteligência Artificial (IA) na gestão sustentável do desporto
universitário em Moçambique e propõe um modelo aplicável às Instituições de
Ensino Superior (IES) públicas e privadas. O estudo adotou uma abordagem de
métodos mistos, aplicada, descritivo-explicativa e propositiva, abrangendo 14
IES, 224 estudantes-atletas (taxa de resposta de 89,6%) e 8 gestores
desportivos. Os resultados, verificados quanto à consistência interna (alfa de
Cronbach entre 0,81 e 0,96 nas escalas reflexivas), identificam o conflito
entre o calendário académico e a prática desportiva como o problema dominante e
sistémico: 84,7% dos estudantes têm dificuldade em conciliar treinos e
competições com as aulas e 47,9% reportam conflito específico com avaliações.
Em contraste, a grande maioria considera que a informação sobre as atividades
se encontra centralizada num registo digital (91,4%) e que as instalações
recebem manutenção adequada (68,3%). A abertura à adoção de IA é elevada
(96,4%), acompanhada de preocupação igualmente elevada com a ética e a
privacidade (94,2%), o que configura uma aceitação condicional. Entre os
gestores (n=8), a análise de conteúdo identificou a dispersão de dados e as
aplicações de IA como os temas mais referidos (5 de 8). Da triangulação entre o
enquadramento teórico e os dados empíricos propõe-se o Modelo GSDU-IA, assente
em quatro pilares: Registo Único e Agendamento Inteligente; visão computacional
de baixo custo para apoio preventivo; manutenção preditiva orientada para a
eficiência; e governação transparente orientada por dados. O artigo adota o
Tecno-Pragmatismo Humanista como posicionamento epistemológico.
Palavras-chave: Inteligência
Artificial; Desporto Universitário; Gestão Estratégica; Sustentabilidade;
Instituições de Ensino Superior; Tecno-Pragmatismo Humanista.
Abstract
This paper analyses strategies for using
Artificial Intelligence (AI) in sustainable university sport management in
Mozambique and proposes a model applicable to public and private Higher
Education Institutions (HEIs). The study adopted a mixed-methods, applied,
descriptive-explanatory and propositional approach, covering 14 HEIs, 224
student-athletes (89.6% response rate) and 8 sports managers. The results,
verified for internal consistency (Cronbach’s alpha between 0.81 and 0.96
across reflective scales), identify the conflict between the academic calendar
and sports practice as the dominant, systemic problem: 84.7% of students find
it difficult to reconcile training and competitions with classes, and 47.9%
report a specific conflict with academic assessments. By contrast, the large
majority consider that information on activities is centralised
in a digital record (91.4%) and that facilities receive adequate maintenance
(68.3%). Openness to AI adoption is high (96.4%), accompanied by an equally
high level of ethical and privacy concern (94.2%), a pattern of conditional
acceptance. Among managers (n=8), content analysis identified data dispersion
and AI applications as the most frequently mentioned themes (5 of 8). Based on
the triangulation of the theoretical framework and the empirical findings, the
GSDU-AI Model is proposed, structured around four pillars: Unified Registration
and Intelligent Scheduling; low-cost computer vision for preventive support;
predictive maintenance oriented towards efficiency; and transparent,
data-driven governance. The paper adopts Humanist Techno-Pragmatism as its
epistemological position.
Keywords: Artificial Intelligence; University Sport;
Strategic Management; Sustainability; Higher Education Institutions; Humanist
Techno-Pragmatism.
O desporto universitário constitui
uma dimensão estratégica da missão das Instituições de Ensino Superior (IES),
ao articular formação integral, saúde, participação estudantil, rendimento
desportivo, identidade institucional, inclusão e extensão à comunidade. A sua
gestão envolve processos interdependentes planeamento de competições,
organização de calendários, gestão de instalações, transporte, segurança,
inscrições, comunicação, arbitragem, acompanhamento dos participantes e avaliação
cuja eficácia depende da disponibilidade e da qualidade da informação. Quando
esses processos permanecem manuais, fragmentados ou dependentes de folhas de
cálculo e registos dispersos, aumentam os custos de coordenação e diminuem as
condições para decisões oportunas e baseadas em evidências. Nas IES
moçambicanas, o problema é particularmente relevante, dadas as diferenças de
recursos financeiros, infraestruturas, conectividade, competências digitais e
capacidade de governação.
A expansão da Inteligência
Artificial (IA) amplia as possibilidades de tratamento de dados, previsão,
automatização, reconhecimento de padrões, otimização e apoio à decisão. No
desporto, a IA pode aplicar-se para além da análise do rendimento atlético,
abrangendo a programação de instalações, a previsão de procura, a logística, a
comunicação, a manutenção preditiva, a avaliação da satisfação, a gestão
energética e a monitorização de indicadores de sustentabilidade (Naraine &
Wanless, 2020). A sustentabilidade deve, porém, entender-se de forma multidimensional:
a tecnologia só é instrumento de sustentabilidade quando melhora efetivamente a
relação entre os recursos mobilizados, os resultados produzidos e os impactos
gerados.
A literatura revela uma lacuna
contextual: muitas soluções de IA são concebidas para ambientes de elevada
maturidade digital, enquanto as IES de países em desenvolvimento enfrentam
restrições de conectividade, dados, financiamento e competências. O problema
não consiste apenas em saber se a IA pode ser utilizada, mas em determinar em
que condições, para que finalidades e mediante que mecanismos de governação a
sua adoção pode produzir valor sustentável no desporto universitário
moçambicano. Persiste, em particular, um conflito estrutural entre o calendário
académico e o calendário desportivo, a par de assimetrias de capacidade
tecnológica entre instituições; importa, por isso, compreender como a IA pode
ser incorporada de forma sustentável e institucionalmente viável, com base em
problemas confirmados pelos dados e não em pressupostos genéricos sobre falhas
de gestão.
A questão central é, assim, a
seguinte: de que modo estratégias baseadas em IA podem contribuir para uma
gestão mais eficiente, inclusiva e sustentável do desporto universitário nas
IES públicas e privadas de Moçambique, atendendo às evidências empíricas e aos
condicionalismos institucionais locais? O objetivo geral consiste em analisar
estratégias de utilização da IA na gestão sustentável do desporto universitário
e propor um modelo estratégico aplicável às IES públicas e privadas de
Moçambique. Constituem objetivos específicos: (i) identificar o nível de
conhecimento, perceção e abertura dos estudantes à utilização da IA; (ii)
caracterizar as perceções dos gestores sobre oportunidades, barreiras e
condições de adoção; (iii) identificar áreas prioritárias de aplicação da IA;
(iv) analisar dimensões de sustentabilidade relevantes para a gestão desportiva
universitária; (v) relacionar problemas organizacionais efetivamente
confirmados com soluções tecnológicas de baixo custo; e (vi) propor um modelo
estratégico contextualizado.
Desarrolho
A procura de eficiência na gestão
desportiva relaciona-se com a Administração Científica de Taylor (1911) e com
as funções administrativas de Fayol (1949): a medição, a padronização e a
racionalização dos processos encontram correspondência contemporânea na
capacidade dos sistemas digitais para recolher e processar grandes volumes de
informação. A IA não deve, contudo, confundir-se com racionalidade absoluta:
Simon (1976) demonstra que a decisão administrativa permanece condicionada pela
informação disponível, pelo tempo e pelas capacidades cognitivas. Drucker
(1954) reforça a importância da gestão por objetivos e da avaliação de
resultados, particularmente pertinente num desporto universitário em que
calendários, recursos, participação, custos e satisfação precisam de ser
convertidos em indicadores. Schumpeter (1934) permite interpretar a IA como
inovação capaz de reconfigurar combinações de recursos e processos, mas que só
produz transformação organizacional quando incorporada por estruturas,
competências e práticas adequadas.
A teoria geral dos sistemas de
Bertalanffy (1968) permite compreender o desporto universitário como sistema
aberto, no qual estudantes, atletas, gestores, treinadores, instalações,
recursos financeiros, informação, competições, parceiros e comunidade se
relacionam de modo interdependente. Uma intervenção tecnológica isolada
dificilmente produzirá sustentabilidade sem alinhamento entre pessoas,
processos, estruturas, recursos e envolvente institucional. O conflito de
calendários, por exemplo, não é apenas um problema de programação: envolve
comunicação entre unidades, acesso aos horários, regras académicas, calendário
competitivo e capacidade de coordenação. De igual modo, a manutenção das
instalações depende de dados de utilização, sensores, orçamento, capacidade
técnica e mecanismos de decisão.
Freeman (1984) sublinha que a
criação de valor organizacional depende da consideração dos vários stakeholders
— no desporto universitário, estudantes, atletas, gestores, docentes,
dirigentes, treinadores, árbitros, parceiros, patrocinadores e comunidade.
Porter (1985) enfatiza o alinhamento das atividades na criação de valor, e
Barney (1991) sustenta que recursos valiosos, raros, difíceis de imitar e bem
organizados podem constituir fonte de vantagem. Neste estudo, dados de
qualidade, competências digitais, processos integrados e capacidade analítica
são entendidos como recursos cujo valor depende da forma como se combinam. Teece
et al. (1997) acrescentam a perspetiva das capacidades dinâmicas detetar oportunidades, aproveitá-las e reconfigurar
recursos, que ajuda a explicar por que razão duas IES com tecnologias
semelhantes podem obter resultados distintos: a diferença pode residir na
liderança, na aprendizagem, na cultura organizacional e na capacidade de
transformar dados em decisão.
Russell e Norvig (2021) apresentam a
IA como um campo amplo de técnicas orientadas para a aprendizagem, o reconhecimento
de padrões, a previsão, a classificação e a recomendação, e Davenport e Ronanki
(2018) mostram que as aplicações organizacionais se concentram na automatização
de processos, na geração de informação útil e na melhoria das interações. No
desporto, Naraine e Wanless (2020) destacam o valor potencial da IA na gestão,
bem como os desafios da sua integração. Publicações recentes aprofundam a
ligação à sustentabilidade.
Arbieu et al. (2025), num artigo
conceptual, propõem a IA como catalisador de uma «ecologia sistémica do
desporto», que articula desporto, inovação digital e sustentabilidade
ambiental, melhorando a monitorização, a previsão, a eficiência de recursos e a
decisão; condicionam, porém, esse potencial a uma implementação responsável, ao
acesso equitativo aos dados e à atenção aos custos ambientais da própria
tecnologia. Li et al. (2026), num estudo quantitativo com 324 stakeholders
desportivos na China, testaram um modelo em que a analítica baseada em IA
(análise preditiva, geração automática de conteúdos e personalização de
mensagens) atua como amplificador tecnológico e facilitador estratégico do
envolvimento com a sustentabilidade. Tratando-se de evidência obtida noutro
contexto e centrada na comunicação, serve aqui como indício de potencial e não
como prova de eficácia no desporto universitário moçambicano.
A sustentabilidade é aqui assumida
como conceito multidimensional, que abrange eficiência ambiental, viabilidade
económica, inclusão social e continuidade institucional; a ISO 20121:2024
oferece um referencial útil para a integrar no desenho, planeamento, execução e
avaliação de eventos (International Organization for Standardization, 2024). No
desporto universitário, a IA pode apoiar a previsão de participação, o
dimensionamento do transporte e da alimentação, a monitorização de energia e
água, a gestão de resíduos, a comunicação, a acessibilidade e a avaliação de
impacto. A tecnologia tem, contudo, custos energéticos, financeiros e
ambientais, pelo que o critério não deve ser «usar mais IA», mas usar IA quando
o benefício institucional, social ou ambiental justifique o seu custo e risco.
Adota-se um posicionamento
crítico-pragmático, operacionalizado no conceito de Tecno-Pragmatismo
Humanista. É crítico porque rejeita a ideia de que a tecnologia seja neutra ou
automaticamente benéfica: a IA pode reproduzir desigualdades, ampliar
assimetrias de acesso, introduzir enviesamentos, fragilizar a privacidade e
tornar as decisões menos transparentes. É pragmático porque procura soluções
aplicáveis às condições concretas das IES moçambicanas. É humanista porque
preserva a centralidade da pessoa, da responsabilidade e do juízo humano. A
posição dos autores é que a IA deve funcionar como infraestrutura de reforço da
inteligência organizacional e não como substituta do gestor desportivo, o que
implica uma adoção gradual, começando por aplicações de baixo custo e elevado
valor, antes de arquiteturas mais complexas.
A investigação assume uma abordagem
de métodos mistos, com desenho aplicado, descritivo-explicativo e propositivo.
A componente quantitativa caracteriza as perceções e atitudes dos
estudantes-atletas; a componente qualitativa procura compreender experiências, oportunidades,
barreiras e condições institucionais na perspetiva dos gestores; a integração
ocorre na interpretação conjunta dos resultados e na construção do modelo.
O estudo empírico decorreu entre
setembro de 2025 e fevereiro de 2026, em 14 IES (8 públicas e 6 privadas),
selecionadas por amostragem intencional por conglomerados, com distribuição
proporcional à dimensão estimada de cada instituição e procurando diversidade
quanto à natureza jurídica e à localização geográfica. Obtiveram-se 224
respostas válidas de estudantes-atletas, correspondentes a uma taxa de resposta
global de 89,6% (entre 87,5% e 90,9%, consoante a instituição). O tempo médio
de resposta foi de 18 minutos (desvio-padrão aproximado de 4). Os valores em
branco ou registados como «Não sei» (cerca de 3% das células) não foram
convertidos em pontos da escala e foram tratados como dados em falta.
Tabela 1.
Participantes, instrumentos e finalidades
|
Categoria |
N |
Instrumento |
Finalidade |
|
Estudantes-atletas |
224 (taxa de resposta 89,6%) |
Questionário
estruturado, Likert de 5 pontos |
Perceção,
conhecimento, problemas de gestão, abertura à IA |
|
Gestores desportivos |
8 |
Entrevistas
semiestruturadas (7 gravadas; 1 registo escrito validado) |
Experiências,
barreiras, oportunidades e governação |
|
IES |
14 (8 públicas, 6 privadas) |
Observação/análise
documental e diagnóstico digital |
Contexto,
práticas, recursos e capacidade institucional |
Fonte: Elaboração própria.
O questionário, em escala de Likert de cinco pontos, abrangeu cinco
dimensões: literacia digital e de IA; problemas de gestão desportiva; utilidade
percebida da IA; sustentabilidade percebida; e confiança/aceitação e governação
da IA (desdobrada, na análise, numa subdimensão de preocupação ética e de
privacidade). As entrevistas aos gestores incidiram sobre aplicações atuais ou
previstas, disponibilidade de dados, infraestrutura, competências, custos,
riscos, privacidade, liderança, sustentabilidade, parcerias e condições de
implementação. A análise documental incidiu sobre regulamentos, planos
estratégicos, relatórios de atividades, políticas de sustentabilidade e
evidências de transformação digital. Os dados quantitativos foram tratados no
SPSS v.28, com estatística descritiva e testes de associação (qui-quadrado e
Kruskal-Wallis, conforme a natureza das variáveis); os dados qualitativos foram
submetidos a análise de conteúdo categorial (Bardin, 2011), com dupla
codificação independente (investigador principal e investigador secundário).
A fiabilidade das escalas foi verificada pelo alfa de Cronbach (Tabela
2). Quatro das cinco dimensões apresentam consistência interna adequada a
excelente, o que sustenta o seu tratamento como escalas reflexivas compostas; a
dimensão Problemas de gestão revelou-se formativa (itens heterogéneos, não
permutáveis), pelo que é reportada por item e por um índice recodificado, e não
como escala reflexiva única. A subdimensão de preocupação ética e de
privacidade (k = 2; α = 0,388) é tratada como indicador
exploratório.
Tabela 2. Fiabilidade das escalas (alfa de
Cronbach)
|
Dimensão |
N.º itens |
Alfa de Cronbach |
Tratamento analítico |
|
Literacia
digital e de IA |
5 |
0,827 |
Escala reflexiva composta |
|
Problemas de gestão desportiva |
12 |
0,649 (formativo) |
Reportado
por item e por índice recodificado (secção 4) |
|
Utilidade percebida da IA |
12 |
0,808 |
Escala reflexiva composta |
|
Sustentabilidade percebida |
10 |
0,869 |
Escala reflexiva composta |
|
Confiança/aceitação
e governação da IA |
8 |
0,964 |
Escala reflexiva composta |
|
Preocupação
ética e de privacidade |
2 |
0,388 |
Indicador
exploratório (k = 2); não tratado como subescala formal |
Fonte: Elaboração própria.
Na dimensão Problemas de gestão
desportiva, quatro itens estão formulados no sentido de problema (concordância
elevada = mais problema) e oito no sentido inverso, descrevendo boa gestão
(concordância elevada = menos problema). Os oito itens de sentido positivo
foram recodificados (6 − x) antes de qualquer agregação, de modo que todos
os itens tenham direção coerente com o construto «problema»; esta recodificação
aplica-se de forma sistemática na secção 4. Os valores empíricos apresentados
restringem-se aos resultados do estudo de origem; as projeções do modelo, como
as reduções potenciais de custos, são tratadas como estimativas de viabilidade
e não como efeitos causalmente demonstrados pelo inquérito.
O estudo obteve consentimento
informado de todos os participantes, registado separadamente da base de dados
analítica, e os dados foram anonimizados por códigos (E001–E224 para
estudantes, G001–G008 para gestores e IES01–IES14 para instituições), sem recolha
de dados pessoais identificáveis. Um dos oito registos de gestores (G007)
corresponde a um registo escrito validado, e não a uma entrevista gravada, por
indisponibilidade de gravação de áudio.
O principal problema confirmado
pelos estudantes é a dificuldade de conciliar as exigências académicas com os
treinos e as competições. Entre os 224 estudantes-atletas, 84,7% afirmam ter
dificuldade em conciliar o calendário de treinos e jogos com as aulas e 47,9%
reportam conflito específico entre atividades desportivas e avaliações
académicas. O resultado sugere um problema de natureza sistémica, e não apenas
de organização individual do estudante, e é o único estrangulamento de gestão
confirmado como amplamente disseminado nos dados. A interpretação estratégica
aponta para mecanismos de integração de informação centrados no cruzamento de
calendários: um sistema de agendamento inteligente poderia cruzar, dentro dos
limites institucionais e de proteção de dados, os calendários de aulas,
avaliações, treinos, jogos e a disponibilidade de instalações, oferecendo
cenários e alertas para apoiar — e não substituir — a coordenação humana.
O item correspondente mede a
concordância com a afirmação «a informação sobre atividades e participantes
encontra-se centralizada num registo digital», enunciado de sentido positivo.
Concordam 91,4% dos estudantes, isto é, consideram que o registo existe; apenas
1,4% reporta, após recodificação, ausência efetiva de registo centralizado.
Tratar a concordância elevada num item de sentido positivo como evidência de
problema conduziria a uma conclusão oposta à real. O resultado não invalida a
pertinência de Drucker (1954) e Simon (1976) quanto à importância da informação
organizada para a decisão; desloca apenas o foco: o problema da gestão do
desporto universitário moçambicano não reside, segundo os estudantes, na
ausência de registo, mas na falta de cruzamento desse registo com o calendário
académico (secção 4.1). A resposta proposta mantém-se como Registo Único do
Desporto Universitário, mas reorientado para o agendamento inteligente e a
interoperabilidade.
Idêntico cuidado aplica-se à
manutenção: 68,3% concordam que «as instalações desportivas recebem manutenção
adequada» e 68,4% que «as avarias são resolvidas em tempo útil» (ambos itens de
sentido positivo). Após a recodificação, a proporção que identifica problemas
de manutenção situa-se entre 11,5% (manutenção inadequada) e 18,7% (avarias não
resolvidas a tempo), isto é, uma minoria.
O resultado não elimina o valor
estratégico da manutenção preditiva, mas altera a sua justificação: a IA
aplicada à manutenção deve ler-se como instrumento de eficiência e antecipação
de custos para uma fração identificável dos ativos, e não como resposta a uma
falha institucional generalizada. Sensores IoT de baixo custo podem recolher
dados de utilização, temperatura, humidade, consumo energético ou desgaste,
permitindo emitir alertas nos casos minoritários em que prevalece a manutenção
reativa. Associa-se ao modelo uma projeção de até 28% de redução dos custos de
manutenção nesses casos, que deve ser lida como estimativa de potencial e não
como resultado causal observado nas 14 IES.
Os restantes itens da dimensão de
gestão, igualmente recodificados quanto à direção, mostram problemas
específicos e minoritários: 29,6% identificam equipamento desportivo
insuficiente, 24,3% consideram ineficiente a afetação de equipamento, 32,8%
referem que problemas de transporte afetam a sua participação, 43,7% que
problemas de comunicação afetam a organização das atividades e apenas 10,2% que
a IES não recolhe a sua opinião sobre a gestão desportiva.
Apesar de um quadro de problemas
circunscrito, a recetividade à inovação é elevada: 96,4% dos estudantes
manifestam abertura favorável à adoção de ferramentas de IA (índice de
confiança/aceitação, α = 0,964). O mesmo grupo manifesta preocupação
igualmente elevada com o uso não autorizado de dados e com possíveis
enviesamentos algorítmicos (94,2%). A coexistência destes dois valores não é
contraditória: configura um padrão de aceitação condicional os estudantes estão
abertos à IA, mas esperam salvaguardas de governação, consentimento e
supervisão humana, em linha com o Tecno-Pragmatismo Humanista adotado neste
artigo. A utilidade percebida da IA para funções específicas (agendamento,
manutenção preditiva, comunicação, apoio à decisão) é igualmente elevada, com
55,8% dos estudantes em acordo forte com aplicações concretas, valor mais
moderado do que o da aceitação genérica, o que sugere que a abertura à IA em
abstrato não se traduz automaticamente em igual confiança em cada aplicação. A
combinação de um problema dominante (calendário), problemas secundários
específicos e uma abertura condicional à IA cria uma janela para
experiências-piloto focalizadas, orientadas por prioridades confirmadas pelos
dados e evitando investimentos tecnocêntricos.
Dada a reduzida dimensão da amostra
de gestores (n = 8), os resultados qualitativos são reportados como frequências
absolutas de menção nos códigos temáticos, e não como percentagens
generalizáveis. A dispersão/fragmentação de dados, as aplicações de IA e a
governação e ética de dados foram os temas mais referidos (5 de 8 gestores
cada), seguidos da formação e capacitação, da sustentabilidade ambiental e da
privacidade/proteção de dados (4 de 8 cada). O conflito de calendário, a falta
de formação em recursos e a dispersão de informação foram mencionados por 3 de
8 gestores cada, frequência inferior à intensidade com que o tema do calendário
é reportado pelos estudantes, o que é consistente com a natureza distinta das
duas fontes (perceção individual dos estudantes versus leitura institucional
dos gestores).
O estudo identifica ainda diferenças
reais na conectividade: das seis IES privadas, quatro dispunham de Wi-Fi básico
nos recintos desportivos, ao passo que, das oito IES públicas, apenas duas
apresentavam conectividade contínua. A diferença não deve interpretar-se como
superioridade de um setor sobre o outro, mas como evidência de maturidades
digitais diferenciadas. Em consequência, um modelo nacional uniforme seria
pouco adequado: as IES em fase inicial podem adotar dashboards simples e
ferramentas de comunicação; as de maior capacidade podem avançar para previsão,
sensores, integração de dados e análise avançada.
Tabela 3. Síntese dos resultados e implicações
estratégicas
|
Indicador |
Estudantes (N = 224) |
Gestores (N = 8, frequência) |
Implicação estratégica |
|
Conflito
de calendário treinos/aulas |
84,7% confirmam |
3/8 mencionam |
Agendamento e alertas inteligentes |
|
Conflito avaliações/desporto |
47,9% confirmam |
— |
Integração
dos calendários académico e desportivo |
|
Ausência real de registo digital centralizado |
1,4% (91,4% consideram que existe) |
3/8 mencionam dispersão de informação |
Agendamento
sobre registo existente; sem criação de novo registo |
|
Manutenção
inadequada / avarias não resolvidas |
11,5% / 18,7% |
— |
Manutenção
preditiva focalizada, não generalizada |
|
Abertura
à adoção de IA |
96,4% favoráveis |
5/8 mencionam aplicações de IA |
Pilotos progressivos e capacitação |
|
Preocupação ética/privacidade |
94,2% |
4/8 mencionam privacidade/governação |
Governação,
consentimento e supervisão humana |
|
Conectividade Wi-Fi contínua |
— |
2/8 IES públicas; 4/6 IES privadas |
Estratégia
diferenciada por nível de maturidade |
Fonte: Elaboração
própria.
A síntese dos resultados e da
fundamentação teórica conduz à proposta do Modelo GSDU-IA, que procura traduzir
os problemas efetivamente confirmados pelos dados em capacidades
institucionais, evitando uma visão da IA como simples aquisição de software e
evitando também justificar pilares tecnológicos com problemas que os dados não
confirmam. A arquitetura integra quatro pilares operacionais, sustentados por
uma camada transversal de governação, ética, segurança, competências e
supervisão humana.
Pilar 1 Registo
Único e Agendamento Inteligente (RUD-AU). Propõe, não a criação de um registo
que os dados mostram já existir em grande medida (secção 4.2), mas um mecanismo
de agendamento que cruze o registo existente com o calendário académico,
identifique conflitos entre aulas, avaliações, treinos e jogos e gere
alternativas de programação. A decisão final permanece sob responsabilidade dos
atores institucionais. É o pilar com maior justificação empírica direta, dado
que o conflito de calendário é o único problema confirmado como dominante e
sistémico (84,7%).
Pilar 2: Visão
computacional de baixo custo para apoio preventivo. Explora o uso de câmaras de dispositivos móveis
e de ferramentas de código aberto para apoiar a observação biomecânica
preventiva, reduzindo a dependência de equipamentos de laboratório
dispendiosos. Por envolver dados potencialmente sensíveis, exige consentimento,
anonimização sempre que possível, segurança e delimitação clara das
finalidades.
Pilar 3: Manutenção
preditiva orientada para a eficiência. Integra sensores IoT de baixo custo e modelos
de aprendizagem automática para monitorizar desgaste e consumo. A sua
justificação não é uma crise generalizada de manutenção, que os dados não
confirmam, mas o ganho de eficiência e a antecipação de custos na fração
minoritária de casos em que prevalece a manutenção reativa (11,5% a 18,7%,
secção 4.3). A implementação deve começar por ativos críticos e indicadores
simples, avaliando o retorno antes da expansão.
Pilar 4: Governação
transparente e atração de parcerias. Consiste em dashboards que integrem indicadores de desempenho, participação,
utilização de instalações, sustentabilidade e alcance social. Apoia-se na
assimetria confirmada de maturidade digital entre IES públicas e privadas
(secção 4.5) e no padrão de aceitação condicional (secção 4.4): os estudantes
esperam governação, consentimento e supervisão humana, e não apenas ferramentas
de IA. Uma informação institucional organizada e transparente melhora a
prestação de contas e reforça a capacidade de diálogo com parceiros e
potenciais patrocinadores.
Tabela 4. Aplicação da IA por dimensão de gestão e
resultado esperado
|
Dimensão |
Aplicação da IA |
Resultado esperado |
|
Governação e estratégia |
Apoio à
decisão, cenários e riscos |
Decisões
mais informadas e transparentes |
|
Planeamento inteligente |
Previsão
de participação e programação |
Maior eficiência operacional |
|
Eficiência ambiental |
Monitorização
de energia, água, resíduos e mobilidade |
Redução
de desperdícios e impactos |
|
Eficiência económica |
Previsão
de custos e procura |
Melhor afetação de recursos |
|
Experiência e inclusão |
Comunicação personalizada e acessibilidade |
Maior participação e inclusão |
|
Monitorização e avaliação |
Dashboards e indicadores |
Avaliação baseada em evidências |
|
Aprendizagem organizacional |
Análise pós-evento |
Melhoria contínua e replicabilidade |
Fonte: Elaboração
própria.
O conflito de calendários não é um
problema isolado: resulta da fragmentação entre unidades académicas e
desportivas, e não de uma ausência generalizada de dados ou de manutenção
deficiente. A IA pode ajudar a conectar esses elementos, mas a sua eficácia
depende de uma reorganização institucional focalizada. À luz da teoria dos
recursos e capacidades, a elevada abertura à IA é condição necessária, mas não
suficiente: a tecnologia só se converte em recurso estratégico quando
acompanhada de governação, consentimento e supervisão humana. As capacidades
dinâmicas, por sua vez, remetem para a aprendizagem contínua: uma IES não deve
limitar-se a adotar uma ferramenta, mas desenvolver capacidade para avaliar,
adaptar e reconfigurar o seu uso.
Do ponto de vista da
sustentabilidade, as prioridades devem ser selecionadas segundo o princípio do
valor, aplicado a problemas confirmados; como os sistemas complexos implicam
custos energéticos, financeiros, de manutenção e de governação, a adoção responsável
exige avaliação do ciclo de vida e verificação prévia de que o problema a
resolver é real. A agenda de transformação digital pode, além disso, ser
construída de forma participativa, considerando os estudantes-atletas como
stakeholders e não apenas como utilizadores finais. O modelo não pretende que
quatro tecnologias resolvam todos os problemas do desporto universitário: a sua
contribuição é arquitetónica, ao organizar prioridades com base em problemas
confirmados, sequenciar a transformação e criar uma ponte entre diagnóstico,
decisão, implementação, avaliação e aprendizagem.
A implementação do GSDU-IA deve ser
progressiva e orientada por diagnóstico prévio (Tabela 5), segundo o princípio
da proporcionalidade tecnológica: as IES de menor maturidade devem começar por
soluções simples, de baixo custo e elevado valor organizacional, enquanto as de
maior capacidade podem evoluir para a integração de dados, sensores e modelos
preditivos. Em cada fase, importa assegurar que os problemas abordados estão
confirmados pelos dados institucionais e não apenas pressupostos.
Tabela 5. Fases
de implementação do GSDU-IA
|
Fase |
Horizonte indicativo |
Ação |
Produto |
|
1. Diagnóstico |
0–3 meses |
Mapear processos,
dados e infraestrutura, verificando a direção dos instrumentos de recolha |
Diagnóstico de maturidade digital |
|
2. Capacitação |
3–6 meses |
Formar gestores e técnicos |
Plano de
literacia em IA |
|
3. Pilotos |
6–12 meses |
Testar
aplicações prioritárias centradas em problemas confirmados |
Projetos-piloto |
|
4. Integração |
12–24 meses |
Integrar dados e dashboards |
Sistema institucional |
|
5. Avaliação |
Contínuo |
Medir
impacto, riscos e custos |
Relatório
anual de sustentabilidade e IA |
Fonte: Elaboração própria.
A utilização da IA no desporto
universitário envolve dados de estudantes, atletas, treinadores e outros
participantes. O consentimento informado, a finalidade definida, a minimização
de dados, a confidencialidade, a segurança, a supervisão humana e a prestação
de contas devem constituir requisitos estruturantes, em linha com orientações
internacionais sobre o uso responsável da IA em contextos educativos (UNESCO,
2023). As decisões que envolvam direitos, segurança, avaliação académica, saúde
ou bem-estar não devem ser delegadas cegamente a algoritmos; os sistemas devem
ser auditáveis e, sempre que possível, explicáveis; e o recurso a ferramentas
externas deve considerar a dependência de fornecedores, a transferência de
dados e a continuidade do serviço. O padrão de aceitação condicional
identificado na secção 4.4 confirma que a dimensão ética não é uma consideração
acessória, mas uma condição para a aceitação social da tecnologia.
•
Implementar
projetos-piloto do GSDU-IA em IES com diferentes níveis de maturidade digital,
com prioridade para o agendamento inteligente (calendário
académico-desportivo).
•
Antes
de investir num novo registo digital, aprofundar a interoperabilidade e o
cruzamento do registo já existente na maioria das IES com o calendário
académico.
•
Desenvolver
programas de literacia em IA e dados dirigidos a gestores, técnicos e outros
profissionais do desporto universitário.
•
Priorizar
aplicações de baixo custo e valor confirmado pelos dados (agendamento,
dashboards e comunicação), reservando a manutenção preditiva para os ativos e
instituições onde o problema foi efetivamente confirmado.
•
Adotar
políticas institucionais de governação, privacidade, segurança e uso ético da
IA, respondendo diretamente à preocupação ética manifestada pelos estudantes.
•
Estabelecer
parcerias com instituições científicas, setor privado e operadores tecnológicos
para capacitação e infraestrutura, com prioridade para as IES públicas de menor
conectividade, e monitorizar sistematicamente custos, benefícios e impactos
ambientais e sociais.
A primeira limitação respeita à
dimensão do grupo de gestores (n = 8), que recomenda cautela na generalização
das perceções qualitativas; por esse motivo, os resultados desta componente são
reportados como frequências absolutas (secção 4.5). A segunda decorre do
carácter intencional da seleção das IES, que não permite assumir
representatividade estatística de todo o sistema nacional. A terceira refere-se
às assimetrias de infraestrutura entre instituições, que podem condicionar a
comparabilidade. Estudos futuros devem testar o modelo de forma longitudinal,
com grupos-piloto, indicadores antes/depois, análise custo-benefício e
avaliação de impactos ambientais e sociais, bem como ampliar a amostra de
gestores, de modo a permitir o tratamento quantitativo desta componente.
A discussão sobre a IA no desporto
universitário moçambicano deve superar a perspetiva tecnocêntrica e evitar a
generalização de problemas de gestão. O problema central e sistémico confirmado
pelos dados é o conflito entre o calendário académico e o desportivo (84,7%); a
dispersão de dados, a manutenção deficiente e a falta de participação
institucional, embora presentes, afetam uma minoria dos estudantes.
Estudantes e gestores revelam
elevada abertura à adoção da IA e, simultaneamente, elevada preocupação ética e
com a privacidade (94,2%): uma aceitação condicional, e não uma confiança
acrítica, que favorece uma transformação progressiva e focalizada, desde que a
tecnologia se subordine a objetivos institucionais claros.
A principal contribuição do artigo é
o GSDU-IA, que integra quatro pilares operacionais e uma camada transversal de
governação, ética e supervisão humana, privilegiando soluções modulares, de
baixo custo e potencialmente abertas, com maior ênfase no agendamento
inteligente — o pilar mais diretamente justificado pelos dados — do que nos
pilares de manutenção e registo.
O estudo aproxima quatro campos
frequentemente tratados em separado — IA, gestão estratégica, sustentabilidade
e desporto universitário — e oferece uma arquitetura de decisão para uma gestão
mais inteligente e baseada em evidências. A questão estratégica não é saber se
a IA substituirá o gestor desportivo, mas se as IES serão capazes de desenvolver
competências, governação e capacidade organizacional para a utilizar com
responsabilidade, eficiência e compromisso com a sustentabilidade: nem
tecnofobia, nem tecnocentrismo.
Arbieu, U., Carneiro,
L., Tieo, S., & Courchamp, F. (2025). Artificial intelligence as a catalyst for systemic sport ecology. Journal
of Applied Sport Management, 17(4), Artigo 2.
https://doi.org/10.7290/jasm1766SS
Bardin, L. (2011). Análise de conteúdo. Edições 70.
Barney, J. (1991). Firm resources and sustained competitive
advantage. Journal of Management, 17(1), 99–120.
https://doi.org/10.1177/014920639101700108
Bertalanffy, L. von. (1968). General system theory:
Foundations, development, applications. George Braziller.
Davenport, T. H., & Ronanki, R. (2018). Artificial intelligence for the real
world. Harvard Business Review, 96(1), 108–116.
Drucker, P. F. (1954). The
practice of management. Harper & Brothers.
Fayol, H. (1949). General and
industrial management. Pitman. (Obra original publicada em 1916).
Freeman, R. E. (1984). Strategic management: A stakeholder approach. Pitman.
International Organization for
Standardization. (2024). ISO 20121:2024: Event sustainability management
systems — Requirements with guidance for use. ISO.
Li, F., Ren, H., & Yoon, J.
(2026). Artificial intelligence–enhanced analytics in sport communication:
Advancing environmental sustainability through stakeholder-centered strategies.
International Journal of Sport Communication, 19(1), 72–83. https://doi.org/10.1123/ijsc.2025-0196
Naraine, M. L., & Wanless, L.
(2020). Going all in on AI: Examining the value proposition of and integration
challenges with one branch of artificial intelligence in sport management. Sports
Innovation Journal, 1, 49–61. https://doi.org/10.18060/23898
Porter, M. E. (1985). Competitive
advantage: Creating and sustaining superior performance. Free Press.
Russell, S., & Norvig, P.
(2021). Artificial intelligence: A modern approach (4.ª ed.). Pearson.
Schumpeter, J. A. (1934). The
theory of economic development. Harvard University Press.
Simon, H. A. (1976). Administrative
behavior (3.ª ed.). Free Press.
Taylor, F. W. (1911). The
principles of scientific management. Harper & Brothers.
Teece, D.
J., Pisano, G., & Shuen, A. (1997). Dynamic capabilities and strategic management. Strategic
Management Journal, 18(7), 509–533.
https://doi.org/10.1002/(SICI)1097-0266(199708)18:7<509::AID-SMJ882>3.0.CO;2-Z
UNESCO. (2023). Guidance for generative AI in education and research. UNESCO.