Como a inteligência artificial está transformando o ensino superior

 Por Redação Inteligência Aplicada

Um estudante recebe um trabalho acadêmico. Em poucos segundos, uma inteligência artificial pode sugerir a estrutura, localizar argumentos, explicar conceitos, revisar o texto e até produzir uma primeira versão completa.

O problema que essa situação apresenta às universidades não é simplesmente descobrir se o estudante “usou IA”.

A pergunta mais difícil é outra: se uma máquina consegue realizar parte das atividades que tradicionalmente utilizamos para ensinar e avaliar, o que exatamente precisamos mudar na educação superior?

É nesse ponto que a inteligência artificial deixa de ser apenas mais uma tecnologia educacional.

Sistemas de IA já podem apoiar estudantes, produzir materiais, auxiliar professores, analisar informações e automatizar processos. Mas sua capacidade de gerar textos, códigos, imagens, explicações e soluções também pressiona algumas das premissas sobre as quais o ensino superior foi organizado.

A transformação, portanto, não acontece apenas nas ferramentas utilizadas pela universidade. Ela começa a atingir a própria relação entre conhecimento, aprendizagem, professor, estudante e avaliação.

A questão deixou de ser simplesmente permitir ou proibir a IA

Grande parte da primeira reação à IA generativa no ensino superior concentrou-se em uma questão compreensível: os estudantes podem utilizar essas ferramentas?

Essa pergunta continua relevante, especialmente quando determinada atividade precisa demonstrar uma competência individual. Mas ela é insuficiente para orientar a transformação educacional.

Considere dois estudantes utilizando a mesma tecnologia.

O primeiro solicita que a IA resolva uma atividade e entrega o resultado praticamente sem modificações.

O segundo desenvolve uma solução, pede à IA que procure falhas em seu raciocínio, compara as respostas, investiga divergências e reformula sua conclusão.

Ambos utilizaram inteligência artificial.

Mas apenas saber que houve uso de IA diz muito pouco sobre o que aconteceu durante a aprendizagem.

No primeiro caso, a tecnologia pode ter substituído parte do esforço cognitivo que a atividade deveria provocar. No segundo, pode ter criado uma oportunidade adicional de reflexão.

Essa diferença ajuda a compreender um dos principais desafios educacionais da IA: a mesma tecnologia pode apoiar o pensamento ou permitir que o estudante evite pensar.

Por isso, a discussão precisa avançar de “pode usar?” para “para que estamos usando?”.

IA pode funcionar como apoio cognitivo — ou como substituto cognitivo

Uma das aplicações mais promissoras da inteligência artificial na educação é a possibilidade de oferecer apoio individual em escala.

Imagine um estudante tentando compreender um conceito complexo de estatística.

Em vez de simplesmente fornecer a resposta, um sistema de IA pode apresentar outra explicação, criar um exemplo, formular uma pergunta intermediária ou identificar em qual etapa do raciocínio surgiu a dificuldade.

Nesse cenário, a tecnologia funciona como um andaime cognitivo: oferece apoio temporário para que o estudante consiga avançar.

Mas o mesmo sistema pode ser utilizado para entregar a solução pronta.

A diferença é fundamental.

Pesquisas recentes indicam que sistemas generativos podem produzir efeitos positivos sobre diferentes resultados educacionais, mas os efeitos variam de acordo com fatores como contexto, ferramenta, forma de interação e desenho da atividade.

Isso significa que disponibilizar uma IA aos estudantes não garante, por si só, melhor aprendizagem.

Um aluno pode realizar uma tarefa em cinco minutos em vez de cinquenta. Isso representa ganho de eficiência. Mas não demonstra necessariamente ganho de aprendizagem.

Eficiência e aprendizagem não são a mesma coisa.

Essa distinção provavelmente será uma das mais importantes para as universidades nos próximos anos.

A avaliação pode ser o primeiro grande modelo a precisar mudar

Durante décadas, uma parte significativa da avaliação universitária esteve baseada em produtos finais: redações, relatórios, exercícios, apresentações, códigos e trabalhos.

A IA generativa torna esse modelo mais frágil.

Se um sistema consegue produzir um texto convincente, resolver determinado problema ou gerar código funcional, analisar apenas o produto final pode deixar de fornecer evidência suficiente sobre aquilo que o estudante realmente sabe fazer.

Isso não significa abandonar trabalhos escritos ou proibir permanentemente a IA.

Significa tornar a avaliação mais intencional.

Uma universidade pode precisar trabalhar com diferentes situações.

Em determinados momentos, o estudante deverá demonstrar domínio independente de uma competência. Nesse caso, restringir IA pode ser adequado.

Em outros, a capacidade que se deseja avaliar será justamente trabalhar com IA de maneira competente: formular instruções, verificar resultados, identificar erros e decidir o que deve ser aproveitado.

Também podem ganhar espaço avaliações baseadas em processo, resolução de problemas, aplicação, defesa oral e reflexão sobre as decisões tomadas.

A pergunta fundamental muda.

Em vez de apenas perguntar “o estudante utilizou IA?”, a universidade precisa perguntar:

“Que evidência demonstra que esse estudante aprendeu?”

Essa mudança aparentemente simples pode produzir consequências profundas para o desenho da avaliação.

O professor não desaparece — mas seu papel tende a mudar

Se uma IA pode explicar um conceito em segundos, por que alguém precisaria de um professor?

A pergunta parece provocativa, mas parte de uma visão limitada sobre o que significa ensinar.

Transmitir informação é apenas uma das funções do trabalho docente.

O professor também define objetivos, seleciona experiências, contextualiza conhecimento, identifica dificuldades, acompanha progressos, avalia aprendizagem e decide quais desafios são adequados para determinado grupo.

Quanto mais informação e assistência automatizada estiverem disponíveis, mais importante pode se tornar justamente essa dimensão do trabalho.

O professor tende, portanto, a atuar menos exclusivamente como transmissor de informação e mais como designer, mediador e avaliador da aprendizagem.

Isso não significa que todos os professores passarão imediatamente a desempenhar uma nova função ou que a transformação ocorrerá de maneira uniforme.

Significa que determinadas tarefas podem ser redistribuídas.

IA pode ajudar a produzir exercícios, adaptar materiais, gerar exemplos ou oferecer determinados tipos de feedback. O tempo economizado pode, em princípio, ser direcionado a atividades nas quais julgamento pedagógico, contexto e interação humana possuem maior valor.

Mas isso também exige uma nova formação docente.

Saber abrir uma ferramenta e escrever um prompt não é suficiente.

Professores precisam compreender quando a IA melhora uma experiência de aprendizagem e quando apenas automatiza uma prática que deveria ser repensada.

O estudante também precisará desenvolver novas competências

Durante muito tempo, acessar informação foi uma parte importante do desafio educacional.

Agora, sistemas capazes de produzir respostas instantaneamente alteram essa relação.

Quando obter uma resposta se torna mais fácil, aumenta a importância de saber avaliá-la.

Isso coloca outras competências no centro da formação:

• formular problemas e boas perguntas;
• analisar informações;
• verificar evidências;
• identificar erros e inconsistências;
• comparar perspectivas;
• avaliar respostas produzidas por IA;
• tomar decisões;
• utilizar ferramentas sem perder autonomia intelectual.

Esse conjunto pode ser entendido como parte de uma alfabetização em IA.

Mas alfabetização em IA não deveria significar decorar comandos para uma ferramenta específica.

Ferramentas mudam rapidamente.

Uma competência mais duradoura consiste em compreender quando utilizar IA, para qual finalidade, quais são suas limitações e como verificar aquilo que ela produz.

A universidade precisa preparar o estudante para trabalhar com sistemas inteligentes sem transformá-lo em alguém intelectualmente dependente deles.

Em outras palavras, o objetivo não é ensinar o estudante a deixar a IA pensar por ele.

É ensiná-lo a pensar melhor em um ambiente no qual a IA estará disponível.

Os currículos também começam a sentir essa pressão

Se a maneira de trabalhar muda, aquilo que as universidades ensinam também precisa ser reconsiderado.

Isso não significa que conhecimentos fundamentais tenham perdido importância.

Pode ocorrer justamente o contrário.

Quanto mais fácil se torna produzir respostas, mais importante pode ser possuir conhecimento suficiente para avaliar se essas respostas fazem sentido.

Um profissional incapaz de compreender os fundamentos de sua área terá dificuldade para reconhecer quando uma IA produz uma solução inadequada.

Uma formação preparada para esse cenário pode combinar três dimensões.

A primeira é o conhecimento fundamental: conceitos, teorias e princípios necessários para compreender determinada área.

A segunda é a competência profissional: capacidade de aplicar esse conhecimento a situações e problemas reais.

A terceira é aquilo que podemos chamar de inteligência ampliada: capacidade de utilizar IA para pesquisar, analisar, criar, decidir e aprender sem abandonar julgamento e responsabilidade humanos.

A IA não elimina a necessidade de conhecimento.

Ela modifica a maneira como esse conhecimento pode ser mobilizado.

A personalização em escala é uma das grandes oportunidades

Uma das limitações históricas da educação é simples: estudantes diferentes precisam de apoios diferentes, mas o tempo dos professores é limitado.

Um estudante pode precisar de outra explicação.

Outro pode precisar de mais exercícios.

Um terceiro pode estar preparado para avançar.

Oferecer acompanhamento individual dessa forma para centenas ou milhares de estudantes sempre foi difícil.

A IA cria uma possibilidade diferente.

Sistemas podem oferecer explicações alternativas, exercícios adaptados, feedback imediato e apoio individual ao estudo.

Isso não significa substituir professores por tutores artificiais.

Significa utilizar tecnologia para ampliar determinadas formas de acompanhamento que antes eram difíceis de oferecer em escala.

Essa talvez seja uma das oportunidades mais importantes da IA no ensino superior.

Mas ela vem acompanhada de uma condição: quanto mais personalizado o sistema, maior tende a ser a necessidade de utilizar dados sobre aprendizagem, comportamento e desempenho.

Privacidade, segurança, transparência, vieses e governança deixam então de ser questões periféricas.

Tornam-se parte do próprio desenho educacional.

No Brasil, a transformação já começou

O debate sobre inteligência artificial no ensino superior brasileiro também está deixando a fase puramente experimental.

Universidades começaram a desenvolver políticas institucionais, realizar levantamentos sobre o uso da tecnologia e discutir formas de integração.

A CAPES também passou a apoiar iniciativas relacionadas à aplicação de inteligência artificial na educação. Em 2025, o programa InovaEDUCAÇÃO selecionou 29 projetos de 25 instituições de ensino superior das cinco regiões brasileiras, envolvendo diferentes aplicações da tecnologia.

O movimento é significativo porque indica uma mudança de escala.

A discussão já não envolve apenas um professor utilizando IA para preparar uma aula ou um estudante experimentando uma ferramenta generativa.

Passa a envolver decisões institucionais sobre formação docente, avaliação, currículo, infraestrutura, dados e governança.

E o contexto brasileiro acrescenta desafios próprios.

Instituições possuem diferentes níveis de infraestrutura, capacidade tecnológica e acesso a recursos. Professores e estudantes também apresentam diferentes níveis de familiaridade com essas ferramentas.

Por isso, a IA pode tanto ampliar oportunidades quanto criar uma nova camada de desigualdade.

A diferença pode surgir não apenas entre quem tem ou não acesso à tecnologia, mas entre quem sabe utilizá-la criticamente e quem não recebeu formação para isso.

O maior risco é usar IA para automatizar a universidade que já existe

Existe uma tentação compreensível em qualquer nova tecnologia: utilizá-la para tornar mais eficiente aquilo que já fazemos.

• Produzir materiais mais rapidamente.
• Corrigir atividades.
• Responder dúvidas.
• Automatizar atendimento.
• Gerar relatórios.
• Reduzir tarefas administrativas.

Tudo isso pode produzir valor.

Mas existe uma diferença entre automatizar a educação existente e utilizar IA para criar experiências educacionais melhores.

Uma universidade pode se tornar mais rápida, mais barata e mais automatizada sem necessariamente se tornar mais educativa.

É aqui que a discussão sobre IA se torna estratégica.

Quando a tecnologia economiza tempo de um professor, o objetivo deveria ser apenas reduzir o trabalho necessário?

Ou parte desse tempo poderia ser convertida em mais feedback, orientação e acompanhamento?

Quando a IA consegue adaptar exercícios, o objetivo deveria ser apenas acelerar a conclusão de atividades?

Ou criar percursos de aprendizagem mais adequados às necessidades de cada estudante?

Quando sistemas conseguem produzir respostas, deveríamos simplesmente tentar impedir que os estudantes os utilizem?

Ou precisamos redesenhar atividades para que produzir uma resposta deixe de ser suficiente?

Essas perguntas mostram que o verdadeiro desafio não é tecnológico.

É educacional.

A transformação mais importante pode ainda estar por vir

A primeira fase da inteligência artificial no ensino superior está sendo marcada pela experimentação.

Professores testam ferramentas. Estudantes descobrem novas formas de estudar. Instituições desenvolvem políticas. Avaliações começam a mudar.

Mas essa provavelmente é apenas a etapa inicial.

A transformação mais profunda acontecerá quando universidades deixarem de perguntar apenas:

“Como podemos colocar IA dentro do modelo que já temos?”

e começarem a perguntar:

“Como deveríamos organizar a aprendizagem se estudantes e professores passarem a trabalhar permanentemente com sistemas inteligentes?”

Não existe ainda uma resposta definitiva.

Também permanecem questões importantes sobre dependência cognitiva, aprendizagem de longo prazo, privacidade, desigualdade, integridade acadêmica e os limites adequados da assistência oferecida por sistemas inteligentes.

Mas uma distinção já parece essencial.

A inteligência artificial pode ser utilizada para automatizar partes da universidade existente.

Ou pode ser utilizada para ajudar a construir experiências de aprendizagem que antes eram difíceis de oferecer em escala.

A diferença entre esses dois caminhos não será determinada apenas pela capacidade da tecnologia.

Será determinada pelas escolhas educacionais feitas ao redor dela.

A verdadeira transformação da inteligência artificial no ensino superior começa quando a discussão deixa de ser sobre a ferramenta e passa a ser sobre a aprendizagem.

Referências

CAPES — COORDENAÇÃO DE APERFEIÇOAMENTO DE PESSOAL DE NÍVEL SUPERIOR. Edital nº 3/2025 — InovaEDUCAÇÃO. Brasília, DF: CAPES, 2025.

CHEN, Shuzhen; CHEUNG, Alan C. K. Effect of generative artificial intelligence on university students' learning outcomes: a systematic review and meta-analysis. Educational Research Review, 2025. DOI: 10.1016/j.edurev.2025.100737.

MIAO, Fengchun; HOLMES, Wayne. Guidance for generative AI in education and research. Paris: UNESCO, 2023.

MENDIGUTXIA, Ana; PEDRÓ, Francesc. The role of higher education in national artificial intelligence strategies: a comparative policy review. UNESCO IESALC, 2024.