Um estudo com duas disciplinas de graduação em economia e negócios no Reino Unido comparou três fases, antes da popularização da IA generativa, uso livre de ferramentas como ChatGPT e uma etapa com orientação pedagógica, e concluiu que o ganho acadêmico não vem do acesso à tecnologia em si, mas do desenho instrucional que induz mais engajamento e estudo independente. Sem mediação docente, o uso de IA não melhorou o desempenho de forma consistente e, em alguns casos, esteve associado a piora em avaliações somativas de resolução de problemas; com intervenção estruturada, os indicadores de engajamento e as notas subiram, além de relatos de avanço em pensamento crítico, comunicação e capacidade de resolver problemas.
O QUE HÁ DE NOVO: A pesquisa analisou, ao longo de três anos letivos (2022/23, 2023/24 e 2024/25), o impacto do uso de ferramentas de IA no engajamento e no desempenho em dois módulos de graduação de uma universidade do Reino Unido: Competition and Market Regulation (BU31010) e Big Data Analytics for Business Transformation (BU32006). A comparação entre um “período pré-IA”, um “período de IA” marcado por uso não orientado e um “período de intervenção” com uso guiado traz evidência empírica rara em educação superior: a simples disponibilidade de IA generativa não garantiu melhores resultados, enquanto a adoção com orientação pedagógica se associou a melhora mais clara em engajamento e desempenho.
COMO FUNCIONA: O estudo usou um desenho de métodos mistos: dados quantitativos de plataformas institucionais e um questionário anônimo aplicado ao fim do período de intervenção (2024/25). Os indicadores de engajamento foram medidos principalmente por horas de estudo independente registradas em analytics do ambiente virtual de aprendizagem, enquanto presença/assiduidade veio de um aplicativo de monitoramento de frequência e as notas finais de sistemas acadêmicos. Para estimar o papel do engajamento, a análise empregou uma mediação em dois estágios: primeiro, testou se a intervenção estruturada aumentava engajamento (e se engajamento predizia a probabilidade de estar no período de intervenção); depois, decompôs efeitos diretos do “uso não orientado” sobre desempenho e efeitos indiretos do “uso estruturado” via engajamento, controlando por presença, com modelos OLS e estimação robusta para lidar com outliers e heterocedasticidade.
PRINCIPAIS RESULTADOS: No módulo BU31010, o “período de IA” sem orientação apareceu associado a queda no desempenho geral (coeficientes próximos de −3,8 nas estimações OLS e robusta, com significância estatística), e houve piora relevante em desempenho de prova final ligada a resolução de problemas (efeitos negativos em torno de −8). Já o engajamento, tratado como canal de impacto da intervenção estruturada, teve efeito positivo grande no desempenho geral (efeitos na ordem de 8 a 9,5) e ainda mais forte na prova final (cerca de 14 a 15), sugerindo que a combinação “IA + tarefas guiadas” pode fortalecer práticas de estudo que se traduzem em melhor desempenho em avaliações exigentes. No BU32006, os efeitos do uso não orientado foram mais instáveis (pequenos, por vezes positivos em um estimador e não significativos em outro), enquanto o engajamento manteve associação positiva e consistente com desempenho geral, pensamento crítico e comunicação.
POR QUE ISSO IMPORTA PARA A EDUCAÇÃO: Para a sala de aula universitária, o recado central é que a IA generativa tende a funcionar melhor como ferramenta de apoio ao esforço cognitivo, e não como atalho, quando a docência cria “trilhos” claros: atividades com propósito, checagem de raciocínio, momentos de reflexão e critérios explícitos de uso responsável. O estudo sugere que o ganho aparece, em grande parte, porque a intervenção estruturada aumenta o engajamento mensurável (horas de estudo independente), que por sua vez melhora resultados em componentes como provas e trabalhos, especialmente em competências de ordem superior (raciocínio analítico e resolução de problemas). Para gestores e formuladores de política institucional, o achado desloca o foco de “liberar ferramentas” para “projetar integração”: formação docente, orientações sobre integridade acadêmica, desenho de avaliações e uso de learning analytics para monitorar padrões de estudo passam a ser parte do pacote de implementação.
SIM, MAS…: A evidência vem de apenas uma universidade e duas disciplinas, com amostra pequena em um dos módulos (31 observações no BU31010) e com engajamento operacionalizado sobretudo por horas no VLE, um proxy que não captura toda a complexidade do envolvimento do estudante (participação em aula, colaboração, qualidade do estudo, uso real de prompts e validação de respostas da IA). Além disso, o “período de IA” é definido por uso não orientado em um contexto de rápida mudança de comportamento estudantil e de práticas avaliativas, o que torna difícil atribuir causalidade plena a um único fator. Ainda assim, a consistência dos resultados com estimação robusta e a convergência com percepções coletadas no survey reforçam a hipótese de que a mediação pedagógica é determinante para transformar IA em aprendizagem, e não apenas em produção de respostas.
O QUE VEM DEPOIS: O trabalho aponta caminhos práticos e de pesquisa: replicar o desenho em mais cursos, instituições e áreas (incluindo humanidades e STEM), acompanhar efeitos de longo prazo para além de um ano letivo e enriquecer a medida de engajamento com sinais mais diretos de processos de aprendizagem, como dados de interação com IA (histórico de prompts, tipos de tarefa, revisões feitas pelo estudante) e indicadores de participação e autorregulação. Para universidades que já convivem com o uso difuso de IA, a agenda imediata tende a ser menos sobre proibir ou liberar e mais sobre desenhar intervenções que preservem integridade, reduzam dependência e aumentem a profundidade do trabalho intelectual em avaliações e atividades do cotidiano.
