A disseminação da inteligência artificial generativa desafia avaliações tradicionais em cursos superiores de tecnologias da informação e comunicação (TIC), onde código, algoritmos e projetos podem ser produzidos rapidamente por ferramentas automatizadas. Uma análise de documentos acadêmicos e institucionais propõe que a resposta não seja apenas vigiar ou proibir o uso da IA, mas reorganizar desde valores e regras institucionais até currículo, competências e instrumentos de avaliação para preservar a validade da aprendizagem e preparar profissionais para o uso responsável da tecnologia.
O QUE HÁ DE NOVO: A pesquisa examinou 80 documentos públicos em inglês, publicados entre 2023 e 2025, sobre reforma de avaliações com inteligência artificial generativa no ensino superior, com foco em qualificações de TIC na Austrália dos níveis 7 a 9 do Australian Qualifications Framework. Da síntese de artigos, políticas universitárias, guias práticos e documentos conceituais surgiram sete temas e 70 subtemas, que deram origem a dois modelos: o GENESIS, voltado à transformação institucional, e a Matriz de Design de Avaliação (ADM, na sigla em inglês), destinada ao planejamento de tarefas.
COMO FUNCIONA: O GENESIS organiza a mudança em cinco pilares. Os quatro primeiros seguem uma sequência: valores e disposições compartilhados; governança, incluindo integridade, equidade, privacidade e gestão de riscos; infraestrutura de apoio, com formação docente, acesso a ferramentas e comunicação clara; e currículo integrado à IA. O quinto pilar reúne o desenho focalizado das avaliações. Nele, a ADM conecta três dimensões que devem ser verificadas em conjunto: a competência que se pretende formar, a estratégia avaliativa capaz de observá-la e o método que coleta evidências dessa aprendizagem.
Na prática, o modelo desloca a atenção do produto final para os rastros do trabalho. Para avaliar, por exemplo, colaboração e resolução de conflitos em gestão de projetos de tecnologia, a proposta é combinar uma atividade em etapas com documentação do processo: papéis acordados pela equipe, registros de decisões, conflitos e encaminhamentos, atas e reflexões individuais. A lógica é que a evidência acumulada permita julgar tanto a contribuição do estudante quanto sua capacidade de justificar escolhas, inclusive quando utiliza IA.
PRINCIPAIS RESULTADOS: A análise indica que avaliações de TIC precisam proteger conhecimentos fundamentais em momentos supervisionados, mas não recomenda tornar todas as tarefas imunes à IA. Em vez disso, sugere pontos críticos de verificação ao longo do curso, como demonstrações, projetos de conclusão ou unidades técnicas essenciais, e maior uso de tarefas em etapas, feedback contínuo, contextos autênticos e problemas que exijam análise, julgamento e criação. Entre os métodos identificados estão depuração e rastreamento de código, laboratórios, desafios no estilo hackathon, portfólios, apresentações com perguntas, projetos baseados em problemas reais e relatórios desenvolvidos por proposta, rascunho, revisão e versão final.
POR QUE ISSO IMPORTA PARA A EDUCAÇÃO: Para docentes, a proposta reconhece que a IA pode ampliar tutoria e feedback formativo, sobretudo em atividades de baixo impacto na nota, enquanto reserva interações humanas e situações controladas para verificar domínio conceitual. Para gestores, ela desloca a discussão de regras isoladas por disciplina para uma arquitetura de curso e de instituição: é necessário alinhar resultados de aprendizagem, volume de avaliações, acesso às ferramentas e capacitação da equipe. A mudança também redefine o objetivo formativo: além de programação e conhecimento técnico, estudantes precisam demonstrar letramento em IA generativa, elaboração de comandos, pensamento crítico, comunicação, ética, autorregulação e capacidade de checar erros e vieses nas respostas dos sistemas.
LIMITES E PRÓXIMOS PASSOS: Os modelos são conceituais e foram derivados de fontes públicas, predominantemente em inglês, consultadas em um período curto. Por isso, políticas divulgadas oficialmente podem não retratar as práticas internas, e a seleção de competências, estratégias e métodos pode deixar de fora experiências não documentadas. A pesquisa não testou o GENESIS nem a ADM com turmas; sua efetividade para aprendizagem, integridade, carga de trabalho e equidade ainda depende de pilotos, escuta de professores e estudantes e validação longitudinal em diferentes instituições e áreas. O principal desafio será converter o framework em mudanças viáveis, com recursos, desenvolvimento profissional e salvaguardas de dados suficientes para que a IA não amplie desigualdades nem reduza a avaliação a mecanismos de controle.
