Um artigo publicado em 2025 na revista Education in the Knowledge Society propõe um caminho “pragmático e proporcional” para integrar IA generativa no ensino superior por meio de três cenários de uso, graduados por autonomia, agência humana e risco. A ideia é transformar princípios amplos, transparência, verificação, equidade e supervisão humana, em decisões docentes rastreáveis ao longo do ciclo de ensino, com rubricas e checklists que ajudem universidades a usar a tecnologia como apoio pedagógico sem abrir mão de rigor e integridade.
O QUE HÁ DE NOVO: Em vez de tratar o uso de IA generativa na universidade como um dilema entre proibir ou liberar, o texto organiza a adoção em três cenários: “apoio responsável” (baixo risco), “colaboração guiada” (risco moderado) e “cocriação com declaração reforçada” (alto impacto e maior exigência de evidências). O artigo ancora essa gradação em referências regulatórias e de governança que ganharam tração recente, como a orientação da UNESCO para IA generativa em educação e pesquisa e o AI Act da União Europeia, além de frameworks setoriais como o SAFE (Safety, Accountability, Fairness, Efficacy) e o Safe AI in Education Manifesto.
COMO FUNCIONA: O mecanismo central é tratar a IA como suplemento ao julgamento acadêmico, e não como substituta, exigindo transparência e verificabilidade em cada nível de risco. No primeiro cenário, a IA entra como assistência instrumental (por exemplo, rascunhos, reexplicações, estruturação de materiais), com salvaguardas “leves”: declaração de uso, marcação de conteúdo sintético e checagem de fatos e referências. No segundo, a ferramenta passa a fazer parte de atividades com estudantes, mas com iteração rastreável (registro de prompts, versões e decisões de edição), pós-edição humana substancial e evidências de verificação. No terceiro, voltado a produtos com maior repercussão acadêmica ou pública (como entregas em repositórios, projetos abertos ou resultados que circulam além da sala), as exigências se aproximam de controles “de alto impacto”: trilha completa de auditoria, verificação formal de fontes, revisão humana (e, quando aplicável, por pares), checagens de viés e de desempenho linguístico, além de declarações reforçadas sobre o papel da IA no resultado final.
INSIGHT CENTRAL: A principal contribuição é deslocar o debate do “quanto IA é permitido” para “que evidências e salvaguardas são proporcionais ao risco educacional daquela tarefa”. Isso aparece tanto na recusa de tratar detectores como solução principal para integridade acadêmica, o artigo enfatiza que a estratégia mais robusta é desenhar avaliações que comprovem agência e autoria (por exemplo, defesas orais, histórico de versões, justificativas de escolhas), quanto na proposta de padronizar a verificação e a rastreabilidade como rotina, e não como exceção.
COMO ISSO VIRA ROTINA (instrumentos): Para facilitar adoção e tornar a avaliação consistente entre disciplinas, o artigo propõe dois instrumentos. O primeiro é uma rubrica transversal, com cinco dimensões pontuadas (veracidade e atualidade; rastreabilidade por declaração e registros; correção de alucinações/erros; equidade e inclusão, incluindo idioma; e qualidade da interação, combinando prompt e pós-edição). O segundo são checklists por tipo de tarefa (resumo de artigo, redação argumentativa, problema quantitativo/análise de dados, código/engenharia e materiais visuais), com exigências práticas como conferir números no PDF original, substituir citações fabricadas por referências reais, rodar testes em código e registrar “prompt → saída → correções → fontes”.
POR QUE ISSO IMPORTA PARA A EDUCAÇÃO: Para a sala de aula, a proposta ajuda a transformar a IA generativa em ferramenta de aprendizagem baseada em processo: não apenas entregar um texto melhor, mas evidenciar revisão, checagem e raciocínio, competências alinhadas a pensamento crítico e letramento em IA. Para o trabalho docente, a graduação por cenários oferece um mapa para decidir quando a IA pode acelerar tarefas (como preparação de materiais) e quando o uso exige controles mais robustos (especialmente em avaliação), reduzindo improviso e disputas caso a caso. Já para a gestão universitária, a lógica de proporcionalidade cria uma ponte entre políticas institucionais, compras/implantação de ferramentas e práticas em curso, com uma linguagem comum de risco, documentação e supervisão.
SIM, MAS…: O modelo também explicita que a adoção responsável tem custo operacional: checagem externa de fatos e referências, registro de versões, formação docente e mecanismos de auditoria demandam tempo e coordenação. Além disso, persistem riscos estruturais destacados no texto, como alucinações (incluindo bibliografias inventadas), viés e desigualdade linguística (modelos treinados majoritariamente em inglês tendem a performar pior em outros idiomas), “terceirização” de esforço cognitivo por estudantes (com potencial redução de engajamento crítico) e exposição de dados se informações sensíveis forem inseridas em serviços externos. A proposta não elimina esses problemas; ela os torna gerenciáveis ao obrigar evidência, transparência e supervisão proporcionais ao impacto.
CONTEXTO E BASTIDORES: O artigo se apoia na leitura de que, ao se aproximar o terceiro aniversário do lançamento público do ChatGPT, o uso de IA generativa deixou de ser exceção e passou a integrar rotinas acadêmicas, enquanto o ambiente regulatório ficou mais definido. Nesse cenário, as instituições tendem a migrar de respostas reativas (pânico, permissividade ou proibição ampla) para uma governança pedagógica: regras claras, alinhamento entre políticas e desenho instrucional, desenvolvimento de capacidades e instrumentos de avaliação que priorizem autoria e rastreabilidade.
O QUE VEM DEPOIS: A implicação prática é que universidades podem usar os três cenários como linguagem padrão para orientar planos de ensino, desenho de avaliação e formação docente, definindo um “mínimo de transparência” para todos os usos e reforçando controles quando a IA toca decisões sensíveis, dados pessoais ou produtos de alta circulação. O próximo passo, sugerido pelo próprio desenho do texto, é testar essas rubricas e checklists em diferentes áreas e níveis de maturidade institucional, verificando se a padronização reduz conflitos, melhora a qualidade das entregas e sustenta equidade, especialmente em contextos multilíngues e com desigualdade de acesso a infraestrutura e suporte.
Fonte: Three scenarios for ai in education: from responsible assistance to co-creation
