Um estudo com docentes universitários no Paquistão analisou o que explica a satisfação e a intenção de continuar usando ferramentas de IA generativa no trabalho acadêmico. Os resultados sugerem que facilidade de uso, confiança em privacidade e segurança, apoio institucional e a percepção de ganhos de desempenho pesam mais do que “pressão social”, oferecendo pistas práticas para universidades que buscam adotar GenAI de forma sustentável e responsável.
O QUE HÁ DE NOVO: Pesquisadores investigaram, em uma universidade aberta e de grande escala no Paquistão, quais fatores influenciam a satisfação do corpo docente e a intenção de uso contínuo de IA generativa no ensino superior. A pesquisa coletou 127 respostas completas de docentes que já utilizavam GenAI para fins de ensino (entre uso diário e semanal predominantes) e testou um modelo que combina duas linhas clássicas de estudos de adoção tecnológica, UTAUT e Expectation Confirmation Model, incluindo explicitamente variáveis como ética, privacidade e segurança.
COMO FUNCIONA: O trabalho aplicou um questionário com escala Likert de cinco pontos para medir nove construtos ligados a uso e pós-uso de tecnologia, como expectativa de desempenho, facilidade percebida, condições de suporte, influência social, privacidade e segurança, considerações éticas, confirmação de expectativas, satisfação e intenção de continuidade. A amostra foi selecionada com uma pergunta-filtro para garantir que apenas docentes usuários de GenAI respondessem, e os dados foram analisados com modelagem de equações estruturais por mínimos quadrados parciais (PLS-SEM), técnica comum quando o objetivo é estimar relações entre múltiplas variáveis e entender o poder explicativo do conjunto.
PRINCIPAIS RESULTADOS: A satisfação dos docentes apareceu como um dos motores mais fortes da intenção de continuar usando GenAI (β=0,425), e foi explicada sobretudo pela confirmação das expectativas (β=0,472) e por percepções de privacidade e segurança (β=0,225). A confirmação, por sua vez, foi puxada principalmente pela facilidade de uso (β=0,571) e também por considerações éticas (β=0,198). Para a continuidade, além da satisfação, também pesaram as condições de suporte e infraestrutura (β=0,289) e a expectativa de desempenho (β=0,149). Dois achados chamaram atenção por irem contra suposições comuns: expectativa de desempenho não se traduziu diretamente em satisfação (relação não significativa) e influência social tampouco explicou a intenção de continuidade (relação não significativa). Em termos de poder explicativo, o modelo alcançou R² de 0,47 para satisfação, 0,55 para intenção contínua e 0,50 para confirmação de expectativas.
POR QUE ISSO IMPORTA PARA A EDUCAÇÃO: Para gestores e líderes acadêmicos, o estudo sugere que a continuidade do uso de GenAI não depende apenas de “prometer produtividade”, mas de entregar uma experiência consistente e sustentada por condições concretas: treinamento, suporte, integração a rotinas e sistemas, além de confiança institucional em privacidade e segurança. Isso desloca o foco de estratégias baseadas em “evangelização” ou modismo (influência social) para políticas de implementação: capacitação recorrente, guias de uso, canais de apoio e critérios claros sobre o que pode ou não ser compartilhado em ferramentas externas. Também reforça que ética não é só um debate abstrato: quando transparência, justiça e accountability são percebidas como atendidas, as expectativas se confirmam com mais facilidade, e isso aparece como parte do caminho até a satisfação e, depois, a continuidade.
SIM, MAS…: O desenho do estudo limita generalizações diretas: os dados vêm de uma única instituição (uma universidade aberta, com forte presença de educação a distância) e capturam percepções em um único momento, o que não esclarece como a satisfação e o uso mudam com a maturidade institucional, atualizações de ferramentas ou novas regras acadêmicas. Além disso, a pesquisa mede “intenção de continuar usando” em vez de medir impacto educacional direto (como aprendizagem, qualidade do feedback ou tempo de trabalho docente), e trata GenAI de forma agregada (ChatGPT, Copilot, Gemini e outras), o que pode esconder diferenças importantes entre produtos, políticas de dados e capacidades.
O QUE VEM DEPOIS: As próximas etapas apontadas incluem estudos longitudinais para observar como familiaridade, personalização e contexto institucional reconfiguram o uso ao longo do tempo, além de abordagens mistas (entrevistas e questionários) para capturar fatores que um survey tende a subestimar, como cultura organizacional, práticas de avaliação e tensões com integridade acadêmica. Outro caminho é detalhar “ética” em subcomponentes operacionais, por exemplo, requisitos de transparência, mitigação de vieses e governança de dados, e comparar resultados entre países e tipos de instituição, para entender como infraestrutura, regulação e desigualdades digitais moldam a adoção sustentável de GenAI no ensino superior.
