Uma revisão sistemática de 71 estudos (2020–2024) propõe um arcabouço de governança para “IA agentiva” na educação, conectando o aumento da autonomia dos sistemas a riscos crescentes de desalinhamento de valores, difusão de responsabilidade e agravamento de desigualdades. Ao articular um gradiente de autonomia e um modelo de avaliação de equidade digital, o trabalho oferece um roteiro para instituições e formuladores de políticas avaliarem, antes da adoção, quando e como automatizar decisões pedagógicas e administrativas.
O QUE HÁ DE NOVO: O estudo reúne e organiza evidências de 71 pesquisas revisadas por pares sobre IA aplicada à educação, usando uma combinação de codificação temática e síntese do tipo SWOT para mapear benefícios, fragilidades e condições externas (regulação, mercado e desigualdade). A principal novidade é tratar a passagem de ferramentas “responsivas” para sistemas capazes de agir e tomar decisões, os chamados agentes, como um problema de governança proporcional ao nível de autonomia delegado dentro de escolas, redes e universidades.
COMO FUNCIONA: A revisão segue o protocolo PRISMA e seleciona estudos empíricos em educação básica e superior, com buscas em bases como Scopus, Web of Science, JSTOR, IEEE Xplore e ERIC. Os achados foram sintetizados em três camadas: (1) temas recorrentes sobre impactos e usos; (2) estruturação estratégica por forças, fraquezas, oportunidades e ameaças; e (3) uma abstração de governança que posiciona aplicações educacionais em um “gradiente de autonomia”, que vai de automação assistiva (apoio a tarefas) até otimização sistêmica (motores analíticos que influenciam prioridades institucionais).
Para conectar autonomia a justiça educacional, o trabalho usa um modelo de equidade digital (DEEF) com três dimensões, infraestrutura (condições materiais e técnicas), pedagogia (design instrucional e avaliação) e epistemologia (reconhecimento de diferentes repertórios e saberes), e adiciona uma “camada de alinhamento”. Essa camada propõe avaliar se objetivos e métricas dos sistemas (por exemplo, engajamento, retenção, desempenho) são compatíveis com valores educacionais plurais, com critérios como beneficência, não maleficência, autonomia/contestabilidade, justiça e explicabilidade.
POR QUE ISSO IMPORTA PARA A EDUCAÇÃO: A síntese sugere que, quanto mais uma tecnologia deixa de ser apenas suporte e passa a classificar estudantes, recomendar intervenções, sequenciar conteúdos ou otimizar indicadores institucionais, mais ela assume um papel de “autoridade pedagógica automatizada”. Isso muda o tipo de controle necessário: não basta discutir acesso a dispositivos ou treinamento; torna-se essencial discutir quem define objetivos, quais dados sustentam as decisões, como contestar recomendações e como auditar efeitos sobre trajetórias estudantis.
O artigo também desloca o debate de responsabilidade: em ecossistemas com agentes, a atribuição de culpa ou dever deixa de ser linear e se espalha por fornecedores, desenvolvedores, gestores, docentes, formuladores de política e curadores de dados. Na prática, isso afeta desde correção automatizada e sistemas de recomendação até analytics institucionais usados para monitorar evasão, desempenho e eficiência, cenários em que decisões podem ganhar escala sem transparência equivalente, especialmente quando plataformas concentram poder e padronizam fluxos de conhecimento.
INSIGHT CENTRAL: A contribuição conceitual é afirmar que equidade não é um “módulo” separado da governança de IA: ela medeia o próprio alinhamento. Mesmo em instituições com boa infraestrutura, métricas estreitas (como maximizar engajamento) podem produzir injustiças distributivas e epistemológicas se ignorarem contexto, diversidade cultural e efeitos de classificação. Assim, o trabalho propõe um princípio de “governança proporcional”: mecanismos de supervisão precisam crescer na mesma medida em que cresce a autonomia delegada ao sistema.
SIM, MAS…: O estudo reconhece limitações típicas de revisões: recorte temporal (2020–2024), dependência de literatura publicada e ausência de dados proprietários de plataformas, o que dificulta observar comportamentos dinâmicos de agentes ao longo do tempo. Além disso, a abordagem ajuda a diagnosticar padrões e riscos, mas não substitui avaliações locais de impacto, especialmente em redes com assimetrias de conectividade, capacidade técnica e formação docente.
O QUE VEM DEPOIS: A agenda proposta aponta para pesquisas longitudinais que acompanhem a “mudança de comportamento” de sistemas ao longo do tempo, estudos sobre modelos de responsabilidade e responsabilidade civil em ecossistemas distribuídos e investigações sobre como representar valores plurais em agentes educacionais usados globalmente. Para gestores, o recado é que a adoção de IA mais autônoma deve vir acompanhada de protocolos de calibração de autonomia, diagnósticos de equidade e auditorias de alinhamento, não como etapa posterior, mas como condição de desenho e compra de tecnologia.
