RESUMO: Três anos após a popularização do ChatGPT, a pesquisa sobre inteligência artificial generativa (IA generativa) no ensino superior avançou de reações iniciais para políticas, estruturas de avaliação e estudos empíricos. O crescimento acelerado, porém, traz um alerta: investigações pequenas que repetem perguntas e métodos, especialmente sobre aceitação da tecnologia, podem estar próximas de gerar retornos limitados. A proposta é tratar a saturação como uma questão contextual, debatida por pesquisadores, periódicos e instituições, e não como uma regra fixa para barrar temas.

O QUE HÁ DE NOVO: Uma revisão da agenda de pesquisa lançada no início de 2023 conclui que houve progresso nos cinco eixos então definidos para a IA generativa na educação terciária: compreensão da tecnologia, integridade acadêmica, redesenho das avaliações, ensino e aprendizagem com IA e ética. O diagnóstico se apoia também no fluxo de artigos submetidos a um periódico da área: os envios passaram de 874 em 2024 para 1.296 em 2025, alta de 48%; 43% deles tratavam de IA. Para 2026, a projeção supera 1.700 submissões, e metade das 513 recebidas até o momento está ligada ao tema.

COMO FUNCIONA: O texto não apresenta um experimento com estudantes, mas examina a evolução de uma agenda de pesquisa e os padrões de publicação do campo. A agenda organiza as investigações em torno de como docentes e alunos entendem a IA, de que modo avaliações podem continuar a demonstrar aprendizagem, como redesenhar tarefas para incorporar uso responsável da tecnologia, quais aplicações apoiam práticas pedagógicas e quais danos éticos, sociais e ambientais precisam ser considerados. Políticas institucionais e colaborações setoriais são apontadas como parte da resposta prática, ao lado de estudos sobre usos concretos em sala de aula.

PRINCIPAIS RESULTADOS: A análise identifica uma ampliação da base empírica, com novas agendas especializadas para avaliação após a IA generativa e para ferramentas específicas, como sistemas de síntese de conteúdo. Ao mesmo tempo, observa que muitas pesquisas em microcontextos chegam a conclusões semelhantes. Entre os casos sob maior escrutínio estão questionários de pequena escala baseados em modelos tradicionais de aceitação de tecnologia, aplicados a percepções de estudantes sobre chatbots e uso de IA em tarefas avaliativas. Isso não invalida esses estudos, especialmente quando investigam públicos ou cenários singulares, mas reduz sua contribuição quando apenas reconfirmam achados já conhecidos.

POR QUE ISSO IMPORTA PARA A EDUCAÇÃO: Para universidades, a discussão muda o foco de “usar ou não usar” IA para a qualidade da evidência que sustenta decisões curriculares e avaliativas. Na sala de aula, pesquisas mais úteis podem ajudar a distinguir atividades em que a IA amplia feedback, planejamento e desenvolvimento de competências daquelas em que ela obscurece a autoria ou fragiliza a comprovação de aprendizagem. Para docentes e gestores, o alerta é que políticas de integridade e redesenho de avaliações precisam ser informadas por resultados que considerem disciplina, finalidade da tarefa, perfil dos estudantes e condições de acesso, em vez de depender apenas de pesquisas de opinião generalizadoras.

LIMITAÇÕES E PRÓXIMOS PASSOS: Não há um critério universal para declarar saturado um tópico: uma pergunta já amplamente estudada pode continuar relevante em outro país, área profissional, grupo estudantil ou modelo de implementação. Estudos de larga escala e com maior capacidade de comparação demandam tempo, coordenação e análise complexa, enquanto pressões por publicação favorecem respostas rápidas e locais. Por isso, a conclusão não é que a pesquisa em IA generativa tenha chegado ao fim, mas que editores, pesquisadores e financiadores devem avaliar com mais rigor qual lacuna cada novo estudo preenche e quais evidências ainda faltam para orientar a educação superior em transformação.

Fonte: Are we there yet? Identifyingsaturation points in generative AI research