Uma revisão de escopo mapeou a literatura internacional recente sobre inteligência artificial aplicada ao desenvolvimento e à eficácia de materiais instrucionais, identificando forte predominância de ferramentas generativas, especialmente modelos de linguagem, e um foco recorrente em personalização de recursos para estudantes, com menos evidências sobre implementação sistêmica em redes e instituições. Ao analisar 28 estudos, o trabalho sintetiza tipos de materiais produzidos, métodos de pesquisa e implicações educacionais, ao mesmo tempo em que aponta lacunas conceituais e de evidência que afetam decisões de adoção em escolas e universidades.
O QUE HÁ DE NOVO: O estudo organizou um panorama recente das evidências sobre como a IA tem sido usada para criar, adaptar ou avaliar materiais didáticos em contextos educacionais formais. A revisão localizou 162 registros em duas bases (Scopus e Dimensions) e, após triagens por título, resumo e leitura integral, selecionou 28 trabalhos para análise. Os estudos vieram de 18 países, com maior recorrência de Indonésia, China, Rússia e Vietnã, e foram majoritariamente publicados em inglês (22 de 28), indicando concentração do debate em circuitos acadêmicos internacionais e possível sub-representação de experiências locais em outros idiomas.
COMO FUNCIONA: A pesquisa seguiu o formato de revisão de escopo, usando o protocolo PRISMA-ScR e diretrizes do Joanna Briggs Institute para estruturar etapas como pergunta de pesquisa, estratégia de busca, critérios de inclusão/exclusão e consolidação dos dados. A string de busca combinou termos sobre “materiais instrucionais” e “inteligência artificial” em contexto educacional, e a seleção priorizou artigos que relacionassem IA ao desenvolvimento ou à eficácia de materiais com participação de professores, estudantes ou desenvolvedores. Após a seleção, os estudos foram categorizados por país, idioma, área do conhecimento, ferramentas de IA utilizadas, tipos de materiais gerados e pela lógica de objetivos (personalização/otimização/adaptação; implementação sistêmica; impacto na aprendizagem) e implicações educacionais (aprendizagem/engajamento; apoio ao educador; desafios de implementação), além de serem classificados por abordagem metodológica (qualitativa, quantitativa e mista).
PRINCIPAIS RESULTADOS: Entre as ferramentas citadas, o ChatGPT foi a mais recorrente (mencionada 11 vezes), seguido por Gemini e Copilot (3 cada), além de Bard e Claude (2 cada), com um ecossistema disperso de alternativas citadas pontualmente, incluindo ferramentas de geração de imagens, síntese de voz, leitura de PDFs e checagem/detecção de escrita por IA. Em termos de materiais, a revisão encontrou uma tipologia ampla: planos de aula, textos de leitura e interpretação, exercícios (inclusive lacunas), questões discursivas e objetivas, resumos, rubricas de avaliação, cursos em Moodle, e-books e recursos multimodais como voz e imagens geradas por IA. No recorte metodológico, prevaleceram estudos em Humanidades (21) e abordagens qualitativas (13), com 9 quantitativos e 6 mistos, sugerindo um campo ainda mais descritivo e exploratório do que consolidado por evidências comparativas em larga escala.
POR QUE ISSO IMPORTA PARA A EDUCAÇÃO: Para a sala de aula, o mapeamento indica que a aposta dominante da literatura está na personalização de materiais, ajustando linguagem, exemplos, exercícios e sequências didáticas, o que pode aumentar engajamento e adequação a diferentes perfis de aprendizagem, inclusive em contextos socioculturais diversos. Para o trabalho docente, a promessa mais frequente é a otimização do tempo de planejamento e produção de recursos, com potencial de reduzir tarefas repetitivas e liberar espaço para acompanhamento pedagógico; ao mesmo tempo, o estudo sugere que a habilidade de desenhar atividades personalizadas não foi historicamente universalizada na formação de professores, o que pode ampliar a distância entre quem tem letramento digital para “orquestrar” a IA e quem tende a consumi-la de modo mais passivo. No plano sistêmico, a evidência reunida aponta baixa presença de pesquisas sobre implementação institucionalizada (em rede, políticas ou múltiplas etapas do processo pedagógico), o que limita a capacidade de gestores avaliarem custo, governança de dados, sustentabilidade e impactos organizacionais.
SIM, MAS…: A revisão destaca que parte relevante dos trabalhos enfatiza benefícios individuais e resultados positivos, enquanto desafios e limitações aparecem com menos visibilidade, especialmente nos estudos quantitativos, que não foram classificados na categoria de “desafios e limitações para a implementação”. Isso é sensível para decisões de adoção: sem documentação consistente de riscos (como dependência tecnológica, necessidade de infraestrutura, impactos na autonomia docente e cuidados com privacidade), cresce a chance de implantação baseada em expectativas, não em evidência operacional. O próprio estudo também reconhece limitações do mapeamento: o recorte em apenas duas bases pode ter deixado de fora publicações relevantes, e a string de busca influencia diretamente quais trabalhos entram no corpus.
CONTEXTO E BASTIDORES: Um achado transversal é a falta de padronização terminológica: os estudos alternam “material instrucional”, “material de ensino”, “material de aprendizagem” e “recurso educacional”, muitas vezes sem definir o conceito adotado. Essa inconsistência não é apenas acadêmica: ela dificulta comparar resultados, estabelecer critérios de qualidade e desenhar políticas de compra, produção e avaliação de materiais com apoio de IA. Somado a isso, a predominância de modelos de linguagem e ferramentas de uso geral sugere que o campo está se apoiando mais em plataformas amplas e acessíveis do que em soluções educacionais altamente especializadas, o que amplia capilaridade, mas também pode aumentar variabilidade de qualidade e necessidade de orientação pedagógica.
O QUE VEM DEPOIS: O estudo sugere que as próximas pesquisas avancem em duas frentes: consolidar conceitualmente o que se entende por “material didático” e correlatos, criando um vocabulário comum que sustente comparações e avaliações; e testar a eficácia de materiais gerados com IA em diferentes áreas do conhecimento, para identificar onde há maior ganho pedagógico e quais adaptações são necessárias. Para redes e instituições, a lacuna sobre implementação sistêmica indica a necessidade de estudos que observem efeitos de médio prazo em contextos reais, incluindo formação docente, modelos de governança e critérios de qualidade, antes de escalar iniciativas que dependem fortemente de tecnologia e de capacidades internas de uso crítico.
