Uma revisão sistemática publicada na ScienceDirect reúne evidências de 42 estudos (2015–2025) para explicar como professores desenvolvem competência em IA ao longo da carreira, destacando que crenças individuais, formatos de formação continuada e fatores culturais e de política pública interagem para acelerar, ou travar, a integração de ferramentas como modelos generativos na prática pedagógica.
O QUE HÁ DE NOVO: O artigo “Developing teacher AI competence: A systematic review of beliefs, professional learning, and cultural factors” propõe uma leitura em três camadas para entender por que a competência docente em IA avança de modo desigual entre redes, países e áreas disciplinares. Seguindo o protocolo PRISMA, os autores filtraram milhares de registros e selecionaram 42 estudos empíricos, publicados em inglês entre 2015 e 2025, com participação de docentes em formação inicial e em exercício, em múltiplas etapas e disciplinas.
COMO FUNCIONA: A revisão combina dois referenciais de competências, um modelo validado empiricamente com seis dimensões (conhecimento de IA, pedagogia, avaliação, ética, educação centrada no humano e engajamento profissional) e uma estrutura orientada por políticas globais, e os cruza com uma teoria sociocultural de aprendizagem em três níveis: micro (crenças e cognições do professor), meso (processos de aprendizagem profissional, colaboração e desenho de formação) e macro (cultura, recursos e políticas). Na prática, os estudos analisados foram codificados em uma matriz 6×3, com dupla codificação e alta concordância (Cohen’s Kappa de 0,85), permitindo identificar padrões de onde e como cada dimensão tende a ser construída.
INSIGHT CENTRAL: A principal contribuição do trabalho é deslocar o debate de “quais competências professores precisam ter” para “como essas competências realmente se formam em ecossistemas reais”. Ao privilegiar crenças docentes, arranjos de formação e condições culturais/políticas como eixos explicativos, a revisão sugere que a competência em IA não é apenas soma de habilidades técnicas: ela depende de confiança calibrada, identidade profissional, apoio institucional e incentivos sistêmicos, variáveis que costumam ficar fora de currículos e treinamentos rápidos.
PRINCIPAIS RESULTADOS: No nível micro, cinco crenças aparecem com recorrência influenciando a competência docente em IA: autoeficácia, confiança na IA, identidade profissional, definição de fronteiras da disciplina e sensação de apoio. A literatura aponta tanto risco de evasão (baixa confiança e ansiedade, por exemplo diante da automação) quanto risco de adesão acrítica (alta autoeficácia sem letramento crítico e pouca atenção a privacidade e ética). A revisão também descreve diferenças: estudos com licenciandos enfatizam mais lacunas de “confiança na IA” (incluindo dependência e pouca consciência de privacidade), enquanto em docentes em exercício os entraves se diversificam e se conectam a pressões do cotidiano escolar e ao julgamento pedagógico construído na prática.
PRINCIPAIS RESULTADOS: No nível meso, quatro formatos de aprendizagem profissional dominam os estudos: cursos e oficinas (o mais frequente), co-design de aulas com pares e especialistas, comunidades de prática e observação/teste de aulas em contexto real. O padrão identificado é que cursos tendem a avançar mais rapidamente em conhecimento básico, parte da pedagogia e aspectos de ética, mas frequentemente não sustentam a passagem para uso consistente em sala de aula, especialmente em avaliação, dimensão que a revisão destaca como crítica e, ao mesmo tempo, subexplorada. A lacuna mais explícita é a ausência de experiências de pesquisa-ação como estratégia de formação, apesar do potencial de apoiar iteração, evidências de aprendizagem dos estudantes e ajuste fino do uso de IA por disciplina.
SIM, MAS…: A síntese também chama atenção para limites e riscos de implementação que emergem do nível macro: condições econômicas e infraestrutura (com destaque para desigualdades urbano–rurais e acesso desigual a ferramentas), culturas orientadas por exames que restringem experimentação pedagógica e relações de poder em formações top-down, nas quais professores ficam como “implementadores” e perdem agência. Outro ponto sensível é a avaliação: a desconfiança em correção automatizada e o medo de desalinhamento com padrões oficiais aparecem como barreiras, o que sugere que políticas e orientações sobre avaliação com IA precisam ser mais claras do que apenas diretrizes genéricas de “uso responsável”.
POR QUE ISSO IMPORTA PARA A EDUCAÇÃO: Para redes e instituições, o estudo reforça que investir apenas em “capacitação técnica” tende a produzir adoção superficial, com ganhos pontuais (por exemplo, planejamento com prompts) e riscos persistentes (plágio, vieses, privacidade e delegação indevida de autoridade avaliativa). Ao mesmo tempo, a revisão oferece um mapa acionável: programas mais efetivos combinam desenvolvimento de crenças e identidade (micro), estruturas colaborativas e práticas (meso) e suporte institucional e políticas coerentes (macro). Isso dialoga diretamente com decisões de desenho de formação continuada, compras de tecnologia, regras de avaliação e estratégias de equidade digital.
O QUE VEM DEPOIS: Ao apontar a escassez de estudos sobre efeitos de longo prazo e a baixa presença de abordagens como pesquisa-ação, os autores indicam um caminho para a próxima etapa de evidência: acompanhar mudanças sustentadas na prática docente, avaliar impactos sobre aprendizagem e examinar como diferentes disciplinas (linguagens, STEM, humanas) precisam de trilhas específicas para integrar IA sem diluir objetivos curriculares. Também permanece em aberto como equilibrar governança e autonomia: políticas podem criar direção e proteção, mas, se excessivamente prescritivas, podem reduzir a experimentação responsável que a própria competência docente exige.
