Uma revisão de 83 estudos sobre inteligência artificial no ensino superior sugere que os grandes modelos de linguagem podem ampliar autonomia, interação e personalização da aprendizagem. Mas também deixam uma pergunta desconfortável: se uma máquina consegue produzir a resposta, o que exatamente a universidade deveria ensinar?
Durante muito tempo, aprender significou também conseguir chegar à informação.
Era preciso procurar o livro. Encontrar o artigo. Consultar o professor. Organizar as referências. Escrever. Revisar. Recomeçar.
Então surgiu uma interface em que alguém pode digitar uma pergunta e, segundos depois, receber uma explicação, um resumo, um plano de estudos, uma crítica ao próprio argumento ou até um ensaio completo.
A primeira reação de parte do sistema educacional foi previsível: como impedir que os estudantes usem isso?
Talvez essa nunca tenha sido a pergunta mais importante.
Porque, quando uma tecnologia passa a produzir respostas com enorme facilidade, o problema deixa de ser apenas proteger a resposta. Passa a ser decidir o que queremos que aconteça na mente do estudante antes de ela aparecer.
Uma revisão tentou entender o que já estava acontecendo
Em 2024, pesquisadores do Tecnológico de Monterrey e da Universidad César Vallejo publicaram na Frontiers in Education uma revisão sistemática sobre grandes modelos de linguagem — os chamados LLMs — no ensino superior.
A busca foi realizada nas bases Scopus e Web of Science e cobriu publicações entre 2018 e 2023.
Dos 841 registros inicialmente identificados, 83 foram incluídos na análise final.
Há um detalhe revelador: 81 desses 83 trabalhos eram de 2023. Em outras palavras, praticamente toda aquela literatura surgiu em uma explosão de apenas um ano.
Isso é importante por duas razões. A primeira é óbvia: universidades, professores e estudantes começaram a tentar compreender uma tecnologia que já estava sendo utilizada enquanto a ciência ainda tentava descrevê-la. A segunda é ainda mais importante: qualquer conclusão precisa ser lida como uma fotografia de um campo em movimento, não como uma sentença definitiva sobre o futuro da educação.
Os próprios autores reconhecem isso. A inteligência artificial generativa evolui rápido o suficiente para tornar parte das conclusões tecnológicas envelhecida em pouco tempo. Mas algumas perguntas levantadas pela revisão envelhecem muito mais devagar.
O que acontece quando a resposta deixa de ser escassa?
Grande parte da educação formal foi construída em um mundo no qual conhecimento, explicação especializada e produção textual eram relativamente caros. O professor possuía conhecimento que o estudante ainda não possuía. O livro continha a informação. A prova verificava se o aluno conseguia reproduzi-la, aplicá-la ou organizá-la. A redação mostrava que ele conseguia construir um texto.
Agora imagine uma máquina capaz de explicar um conceito de cinco maneiras diferentes; traduzir um texto instantaneamente; gerar exercícios; simular perguntas de uma prova; corrigir uma redação; propor contra-argumentos; adaptar a explicação ao nível de conhecimento do estudante; e conversar indefinidamente sem demonstrar impaciência.
Isso não torna o professor desnecessário. Mas pode tornar insuficiente a ideia do professor como simples transmissor de conteúdo.
Os autores identificaram na literatura temas ligados a modelos de aprendizagem mais autônomos, interativos e colaborativos. Nas categorias usadas pela revisão, aprendizagem colaborativa apareceu em 19%, aprendizagem autônoma em 18% e aprendizagem interativa em 15% das codificações relacionadas aos princípios pedagógicos analisados.
Esses números não significam que a IA tornou estudantes “19% mais colaborativos” ou “18% mais autônomos”. São frequências de temas identificados pelos pesquisadores na literatura analisada — não tamanhos de efeito, nem percentuais de melhora individual.
Mas revelam algo sobre a direção da discussão: a IA começa a ser estudada não apenas como ferramenta que fornece respostas, mas como parte de um ambiente no qual o estudante pode aprender de maneira diferente.
O melhor uso da IA talvez não seja responder
Considere duas situações.
Na primeira, um estudante pergunta: “Escreva um trabalho sobre insuficiência cardíaca.” Recebe o texto. Entrega.
Na segunda: “Esta é minha explicação para o mecanismo da insuficiência cardíaca com fração de ejeção preservada. Faça três objeções ao meu raciocínio. Depois identifique quais conceitos eu precisaria revisar para respondê-las, mas não me dê a resposta.”
A tecnologia utilizada é a mesma. A atividade cognitiva não é.
Essa distinção deveria ocupar o centro da discussão educacional sobre inteligência artificial. Porque utilizar IA não é uma categoria pedagógica. A maneira como utilizamos IA é.
Uma ferramenta capaz de substituir pensamento também pode ser configurada para provocá-lo. Pode fornecer a resposta — ou questioná-la. Pode terminar uma redação — ou apontar onde o argumento está fraco. Pode eliminar uma dificuldade — ou construir uma dificuldade exatamente no nível necessário para que alguém aprenda.
A universidade talvez precise avaliar menos o produto — e mais o processo
Se uma avaliação acadêmica pode ser concluída integralmente por uma inteligência artificial sem que isso seja perceptível, talvez tenhamos duas possibilidades. Uma é tentar construir sistemas cada vez mais sofisticados para identificar a IA. A outra é perguntar se estamos avaliando a coisa certa.
Uma redação entregue ao final de uma disciplina mostra um produto, mas não necessariamente revela como ele foi produzido.
Quem formulou a hipótese? Quem escolheu as evidências? Quem identificou a contradição? Quem percebeu que uma referência não sustentava a afirmação? Quem mudou de opinião após encontrar uma evidência melhor? Quem decidiu que não havia informação suficiente para concluir?
Esses são processos intelectuais. E talvez precisemos aprender a avaliá-los melhor.
Em um mundo no qual a produção textual se torna extraordinariamente barata, a rastreabilidade do raciocínio pode se tornar mais valiosa do que a simples existência do texto.
Isso não significa que a IA esteja automaticamente melhorando a educação
A revisão encontrou percepção predominantemente positiva sobre algumas aplicações dos LLMs, incluindo eficiência e efetividade da aprendizagem, aprendizagem autônoma, personalização e feedback automatizado preliminar. Mas há uma diferença fundamental entre identificar potencial pedagógico e demonstrar benefício educacional duradouro.
Uma parte considerável da literatura analisada ainda era conceitual, descritiva ou baseada em revisões. Dos 83 documentos, 46 não apresentavam tamanho de amostra, em grande parte porque não eram estudos empíricos com participantes.
Isso importa. O entusiasmo tecnológico costuma correr mais rápido que a evidência.
É perfeitamente plausível que uma IA ajude um estudante a compreender um conceito. Também é plausível que o mesmo estudante passe a depender da ferramenta para tarefas intelectuais que precisaria aprender a realizar sozinho. As duas coisas podem acontecer — até simultaneamente.
E então aparecem as questões menos confortáveis
Quando os pesquisadores classificaram os desafios encontrados na literatura, questões éticas e legais foram as mais frequentes, representando 20% das codificações dessa análise. Integração da IA ao conteúdo pedagógico apareceu com 16%. Precisão e confiabilidade do conteúdo gerado pela IA, também 16%. Privacidade surgiu como outra preocupação relevante.
E nenhuma dessas questões é periférica.
Um modelo de linguagem pode produzir uma explicação brilhante. Também pode produzir uma informação falsa em linguagem impecável. Pode personalizar a aprendizagem, mas precisa receber informações sobre o usuário para fazê-lo. Pode democratizar acesso a tutoria, mas os modelos mais capazes podem estar atrás de assinaturas que nem todos podem pagar.
A tecnologia que promete reduzir desigualdades pode produzir novas desigualdades. Tudo depende de como ela é disponibilizada, governada e ensinada.
O professor não desaparece. Sua função fica mais sofisticada.
Talvez este seja o ponto mais interessante de toda a revisão. Os autores não descrevem um futuro no qual a inteligência artificial substitui o professor. Descrevem a necessidade de transformar sua função.
Quanto mais informação uma máquina consegue produzir, menos sentido faz imaginar o professor apenas como a pessoa responsável por entregá-la. Seu valor migra: para selecionar, contextualizar, questionar, construir experiências, identificar erros, ensinar critérios, oferecer feedback humano e perceber quando o estudante compreendeu — e quando apenas aprendeu a produzir uma resposta convincente.
Em outras palavras: quando a resposta fica barata, o julgamento fica caro.
O estudante também muda de papel
Existe uma versão preguiçosa do futuro da educação com IA. Nela, o estudante pergunta, a máquina responde e o processo termina.
Mas existe outra possibilidade. O estudante pode usar a IA como interlocutora: pedir contraexemplos, testar uma hipótese, solicitar níveis progressivos de dificuldade, comparar interpretações, treinar uma apresentação oral, pedir que o modelo se comporte como um examinador rigoroso, solicitar pistas sem receber a solução, argumentar contra a resposta oferecida, verificar referências e reconstruir o raciocínio.
Nesse cenário, IA não significa necessariamente menos atividade intelectual. Pode significar uma atividade intelectual diferente. Mas isso exige algo que nenhuma tecnologia fornece automaticamente: intenção pedagógica.
Proibir é muito mais simples do que redesenhar
Proibir o ChatGPT em uma disciplina é uma decisão relativamente fácil. Redesenhar aquela disciplina para um mundo em que o ChatGPT existe é muito mais difícil.
Exige reconsiderar provas, trabalhos, autoria, avaliação, formação docente, privacidade, infraestrutura, acesso e, principalmente, o significado de aprender.
É por isso que a discussão sobre inteligência artificial na educação é muito maior do que detectar textos gerados por máquinas.
A pergunta decisiva não é: “Como saber se este texto foi escrito por IA?”
Talvez seja: “Que capacidade humana esta atividade deveria desenvolver — e ela ainda consegue fazer isso?”
Se não sabemos responder, o problema pode não estar na inteligência artificial. Pode estar na atividade.
A universidade depois da resposta pronta
A revisão publicada na Frontiers in Education não resolve o debate. Nem poderia. Ela analisou um campo extremamente jovem, com evidências concentradas principalmente em 2023 e em rápida transformação.
Os próprios autores pedem mais pesquisas sobre efeitos de longo prazo, pensamento crítico, competências complexas, ética, privacidade, equidade e mudança no papel dos professores.
Mas talvez já exista uma conclusão importante. Não precisamos escolher entre uma universidade humana e uma universidade dominada pela inteligência artificial. Essa dicotomia é pobre.
Precisamos decidir quais partes da educação devem continuar exigindo esforço humano, quais podem ser ampliadas pela IA e quais nunca deveriam ser delegadas sem supervisão.
A inteligência artificial já consegue gerar respostas extraordinariamente convincentes. Isso torna ainda mais importante saber formular perguntas. Saber duvidar. Saber verificar. Saber reconhecer quando não sabemos. Saber construir um argumento. E saber decidir.
Essas competências não se tornam obsoletas com a inteligência artificial. Elas se tornam mais importantes justamente porque ela existe.
Sobre o estudo
Esta publicação foi baseada na revisão: Peláez-Sánchez IC, Velarde-Camaqui D, Glasserman-Morales LD. The impact of large language models on higher education: exploring the connection between AI and Education 4.0. Frontiers in Education. 2024;9:1392091. doi:10.3389/feduc.2024.1392091.
A revisão pesquisou Scopus e Web of Science, abrangendo literatura publicada de 2018 a 2023 em inglês e espanhol. Dos 841 registros inicialmente identificados, 83 documentos foram incluídos na análise final.
Nota editorial
Os percentuais apresentados no artigo para autonomia, colaboração, interação, desafios éticos e outros temas correspondem às categorias e frequências de codificação utilizadas pelos autores na síntese da literatura. Eles não devem ser interpretados como tamanhos de efeito clínico ou educacional, nem como percentuais de melhora individual de estudantes.
A própria revisão reconhece como limitações a rápida evolução da inteligência artificial generativa, o recorte específico da literatura disponível e sua concentração no ensino superior. Seus achados devem, portanto, ser interpretados como um panorama de um campo emergente, e não como evidência definitiva de que LLMs melhoram ou prejudicam a aprendizagem.