Oitenta e sete por cento das instituições de educação superior da América Latina e do Caribe já usam inteligência artificial em pelo menos uma área de atuação — 74% no ensino e na aprendizagem, 57% em análise de dados e pesquisa. Apenas 26% têm uma estratégia formal específica para IA. E, segundo o próprio relatório, menos ainda dispõem de políticas, estruturas de governança e marcos de monitoramento e avaliação.

Os números vêm de um levantamento da UNESCO IESALC e da Universidade das Nações Unidas, realizado com 200 instituições de 19 países da região. A pesquisa revela uma transformação em curso: a adoção de IA avança muito mais depressa do que a capacidade institucional de governá-la. Do lado de quem estuda, o efeito é imediato — um em cada dois estudantes relata confusão sobre o que pode ou não fazer com IA.

Há uma pergunta que esses números não respondem diretamente, mas que deveria estar sobre a mesa de toda reitoria: quem está tomando as decisões que determinam como IA transforma o ensino universitário?

Em grande medida, o professor.

A decisão foi tomada

Quando uma universidade não estabelece uma estratégia para IA, isso não significa que nada esteja acontecendo. Significa que muitas decisões ficam sem orientação institucional suficiente.

O professor precisa decidir, em cada disciplina, o que o estudante pode delegar à máquina e o que precisa fazer por conta própria. Precisa distinguir assistência legítima de fraude acadêmica, verificar a qualidade do que IA produz e definir como avaliar uma aprendizagem que já não pode ser inferida simplesmente a partir do trabalho entregue.

Precisa fazer tudo isso enquanto responde às dúvidas dos estudantes, negocia expectativas com colegas e interpreta regras que frequentemente chegam depois que a tecnologia já entrou na sala de aula.

A ausência de uma política institucional não suspende essas decisões. Apenas transfere para o professor a responsabilidade de tomá-las.

É importante fazer uma distinção: não ter uma estratégia formal específica para IA não significa necessariamente não ter nenhuma política ou orientação. O próprio levantamento regional identifica instituições com estratégias digitais mais amplas e outras com diretrizes parciais. O problema é que a governança institucional não acompanha, na mesma velocidade, a disseminação da tecnologia.

O resultado é uma espécie de descentralização involuntária. Cada professor constrói respostas locais para problemas que também são institucionais. Em uma disciplina, o uso de IA pode ser incentivado; em outra, proibido; em uma terceira, tolerado sem critérios claros. Estudantes de uma mesma universidade encontram regras diferentes, nem sempre justificadas por objetivos pedagógicos distintos.

See also:

• Cultura escolar sustenta inovação baseada em relações humanas

Não se trata de defender que todas as disciplinas adotem as mesmas práticas. Trata-se de reconhecer que diferenças pedagógicas precisam resultar de decisões conscientes, não apenas da ausência de coordenação.

Os dados de percepção ajudam a compreender a dimensão do fenômeno. Em levantamento do Digital Education Council sobre o ensino superior latino-americano, 79% dos docentes consultados declararam já utilizar IA no ensino, e 94% esperavam continuar usando-a. Os resultados indicam ampla adoção entre os participantes, embora não autorizem concluir que não exista resistência ou preocupação com usos específicos.

O mesmo levantamento aponta uma desconexão entre a experiência dos estudantes e a integração institucional da tecnologia: apenas 30% consideravam que o uso de IA pela instituição correspondia às suas expectativas.

Temos, portanto, IA já incorporada às práticas de parte significativa da comunidade acadêmica, expectativas que nem sempre são atendidas e instituições que ainda precisam organizar suas respostas.

A pergunta não é mais se a universidade vai decidir o que fazer com IA. A universidade já está produzindo consequências por não ter decidido suficientemente.

O trabalho que ninguém nomeou

O que o professor faz quando precisa tomar essas decisões tem uma forma reconhecível. Vale nomeá-la, porque aquilo que não é reconhecido dificilmente será contabilizado, remunerado ou incorporado aos critérios de progressão profissional.

O professor verifica o que a máquina produziu antes de levar o material para a turma. Antecipa erros, identifica simplificações e decide o que precisa ser reconstruído. Desenha atividades nas quais o estudante tenha de formular problemas, justificar escolhas e demonstrar o que aprendeu. Estabelece limites para a delegação de tarefas e sustenta esses limites quando são contestados.

Traduz orientações institucionais genéricas em decisões pedagógicas concretas. E refaz parte desse trabalho quando as ferramentas, as condições de uso ou os objetivos de aprendizagem mudam.

Isso não é simplesmente aprender a usar uma nova tecnologia. É exercer julgamento profissional sobre a relação entre conhecimento, atividade e aprendizagem.

Podemos chamar essa atividade de Orquestração Pedagógica de IA (OPIA): o trabalho de decidir como pessoas e sistemas artificiais podem colaborar sem transferir à máquina as operações intelectuais que o estudante precisa desenvolver.

Orquestrar não é fiscalizar cada resposta de um sistema, nem acrescentar uma camada de supervisão a todas as atividades. É desenhar situações em que o uso de IA tenha uma função pedagogicamente justificável, estabelecer o que deve permanecer sob responsabilidade humana e criar condições para verificar o que foi efetivamente aprendido.

Há evidências que ajudam a compreender a importância desse trabalho. Um estudo de Wang e Zhang, publicado em 2026 no International Journal of Educational Technology in Higher Education, investigou a relação entre parceria com sistemas de IA, vigilância cognitiva e aprendizagem. Os resultados destacam a relevância de questionar, verificar e criticar as respostas produzidas pelos sistemas, em vez de apenas utilizá-las instrumentalmente.

A pesquisa não demonstra que uma única abordagem funcione em todas as disciplinas ou que o professor seja a única fonte possível de orientação. Mas reforça uma questão decisiva: o uso de IA não produz, por si só, aprendizagem profunda. Importa o que as pessoas fazem cognitivamente com aquilo que a tecnologia oferece.

Essa postura não se decreta em um regulamento. Precisa ser construída em atividades, acompanhada por feedback e sustentada por decisões pedagógicas. E esse trabalho exige tempo.

Se a universidade espera que seus professores redesenhem experiências de aprendizagem, verifiquem resultados, orientem os estudantes e construam novas formas de avaliação, precisa reconhecer essas atividades como parte do trabalho acadêmico. O tempo necessário não pode continuar dependendo exclusivamente da disposição individual de quem ensina.

O problema não é apenas que o professor trabalha mais. É que uma parcela relevante do trabalho necessário à transformação da aprendizagem permanece invisível nos sistemas que distribuem tempo, recursos e reconhecimento profissional.

See also:

• ‘Coragem para transformar’: Bett Brasil define tema central para 2027

A diferença entre adicionar e redesenhar

Tenho usado uma distinção para separar dois movimentos que frequentemente aparecem confundidos no debate sobre IA.

Uma universidade IA-habilitada acrescenta ferramentas a uma arquitetura institucional existente. Compra licenças, publica orientações, oferece formação introdutória e incorpora novos recursos a disciplinas que continuam operando, em grande medida, com as mesmas estruturas de carga docente, avaliação e progressão profissional.

Uma universidade IA-nativa, por sua vez, redesenha intencionalmente seus processos acadêmicos considerando IA como parte da infraestrutura cognitiva disponível para ensinar, aprender, pesquisar e produzir conhecimento.

Essas expressões são tipos ideais, não categorias rígidas. Uma mesma instituição pode apresentar avanços importantes em alguns cursos e permanecer presa a estruturas anteriores em outros. O que distingue os dois movimentos não é a quantidade de tecnologia adquirida, mas a profundidade das mudanças institucionais que a acompanham.

Uma universidade IA-nativa não organiza sua finalidade em torno da tecnologia. Organiza a aprendizagem e a produção de conhecimento, considerando IA como uma infraestrutura que pode ampliar capacidades, mas também criar dependências, erros e novas desigualdades.

A distância entre adicionar e redesenhar está em decisões administrativas e pedagógicas que muitas vezes parecem secundárias: como se distribui a carga de trabalho, o que conta para a progressão na carreira, como se avaliam as compras de tecnologia e quais evidências são exigidas para demonstrar aprendizagem.

É também nesse terreno que se manifesta o risco do taylorismo digital, discutido por Silvio Meira e colegas em 2025. A promessa de eficiência pode conduzir à fragmentação do trabalho intelectual em tarefas supervisionáveis, à automatização de partes da avaliação e à redução do professor a inspetor de produtos e processos concebidos por terceiros.

A tecnologia entra para aliviar o trabalho. Em seguida, a instituição redefine o que considera produtivo. Por fim, o tempo economizado pode ser convertido em redução de custos, sem que se investigue se a aprendizagem melhorou. Não é um destino inevitável. É uma escolha de gestão.

No Brasil, a discussão ganha urgência adicional com as diretrizes nacionais para a utilização de IA na educação, aprovadas pelo Conselho Nacional de Educação em setembro e ainda pendentes de homologação pelo Ministério da Educação. A orientação reforça a necessidade de as instituições assumirem responsabilidades sobre o uso da tecnologia.

A existência de uma orientação nacional é relevante. Mas nenhuma diretriz, por si só, redesenha a organização do trabalho acadêmico. Essa transformação depende das decisões que as instituições tomam e das condições que oferecem para que elas sejam executadas.

O que fazer agora?

Quatro mudanças administrativas podem ajudar a transformar o diagnóstico em ação. Nenhuma depende da aquisição de uma nova tecnologia.

1. Reconhecer a orquestração pedagógica na carga docente

A planilha de atribuição de trabalho precisa contemplar o tempo dedicado ao redesenho de disciplinas, à revisão de atividades, à construção de critérios de uso de IA e à análise das evidências de aprendizagem.

Isso pode começar com horas formalmente destinadas a projetos de redesenho pedagógico, acompanhadas de objetivos e entregas definidos. O importante é que a instituição deixe de depender de trabalho adicional não reconhecido para realizar uma transformação que ela própria considera estratégica.

2. Incluir o redesenho da aprendizagem nos critérios de progressão profissional

Se a carreira acadêmica reconhece publicações e outros resultados de pesquisa, mas não reconhece adequadamente a reconstrução de experiências de aprendizagem, produz um incentivo contraditório.

O redesenho de uma disciplina pode constituir trabalho intelectual sofisticado, com fundamentação teórica, experimentação, avaliação e documentação dos resultados. Deve poder ser reconhecido por sua qualidade e por suas contribuições demonstráveis, não apenas pela quantidade de atividades reformuladas.

Não se trata de substituir a pesquisa por inovação pedagógica. Trata-se de reconhecer que a qualidade da formação também exige produção intelectual e trabalho sistemático.

3. Avaliar o impacto acadêmico antes de comprar tecnologia

O parecer técnico de aquisição não pode se limitar a preço, segurança da informação e facilidade de integração. Precisa perguntar: que problema de aprendizagem pretendemos resolver? Como a ferramenta altera o trabalho de professores e estudantes? Quais decisões ela automatiza? Que novas tarefas de verificação produz? Como saberemos se a aprendizagem melhorou?

Essas perguntas não são obstáculos à inovação. São condições para que a compra de tecnologia seja uma decisão educacional, e não apenas uma decisão de infraestrutura.

Esse parecer precisa considerar também o que a instituição entrega ao fornecedor quando adota uma tecnologia. Quem controla os dados produzidos por professores e estudantes? Que decisões são tomadas por modelos que a universidade não consegue examinar? É possível auditar os resultados, migrar os dados e encerrar o contrato sem comprometer atividades acadêmicas essenciais? A governança de IA não termina na segurança da informação: inclui preservar a capacidade institucional de compreender, questionar e, quando necessário, substituir os sistemas dos quais depende.

Finalmente, a instituição deve avaliar não só o custo da licença, mas também o custo de implementação, as necessidades de formação, os efeitos sobre o trabalho acadêmico e os resultados esperados.

4. Avaliar a aprendizagem, não apenas o produto final

Não precisamos necessariamente abandonar provas, trabalhos escritos ou outros produtos acadêmicos. Precisamos deixar de tratá-los como evidências suficientes em todas as situações.

A questão é também epistemológica: o que podemos afirmar sobre o conhecimento de um estudante a partir de um trabalho produzido com assistência de IA? A resposta depende do objetivo da atividade e das evidências disponíveis. Em alguns casos, importa verificar o que ele consegue realizar sem assistência; em outros, sua capacidade de utilizar IA criticamente, verificar resultados e justificar decisões. A avaliação precisa tornar explícito o que pretende reconhecer, em vez de presumir que o produto final, por si só, responde a essa pergunta.

Portfólios acompanhados, defesas orais, versões sucessivas de um trabalho, justificativas de decisões e conversas reflexivas podem revelar aspectos do processo que o produto final não mostra. A escolha dos instrumentos deve depender das competências que se pretende desenvolver e das condições reais de cada curso.

Isso exige planejamento, tempo e critérios claros. Também exige que os estudantes compreendam o que se espera deles, inclusive quando a IA é permitida, recomendada ou necessária.

O objetivo não é tornar a avaliação mais difícil. É torná-la mais capaz de demonstrar o que o estudante sabe fazer, o que compreende e quais decisões consegue sustentar.

---

Ouvir professores e estudantes é indispensável para compreender os problemas e avaliar as consequências das escolhas. Mas participação não significa transferir a eles toda a responsabilidade pelas decisões. Cabe à instituição estabelecer critérios, explicitar prioridades, oferecer condições de implementação e responder pelos resultados. A autonomia pedagógica precisa ser sustentada por uma governança que a torne possível, e não usada como justificativa para deixar cada professor resolver sozinho problemas institucionais.

As quatro mudanças compartilham um princípio: a responsabilidade institucional precisa vir acompanhada de condições concretas de execução e de evidências que permitam avaliar seus resultados.

É nessa direção que trabalhamos na CESAR School, em uma iniciativa organizada em sete eixos interdependentes. Os resultados dessa empreitada virão nos próximos meses.

Uma negação, para terminar

De todas as armadilhas desse processo, a que mais me preocupa é a mais fácil de disfarçar: usar “eficiência” como eufemismo para corte de custos.

Eficiência é importante. Reduzir tarefas desnecessárias, ampliar o acesso ao conhecimento e liberar tempo para atividades intelectualmente relevantes são objetivos legítimos. O problema começa quando a economia de recursos se torna a medida dominante, sem que se investigue o que acontece com a aprendizagem.

É possível reduzir o tempo dedicado a uma atividade e melhorar seus resultados. Também é possível reduzir custos transferindo trabalho para os estudantes, automatizando decisões que exigiriam julgamento ou diminuindo o acompanhamento pedagógico. Os dois movimentos podem aparecer sob o mesmo discurso de inovação.

Economiza-se tempo de professor, reduz-se o custo por estudante, aumenta-se a escala. Mas, se a instituição deixa de verificar o que seus estudantes realmente aprenderam, a eficiência passa a medir a capacidade de entregar diplomas, não a qualidade da formação que eles representam.

Por isso, a questão decisiva não é se IA permitirá fazer mais com menos. É o que queremos fazer melhor, para quem, e sob quais condições de aprendizagem.

A adoção de IA no ensino superior latino-americano avançou, em grande medida, pela iniciativa de professores, pesquisadores e estudantes, enquanto as estratégias institucionais ficaram para trás. Isso não significa que toda decisão individual tenha sido acertada, nem que a autonomia docente dispense coordenação. Significa que a transformação já está acontecendo e que as instituições precisam assumir sua parte na condução desse processo.

Quando finalmente o fizerem, terão uma escolha.

Poderão reconhecer o julgamento pedagógico como parte central do trabalho acadêmico, criar condições para redesenhar a aprendizagem e avaliar os resultados com seriedade. Ou poderão usar a tecnologia para padronizar atividades, comprimir custos e retirar dos professores a margem de decisão que tornou possível a adaptação até aqui.

A primeira alternativa exige investimento, coordenação e disposição para rever estruturas. A segunda pode parecer mais rápida e simples.

Mas uma universidade não demonstra sua capacidade de inovar pela quantidade de tarefas que automatiza. Demonstra-a pela qualidade do conhecimento que produz e, em especial, pela relevância de suas certificações no mercado de trabalho que atende.

O professor decidiu primeiro. Agora, a decisão precisa ser institucional — e a aprendizagem precisa continuar sendo o critério.

About the author:

Artigo publicado originalmente AQUI. 

Share on social media:

Fontes e referências:

• UNESCO IESALC e UNU-IAS. AI Implementation in Higher Education in Latin America and the Caribbean (2026). Levantamento de 200 instituições em 19 países. iesalc.unesco.org
• Digital Education Council. AI in Higher Education — LATAM Survey 2026. Resultados sobre o uso de IA por docentes e a percepção dos estudantes.
• Wang e Zhang (2026). Estudo sobre parceria humano-IA, vigilância cognitiva e aprendizagem profunda. International Journal of Educational Technology in Higher Education.
• Conselho Nacional de Educação. Parecer CNE/CP nº 15/2026, sobre as diretrizes para a utilização da inteligência artificial na educação brasileira.
• Meira, S., Neves, A. e Braga, R. (2025). Taylorismo digital. TDS Company.