Publicado em abr 2026
Compartilhar
Há um momento que a maioria dos educadores consegue identificar — aquele em que você deixa de observar uma tecnologia e passa a confiar nela. Para mim, ele chegou em algum ponto entre concluir um certificado em Data Science e Machine Learning no MIT e perceber que eu havia acabado de reconstruir a maneira como pensava sobre o ensino. Não de forma dramática — mas, ainda assim, substancial — na forma de uma pergunta que eu nunca havia feito antes: e se as ferramentas disponíveis para meus estudantes pudessem conhecê-los melhor do que um único professor jamais conseguiria?
As orientações da UNESCO de 2023 sobre IA generativa na educação descrevem esse momento como algo que exige tanto urgência quanto cautela. Essa combinação, na minha experiência, descreve exatamente o que a adoção responsável da IA no ensino superior exige.
Da curiosidade ao compromisso
Minha entrada na IA não foi uma mudança de carreira planejada. Eu havia passado mais de 25 anos na educação médica e na bioquímica clínica. Mas o ritmo das mudanças após 2022, com a súbita democratização dos modelos de linguagem de grande escala e a proliferação de ferramentas de IA generativa em ambientes acadêmicos, tornou a simples observação insuficiente.
O certificado do MIT mudou meu referencial. Passei a ver a avaliação não como um retrato momentâneo, mas como um fluxo de dados, e o currículo não como uma arquitetura fixa, mas como um sistema vivo. Mais importante ainda, passei a ver o papel do educador não ameaçado pela IA, mas ampliado por ela — desde que façamos o trabalho difícil de entender o que essas ferramentas realmente fazem, e o que elas não podem fazer.
As primeiras experiências com IA genérica nas minhas disciplinas foram, na melhor das hipóteses, inconsistentes. Os modelos não conheciam o contexto dos meus estudantes. Não conseguiam alinhar as respostas aos padrões de acreditação. Eram poderosos, sim, mas o genérico não era suficiente.
De workshops às mudanças sistêmicas
Entre 2023 e o início de 2026, ministrei mais de 50 workshops e webinários sobre IA no ensino superior — na Arábia Saudita, Egito, Malásia, EAU e em outros países, de forma online. Os temas variaram desde sessões introdutórias sobre ChatGPT até engenharia avançada de prompts, uso ético da IA e desenvolvimento de ferramentas personalizadas. Além dos workshops, venho construindo um recurso paralelo no YouTube — atualmente com mais de 27 vídeos tutoriais cobrindo ferramentas de IA, engenharia de prompts, desenvolvimento de GPTs personalizados e aplicações práticas para educadores. O canal está aberto a qualquer pessoa que queira aprender no seu próprio ritmo.
O que aprendi nesses ambientes não foi exatamente técnico. Foi humano. A resistência dos docentes à IA raramente diz respeito à tecnologia em si — ela está mais ligada à confiança e à identidade profissional. Esse receio merece ser reconhecido, não ignorado.
Os workshops que funcionaram melhor reformularam a IA não como substituta do julgamento do educador, mas como uma forma de reduzir atritos. Quando uma professora descobriu que poderia criar um plano completo de prova em menos de 30 minutos — uma tarefa que antes consumia a maior parte de uma tarde — ela não se sentiu ameaçada. Em vez disso, sentiu-se liberada para dedicar esse tempo ao que nenhum algoritmo consegue replicar: mentoria e o tipo de feedback que exige conhecer a história do estudante.
Eficiência, quando compreendida adequadamente, não significa fazer menos. Significa fazer mais do que realmente importa.
A necessidade da personalização
A diferença entre a IA genérica e a IA personalizada é decisiva. A maioria dos educadores céticos em relação à IA teve contato com a versão genérica — que traz resultados plausíveis, mas pobres em contexto. Peça que ela alinhe questões de prova à taxonomia de Bloom, mapeie-as para resultados de aprendizagem específicos e as formate segundo um padrão de acreditação, e ela terá dificuldades.
A solução que meus colegas e eu desenvolvemos foi uma abordagem em seis etapas para construir modelos GPT personalizados, publicada em 2025. O framework abrange identificação de necessidades, coleta de dados, elaboração de prompts, fase piloto, implementação completa e avaliação. Com ele, construímos 15 ferramentas GPT com finalidades específicas, cobrindo design curricular, avaliação, apoio ao estudante, pesquisa e garantia da qualidade — cada uma treinada com as diretrizes e os frameworks de aprendizagem específicos do nosso contexto institucional.
O framework de desenvolvimento de GPT em seis etapas, as 15 ferramentas personalizadas, os principais desafios e a visão para o ensino superior aprimorado por IA.
EduAI Agent: construindo algo maior
O projeto do qual mais me orgulho é o EduAI Agent — e ele não nasceu em uma empresa de tecnologia nem de uma equipe de desenvolvimento. Surgiu de uma conversa entre colegas. Eu e um colega, ambos com ampla experiência em educação médica, garantia da qualidade e acreditação, percebemos que fazíamos o mesmo questionamento: por que não existia uma plataforma que realmente entendesse como funcionam, na prática, a avaliação e a qualidade curricular? Tínhamos o conhecimento da área. E, naquele momento, já tínhamos experiência suficiente com IA para saber o que ela podia — e o que não podia — fazer. Então decidimos construir nós mesmos. Reunimos tudo o que havíamos aprendido nesses três campos e transformamos em algo que não exigisse que o profissional traduzisse seu julgamento em lógica de software, mas que partisse diretamente da realidade em que ele já trabalha.
Direi claramente o que ele não é: um chatbot. Está mais próximo do que chamo de uma camada de inteligência institucional. Um sistema que ajuda você a construir resultados de aprendizagem, gerar planos de avaliação, realizar análise de itens, mapear o currículo para requisitos de acreditação e produzir documentação de qualidade — tudo em um único lugar, com uma trilha de auditoria coerente.
O que o torna educacionalmente significativo é a teoria que o sustenta: princípios construtivistas, projetados para apoiar o julgamento, e não substituí-lo. O sistema apresenta informações e sinaliza lacunas. O ser humano toma as decisões.
Uma ferramenta resolve um problema. Um ecossistema, por sua vez, mantém as conexões entre eles — a memória institucional que hoje existe, de forma frágil, em planilhas, trocas de e-mails e no conhecimento de colegas que, um dia, vão se aposentar.
Enfrentando os desafios
Nada disso acontece sem algum atrito.
A integridade acadêmica é o desafio mais visível. Quando estudantes conseguem gerar textos plausíveis em questão de segundos, a redação tradicional perde seu valor como evidência de aprendizagem. A resposta precisa ser a reformulação, e não apenas a detecção — avaliações que exigem raciocínio genuíno e aplicação contextualizada são muito mais resistentes à substituição pela IA. Isso representa uma oportunidade, se os educadores estiverem dispostos a aproveitá-la.
A resistência do corpo docente é real e legítima; ela cede ao valor demonstrado, não a campanhas de persuasão. As lacunas de políticas são estruturais, e as universidades precisam de estruturas de governança dinâmicas que diferenciem o uso da IA que aprimora a aprendizagem daquele que a substitui. E a implementação ética da IA, em um setor no qual as consequências posteriores de uma aprendizagem deficiente recaem sobre os graduados e sobre a sociedade, não é apenas um item de conformidade. É a base.
A próxima fase
As universidades que melhor servirão seus estudantes não são aquelas que adotaram a IA primeiro, mas aquelas que o fizeram de forma mais criteriosa — fazendo perguntas difíceis sobre propósito, investindo na capacitação docente e mantendo firme a convicção de que as relações humanas permanecem o núcleo irreduzível da educação.
A IA não substitui o educador que permanece após a aula, nem o mentor que enxerga o potencial que o estudante ainda não consegue ver em si mesmo. O que ela pode fazer — e já está fazendo — é liberar os educadores para fazer essas coisas com mais frequência e com mais qualidade.
Essa é a transformação pela qual vale a pena trabalhar.
Declaração sobre o uso de IA
O autor utilizou o Claude AI (Anthropic) como assistente de escrita na preparação deste artigo. A ajuda do Claude limitou-se a melhorar a legibilidade, a gramática e o fluxo editorial. Todas as ideias, experiências, julgamentos profissionais, resultados de pesquisa e o conteúdo substantivo são inteiramente de autoria do próprio autor.