A expansão acelerada da Inteligência Artificial generativa está produzindo mudanças que vão muito além da introdução de novas ferramentas em sala de aula. Uma das questões centrais passa a ser a própria natureza da avaliação: como verificar o que o estudante realmente sabe e compreende quando sistemas de IA são capazes de produzir, em poucos segundos, textos, códigos, relatórios, apresentações e respostas tecnicamente sofisticadas?
A experiência recente de universidades de Singapura chama atenção justamente por deslocar o debate da simples identificação do uso de Inteligência Artificial para uma questão pedagogicamente mais ampla: como avaliar o pensamento, o domínio conceitual e a capacidade de argumentação do estudante?
A reportagem que motivou esta nota descreve mudanças em universidades autônomas de Singapura. Não se trata da eliminação geral das provas ou das redações no sistema educacional do país, mas do redesenho de diferentes formas de avaliação diante da disseminação da IA.
1. Quando o produto final já não é suficiente
Durante muito tempo, provas, ensaios, relatórios e trabalhos acadêmicos constituíram evidências importantes da aprendizagem. Eles continuam tendo valor. A mudança introduzida pela IA generativa é que um produto escrito de excelente qualidade pode não representar, isoladamente, evidência suficiente do grau de compreensão de quem o apresenta.
A Singapore Management University (SMU), por exemplo, orienta docentes a combinar diferentes formas de avaliação, incluindo atividades realizadas em sala, acompanhamento das etapas de elaboração de trabalhos, apresentações orais, perguntas posteriores à entrega, respostas reflexivas e tarefas baseadas em situações autênticas. A instituição também sugere que determinados trabalhos escritos sejam acompanhados por apresentações orais capazes de verificar a compreensão efetiva do estudante. (Centro de Excelência em Ensino)
O princípio é relevante:
não abandonar o trabalho escrito, mas complementá-lo com evidências de que o estudante compreende, explica e defende aquilo que apresentou.
A própria SMU relata experiências nas quais as rubricas de avaliação passam a atribuir maior atenção ao raciocínio, às decisões tomadas e à maneira como o estudante aborda o problema, além de avaliações orais abertas que permitem perguntas de acompanhamento e raciocínio em tempo real. (Centro de Excelência em Ensino)
2. Avaliar o processo, e não somente o resultado
Uma das consequências dessa abordagem é aumentar a visibilidade do processo de construção do conhecimento.
Um trabalho acadêmico pode, por exemplo, ser acompanhado por um esboço inicial, versões intermediárias, identificação das fontes utilizadas e justificativas para alterações realizadas até a versão final. A SMU apresenta expressamente a possibilidade de solicitar outline e múltiplos rascunhos para acompanhar o desenvolvimento do argumento do estudante. (Centro de Excelência em Ensino)
Nesse modelo, a avaliação pode reunir diferentes evidências:
| Evidência | Dimensão observada |
|---|---|
| Trabalho ou projeto final | Qualidade do produto |
| Etapas intermediárias | Construção do raciocínio |
| Defesa oral | Domínio conceitual |
| Perguntas não antecipadas | Capacidade de argumentação |
| Problema novo | Aplicação e transferência do conhecimento |
| Uso documentado de IA | Competência no emprego da tecnologia |
| Análise crítica da resposta da IA | Capacidade de verificação |
| Reflexão individual | Compreensão do próprio processo de aprendizagem |
Esses instrumentos não precisam substituir provas e trabalhos. Podem funcionar como evidências complementares.
3. Da detecção de IA para a demonstração de conhecimento
Outro ponto importante da experiência de Singapura é o questionamento da confiança excessiva em sistemas automáticos destinados a determinar se um texto foi produzido por Inteligência Artificial.
A Nanyang Technological University (NTU) informa que detectores de IA podem apresentar falsos positivos e falsos negativos, podem ser contornados por modificações relativamente simples e podem apresentar vieses relacionados a padrões de escrita de pessoas cuja primeira língua não é o inglês. A universidade recomenda cautela na utilização dessas ferramentas. (Corporate NTU)
Na SMU, a detecção tampouco é apresentada como estratégia principal. A universidade estrutura sua abordagem em três possibilidades — adaptar avaliações, incorporar a IA quando pertinente e detectar eventual uso inadequado — mas afirma que adaptação e incorporação devem, sempre que possível, ter precedência sobre a detecção. (Centro de Excelência em Ensino)
Isso desloca a questão de:
“Este texto foi produzido por IA?”
para perguntas como:
“O estudante compreende o que está apresentando?”
“Consegue explicar por que adotou determinada solução?”
“Sabe verificar as informações recebidas da IA?”
“Consegue identificar erros, vieses ou referências inexistentes?”
“É capaz de aplicar o conceito em uma situação diferente?”
4. IA proibida, permitida ou incorporada à própria avaliação
Um aspecto relevante para a organização das avaliações é deixar previamente explícita a situação da IA em cada atividade.
Há competências para as quais o uso de IA pode interferir na habilidade que se pretende avaliar. Em outros casos, a ferramenta pode auxiliar o processo sem substituir a competência principal. Há ainda situações em que saber utilizar criticamente sistemas de IA pode constituir parte do próprio objetivo de aprendizagem.
A SMU recomenda que a decisão seja feita no nível de cada tarefa e que, quando a IA for permitida, as regras de utilização sejam comunicadas claramente aos estudantes. (Centro de Excelência em Ensino)
Assim, podem existir três situações pedagógicas diferentes:
IA não permitida, quando se pretende verificar desempenho individual sem auxílio da ferramenta;
IA permitida, com regras claras e transparência sobre seu emprego;
IA incorporada à atividade, quando o estudante precisa utilizar, examinar, verificar ou corrigir resultados produzidos pela tecnologia.
A distinção é importante porque o desafio educacional não se resume à presença ou ausência da IA, mas à relação entre seu uso e os objetivos de aprendizagem definidos para cada disciplina.
5. Um exemplo de avaliação na era da IA
Considere uma disciplina na qual o estudante recebe um problema e pode utilizar uma ferramenta de Inteligência Artificial.
O sistema produz uma resposta aparentemente consistente.
Em seguida, o estudante deve verificar as afirmações apresentadas, localizar as fontes originais, identificar eventuais erros ou referências inexistentes, confrontar a resposta com literatura confiável e apresentar sua própria conclusão.
Finalmente, diante do professor ou de uma banca, precisa explicar:
O que a IA respondeu? O que estava correto? O que estava incorreto? Como foi feita a verificação? Quais evidências sustentam a conclusão final?
Nesse desenho, a simples capacidade de obter uma resposta da máquina deixa de ser a competência central. Passam a ser observados julgamento, conhecimento, verificação de fontes, argumentação e responsabilidade intelectual.
Esse tipo de atividade é compatível com orientações da SMU, que menciona explicitamente a possibilidade de solicitar aos estudantes que critiquem respostas preliminares produzidas por IA. (Centro de Excelência em Ensino)
6. O Brasil dispõe de espaço institucional para experiências semelhantes?
No ensino superior brasileiro, a Constituição Federal determina, em seu artigo 207, que as universidades possuem autonomia didático-científica, administrativa e de gestão financeira e patrimonial. (Presidência da República)
A Lei de Diretrizes e Bases da Educação Nacional — LDB — estabelece, no artigo 53, que as universidades, no exercício de sua autonomia, podem organizar seus cursos e programas, fixar currículos observadas as diretrizes gerais e elaborar seus estatutos e regimentos. (Presidência da República)
Isso significa que diferentes instrumentos de avaliação — provas, projetos, atividades práticas, apresentações, defesas orais ou avaliações realizadas em etapas — podem ser previstos pelas instituições, respeitadas as normas educacionais, diretrizes curriculares, projetos pedagógicos e regulamentos acadêmicos aplicáveis.
Não é, portanto, necessário pressupor que toda inovação na avaliação universitária dependa previamente da criação de um novo modelo nacional.
7. O Brasil já possui avaliação prática no ensino superior
Há também experiências brasileiras que mostram a utilização de instrumentos diferentes da prova convencional.
O Enade das Licenciaturas é composto por avaliação teórica e avaliação prática. Segundo o Inep, a Avaliação da Prática busca verificar conhecimentos, competências e habilidades desenvolvidas durante o estágio curricular supervisionado. O processo envolve elaboração de plano de aula, observação da regência e participação do estudante, do supervisor de estágio e do orientador da instituição de ensino superior. (Serviços e Informações do Brasil)
Esse exemplo mostra que o sistema nacional de avaliação já contempla, em determinada área, a combinação entre conhecimento teórico e demonstração prática de competências.
8. IA e avaliação já fazem parte da agenda educacional brasileira
O Conselho Nacional de Educação vem discutindo formalmente a presença da Inteligência Artificial na educação.
Documento de referência do CNE/MEC aborda, entre outros temas, formação dos professores, ética, privacidade, vieses algorítmicos, parâmetros para utilização da IA nas instituições e as possibilidades e limites de seu emprego na avaliação educacional. (Serviços e Informações do Brasil)
Em 2026, o Ministério da Educação instituiu também um Sandbox Regulatório de Inteligência Artificial na Educação, concebido como ambiente de experimentação controlada para testar tecnologias educacionais, identificar riscos e salvaguardas e produzir evidências que possam subsidiar normas e diretrizes futuras. (Serviços e Informações do Brasil)
Portanto, a discussão sobre IA, aprendizagem e avaliação já está presente institucionalmente no país.
9. O desafio da escala brasileira
A aplicação de avaliações mais individualizadas envolve questões práticas relevantes.
Uma defesa oral de dez minutos aplicada a 30 estudantes corresponde a cinco horas de avaliação. Em uma turma de 100 alunos, o mesmo procedimento exigiria aproximadamente 16 horas e 40 minutos.
Avaliações por etapas também ampliam a necessidade de acompanhamento, elaboração de feedback e registro das evidências de aprendizagem.
As condições variam consideravelmente entre pequenas turmas de pós-graduação, cursos de graduação com dezenas de estudantes e disciplinas massivas. Também devem ser considerados infraestrutura tecnológica, acesso dos estudantes, carga de trabalho docente e natureza de cada área de conhecimento.
Assim, a experiência internacional não constitui um modelo único a ser simplesmente reproduzido. Ela oferece elementos para examinar quais instrumentos são tecnicamente e pedagogicamente adequados a diferentes contextos brasileiros.
10. Uma questão anterior à própria Inteligência Artificial
A IA generativa talvez esteja tornando mais visível uma questão que já existia antes dela: o produto entregue pelo estudante e a aprendizagem efetivamente alcançada são conceitos relacionados, mas não necessariamente idênticos.
Quando uma tecnologia consegue gerar um ensaio, resolver determinados problemas ou produzir uma apresentação, aumenta a importância de outras evidências da aprendizagem.
Nesse contexto, uma avaliação pode observar simultaneamente:
o que o estudante produziu; como chegou ao resultado; quais decisões tomou; como verificou as informações; e se consegue explicar e defender sua conclusão.
Não significa abandonar a escrita. Pelo contrário, textos extensos e argumentativos continuam relevantes para o desenvolvimento intelectual. A própria literatura recente da SMU discute o uso da defesa oral como complemento capaz de preservar o valor acadêmico do ensaio escrito diante da IA generativa. (InK@SMU)
Considerações finais
A experiência recente das universidades de Singapura coloca uma questão que merece ser acompanhada pelo ensino superior brasileiro.
À medida que máquinas se tornam cada vez mais capazes de produzir respostas, o desenho das avaliações precisa distinguir o produto produzido da evidência de aprendizagem que se pretende obter.
Provas, redações e trabalhos acadêmicos não perdem automaticamente sua validade. O que muda é a possibilidade de combiná-los com outras evidências: acompanhamento do processo, aplicação prática, defesa oral, perguntas de aprofundamento, verificação de fontes e análise crítica de conteúdos produzidos por IA.
A pergunta central deixa, portanto, de ser exclusivamente:
“O estudante utilizou Inteligência Artificial?”
e passa a incluir uma questão educacional mais fundamental:
“O que o estudante efetivamente aprendeu — e consegue demonstrar?”
Na era em que sistemas de Inteligência Artificial conseguem produzir respostas cada vez mais sofisticadas, talvez uma das discussões mais relevantes para a educação seja justamente esta:
Na era em que máquinas produzem respostas, estamos avaliando apenas o resultado — ou o raciocínio que leva a ele?
Prof. Dr. Helio Dias
Presidente do IVEPESP
Instituto para a Valorização da Educação e da Pesquisa do Estado de São Paulo
Av. Paulista, nº 1636, Conjunto 4, 15º Pavimento
Cerqueira César – São Paulo/SP
CEP 01310-200
Telefone: (11) 99699-4434
E-mail: [email protected]
Helio Henrique Villela Dias
Engenheiro de Computação • Cientista de Dados
IVEPESP / Lello Lab / UNIFESP
https://ivepesp.org.br/membro/helio-henrique-villela-dias/