Escola precisa mudar a pergunta sobre inteligência artificial

Há poucos meses, as escolas brasileiras ainda se debatiam com uma questão que parecia urgente: como impedir que os alunos usassem inteligência artificial para trapacear? Em agosto de 2026, essa pergunta já soa obsoleta. As ferramentas evoluíram para muito além da redação de textos. Agora pesquisam, organizam referências, criam apresentações, escrevem código e executam fluxos de trabalho inteiros. O desafio real deixou de ser descobrir se houve fraude. Tornou-se compreender o que o estudante realmente entendeu, que decisões tomou e consegue justificar.

Os números revelam a velocidade dessa transformação. A pesquisa TIC Educação mostrou que sete em cada dez alunos do ensino médio já recorrem à IA em seus trabalhos escolares. Apenas 32% deles, porém, afirmam ter recebido qualquer orientação sobre como usar essas ferramentas. Desde que esses dados foram coletados, as capacidades da inteligência artificial só aumentaram, enquanto a lacuna entre o uso generalizado e a formação adequada se ampliou ainda mais. O próprio Ministério da Educação reconheceu o problema: seus referenciais desaconselham o uso de detectores automáticos como fundamento para punições. O Conselho Nacional de Educação avançou com diretrizes que mantêm a supervisão humana no centro e restringem aplicações de risco elevado. A discussão normativa amadureceu. A prática nas salas de aula, porém, permanece presa à lógica da flagrante.

Uma tentação equivocada persiste: formular políticas em torno do nome da ferramenta do momento. Os produtos mudam a cada semana. Currículos e regulamentos levam anos para se transformar. As escolas precisam estabelecer princípios que resistam à próxima atualização: transparência, verificação, proteção de dados, responsabilidade e evidência concreta de aprendizagem.

Observando a formação de cerca de cinquenta professores em contextos institucionais distintos, uma variável se destacou como decisiva: não era a marca da ferramenta, o orçamento disponível ou a experiência da equipe. Era a postura que a instituição adotava. Nas escolas onde a IA foi tratada como uma competência a ser desenvolvida, os professores começaram a compartilhar experiências, revisar seus critérios de avaliação e desenhar tarefas que exigiam dos alunos mostrar seu processo, justificar suas escolhas e verificar seus resultados. Nas instituições onde foi tratada apenas como transgressão, o uso não desapareceu. Apenas se tornou clandestino, menos discutido e mais difícil de orientar.

A mudança mais produtiva não emerge de palestras para toda a escola. Emerge da área disciplinar. Em matemática, usar IA bem exige explicitar hipóteses, testar exemplos e conferir se o resultado faz sentido. Em história, exige comparar fontes e identificar o que está ausente. Em linguagens, justificar escolhas de estrutura, voz e revisão. Em ciências, distinguir uma explicação plausível de um procedimento reproduzível. Uma política única de "permitido ou proibido" não consegue capturar essas diferenças.

Também é necessário redesenhar como se documenta a aprendizagem. O histórico de versões, os registros de fontes, as etapas presenciais, a defesa oral, os comentários sobre erros e decisões tomadas durante o processo revelam muito mais do que qualquer detector automático. Isso não significa transformar cada aluno em suspeito permanente. Significa avaliar aquilo que realmente importa: compreensão, julgamento crítico, autoria e capacidade de corrigir a própria resposta.

A desigualdade educacional pode crescer justamente neste ponto. Escolas com mais recursos tendem a ensinar seus alunos a usar, questionar e auditar sistemas de IA. Redes que respondem apenas com bloqueio e vigilância correm o risco de formar estudantes que usam as mesmas ferramentas, mas sem linguagem para reconhecer seus limites, documentar decisões ou assumir responsabilidade.

A pergunta certa deixou de ser "o aluno usou IA?". Passou a ser "o que este trabalho prova que ele sabe, que escolhas fez e que evidências consegue sustentar?". Mudar a pergunta é mais difícil do que comprar um detector ou publicar uma norma. É também o único caminho capaz de preservar aprendizagem real quando a máquina já participa do trabalho.