A inteligência artificial criou um problema de atribuição na educação. Quando um trabalho melhora, deixou de ser trivial saber quanto desse ganho pertence à aprendizagem, quanto pertence à ferramenta e quanto vem da combinação entre as duas. E qualquer avaliação que pretenda dizer algo sobre aprendizagem passa a ter de enfrentar essa dificuldade.

O OECD Digital Education Outlook 2026 traz um experimento que expõe o problema com clareza. Cerca de mil estudantes do ensino médio, na Turquia, praticaram matemática em três condições: sem IA, com uma versão convencional do GPT-4 e com uma versão configurada como tutor educacional. Durante os exercícios, o primeiro grupo com IA teve desempenho 48% superior ao grupo sem ferramenta, e o segundo, 127%. Avaliados depois, sem acesso à ferramenta, os usuários da versão convencional ficaram 17% abaixo de quem havia estudado sozinho. Os do tutor ficaram próximos desse grupo.

Convém não fazer o dado dizer mais do que ele diz. São adolescentes, é matemática, são condições experimentais específicas, e nada ali demonstra que a IA prejudique a aprendizagem em geral. O que o estudo mostra, quando lido ao lado das outras pesquisas reunidas pela OCDE, é que inferir aprendizagem a partir da qualidade do resultado produzido com IA exige cuidado. O trabalho pode ficar melhor sem que as capacidades que nos interessava desenvolver tenham avançado na mesma proporção.

Isso importa porque o uso já se disseminou. Numa pesquisa com mais de 23 mil estudantes alemães do ensino superior, 94% utilizavam IA em 2025, sendo 65% diária ou semanalmente. Num levantamento com 3 mil universitários de dezesseis países, 86% declararam usar IA nos estudos.

Em boa medida, a política de acesso foi decidida sem nós.

A decisão educacional relevante começa depois dela e tem três momentos. Antes da atividade, saber qual capacidade se pretende desenvolver. Durante, decidir que tipo de participação da IA é compatível com esse objetivo. Ao final, avaliar algo que não se resume à qualidade do produto entregue.

Se a competência visada é avaliar evidências, por exemplo, a atividade deixa de cumprir parte de sua função quando a ferramenta recebe as evidências, faz a comparação e devolve a conclusão pronta, ainda que o texto final seja excelente.

As pesquisas reunidas no relatório mostram que essa preocupação não é teórica. E mostram também que ela não conduz à proibição.

Em estudos com universitários, participantes que utilizaram modelos de linguagem realizaram menos operações metacognitivas de avaliação e orientação. Em outra investigação, alguns estudantes passavam do pedido de ajuda diretamente para a adoção da solução oferecida pelo chatbot, sem realizar adequadamente etapas de diagnóstico, avaliação e revisão. Em um estudo sobre produção textual, participantes que recorreram a um modelo de linguagem desde o início demonstraram depois menor capacidade de recordar o que haviam escrito e de reconstruir o próprio argumento.

Há resultados em outra direção. Em nove escolas secundárias da Nigéria, estudantes utilizaram o Copilot em duplas, com orientação docente e dentro de uma estrutura de aprendizagem entre pares. O estudo encontrou impacto positivo de magnitude média sobre a aprendizagem.

Em outra pesquisa, o ChatGPT foi incorporado a uma atividade estruturada de argumentação, com treinamento inicial, colaboração orientada e elaboração de mapas de argumentos. O grupo apresentou ganhos em argumentação e resultados positivos em medidas autorrelatadas de consciência de pensamento crítico e disposição para colaborar.

A distância entre esses resultados impede a conclusão fácil sobre ser a favor ou contra a tecnologia. Ela obriga a olhar para a atividade, que é onde a intencionalidade pedagógica deixa de ser uma declaração de princípio e se transforma em escolha verificável: quando a IA entra, para quê, sob quais condições e o que será observado para saber se houve aprendizagem.

A mesma lógica altera o que entendemos por letramento em IA.

Utilizar bem uma ferramenta é uma competência. Julgar aquilo que ela produz exige outras. A OCDE mostra sistemas educacionais incorporando a esse repertório a compreensão das limitações e dos riscos dos modelos generativos, a avaliação crítica de fontes digitais, noções sobre o funcionamento dos sistemas e questões relacionadas aos dados. Em vários países, essas competências aparecem distribuídas transversalmente pelos currículos, e não confinadas a uma disciplina sobre uma tecnologia específica.

Há uma razão técnica para isso. Sistemas generativos podem produzir respostas plausíveis, bem estruturadas e convincentes sem oferecer garantia de verdade. Podem fabricar informações, reproduzir perspectivas presentes nos dados de treinamento e responder de formas diferentes a solicitações semelhantes.

A qualidade da superfície não dispensa o julgamento. Pode torná-lo mais necessário.

Nas carreiras de Comunicação, e aqui já fazemos uma leitura a partir dessas evidências, isso tem consequência profissional direta. Jornalismo, Publicidade, Relações Públicas e Audiovisual trabalham com informação, linguagem, representação, criação e circulação de sentidos. Produzir com inteligência artificial fará parte desse repertório. Mas alguém continuará precisando verificar informações, compreender as escolhas envolvidas, avaliar consequências e responder publicamente pelo que coloca em circulação.

A velocidade da produção não transfere essa responsabilidade para a máquina.

O ganho de eficiência é fácil de perceber. Uma tarefa que levava duas horas pode passar a levar vinte minutos. Muito mais difícil é enxergar se, nesse intervalo menor, o estudante desenvolveu aquilo que a atividade pretendia ensinar.

Uma instituição que não consegue responder a isso não perdeu a capacidade de avaliar trabalhos. Perdeu a capacidade de saber o que está avaliando.

Fonte: OECD. OECD Digital Education Outlook 2026: Exploring Effective Uses of Generative AI in Education. OECD Publishing, 2026.