Entre o Prompt e a Aprendizagem: o Novo Desafio da Avaliação

Um texto bem escrito, uma análise consistente ou um trabalho aparentemente impecável ainda comprovam que o estudante aprendeu?

Na era da inteligência artificial generativa, essa pergunta deixou de ser apenas uma preocupação com cola ou integridade acadêmica. Ela passou a atingir o centro da avaliação.

Hoje, uma única resposta pode reunir o conhecimento do estudante, a qualidade do prompt, a capacidade do modelo de IA, o número de revisões realizadas e até o acesso a ferramentas mais avançadas. O resultado pode ser excelente, mas isso não garante, por si só, que o estudante compreenda o que entregou, consiga explicar suas decisões ou aplicar aquele conhecimento em uma nova situação.

Esse debate é reforçado por uma metanálise de Maciel, Silva, Santos e Menezes (2026), que evidencia a importância do letramento em avaliação para a prática docente. Também dialoga com orientações recentes da OCDE, UNESCO, TEQSA e do Ministério da Educação, por meio do Referencial para Desenvolvimento e Uso Responsáveis de Inteligência Artificial na Educação. Em comum, esses documentos apontam que o desafio não está em simplesmente proibir a tecnologia, mas em utilizá-la com criticidade, ética, equidade e supervisão humana.

Neste artigo, a PreparaEdu propõe uma reflexão prática: em vez de perguntar somente se o estudante utilizou IA, precisamos perguntar quais evidências demonstram que ele realmente aprendeu. A resposta passa por redesenhar objetivos, instrumentos e critérios avaliativos, combinando momentos de conhecimento individual, atividades aplicadas com uso responsável da IA e oportunidades para que o estudante justifique, transfira e defenda aquilo que produziu.

1 Introdução

A inteligência artificial generativa alterou as condições em que estudantes escrevem, pesquisam, programam, resolvem problemas e apresentam trabalhos. Sistemas capazes de produzir textos, códigos, imagens, análises e respostas argumentativas tornaram menos confiável a ideia de que o produto entregue representa, por si só, aquilo que o estudante sabe ou consegue fazer.

A questão, entretanto, não deve ser reduzida à oposição entre tecnologia e integridade acadêmica. O desafio é mais profundo: trata-se de compreender se os instrumentos utilizados continuam produzindo evidências válidas sobre as aprendizagens que se pretende avaliar. Quando uma atividade pode ser integralmente executada por uma ferramenta generativa, a nota deixa de expressar apenas o domínio do estudante. Ela passa a incorporar também a qualidade do comando utilizado, a capacidade do sistema, o acesso a versões pagas ou gratuitas, o número de revisões realizadas e a competência do usuário para selecionar ou rejeitar respostas.

A OCDE observa que a inteligência artificial generativa pode melhorar o desempenho imediato em tarefas sem necessariamente produzir aprendizagem duradoura. Quando a ferramenta substitui o esforço cognitivo que deveria ser realizado pelo estudante, pode haver aumento da qualidade aparente do trabalho sem correspondente desenvolvimento de conhecimento, autonomia ou habilidade (OECD, 2026).

Essa constatação recoloca o letramento em avaliação no centro do debate. Para Maciel et al. (2026), o professor precisa desenvolver conhecimentos e habilidades que lhe permitam planejar, interpretar e utilizar diferentes instrumentos avaliativos de modo consciente, fortalecendo tanto as práticas formativas quanto as somativas. Na era da IA, esse letramento precisa incluir uma pergunta adicional: que parte da evidência observada pertence efetivamente ao estudante e que parte foi produzida ou ampliada por sistemas automatizados?

No Brasil, o Referencial para Desenvolvimento e Uso Responsáveis de Inteligência Artificial na Educação estabelece que a integração da IA deve estar comprometida com inclusão, equidade, proteção de dados, transparência, supervisão humana significativa e valorização do professor (BRASIL, 2026). Para a educação superior, o documento destaca o desenvolvimento de pensamento crítico, criatividade e resolução de problemas, bem como o papel estratégico das instituições na formação de professores, na governança e no uso ético dessas tecnologias. Essas orientações deslocam a discussão de uma lógica de controle para uma lógica de responsabilidade pedagógica e institucional.

Este artigo é um estudo teórico-analítico, fundamentado na metanálise de Maciel et al. (2026), no material de apoio Avaliar na era da inteligência artificial, no Referencial do MEC e em documentos institucionais e pesquisas recentes sobre avaliação e IA. O objetivo é discutir os efeitos da inteligência artificial sobre a validade das avaliações, apresentar uma proposta de triangulação de evidências e indicar implicações para a formação docente e para as políticas institucionais.

2 Letramento em avaliação e prática docente

O letramento em avaliação não se limita ao conhecimento de técnicas de elaboração de provas. Ele envolve a capacidade de compreender finalidades, selecionar instrumentos adequados, construir critérios, interpretar resultados e tomar decisões pedagógicas responsáveis. Assim, avaliar não é simplesmente atribuir uma nota: é produzir uma interpretação sobre o que o estudante aprendeu a partir de evidências necessariamente parciais.

A metanálise de Maciel et al. (2026) evidencia a necessidade de programas de formação que desenvolvam habilidades avaliativas básicas e fortaleçam a identidade do professor como avaliador. Os autores destacam a importância de aperfeiçoar tanto as práticas somativas quanto as formativas, além de ampliar a compreensão docente sobre os diferentes instrumentos e técnicas de avaliação.

Essa perspectiva é particularmente importante porque nenhuma avaliação observa diretamente a aprendizagem. O professor observa respostas, procedimentos, explicações, produtos e comportamentos e, a partir deles, formula inferências. Quanto mais distante estiver a evidência da competência que se deseja conhecer, maior será o risco de erro interpretativo.

Uma redação produzida em casa, por exemplo, pode avaliar escrita, pesquisa e argumentação. Porém, se sua elaboração for delegada à IA, o texto final poderá não representar adequadamente essas competências. O problema, portanto, não é apenas o possível descumprimento de uma regra. É a redução da validade da avaliação.

A inteligência artificial torna visíveis fragilidades que já existiam. Tarefas genéricas, descontextualizadas e centradas na reprodução de informações sempre foram limitadas como evidências de aprendizagem. A IA apenas ampliou a escala e a velocidade com que essas limitações aparecem.

3 Avaliação na era da inteligência artificial

3.1 Desempenho não é sinônimo de aprendizagem

A OCDE (2026) diferencia o desempenho em uma tarefa da aprendizagem efetivamente consolidada. Estudantes podem apresentar respostas mais sofisticadas com auxílio de sistemas generativos e, ainda assim, demonstrar desempenho inferior quando precisam resolver problemas sem acesso à ferramenta.

Isso não significa que toda utilização de IA prejudique a aprendizagem. O efeito depende da finalidade pedagógica e do momento de uso. A tecnologia pode atuar como interlocutora, fonte de feedback, simuladora de situações, geradora de contraexemplos ou apoio à revisão.

O risco surge quando ela realiza precisamente a operação cognitiva que a atividade deveria desenvolver.

Por essa razão, a pergunta “o estudante usou IA?” é insuficiente. É necessário perguntar:

3.2 A autoria não pode ser presumida a partir do produto final

A dificuldade de determinar a autoria de textos produzidos fora de ambientes supervisionados não é resolvida por detectores automáticos. Estudos sobre essas ferramentas indicam que seus resultados são probabilísticos e sensíveis a alterações no texto. Por isso, uma porcentagem de detecção não deve ser tratada como prova conclusiva de autoria ou infração.

A TEQSA recomenda que as instituições reformulem a avaliação considerando diretamente a presença da IA, pois é difícil criar tarefas remotas que impeçam seu uso ou identificar de modo confiável se ela foi utilizada (TEQSA, 2023).

A consequência pedagógica é importante: em vez de tentar descobrir retrospectivamente se o estudante utilizou uma ferramenta, torna-se mais produtivo solicitar evidências positivas de aprendizagem. Entre elas estão versões intermediárias, registros de decisões, explicações orais, demonstrações práticas, justificativas metodológicas, referências verificadas e aplicação do conhecimento a uma situação nova.

3.3 Alfabetização em IA como competência avaliável

A alfabetização em IA não se reduz à capacidade de formular prompts. Ela envolve compreender o funcionamento geral dos sistemas, reconhecer limitações, identificar vieses, avaliar a qualidade das respostas, proteger dados, verificar fontes e assumir responsabilidade pelo resultado.

O Generative AI Literacy Assessment Test (GLAT), desenvolvido por Jin, Martinez-Maldonado, Gašević e Yan, foi construído para avaliar conhecimentos e habilidades de estudantes do ensino superior. O estudo encontrou associação entre

os resultados do teste e o desempenho em tarefas apoiadas por IA, superior àquela observada em medidas baseadas apenas na percepção dos próprios estudantes (Jin et al., 2025).

A implicação é direta: instituições de ensino precisam avaliar não apenas se os estudantes utilizam IA, mas se sabem avaliar criticamente aquilo que a ferramenta produz.

Um estudante pode gerar uma resposta linguisticamente excelente e, ainda assim, não reconhecer uma referência inventada, uma generalização indevida ou um erro conceitual.

4 Um modelo avaliativo baseado na triangulação de evidências

Propõe-se uma organização avaliativa composta por três camadas articuladas. Ela não pretende constituir uma taxonomia validada ou uma fórmula universal. Trata-se de uma proposta de boas práticas da PreparaEdu, inspirada na teoria contemporânea da validade. Para Kane (2013), a validade diz respeito à plausibilidade das interpretações e dos usos atribuídos aos resultados; interpretações mais amplas sobre a aprendizagem exigem mais evidências e pressupostos explicitados. Na mesma direção, os Standards for Educational and Psychological Testing recomendam acumular evidências relevantes para sustentar as interpretações pretendidas (AERA; APA; NCME, 2014). Assim, combinar condições e fontes de evidência reduz a dependência de um único produto final, especialmente quando esse produto pode ser substancialmente mediado pela IA.

Camada 1: conhecimento individual

Essa camada verifica conhecimentos e habilidades que o estudante precisa dominar pessoalmente, com ou sem tecnologia, conforme a finalidade da disciplina. Podem ser utilizados:

• questões conceituais;

• cálculos;

• interpretação de dados;

• explicações curtas;

• provas supervisionadas;

• demonstrações práticas;

• resolução de problemas sem acesso à IA.

O objetivo não é recuperar uma suposta avaliação “pura”, mas assegurar que determinados fundamentos sejam observados diretamente.

Camada 2: desempenho aplicado com IA

Nessa etapa, o uso da IA é autorizado e explicitamente orientado. Avaliam-se:

• definição do problema;

• elaboração de estratégias;

• comparação entre alternativas;

• verificação de fontes;

• identificação de erros;

• revisão de respostas;

• justificativa para aceitar, modificar ou rejeitar uma sugestão;

• responsabilidade pelo produto final.

A inteligência artificial deixa de ser apenas uma ameaça externa e passa a ser objeto de análise. O estudante pode receber uma resposta contendo argumentos válidos, omissões, erros e referências inexistentes e ser solicitado a corrigi-la, justificando cada decisão.

Camada 3: autoria, transferência e defesa

A terceira camada verifica se o estudante compreende o que entregou e consegue transferir o conhecimento para uma situação nova. Podem ser utilizados:

• defesa oral;

• perguntas individualizadas;

• alteração inesperada de uma variável;

• reconstrução parcial da solução;

• demonstração prática;

• aplicação a um caso não trabalhado;

• explicação das principais decisões.

Essa camada não deve funcionar como interrogatório punitivo. Ela precisa ser planejada, breve, estruturada por rubrica e compatível com as condições de acessibilidade dos estudantes.

5 Uma taxonomia para explicitar o uso da IA

A AI Assessment Scale propõe níveis de uso que podem ser adaptados às finalidades de cada atividade. A literatura recente apresenta versões com cinco níveis, da não utilização à exploração crítica da IA (Perkins et al., 2024).

A imagem sintetiza a progressão possível do uso da IA nas atividades. A tabela a seguir detalha cada nível, indicando o que pode ser permitido e qual deve ser o foco da avaliação em cada situação.

Nível	Uso da IA	Ênfase avaliativa
1. Sem IA	A ferramenta não é permitida.	Domínio individual e fundamentos.
2. IA para planejamento	Uso restrito a ideias, organização ou pesquisa inicial.	Formulação e desenvolvimento autônomo.
3. IA colaborativa	Uso para comparar alternativas, revisar ou receber feedback.	Julgamento e verificação.
4. IA integrada	A ferramenta participa do processo de produção.	Qualidade da interação humano-IA.
5. Exploração crítica	O estudante testa, compara ou audita sistemas.	Alfabetização crítica, ética e responsabilidade.

Exemplo prático: um mesmo desafio, cinco formas de avaliar

Imagine que o professor apresente uma situação-problema da sua área e peça ao estudante que analise as informações disponíveis, tome uma decisão e a justifique com evidências. A competência permanece a mesma; o que muda é a forma como a IA participa da atividade.

Nível	Aplicação prática em sala
1. Sem IA	O estudante analisa o caso individualmente e registra sua decisão, justificando-a com os conhecimentos trabalhados na disciplina.
2. IA para planejamento	Após elaborar uma resposta inicial, o estudante pode usar a IA para organizar ideias, levantar perguntas ou identificar palavras-chave para aprofundar a pesquisa. A decisão final continua sendo dele.
3. IA colaborativa	O estudante apresenta sua solução à IA, compara argumentos, solicita contrapontos e revisa a resposta. Na entrega, explica o que aceitou, recusou ou modificou e por quê.
4. IA integrada	O estudante utiliza a IA no desenvolvimento da solução, por exemplo para criar cenários, organizar dados ou simular alternativas. A avaliação considera a qualidade das decisões, dos comandos, da verificação e da justificativa final.
5. Exploração crítica	O estudante solicita soluções à IA, compara respostas de diferentes ferramentas ou prompts, identifica limites, vieses, omissões e erros, e produz uma análise crítica sobre a confiabilidade do que foi gerado.

A situação pode ser adaptada a qualquer área: um caso clínico na Medicina, um desafio de aprendizagem na Pedagogia, a análise de uma fonte na História ou a resolução de um problema contextualizado na Matemática. O ponto central é preservar aquilo que se quer observar no estudante: sua capacidade de compreender, decidir, justificar e avaliar criticamente.

6 Proposta de desenho avaliativo para uma disciplina

Um desenho equilibrado pode combinar diferentes condições de realização:

Componente	Condição	Peso sugerido
Provas individuais	Sem IA e supervisionadas	30%
Estudos de caso	IA permitida, declarada e criticamente analisada	20%
Projeto progressivo	IA integrada, com registros de processo	25%
Defesa oral ou demonstração	Verificação individual	15%
Portfólio e reflexão	Evidências de evolução e metacognição	10%

Essa distribuição não deve ser aplicada como fórmula universal. Ela é um exemplo de como articular conhecimento independente, aplicação, competência tecnológica, autoria e reflexão.

Em trabalhos escritos, o produto final também não deveria representar a totalidade da nota.

Uma rubrica poderia considerar:

• delimitação do problema: 10%;

• qualidade das fontes: 20%;

• raciocínio e argumentação: 25%;

• processo e decisões documentadas: 20%;

• produto final: 15%;

• defesa ou verificação individual: 10%.

O princípio fundamental é que a qualidade estética ou linguística do produto não compense a ausência de conhecimento, raciocínio ou evidências confiáveis.

7 Formação docente e políticas institucionais

O redesenho da avaliação exige formação continuada. O professor precisa conhecer as possibilidades e limitações da IA, mas também dominar fundamentos de validade, confiabilidade, equidade e interpretação de resultados. O Referencial do MEC reforça que a adoção educacional da IA deve preservar supervisão humana significativa, centralidade pedagógica do docente, transparência e proteção de dados, evitando que sistemas automatizados substituam o julgamento profissional em decisões que afetam trajetórias estudantis (BRASIL, 2026).

A formação pode contemplar quatro dimensões:

Políticas institucionais também precisam abandonar regras genéricas. A orientação adequada depende da área, da etapa de formação, da competência avaliada e dos riscos associados à profissão. Em consonância com o Referencial, essas políticas devem prever governança, avaliação de riscos, acessibilidade, equidade de acesso e proteção dos dados de estudantes e professores, além de orientar o uso pedagógico responsável da tecnologia (BRASIL, 2026).

A TEQSA recomenda que os critérios estejam vinculados à aprendizagem pretendida, e não à tentativa de identificar se um texto foi produzido por uma máquina. Também orienta que o uso da IA seja avaliado quando fizer parte explícita dos resultados de aprendizagem e que exista alternativa equivalente quando a ferramenta for apenas opcional (TEQSA, 2026).

Uma política institucional consistente deve informar:

Em conjunto, esses elementos mostram que uma política institucional de IA não pode se limitar a proibir ou permitir ferramentas. Ela precisa orientar decisões pedagógicas reais: deixar claros os usos esperados, proteger dados, reconhecer responsabilidades, avaliar processos e oferecer critérios justos para estudantes e docentes. Assim, a IA deixa de ser um tema tratado apenas em situações de conflito e passa a integrar, de forma transparente, o planejamento da aprendizagem e da avaliação.

Esse compromisso também exige atenção às condições concretas de acesso e participação dos estudantes.

A equidade é central. Se uma atividade exige IA, todos devem ter acesso adequado à ferramenta e orientação para utilizá-la. Se o uso é apenas opcional, deve existir um caminho não tecnológico que permita alcançar os mesmos resultados de aprendizagem.

Considerações finais

A inteligência artificial generativa não eliminou a necessidade de avaliar; ela tornou mais urgente a necessidade de avaliar melhor. O desafio contemporâneo não consiste em encontrar uma atividade “à prova de IA”, mas em construir situações nas quais as evidências produzidas sejam relevantes, suficientes e interpretáveis.

A principal contribuição do letramento em avaliação para esse debate está em deslocar o foco da vigilância para a validade. Em vez de perguntar apenas se o estudante usou uma ferramenta, é preciso definir o que ele deve saber, quais decisões precisa tomar e que evidências demonstram domínio.

A avaliação mais robusta tende a combinar conhecimento individual, desempenho aplicado, processo, reflexão, defesa e transferência. Esse modelo preserva espaços para o desenvolvimento de fundamentos sem tecnologia, mas também prepara os estudantes para utilizar recursos contemporâneos com responsabilidade.

A IA pode ampliar a aprendizagem quando funciona como apoio ao pensamento. Quando substitui o pensamento, pode produzir desempenho sem aprendizagem. Cabe à escola e à universidade desenhar avaliações que tornem essa diferença visível.

Referências

AMERICAN EDUCATIONAL RESEARCH ASSOCIATION; AMERICAN PSYCHOLOGICAL ASSOCIATION; NATIONAL COUNCIL ON MEASUREMENT IN EDUCATION. Standards for educational and psychological testing. Washington, DC: American Educational Research Association, 2014. Disponível em: https://www.testingstandards.net/uploads/7/6/6/4/76643089/standards_2014edition.pdf. Acesso em: 10 ago. 2026.

BRASIL. Ministério da Educação. Referencial para Desenvolvimento e Uso Responsáveis de Inteligência Artificial na Educação. Brasília, DF: MEC, 2026. Disponível em: Referencial do MEC. Acesso em: 10 ago. 2026.

JIN, Y.; MARTINEZ-MALDONADO, R.; GAŠEVIĆ, D.; YAN, L. GLAT: The generative AI literacy assessment test. Computers and Education: Artificial Intelligence, v. 9, 100436, 2025. Disponível em: https://doi.org/10.1016/j.caeai.2025.100436. Acesso em: 8 ago. 2026.

KANE, M. T. Validating the interpretations and uses of test scores. Journal of Educational Measurement, v. 50, n. 1, p. 1-73, 2013. Disponível em: https://doi.org/10.1111/jedm.12000. Acesso em: 10 ago. 2026.

MACIEL, C. R. M.; SILVA, J. G. A. da; SANTOS, M. J. C. dos; MENEZES, D. B. Letramento em avaliação para professores e a prática docente: uma metanálise. Estudos em Avaliação Educacional, v. 37, e12332, 2026. Disponível em: https://doi.org/10.18222/eae.v37.12332. Acesso em: 8 ago. 2026.

MATERIAL DE APOIO. Avaliar na era da inteligência artificial. Slides fornecidos pelo autor. s.d.

OECD. OECD Digital Education Outlook 2026: Exploring effective uses of generative AI in education. Paris: OECD Publishing, 2026. Disponível em: https://doi.org/10.1787/062a7394-en. Acesso em: 8 ago. 2026.

PERKINS, M.; ROE, J.; FURZE, L. The AI Assessment Scale revisited: A framework for educational assessment. 2024. Disponível em: https://arxiv.org/abs/2412.09029. Acesso em: 8 ago. 2026.

TEQSA. Assessment reform for the age of artificial intelligence. Melbourne: Tertiary Education Quality and Standards Agency, 2023. Disponível em: TEQSA. Acesso em: 8 ago. 2026.

TEQSA. Principles for criteria and standards in assessment for gen AI use. Melbourne: Tertiary Education Quality and Standards Agency, 2026. Disponível em: TEQSA. Acesso em: 8 ago. 2026.

UNESCO. Guidance for generative AI in education and research. Paris: UNESCO, 2023. Disponível em: UNESCO. Acesso em: 8 ago. 2026.