Resumo Técnico: Da IA Generativa para a IA Agêntica no Ensino Superior

1. Problema

O ensino superior está atualmente navegando em uma transição da IA Generativa (GenAI) — ferramentas reativas e orientadas por comandos (prompts) usadas para escrita, tutoria e codificação — para a IA Agêntica, que consiste em sistemas proativos e autônomos capazes de planejar, coordenar, recuperar informações e executar tarefas dentro dos fluxos de trabalho institucionais. Enquanto a GenAI funciona como uma ferramenta de suporte iniciada pelo usuário, a IA Agêntica opera como um ator educacional distribuído que pode ajustar independentemente as trajetórias de aprendizagem, gerenciar o feedback e integrar-se aos processos de tomada de decisão.

Esta mudança introduz desafios qualitativamente novos que a literatura existente, frequentemente estudada de forma isolada, não consegue abordar de maneira holística. O problema central é que as universidades carecem de um arcabouço estruturado para avaliar as tensões decorrentes desta transição em quatro domínios críticos:

1. Validade Instrucional: Garantir que a personalização impulsionada pela IA esteja alinhada com os resultados de aprendizagem e a integridade da avaliação.
2. Agência Humana: Equilibrar o aumento da autonomia do aprendiz com os riscos de sobrecarga cognitiva (cognitive offloading) e dependência.
3. Governança: Gerenciar a expansão do risco, de erros de saída isolados (ex: alucinações) para vulnerabilidades sistêmicas do ecossistema (ex: privacidade de dados, injeção de prompt, lacunas de responsabilidade).
4. Distribuição de Papéis: Redefinir a fronteira entre a agência humana e a da IA no ensino, na aprendizagem e na administração.

2. Metodologia

Os autores empregaram uma revisão narrativa estruturada combinada com uma síntese orientada por arcabouço. Este método foi selecionado porque a literatura sobre IA Agêntica na educação é diversa, evolui rapidamente e é conceitualmente fragmentada, tornando a meta-análise inadequada.

• Seleção do Corpus: Um conjunto inicial de 77 citações bibliográficas foi identificado por meio de buscas direcionadas em bases de dados multidisciplinares (ex: Scopus, Web of Science, IEEE Xplore, ERIC) utilizando termos relacionados a GenAI, IA agêntica, aprendizagem adaptativa, avaliação, agência humana e segurança de IA.
• Processo de Triagem: Após a deduplicação e triagem de relevância contra critérios de inclusão (foco em ensino superior, validade instrucional, agência e governança), o corpus analítico final consistiu em 65 artigos.
• Estratégia de Codificação: A síntese utilizou um processo dedutivo-indutivo. Os artigos foram primeiramente mapeados em quatro dimensões dedutivas (Transição de agência, Validade instrucional, Agência humana, Vulnerabilidade de governança) e, em seguida, codificados indutivamente para subtemas.
• Síntese: A análise identificou quatro tensões recorrentes e interconectadas na literatura, que serviram como base para o arcabouço proposto.

3. Principais Contribuições

O artigo apresenta três contribuições primárias para o campo:

1. Clarificação Conceitual: Distingue a IA Agêntica não meramente como uma versão mais capaz da GenAI, mas como uma classe distinta de sistemas que redistribuem a agência educacional, alteram as evidências de avaliação e criam novas obrigações de governança institucional.
2. Síntese de Literatura: Integra fluxos de pesquisa fragmentados (aprendizagem adaptativa, sobrecarga cognitiva, integridade acadêmica, segurança de IA) em uma visão unificada de quatro tensões específicas que as universidades devem navegar.
3. Arcabouço Prático (AIRA-G): Propõe o Framework de Prontidão Institucional e Responsabilidade-Governança de IA Agêntica (AIRA-G), uma ferramenta de diagnóstico projetada para ajudar as partes interessadas a avaliar casos de uso de IA Agêntica antes da adoção em escala.

4. Resultados: As Quatro Tensões de Síntese

A revisão da literatura revelou quatro tensões centrais que caracterizam a mudança para a IA Agêntica:

• Tensão 1: De Ferramenta Reativa a Ator Distribuído. A IA está mudando de um mecanismo de resposta passiva para um participante ativo nos fluxos de trabalho educacionais. Isso levanta questões sobre o nível de autonomia que a IA deve exercer nos processos acadêmicos e a distribuição de agência entre estudantes, professores e instituições.
• Tensão 2: Personalização vs. Validade Instrucional. Embora a IA possibilite trajetórias de aprendizagem personalizadas, há o risco de que tal personalização priorize a conveniência em detrimento do alinhamento pedagógico. A tensão reside em garantir que a personalização apoiada pela IA fortaleça a qualidade da aprendizagem e a integridade da avaliação, em vez de apenas aumentar a eficiência.
• Tensão 3: Assistência de IA vs. Agência Humano-IA Calibrada. A IA pode apoiar a aprendizagem autodirigida e a produtividade docente, mas o uso não calibrado leva à sobrecarga cognitiva, dependência excessiva e erosão do pensamento crítico. O objetivo é a "agência calibrada", onde os humanos retêm a responsabilidade pelo raciocínio e pelas decisões finais.
• Tensão 4: Inovação vs. Vulnerabilidade de Governança. À medida que os sistemas de IA se integram aos dados e fluxos de trabalho institucionais, os riscos se expandem de erros de nível de saída para vulnerabilidades sistêmicas, incluindo violações de privacidade, ataques de injeção de prompt, viés e vazios de responsabilidade.

5. O Framework AIRA-G

Para abordar essas tensões, os autores propõem o Framework AIRA-G, um modelo operacional para tomada de decisão institucional. Ele consiste em quatro camadas:

1. Identificação do Caso de Uso: Definir o papel específico da IA (ex: tutor, orientador, avaliador) e seu acesso a dados.
2. Avaliação Diagnóstica (Quatro Lentes):
   • Autonomia e Fronteira de Papel: Quais ações a IA pode iniciar? Onde começa a autoridade humana?
   • Validade Instrucional e de Avaliação: A IA preserva os resultados de aprendizagem e as evidências de competência?
   • Agência Humana e Calibração Cognitiva: A IA aumenta ou substitui o julgamento humano?
   • Governança Institucional e Segurança: A instituição consegue gerenciar riscos relativos à privacidade, segurança e responsabilidade?
3. Classificação de Risco–Prontidão: Com base na avaliação, os casos de uso são atribuídos a uma de quatro zonas:
   • Zona A (Assistência de Baixo Risco): Permitida com divulgação (ex: bots de FAQ).
   • Zona B (Adoção Guiada): Permitida com supervisão docente e revisão periódica (ex: ferramentas de feedback formativo).
   • Zona C (Piloto Controlado): Requer registros de auditoria (logs), aprovação humana e revisões de impacto (ex: agentes de orientação/aconselhamento).
   • Zona D (Restrita/Não Pronta): Restrita até que as salvaguardas sejam fortalecidas (ex: correção de provas autônoma).
4. Resposta de Governança: Ações customizadas (ex: divulgação, supervisão, trilhas de auditoria ou restrição) proporcionais à zona de risco.

O framework também inclui uma Taxonomia de Nível de Autonomia (L0–L4), variando de "Informar" (L0) a "Ação Consequencial Autônoma" (L4), para ajudar as instituições a mensurar o grau de delegação implícito em um sistema.

6. Significância e Alegações

O artigo afirma que a adoção responsável da IA Agêntica exige ir além dos debates binários de "aceitação vs. proibição". Em vez disso, as instituições devem adotar uma governança calibrada e sensível ao caso de uso.

• Significância Educacional: O artigo argumenta que a IA Agêntica apresenta um desafio educacional específico, distinto da adoção de IA geral, necessitando de uma mudança de visão da IA como uma ferramenta para vê-la como um ator no ecossistema educacional.
• Utilidade Prática: O Framework AIRA-G é apresentado como uma ponte entre princípios de governança abstratos (como o NIST AI Risk Management Framework ou o EU AI Act) e a tomada de decisão acadêmica concreta. Ele fornece um mecanismo para as universidades traduzirem conceitos de alto nível de risco em critérios de avaliação específicos para tutores, orientadores e ferramentas de avaliação.
• Modéstia das Alegações: Os autores declaram explicitamente que este estudo é uma síntese conceitual fundamentada na literatura, não uma validação empírica. Eles reconhecem que muitos sistemas de IA Agêntica ainda estão emergindo ou são conceituais. Consequentemente, o arcabouço é oferecido como uma "base fundamentada para refinamento futuro" em vez de um modelo acabado e universalmente aplicável. Os autores convocam estudos empíricos futuros para testar o framework através de estudos de caso institucionais, validação por especialistas e programas piloto longitudinais.

Em resumo, o artigo fornece uma lente estruturada para que as partes interessadas do ensino superior antecipem as tensões da IA Agêntica e oferece um arcabouço diagnóstico prático para garantir que a adoção seja pedagogicamente válida, preserve a agência e seja institucionalmente governável.