📰 Report of MIT’s Ad Hoc Committee on AI Use in Teaching, Learning, and Research Training
Em poucas palavras
Depois de meses de escuta, pesquisa e levantamentos internos, um comitê do MIT formado por docentes, estudantes e equipe técnica conclui que a IA generativa já reorganizou a vida acadêmica do Instituto e que responder a isso com remendos não basta. O relatório propõe oito princípios norteadores e um conjunto de recomendações que vão de repensar objetivos de aprendizagem e formatos de avaliação até reconstruir deliberadamente a convivência presencial e criar estrutura permanente de governança sobre IA. A tese central: IA deve ampliar a capacidade humana de aprender, nunca automatizar o aprendizado.
🎯 Resumo
- O que é: relatório final (13/08/2026) do Comitê Ad Hoc do MIT sobre Uso de IA no Ensino, na Aprendizagem e na Formação em Pesquisa, encomendado em janeiro de 2026 pela Chanceler, pelo Reitor e pelo Presidente do Conselho Docente. Co-presidido por Eric Klopfer e Sam Madden.
- Encomenda original: avaliar o uso atual de IA no MIT, identificar inovações em ensino e avaliação e propor uma política de uso de IA. O comitê concluiu que a encomenda era estreita demais e ampliou o escopo para a estrutura, o significado e o valor da educação do MIT.
- Diagnóstico: o uso de IA é generalizado e ambivalente. Entre os efeitos observados: queda no comparecimento a horários de atendimento, redução de grupos de estudo presenciais, aumento do isolamento, erosão da confiança mútua entre docentes e alunos, e dificuldade real de avaliar o progresso individual.
- Aposta central: a ruptura é severa demais para ser ignorada — e por isso pode ser o ponto de virada para enfrentar problemas anteriores à IA (atenção fragmentada, obsessão por nota, enfraquecimento do projeto intelectual comum).
- Tom: o comitê explicita que não tem respostas definitivas e assume que correções de rota serão necessárias. É um chamado à ação, não um regulamento fechado.
📝 Notas e Insights
- Princípios norteadores:
- Seja humilde: a IA generativa tem menos de quatro anos de uso público e evolui rápido demais para que a sociedade observe, analise e se adapte gradualmente. Qualquer proposta feita hoje precisa nascer com previsão de revisão.
- Seja ousado: incerteza não justifica inércia. Não é hora de improviso, a resposta precisa ser estratégica e estrutural, à altura do papel do MIT na história da própria IA.
- Humanidade no centro: proteger as pessoas e a comunidade acima da eficiência. Exemplo citado: docentes cogitando substituir bolsistas de iniciação científica por agentes de IA — mais eficiente, sim, mas destrói a função formativa da pesquisa. A “ineficiência” do aprender fazendo é a característica, não o defeito.
- Apoie-se no aprendizado: o risco maior não é a nota inflada, é o aluno perder a oportunidade de aprender. Exige um novo “contrato social”: deixar claro que o produto da educação não é o GPA nem o diploma, mas a própria pessoa — sua maturidade intelectual, julgamento e imaginação.
- Ensine com intencionalidade: cada disciplina precisa ser revista com Desenho reverso — começar definindo o que o aluno deve saber, saber fazer e aprender a valorizar; só depois decidir se a IA entra ou não. A pergunta “IA pode ou não pode?” é a pergunta errada para começar.
- Não há medida única: um seminário de poesia, um curso de demonstrações matemáticas e um projeto têm relações legitimamente diferentes com IA. Regra única institucional seria permissiva demais para uns e restritiva demais para outros. O MIT deve oferecer um menu comum de políticas; departamentos e docentes escolhem dentro dele.
- Amplifique, não automatize: há sinais de que a dependência de chatbots reduz pensamento crítico, memória, confiança e domínio. Acertar a resposta cria a ilusão de aprendizado e leva à “rendição cognitiva” — recorrer à IA ao primeiro sinal de dificuldade. O paralelo é com a ideia de “IA pró-trabalhador” (Acemoglu, Autor e Johnson): aqui, uma IA “pró-aprendiz”.
- Pense além da sala de aula e do campus: boa parte do que o aluno leva da universidade nunca esteve no plano de ensino — hábitos, relações, valores tácitos. O perigo maior é o aluno internalizar um modelo transacional (tarefa = produto, professor = avaliador, colega = opcional, diploma = commodity otimizável) e carregar essa mentalidade para o trabalho e a vida.
- Recomendações principais:
- Adapte as formas de avaliação: Tanto em relação ao formato de avaliação quanto ao que é que efetivamente tem que ser avaliado. O relatório alerta que a saída fácil — jogar todo o peso em provas presenciais — tem custo: reduz o incentivo ao trabalho longo e reflexivo que constrói maestria. Sugere avaliações menos vulneráveis e mais formativas: provas orais, portfólios semestrais, entregas por etapas com conversas em aula, histórico de versões como evidência de processo. Recomenda também cautela com detectores de IA (falsos positivos penalizam sobretudo não nativos em inglês e alunos neurodivergentes, e alimentam uma corrida armamentista inútil) e toda política de IA acompanhada de justificativa ligada aos objetivos de aprendizagem.
- Amplie conexões e interações humanas: crie oportunidades para contato real entre os membros da comunidade acadêmica. Na prática: toda disciplina deve ter um componente social presencial estruturado (não apenas assistir aula), preservação e expansão de programas de iniciação científica e experiências de campo, espaços físicos colaborativos e “livres de IA” para trabalho e avaliação, rituais coletivos e discussão aberta sobre normas compartilhadas.
- Crie mecanismos para reflexão, iteração e melhoria continuas: Forneça suporte para o desenvolvimento de processos, equipes e ferramentas que permitam a reflexão sobre os uso de IA, a iteração com tais mecanismos e a melhoria continua para incorporação adequada das ferramentas de IA. Instrumentos propostos: comitê permanente sobre IA e educação, “AI Leads” por escola/departamento, equipe de implementação e bolsistas dedicados, fundo para projetos-piloto, formação continuada de docentes (“comunidades de prática”), métricas de acompanhamento e uma plataforma institucional agnóstica de modelo.
- Exemplo de Política de IA para plano de ensino:
- Uso irrestrito: os alunos podem usar qualquer sistema de IA generativa, para qualquer finalidade, nas atividades da disciplina. Indicado quando a avaliação principal ocorre presencialmente e sem IA, ou quando avaliar e integrar a saída da IA é parte do trabalho.
- Uso limitado (apenas como ferramenta de apoio): os alunos podem usar IA generativa para apoiar o aprendizado, brainstorming, edição, depuração ou geração de explicações, mas não para produzir soluções completas ou substanciais das atividades — semelhante a pedir ajuda a um colega ou monitor. As atividades devem especificar claramente em quais etapas, processos ou componentes o uso é permitido ou vedado. É a política que o comitê considera adequada para a maioria dos cursos, e também a que exige mais cuidado em delimitar fronteiras.
- Uso requerido: os alunos são obrigados a usar IA generativa para realizar a atividade na forma especificada — ferramenta designada, fluxo de trabalho prescrito e documentação das interações. Indicado quando os objetivos de aprendizagem incluem programação assistida, engenharia de prompt, crítica de saídas ou avaliação de sistemas de IA.
- Uso estritamente proibido: IA generativa não pode ser usada de nenhuma forma na disciplina. O próprio relatório reconhece que fiscalizar o uso fora de aula é praticamente impossível, o que torna essa política difícil de sustentar e sujeita tanto a violações não detectadas quanto a acusações falsas.
Dados que sustentam o diagnóstico
- Levantamento próprio do comitê (primavera de 2026, 1.632 respostas): o ChatGPT segue como sistema mais usado, com 44% dos respondentes usando “com frequência/muita frequência”. Entre docentes, o uso concentra-se em tarefas administrativas e preparação de material — pouquíssimos usam para correção ou feedback individualizado.
- Pesquisa de Qualidade de Vida (~8.200 respostas): apenas 23% se declaram otimistas em relação à IA generativa; 39% consideram os sistemas atuais imprevisíveis e não confiáveis contra 21% que os consideram confiáveis. Alunos de graduação se sentem mais “substituíveis” do que “mais capazes” (40% vs. 34%).
- Pesquisa do jornal The Tech (outono de 2025): 90% dos estudantes de graduação estão preocupados com dependência excessiva de LLMs; 70% acham que domínio de IA será importante na carreira, mas só 25% acreditam que o MIT os prepara para isso.
Transparência docente
O relatório é explícito sobre a mão dupla: se o professor usa IA para gerar slides, feedback ou correção enquanto restringe o uso pelo aluno, os estudantes percebem duplo padrão e o efeito sobre a motivação é destrutivo. A recomendação é declarar o próprio uso. O relatório aplica isso a si mesmo — em apêndice, informa que nenhum trecho do texto foi gerado por IA, que rascunhos foram submetidos ao ChatGPT para identificar redundâncias e que parte dos gráficos e resumos estatísticos foi produzida com ferramenta de codificação assistida.