Rafael Alves ITM

Supervisão humana significativa em linguagem de professor

Leitura de 14 min

📝 Supervisão humana significativa em linguagem de professor

Em poucas palavras

O Parecer CNE/CP nº 15/2026 exige “supervisão humana significativa” no uso de IA na educação. Neste post, parte da série sobre IA no ensino superior, tento traduzir o termo para a rotina de quem corrige trabalhos: o que ele exige do professor, o que muda conforme o risco de cada uso e por que ele depende tanto da instituição quanto de quem está na ponta.
O que o leitor ganha? Uma leitura do conceito a partir de um caso real de correção, a diferença entre revisar e apenas ratificar o que a máquina entrega e uma lista do que uma política institucional precisa garantir para que a supervisão não fique só no papel.
Público-alvo: Professores de qualquer área, em especial os que participam da definição de políticas institucionais para o uso de IA no ensino.

📝 Introdução

Série "Em construção"

Este post faz parte da série que pretende virar um livro sobre IA para quem vive a universidade. O ponto de partida está em Em construção - um livro sobre IA para quem vive a universidade.

Quando corrijo os projetos das minhas disciplinas, sigo quase sempre o mesmo roteiro. Cada projeto tem uma lista de requisitos que precisam ser cumpridos, cada requisito tem um peso na nota final e, para cada um deles, eu tenho uma resposta semipadrão. A partir dessas respostas, escrevo um feedback completo para o aluno e chego à nota final somando as notas de cada requisito, com seus pesos.

Só depois disso entra a IA. Passo para uma ferramenta institucional, que não usa os dados da minha interação para treinar modelos, o feedback que escrevi e o projeto em questão. Peço apenas duas coisas: que ela corrija o texto do feedback e que, caso eu ainda não tenha feito isso, traga exemplos do projeto que mostrem onde estão os problemas e como o aluno poderia melhorar, ainda que no geral eu já traga tais questões no feedback que escrevo.

Repare em onde a ferramenta entra: no fim. Quando ela aparece, a avaliação já foi feita, e foi feita por mim. Isso significa que tanto a nota quanto o conteúdo principal do feedback partem de mim, e não da ferramenta.

Em setembro de 2026, o Conselho Nacional de Educação aprovou o Parecer CNE/CP nº 15/2026, com diretrizes para o uso de IA na educação brasileira. Um dos conceitos centrais do texto é o de supervisão humana significativa, definida no projeto de resolução anexo ao parecer (Art. 2º, III, p. 35) como a “atuação humana com capacidade efetiva de compreender, acompanhar, interpretar, contestar, revisar, corrigir ou interromper os resultados produzidos por sistemas de IA, exercida em condições institucionais adequadas”.

Em manchetes de diferentes veículos, o mesmo texto apareceu ora como uma regra que proíbe a IA na correção, ora como uma regra que a libera. Não acho que essa dicotomia ajude. A pergunta útil não é se a IA pode entrar na correção, mas em que ponto do processo ela entra e o que o professor já fez antes de ela entrar. É isso que tento traduzir aqui, em linguagem de quem corrige vários trabalhos numa sexta-feira à noite (ou, às vezes, até no fim de semana).

Uma ressalva sobre o texto do CNE

Até onde consegui verificar quando escrevi este post, o parecer ainda aguardava a homologação do Ministério da Educação. Os artigos que cito são os do projeto de resolução anexo ao parecer, e a numeração pode mudar na resolução publicada. As instituições terão doze meses, contados da publicação, para se adequar, mas as vedações do Art. 41 valem desde a publicação.

O que cada parte da definição pede

A definição tem duas metades, e as duas importam. A primeira diz o que a pessoa precisa ser capaz de fazer: compreender o que a ferramenta faz e onde ela costuma errar, acompanhar o que ela está produzindo, contestar o resultado, corrigi-lo ou simplesmente decidir não usá-lo. A segunda metade, que costuma ser esquecida, diz em que condições isso acontece: “condições institucionais adequadas”. Volto a ela mais adiante.

O relatório do parecer acrescenta um ponto que me parece essencial: a supervisão humana “não se limita à revisão posterior dos resultados”. Ela começa antes, na definição dos objetivos pedagógicos e na escolha da ferramenta, e continua durante o uso, no acompanhamento e no monitoramento. No meu exemplo, a supervisão não começa quando leio o que a ferramenta devolveu. Ela começa quando defino os requisitos, os pesos e as respostas-padrão, porque é isso que me permite saber se o que a máquina devolve faz sentido.

Revisar não é ratificar

O parecer veda, na pré-correção de avaliações, três práticas que dão nome a erros fáceis de cometer (Art. 40, § 4º, II): a homologação tácita, a validação em bloco e a mera ratificação do resultado sugerido pelo sistema. Em linguagem de sala de aula, imagine sessenta provas no Moodle numa sexta-feira à noite.

Três formas de supervisionar só no nome

  • Validação em bloco: o sistema corrige as sessenta entregas de uma vez e o professor olha o resultado de forma agregada (a média da turma parece razoável, a distribuição das notas também) e aprova o lote inteiro, sem olhar cada entrega.
  • Homologação tácita: o sistema define a nota e, se o professor não fizer nenhuma alteração, ela é enviada ao aluno como final. O silêncio vira aprovação.
  • Mera ratificação: o professor abre cada correção, verifica e confirma o que as Ferramentas de IA Generativa fizeram, sem ter formado antes o próprio juízo sobre o trabalho.

O terceiro caso é o mais sutil. Concordar com a máquina não é, por si só, o problema. O problema é concordar sem ter avaliado antes, porque aí quem decidiu foi a ferramenta e o professor só assinou embaixo. Por isso o mesmo parágrafo do parecer exige a “leitura integral e apreciação direta da produção do estudante”.

Onde a IA entra na correção, e o que muda com o risco

O parecer organiza as aplicações de IA por níveis de risco, e a exigência de supervisão cresce com eles. Aplicando isso aos usos mais comuns na correção, a leitura que faço é esta:

Uso na correçãoNível de riscoO que o parecer exige
Corrigir a redação de um feedback que o professor escreveuBaixo (Art. 38, § 1º, III)possibilidade de supervisão humana
Pedir à IA exemplos do trabalho para compor o feedbackModerado (Art. 39, § 1º, II)revisão humana obrigatória do que a ferramenta devolve (Art. 39, § 2º, III)
Pré-correção de projetos, redações ou dissertativasAlto (Art. 40, § 1º, X)leitura integral pelo professor, sem validação em bloco, homologação tácita ou mera ratificação
IA que corrige respostas fechadas com efeito na notaAlto (Art. 40, § 1º, I)validação humana efetiva, prévia, qualificada e documentada
Nota de dissertativa ou redação dada só pela IAVedado (Art. 41, IX)não pode ser feito

O feedback. A escrita do feedback não influencia a nota, mas o conteúdo dele, sim, porque ele nasce da avaliação do trabalho. Por isso, na minha visão, a elaboração do conteúdo deve continuar com o professor, e a IA deve ser usada apenas para corrigir o texto e adequar o tom para o aluno. Esse uso se encaixa no que o parecer chama de revisão textual não avaliativa, de baixo risco. Já pedir que a ferramenta aponte no projeto onde estão os problemas aproxima o uso do feedback formativo, que o parecer classifica como risco moderado. Isso significa que os exemplos que ela traz também precisam passar pela leitura do professor antes de chegar ao aluno.

A múltipla escolha. No post anterior, escrevi que a correção automática deveria ficar para o que é mecânico, como as questões de múltipla escolha. Continuo pensando assim, mas a leitura do parecer me obrigou a separar duas situações. A correção automática de múltipla escolha do Moodle compara a resposta com um gabarito e sequer usa IA para isso, então nem entra nessa classificação. Já as questões de resposta fechada, como um cálculo matemático, são outra história. A não ser que sejam feitas numa plataforma que computa apenas a resposta final, o que importa ali não é só o resultado, mas o processo que levou o aluno até ele. Um sistema de IA que avalia esse percurso todo, com efeito na nota, é de alto risco, sim.

A pré-correção. Se a leitura integral é obrigatória, para que serve a pré-correção? Na minha visão, ela serve para dar agilidade, não para substituir a leitura. Em projetos de programação com requisitos definidos, por exemplo, uma ferramenta de IA pode indicar e pré-preencher quais requisitos foram atendidos e em que parte do projeto eles estão. Assim, consigo verificar mais rapidamente se cada requisito foi de fato cumprido. A leitura e a avaliação completas, porém, continuam sendo feitas por mim, e não pelo sistema. A pré-correção não substitui a leitura: ela organiza a leitura.

O viés de automação

Há um risco que nenhum fluxo bem desenhado elimina: a tendência de concordar com a máquina por inércia. Ele é conhecido como viés de automação, e é tão reconhecido que o regulamento de IA da União Europeia (AI Act) o nomeia ao tratar da supervisão humana de sistemas de alto risco, exigindo que quem supervisiona seja capaz de se manter atento a ele (art. 14, 4, b).

Já me peguei concordando com a máquina por inércia em alguns momentos, mas não no ambiente acadêmico. Até agora, tenho usado as ferramentas apenas para verificar o comportamento delas, e todo o feedback e a construção da avaliação continuam sendo meus. Nos meus testes, aprendi que a ferramenta só se aproxima do que eu faço como professor quando recebe contexto suficiente. Talvez sistemas mais integrados ao ambiente acadêmico resolvam parte disso, mas, pelo que tenho visto, ainda estamos longe de integrar a IA de forma efetiva e adequada às avaliações e aos feedbacks.

Significativa para quem? As condições institucionais

Volto à segunda metade da definição: “exercida em condições institucionais adequadas”. O projeto de resolução detalha quais são essas condições quando a revisão envolve profissionais da educação (Art. 12, § 4º): formação específica, tempo institucional, apoio técnico, canais de consulta e respaldo decisório. E deixa claro que a centralidade do professor não significa transferir a ele, individualmente, as responsabilidades técnicas, jurídicas e contratuais que são da instituição, das mantenedoras e dos fornecedores (Art. 4º, § 2º).

Esse ponto conversa com uma crítica conhecida. Ben Green analisou dezenas de políticas que exigem supervisão humana de algoritmos no setor público e concluiu que elas partem de uma premissa pouco examinada: a de que as pessoas conseguem, de fato, supervisionar esses sistemas. Quando não conseguem, a exigência serve mais para legitimar a ferramenta do que para proteger alguém. A proposta dele é deslocar o peso da supervisão individual para a supervisão institucional. Madeleine Clare Elish dá nome ao risco do outro lado: a “zona de deformação moral” (moral crumple zone), em que a culpa por uma falha recai sobre o humano mais próximo do sistema, mesmo quando ele tinha pouco controle sobre o que aconteceu. Sem condições adequadas, esse humano é o professor.

Concordo com Green em boa parte. Para que a supervisão funcione, é preciso uma ferramenta institucional adequada e bem configurada, para que os professores consigam estruturar o seu ambiente de trabalho e passar às ferramentas o contexto de que elas precisam para fazer as verificações. A definição dessa ferramenta e da forma de operar com ela ainda precisa ser incorporada aos sistemas acadêmicos, e isso deve acontecer pouco a pouco nas instituições de ensino.

Na FEI, ainda estamos na fase de definir as políticas, que já devem incorporar a necessidade de incentivos, formação, tempo e alocação adequados. As próximas etapas é que vão ser fundamentais para garantir que os docentes tenham acesso às ferramentas e à formação de que precisam.

Documentar sem burocratizar

O parecer pede, nos usos de alto risco, supervisão “documentada”. Na minha visão, o professor precisa registrar qual ferramenta utiliza, para quais propósitos e com um log que permita rastrear o que foi feito. O modelo de declaração de uso que propus no post anterior responde ao que foi usado; o log responde a como foi usado.

Para que isso não vire burocracia, as ferramentas institucionais precisam permitir que esses logs sejam gerados com facilidade, de preferência com processos internos e externos bem definidos. Essa é, na minha visão, a parte mais complexa da implementação de um sistema de IA numa instituição de ensino. Ainda mais porque vai exigir mudanças na infraestrutura institucional, na formação dos professores e principalmente na adequação das Ferramentas de IA Generativa, que precisarão incorporar e disponibilizar tais logs não apenas aos gestores das aplicações, mas também aos próprios professores.

E o aluno?

Supervisão significativa também significa que o aluno pode contestar. O parecer exige, nos usos de alto risco, a “possibilidade efetiva de contestação, revisão humana e correção de resultados” (Art. 40, § 2º, VI). Hoje, o caminho para isso são os mesmos mecanismos de contestação que já existem: o aluno começa pelo professor e, se julgar necessário, sobe de instância, passando pela coordenação da disciplina, pela coordenação do curso, pela chefia do departamento e, por fim, pela reitoria. Ainda que por vezes o aluno não encontre as formas adequadas de realizar tais contestações, para ter um ambiente acadêmico saudável é preciso que elas estejam disponíveis, sejam claras e sejam avaliadas criteriosamente. Isso traz mais clareza e transparência aos processos acadêmicos e tem potencial para melhorar a relação entre alunos, professores e gestores educacionais.

Para fechar

O objetivo deste post era traduzir um termo jurídico para a rotina de quem corrige trabalhos. Neste sentido, seguem os principais pontos que eu gostaria de destacar:

  • A supervisão começa antes da máquina. Ela inclui definir critérios, escolher a ferramenta e decidir em que ponto do processo ela entra.
  • Revisar não é ratificar. Validação em bloco, homologação tácita e mera ratificação são supervisão só no nome.
  • O risco depende do uso, não da ferramenta. Corrigir o texto de um feedback e pré-corrigir uma redação pedem níveis de cuidado muito diferentes.
  • Supervisão significativa depende de condições. Sem formação, tempo, apoio técnico e ferramentas institucionais adequadas, a exigência recai sobre o professor sozinho.

Se eu tivesse de resumir tudo numa frase, seria esta: supervisão significativa não é um humano no fim da fila clicando em “aprovar”; é o professor ter formado o próprio juízo antes da máquina, e a instituição ter dado a ele condições para isso.

E você?

Se você participa da definição das políticas de uso de IA da sua instituição, gostaria de saber que condições ela já oferece aos professores, e quais ainda faltam. Se você é professor, em que ponto do seu processo de correção a IA entra, se é que entra? Você pode falar comigo pelos canais da página de Contato.

📚 Referências e Fontes

🔗 Conexões do Cofre

🌐 Referências Externas

Visão de gráfico