Integridade acadêmica na era da IA generativa: como universidades estão criando políticas para o corpo discente

Última atualização: 07/10/2026

O que você vai aprender neste artigo

• Por que ferramentas de detecção de IA não são uma solução confiável sozinhas
• Como universidades de destaque estão desenhando políticas de uso de IA para os alunos
• Por que divulgação está ganhando espaço sobre proibição
• Como funciona a classificação por nível de risco, e por que nem todo uso pede a mesma regra

Detectar se um aluno usou IA generativa parece, à primeira vista, o jeito mais direto de proteger a integridade acadêmica. Mas um estudo publicado no International Journal for Educational Integrity mostra por que essa não é uma solução sozinha: ao testar quatro ferramentas de detecção contra 160 documentos de autoria comprovada e 1.163 teses de mestrado reais, os pesquisadores encontraram poucos falsos positivos em texto totalmente humano, mas taxas de falso negativo altíssimas em texto totalmente gerado por IA: 100% no Turnitin, 75% no Copyleaks e 70% no GPTZero. Os próprios autores concluem que detectores não devem ser usados como prova isolada em decisões de alto impacto.

Em resumo

Este artigo é para gestores, coordenadores e equipes jurídicas de instituições de ensino superior que precisam definir regras para o uso de IA generativa pelos alunos. Integridade acadêmica, aqui, é o conjunto de regras e práticas que garantem que o trabalho do aluno seja de sua autoria e avaliado de forma justa. Mostramos por que detectores de IA não bastam, por que muitas universidades adotam a divulgação do uso em vez da proibição e como classificar os usos por nível de risco.

Por que isso empurra as universidades para a política, não para a tecnologia

Se a ferramenta de detecção não sustenta uma acusação sozinha, a resposta institucional precisa vir de outro lugar: da política que define o que pode e o que não pode antes de o trabalho ser entregue, e não de uma análise forense depois. É essa mudança de foco que um levantamento de 20 universidades de destaque, baseado no ranking da Times Higher Education de 2026, encontra em curso. É o mesmo tipo de exigência de governança documentada que já aparece em outras frentes regulatórias da educação superior, como discutimos no post sobre conformidade MEC para LMS na nuvem.

O modelo que está ganhando espaço: divulgação, não proibição

Em vez de uma proibição geral, a tendência dominante nessas 20 universidades é deixar a regra por conta de cada curso, departamento ou orientador, sem uma política única de campus. Quando o uso é permitido, a exigência mais comum é de divulgação: o Imperial College London, por exemplo, pede que o aluno informe o nome e a versão da ferramenta, o fornecedor, a URL e uma breve descrição de como ela foi usada no trabalho. Harvard segue linha parecida, deixando a decisão com cada professor ou escola, que podem escolher desde a proibição total até a permissão com reconhecimento e citação.

Classificação por risco: nem todo uso pede a mesma regra

Outra parte comum da política é separar o uso por nível de risco. Cada vez mais instituições tratam brainstorming e refinamento de linguagem como uso de baixo risco, enquanto dados confidenciais, material de pesquisa proprietário e conteúdo de provas entram como risco mais alto, com regras mais rígidas. O MIT segue esse modelo: ferramentas públicas de IA generativa ficam restritas a usos de baixo risco e não devem receber dados de risco médio ou alto, como material de pesquisa proprietário, e a instituição direciona para ferramentas licenciadas por ela quando apropriado. Já a Tsinghua University foi na direção de uma proibição mais explícita, vedando a cópia ou a paráfrase mecânica de texto gerado por IA em submissões acadêmicas, e o departamento de pós-graduação em História de Princeton proíbe o uso da ferramenta nos dois primeiros anos de formação, justamente para preservar a construção de habilidades fundamentais antes de liberar o apoio da IA.

Os dados e as políticas, de relance

O que isso significa para a gestão e o jurídico das IES brasileiras

O padrão que emerge desses exemplos não é uma regra única que sirva para qualquer instituição, e sim um método: definir o nível de risco de cada tipo de atividade, decidir se a exigência é divulgação ou proibição para cada nível, e documentar isso antes que o aluno entregue o trabalho, não depois que a suspeita já apareceu. Esse mesmo raciocínio, documentar o processo antes de precisar dele numa contestação, é o que já discutimos no post sobre correção de discursivas e o Decreto 12.456/2025, e é um dos pontos que o checklist de adoção de IA para gestores de IES também cobre em mais detalhe. Como as ferramentas de detecção não sustentam uma acusação sozinhas, uma política documentada é o que dá à instituição uma base clara para agir quando um caso realmente aparece.

Para dar o próximo passo, recomendamos três leituras: IA na sala de aula: o que pedir, o que revisar e onde não delegar, sobre o uso do professor; letramento em IA para professores, sobre como preparar o corpo docente; e IA para cursos de Direito, sobre uma área em que a conferência de fontes pesa ainda mais.

Termos usados neste artigo

• Detector de IA: ferramenta que tenta identificar se um texto foi produzido por IA generativa.
• Falso negativo: quando o detector não identifica um texto que foi, de fato, gerado por IA.
• Falso positivo: quando o detector aponta como gerado por IA um texto escrito por uma pessoa.
• Política de divulgação: regra que permite o uso de IA, desde que o aluno informe como e onde a utilizou.
• Classificação por risco: divisão dos usos de IA em níveis, com regras diferentes para cada um.

Perguntas frequentes sobre integridade acadêmica na era da IA generativa

Ferramentas de detecção de IA são confiáveis? Não sozinhas. O estudo da Springer encontrou poucos falsos positivos em texto humano, mas taxas de falso negativo de até 100% em texto gerado por IA, dependendo da ferramenta. Os autores recomendam usar detecção só como parte de uma estratégia mais ampla, nunca como prova isolada.

Universidades estão proibindo o uso de IA generativa pelos alunos? A maioria não. O levantamento de 20 universidades de destaque encontra mais políticas de divulgação e classificação por risco do que proibição geral, com decisões deixadas a cargo de cada curso ou departamento.

O que é uma política de divulgação? É a exigência de que o aluno informe como usou a IA no trabalho, geralmente incluindo o nome e a versão da ferramenta, o fornecedor e uma descrição do uso, em vez de proibir a ferramenta por completo.

Existe algum caso de proibição mais rígida? Sim. A Tsinghua University veda a cópia ou a paráfrase mecânica de texto gerado por IA em submissões acadêmicas, e o departamento de pós-graduação em História de Princeton proíbe o uso da ferramenta nos dois primeiros anos de formação.

Por onde uma instituição deve começar a montar sua própria política? Pelo nível de risco de cada tipo de atividade, não por uma regra única. Definir o que é baixo risco (como brainstorming) e o que é risco mais alto (como dados confidenciais e provas) é o que orienta se a exigência deve ser divulgação ou restrição mais forte.

Como produzimos este artigo

Os dados sobre detectores vêm do estudo publicado no International Journal for Educational Integrity, e os exemplos de políticas, do levantamento do Thesify sobre 20 universidades. Este texto não é aconselhamento jurídico.

Fontes

• Estudo sobre detectores de IA, International Journal for Educational Integrity (Springer)
• Thesify: levantamento das políticas de IA generativa de 20 universidades de destaque (2026)

Principais takeaways de Integridade acadêmica na era da IA generativa

• Um estudo da Springer testou 4 ferramentas de detecção de IA contra 160 documentos de autoria comprovada e 1.163 teses reais, e encontrou taxas de falso negativo de até 100% em texto gerado por IA.
• Os autores concluem que detecção não deve ser usada como prova isolada em decisões de alto impacto.
• Um levantamento de 20 universidades de destaque (ranking THE 2026) mostra que a tendência dominante é política de divulgação e classificação por risco, não proibição geral.
• Exemplos concretos: o Imperial College London exige divulgação detalhada do uso de IA, o MIT restringe ferramentas públicas ao baixo risco, e a Tsinghua e o departamento de pós-graduação em História de Princeton adotaram restrições mais rígidas.
• O método comum às instituições é definir o risco de cada atividade e documentar a regra antes da entrega do trabalho, não depois que a suspeita aparece.

José Messias Jr. é CEO e cofundador da emy education, ferramenta pedagógica de IA que se integra ao AVA/LMS que a instituição já usa para oferecer tutoria 24h, exercícios adaptativos e correção de atividades discursivas em escala. À frente da emy, liderou a empresa a ser a única edtech da América Latina selecionada pelo Google para o Gemini Founders Forum (2025). Escreve sobre IA aplicada à educação, retenção de alunos e o futuro das instituições de ensino no Brasil. LinkedIn: https://www.linkedin.com/in/josé-messias-jr-7b94a5136