MIT alerta: IA esvazia campus e quebra confiança

O campus esvaziou antes de qualquer regra

IA na universidade não entrou como ferramenta complementar, entrou como atalho que esvaziou o que sustentava o aprendizado. Office hours com pouca gente, grupos de estudo que já não se encontram no dormitório nem na biblioteca, fórum online morno onde antes havia debate. O relatório de um comitê de especialistas do MIT publicado em junho de 2026 descreve esse cenário de dentro, sem romantizar. O incômodo maior não é a cola clássica, é a desistência silenciosa do esforço. Quando o chatbot entrega a resposta pronta no primeiro sinal de dificuldade, o aluno sente que aprendeu, mas na prática só encenou o aprendizado e seguiu para a próxima entrega.

Esse falso domínio é o ponto central do documento. O princípio defendido é simples: 'ampliação, não automação'. A IA deveria estender a capacidade humana, não substituir o atrito cognitivo que forma um engenheiro, um pesquisador, um escritor. Só que o atrito sumiu. Uma pesquisa do jornal estudantil 'The Tech' no outono de 2025 mostra o descompasso: mais de dois terços dos alunos consideram a IA importante para a carreira, mas só cerca de um quarto se sente preparado. O comitê pede letramento em IA logo nas disciplinas introdutórias, não como optativa simpática, mas como base. Se a instituição não ensina a usar com critério, o aluno aprende sozinho a terceirizar tudo.

O fato: o que o MIT documentou

O comitê afirma que é preciso repensar a relação com a IA a partir do zero. Não se trata apenas de atualizar regulamento de conduta, mas de revisar objetivos de aprendizagem, desenho de avaliação e só depois definir o que pode ou não ser automatizado. Cada disciplina precisaria ter sua própria política de IA, explícita no programa do curso, com justificativa clara. Um seminário de poesia tem uma relação com a IA completamente diferente de uma disciplina de provas matemáticas, então uma regra única para o instituto inteiro seria frouxa demais em alguns contextos e rígida demais em outros.

Na prática, o diagnóstico é duro para os dois lados. Professores relatam que fiscalizar o uso não autorizado está corroendo a relação com os estudantes. Alunos temem acusações falsas e enxergam um duplo padrão quando docentes usam IA para slides, feedback ou correção enquanto restringem o uso estudantil. O comitê recomenda transparência dos dois lados, com declaração obrigatória de uso de IA em teses e dissertações, e proíbe listar a IA como coautora. Detectores de texto gerado por IA são explicitamente desaconselhados, porque são pouco confiáveis e costumam sinalizar de forma errada trabalhos de estudantes não nativos no idioma ou neurodivergentes. Navegadores de prova que travam e monitoram o computador também são criticados por serem instáveis e passarem sensação de vigilância.

O alerta mais sensível envolve o Undergraduate Research Opportunities Program, o famoso UROP, pilar da experiência do MIT. Na turma de 2025, 93 por cento participaram ao menos uma vez e 58 por cento dos docentes atuaram como mentores. Agora, alguns professores começam a considerar agentes de IA como assistentes de pesquisa no lugar de graduandos. O painel é direto: o programa existe para formar estudantes, não para fornecer mão de obra barata de pesquisa, então trocar aluno por agente destrói o propósito. É aqui que a discussão deixa de ser sobre trapaça e vira sobre o futuro da formação científica.

Como funciona: a visão de operador

Do ponto de vista de sistema, o que quebrou o campus foi uma combinação de latência baixa, custo marginal quase zero e interface conversacional. O aluno abre uma aba, cola o enunciado, recebe uma solução plausível em segundos, sem setup, sem fricção. Na arquitetura mental de quem constrói produto, isso é um loop perfeito de recompensa imediata. Para a universidade, é um pesadelo de observabilidade. O professor perdeu o sinal. Antes, o erro no office hours, a dúvida no fórum, o silêncio no grupo de estudo diziam onde a turma estava travando. Agora o output chega limpo, formatado, confiante, e esconde o processo. Não dá para inferir aprendizado a partir de entrega final quando a entrega pode ter sido sintetizada fora do ambiente controlado.

Os controles tentados até aqui falham por motivo técnico previsível. Detector de IA tenta classificar distribuição estatística de texto em um cenário adversarial, e perde feio para os chamados humanizadores, programas que reescrevem o texto para parecer humano. É uma corrida armamentista clássica, com falsos positivos caros do ponto de vista humano. Navegador travado tenta resolver na camada do dispositivo um problema que é de desenho de avaliação, e ainda adiciona bugs, incompatibilidade e atrito. A saída proposta pelo MIT faz sentido de engenharia: mudar a superfície de avaliação para o que é difícil de falsificar. Prova oral, portfólio do semestre, discussão presencial, projeto com etapas intermediárias, rascunhos versionados, defesa de decisão. Em vez de tentar bloquear a API, você muda o protocolo para exigir rastros de raciocínio.

Há ainda a camada de desigualdade de acesso, que todo operador de IA conhece bem. Quem paga o plano premium tem janela de contexto maior, memória persistente, modelos mais fortes, agentes que executam tarefas longas, menos fila em horário de pico. Quem usa a versão gratuita tem limite, queda de qualidade e menos iteração. Em disciplina intensiva, isso vira diferença real de desempenho, não só de conveniência. O MIT já oferece acesso institucional a várias ferramentas, o que mitiga parte do problema, mas não elimina. Prompt bom, workflow bem montado e acesso a modelo de ponta continuam sendo vantagem competitiva silenciosa dentro da mesma sala.

O que isso muda na prática

Quem ganha nesse cenário atual é o aluno que já sabe estudar e usa a IA como tutor socrático, para gerar contraexemplos, testar a própria solução, pedir feedback específico. Quem perde é o aluno que ainda está formando base e usa a IA para pular a repetição desconfortável que consolida conceito. O professor que mantiver prova take-home genérica e lista de exercícios padronizada vai colher respostas perfeitas e aprendizado raso. O departamento que tratar isso como caso de disciplina vai gastar energia com investigação e recurso, enquanto o problema real continua no desenho do curso.

Se você dá aula, orienta ou desenha curso, o ajuste imediato é operacional. Primeiro, reescreva os objetivos de aprendizagem antes da regra de IA. Defina o que o aluno precisa fazer sem ajuda, com ajuda parcial e com automação total. Depois, desenhe a avaliação para observar processo, não só produto. Uma ação prática para aplicar já na próxima semana é trocar uma entrega final por entrega em três camadas: rascunho com hipótese própria feito em sala, iteração com IA documentada com prompts e decisões descartadas, e defesa oral de cinco minutos explicando por que a solução funciona e onde ela quebra. Isso mantém a IA no loop, mas exige autoria. Liste no programa o que é permitido por etapa e o porquê, porque regra sem motivo vira convite para contornar.

• Troque detecção por evidência: peça histórico de versões, logs de prompt, diário de decisão e defesa curta em vez de confiar em detector.
• Separe uso por fase: proíba IA na formulação inicial, permita com registro na iteração, exija reflexão final sem assistência.
• Padronize o piso de acesso: indique ferramenta institucional, limite de modelo e fluxo de trabalho para reduzir a vantagem de quem paga plano caro.

Tensão real: isso escala ou só move o gargalo

Aqui fica a dúvida honesta de quem opera. Prova oral, portfólio e projeto com defesa funcionam bem em turma pequena, mas escalam mal em disciplina com centenas de alunos sem explodir custo docente e tempo de correção. A conta fecha se a própria IA ajudar a escalar a avaliação humana, transcrevendo defesa, pré-avaliando portfólio, sinalizando inconsistência para o professor revisar. Só que aí voltamos ao ponto de partida: quem avalia o avaliador automatizado, e como evitar que o novo gargalo seja a confiança no feedback gerado. Reduzir office hours porque o chatbot responde também parece eficiência, até você perceber que office hours nunca foi só tirar dúvida, era onde se formava intuição, rede e gosto pela pesquisa.

No fundo, o relatório do MIT não está pedindo menos IA, está pedindo mais atrito intencional. Isso incomoda porque vai contra a métrica fácil de produtividade. É mais rápido gerar a lista resolvida, o slide pronto, o código que passa no teste. Mas formar gente capaz de perceber quando a resposta plausível está errada exige lentidão deliberada em alguns momentos. A pergunta que fica para cada curso, e para cada empresa que contrata esses egressos, é direta: queremos alguém que entrega rápido com IA ou alguém que sabe quando a IA está alucinando com confiança e tem repertório para corrigir a rota.