IA agêntica

Esta é uma tradução automática da página em inglês; ainda não foi revisada por uma pessoa falante nativa.

IA agêntica na educação — sistemas de IA que planejam, executam e adaptam autonomamente fluxos de trabalho de múltiplos passos para atingir objetivos de aprendizagem, indo além do perguntar e responder de turno único para atuar como colaboradores persistentes e orientados a objetivos: tutores de IA que andaimentam ao longo de interações estendidas, sistemas multiagente que orquestram desenhos instrucionais, e agentes que coregulam a aprendizagem. Essa mudança de paradigma, de uma ferramenta que responde a prompts para um colaborador ativo, carrega tanto promessa quanto risco: a IA agêntica pode personalizar e aprofundar a aprendizagem, mas também ameaça a autonomia, o esforço cognitivo e o controle. A revisão de escopo, o framework invariante a ferramentas e o artigo sobre melhores práticas pedagógicas da base de conhecimento examinam essa tensão.

Perguntas para refletir

• A IA agêntica não apenas responde perguntas — ela planeja, executa e adapta fluxos de trabalho de múltiplos passos rumo a um objetivo, atuando como colaboradora persistente. Como a aprendizagem com um agente proativo difere da aprendizagem com uma ferramenta que você precisa promptar?
• O campo traça uma linha entre IA "conversacional" e "agêntica" (um sistema só se qualifica se atende a vários critérios como planejamento, memória, autonomia e ação orientada a objetivos). Onde fica essa linha na prática — e chamar todo chatbot de "agêntico" esconde mais do que revela?
• Quanto mais um agente automatiza, menos trabalho cognitivo quem aprende faz. Onde fica a linha entre uma IA que andaimenta sua aprendizagem e uma que faz sua aprendizagem por você?
• Uma revisão de escopo concluiu que apenas 29% dos estudos de IA agêntica fundamentaram seus sistemas em teoria educacional. Se a maioria dos sistemas não é baseada em teoria, o que deveria torná-lo cético ao avaliar um agente tutor "inteligente"?
• Sistemas multiagente orquestram agentes especializados com papéis distintos. Quando vários agentes trabalham juntos em uma sala de aula, quem responde — e onde uma pessoa deveria intervir?
• A tensão central do campo é personalização versus autonomia e esforço cognitivo do estudante. Se um tutor fica tão bom em se adaptar que você nunca precisa se esforçar, que aprendizagem você está realmente obtendo?
• Onde no espectro Copilot-to-Autopilot uma dada tarefa deveria se situar — e passar uma tarefa de "o agente propõe, quem aprende dispõe" para "o agente a possui" alguma vez serve à aprendizagem, e não apenas à eficiência?
• Agentes híbridos fundamentados em teoria de desenho estabelecida superaram o prompting puro. Por que um sistema teoricamente fundamentado venceria a engenharia bruta de prompts — e o que isso diz sobre como a "inteligência" de um agente é medida?

Introdução

IA agêntica refere-se a sistemas de inteligência artificial que podem planejar, executar e adaptar autonomamente fluxos de trabalho de múltiplos passos para atingir objetivos de aprendizagem — indo além do perguntar e responder de turno único para atuar como colaboradores persistentes e orientados a objetivos em contextos educacionais. Na educação, a IA agêntica se manifesta como tutores de IA que andaimentam a aprendizagem ao longo de interações estendidas, sistemas multiagente que orquestram desenhos instrucionais complexos, e agentes autônomos que adaptam suas estratégias pedagógicas às necessidades de quem aprende. Esse paradigma emergente desloca a IA de uma ferramenta que responde a prompts para um colaborador que guia, adapta e coregula ativamente os processos de aprendizagem.

Definir e classificar a IA agêntica

Kostopoulos et al. (2025) fornecem uma definição operacional que o campo de outro modo não teria. Eles propõem uma lista de verificação de seis critérios — um sistema conta como agêntico se atende a pelo menos quatro: autonomia (ação independente de intervenção humana contínua), raciocínio/planejamento, memória/consciência de contexto, ação orientada a objetivos rumo a resultados de aprendizagem, adaptabilidade e colaboração/iniciativa dinâmica. O limiar ≥4 exclui deliberadamente os chatbots reativos (um bot de FAQ estático, sem planejamento nem persistência, não se qualifica) ao mesmo tempo que acomoda arquiteturas diversas. Eles também organizam o espaço ao longo de três eixos: papel pedagógico (tutor, coach/mentor de aprendizagem, companheiro, assistente do professor, planejador de currículo), nível de autonomia (reativo → adaptativo → proativo → colaborativo) e corporificação (baseado em texto, avatar/gráfico, corporificado/robótico). Essa taxonomia — particularmente o espectro de autonomia e a exclusão de ferramentas reativas pela lista de verificação — dá a pesquisadores e desenhistas um vocabulário compartilhado para classificar sistemas agênticos e distinguir os genuinamente agênticos dos meramente conversacionais.

Um discriminador aplicado torna a linha concreta. Um chatbot de FAQ estático que só consegue responder a um conjunto fixo de perguntas atende a zero critérios (sem planejamento, sem persistência, sem iniciativa) e claramente não é agêntico. Um tutor conversacional que se lembra da sessão atual, mas nunca age a menos que seja promptado, não mantém modelo de estudante entre sessões e não consegue definir subobjetivos, pode atender a apenas um ou dois critérios (memória, algum raciocínio) — conversacional, não agêntico. Em contraste, um tutor que planeja lições de múltiplos turnos, armazena o progresso de quem aprende em um perfil persistente, dispara proativamente uma dica quando quem aprende emperra, e replaneja o próximo passo com base nesse perfil satisfaz planejamento, memória, autonomia e interação orientada a objetivos — pelo menos quatro critérios, então se qualifica como agêntico. O valor de aplicar esse teste não é pedantismo: rotular toda interface de chat com LLM de "agêntica" embaça a própria questão de desenho — o que o sistema inicia versus o que quem aprende precisa iniciar — que determina se ele andaimenta ou substitui a aprendizagem.

Autonomia delimitada como postura de desenho educacional. O framework AGAI-HE de Ilieva et al. (2026) aceita a lista de capacidades que definições como a lista de seis critérios descrevem, e então a delimita deliberadamente: objetivos, papéis, fontes de dados, ferramentas, pontos de verificação, condições de parada e decisões finais são definidos ou aprovados por educadores, e cada função agêntica precisa rastrear a uma exigência de aprendizagem, um propósito de avaliação ou um controle de governança. O framework também traça uma linha entre a orquestração agêntica e o prompting avançado — um fluxo de trabalho agêntico preserva o estado da tarefa, aloca funções, verifica condições de conclusão, retorna a etapas anteriores quando a evidência é insuficiente e registra decisões materiais. Notavelmente, seu estudo exploratório de percepção com 130 estudantes do ensino superior não encontrou diferença significativa entre a aprendizagem apoiada por agentes e a apoiada por chatbots, o que os autores leem como evidência de que a capacidade agêntica não produz, por si só, uma vantagem pedagógica percebida (supervisão humana).

O campo: expansão rápida e forma atual

A revisão de escopo da base de conhecimento — a síntese mais abrangente do campo até hoje, mapeando 474 estudos (2020–2026) — documenta um campo que cresceu explosivamente desde 2025, mas cuja literatura ainda é dominada por artigos de conferência concentrados no ensino superior, nas disciplinas STEM e em cenários de tutoria baseada em texto. A revisão analisa características de publicação, desenhos de estudo, papéis dos agentes, modelos e arquiteturas de IA, seis dimensões da capacidade agêntica e a extensão da integração da teoria educacional, fornecendo um roteiro das fronteiras e lacunas do campo. Notavelmente, apenas 29% dos estudos revisados (138 de 474) fundamentaram explicitamente seus sistemas em teoria educacional, expondo uma divisão disciplinar entre o trabalho tecnicamente orientado e o pedagogicamente orientado.

Um mapa do campo baseado em papéis

Onde a revisão de escopo de 474 estudos e a pesquisa conceitual de Kostopoulos et al. mapeiam a amplitude e a capacidade da pesquisa, Baradziej (2026) organiza a IA agêntica pelo papel que ela desempenha — um enquadramento institucional para decidir onde implantar e governar esses sistemas. Ao longo de 48 estudos do ensino superior, seis papéis emergem em ordem de peso de evidência: aprendizagem personalizada e tutoria adaptativa (18/48), avaliação e feedback (12), assistência e ampliação do ensino (11), apoio administrativo e ao estudante (8), desenho curricular e alinhamento com o mundo do trabalho (5), e apoio à pesquisa e às operações acadêmicas (4). A lente de papéis coloca em primeiro plano uma escolha de desenho que reaparece em toda implantação: quanto do controle momento a momento a pessoa retém (uma relação de "Copiloto") versus quanto o agente possui (uma relação de "Piloto automático") — o eixo de autonomia que determina se um agente andaimenta a aprendizagem ou a substitui.

Desenho e avaliação de sistemas agênticos

A pesquisa da base de conhecimento abrange desenho e avaliação:

• Agentes híbridos fundamentados em teoria superam o prompting puro: o ISD-Agent-Bench, um benchmark de 25.795 cenários de desenho instrucional, conclui que a abordagem de melhor desempenho integra frameworks clássicos de DSI (ADDIE, Dick & Carey, Prototipagem Rápida) com raciocínio moderno de estilo ReAct — híbrido (teoria + técnica) > teoria pura > apenas técnica. Fundamentar agentes de LLM em teoria estabelecida de desenho educacional fornece uma vantagem estrutural que o prompting bruto não consegue replicar.
• Frameworks de avaliação para ferramentas agênticas: o framework invariante a ferramentas propõe ensinar e avaliar métodos computacionais de um modo que não depende de nenhuma ferramenta de IA específica, enfatizando fundamentos de pensamento computacional, avaliação autêntica via defesa oral, e verificação — relevante para as preocupações de dependência excessiva.
• Um calibrador de relato e governança: o framework Autonomia–Supervisão–Evidência (AOE). Dey (2026) argumenta que o termo IA agêntica é aplicado de forma tão inconsistente que a evidência e a supervisão não podem ser comparadas entre estudos — sistemas que planejam, lembram, usam ferramentas ou coordenam múltiplos agentes são agrupados com interfaces estáticas de IA generativa e agentes pedagógicos convencionais. Sua revisão integrativa crítica de quinze revisões revisadas por pares conclui que a evidência é mais forte para resultados no nível do artefato (precisão do feedback, redução de alucinação) e mais fraca para aprendizagem durável, equidade, carga de trabalho ou resultados institucionais, com implantações autênticas tipicamente curtas, de site único e fracamente atadas à supervisão. A correção é uma trinca concreta de relato — nível de autonomia A0–A4 (geração reativa → orquestração delimitada → autonomia de tarefa delegada → autonomia de fluxo de trabalho → autonomia consequencial sobre correção, admissões, progressão), nível de supervisão O0–O4 (não especificado → auditoria retrospectiva → aprovação pré-uso → controle com pontos de verificação → supervisão delimitada contínua), e estágio de maturidade da evidência M0–M5 (conceito → protótipo/benchmark → avaliação com participantes → implantação autêntica → estendida/multissite → replicada/escala institucional) — mais uma regra de proporcionalidade: a autonomia permitida não deveria superar nem a maturidade da evidência nem a força da supervisão (por exemplo, um sistema consequencial A4 exige evidência M4–M5, validação legal e O4 com autoridade final humana). Relatar A2–O3–M3 converte afirmações vagas de "implantação agêntica" em especificações comparáveis e testáveis e dá às instituições uma gramática de adoção em estágios, registro e reversão — o complemento probatório ao espectro Copilot-to-Autopilot acima.
• Teste de robustez adversarial: o teste de estresse multiagente coordena agentes Interrogador, Alvo e Juiz para revelar modos de falha invisíveis a testes de estratégia única, reduzindo as pontuações de robustez em 0,17–0,20 pontos — crítico para a consistência de persona e a implantação segura com estudantes.
• Aplicações por domínio: sistemas agênticos aparecem em vários domínios, incluindo agentes de aprendizagem adaptativa, agentes pedagógicos de LLM, andaimento por LLM guiado, agentes gamificados de aprendizagem em segurança cibernética, e agentes de simulação clínica.
• Agentes web como avaliadores da experiência de aprendizagem: um agente web autônomo "descritivo" que navega por uma lição on-line como um estudante — Wang, Mitchell e Piech (2025) — produz uma descrição rica o bastante para prever a evasão de estudantes e dar ao desenhista um feedback acionável antes que estudantes reais se engajem, superando uma coorte simulada completa e todas as linhas de base em um curso global de CS1. Isso posiciona a avaliação agêntica (um agente como crítico substituto de uma experiência de aprendizagem) como um uso distinto e de baixo custo da IA agêntica, ao lado dos agentes que ensinam ou desenham.

Sistemas multiagente

Uma vertente crescente e distinta da IA agêntica envolve sistemas multiagente que orquestram múltiplos agentes especializados com papéis distintos. A base de conhecimento documenta várias arquiteturas: o CODE-GEN: A Human-in-the-Loop RAG-Based Agentic AI System for Multiple-Choice Question Generation pareia um agente gerador com um agente validador para a geração de questões com humano no circuito; o teste adversarial coordena agentes Interrogador/Alvo/Juiz; salas de aula multiagente (por exemplo, o MAIC com arquétipos de professor, monitor e colega) criam dinâmicas variadas de aprendizagem entre pares; e o estudo de aprendizagem social multiagente explora como agentes que interagem moldam a aprendizagem. O desenho multiagente levanta questões distintivas sobre supervisão humana (qual agente responde, e onde uma pessoa intervém?), custos de coordenação e como a diferenciação de papéis apóia ou complica o andaimento.

Dois sistemas de 2026 afiam o que a especialização de papéis compra — e onde ela para de compensar. O MeduAI-SP (Yang et al., 2026) divide a instrução de entrevista clínica entre quatro agentes de LLM — um agente paciente, um agente tutor socrático, um avaliador de nível de turno e um avaliador final —, cada um carregando uma função instrucional distinta. A arquitetura retém as respostas por desenho: foi vedado ao tutor revelar o diagnóstico ou as respostas do caso, e as pontuações OSCE do avaliador final permaneceram ocultas durante o encontro ao vivo. A especialização de papéis, e não a capacidade bruta do modelo, é o que o ensaio credita pela melhora do comportamento de consulta (71,8% contra 55,6% no exame final), oferecendo um modelo concreto para o desenho multiagente alinhado à pedagogia. Um segundo estudo aponta os limites desse padrão: em um sistema de discussão de ética com 45 estudantes e 15 grupos (Seo et al., 2026), três personas de LLM encarnando ética do cuidado, deontológica e pragmática não produziram diferenças significativas entre si, e todas foram avaliadas abaixo dos pares humanos em contribuição, diversidade e influência (todos Kruskal-Wallis p < 0,001). Os autores atribuem a lacuna ao acordo sycophantico — os agentes aceitavam quase toda contribuição, a menos que fosse inteiramente errada — e à falta de raciocínio visível, argumentando que o desenho de agentes focado em tarefas precisa parear a transparência de processo com salvaguardas (enquadramento de par falível, uma fase de Questionamento dedicada) para evitar a dependência excessiva.

Um passo além de orquestrar alguns agentes especializados é o ecossistema multiagente totalmente agêntico proposto por Sudarshan et al. (2026): uma plataforma de alcance institucional que coordena agentes de aprendizagem, ensino e administração por meio de ciclos de feedback interfuncionais e inteligência distribuída. Seu movimento distintivo é tratar a inclusão como uma preocupação arquitetural de primeira classe — coordenando agentes de acessibilidade, apoio cognitivo e bem-estar para que estudantes com necessidades educacionais especiais sejam apoiados nas dimensões cognitiva, sensorial e emocional em tempo real, em vez de serem servidos por uma ferramenta assistiva isolada. O artigo situa isso dentro de um laço de coevolução humano–IA (comportamentos e decisões humanos moldam a adaptação da IA, que por sua vez realça a capacidade humana) que mantém as pessoas no circuito.

• Agentes de LLM específicos de participantes para a resolução colaborativa de problemas. Fang (2026) faz ajuste fino de agentes individuais de LLM sobre dados de diálogo de participantes reais para representar cada participante em simulações de resolução colaborativa de problemas, com seleção probabilística de falante e de códigos temáticos e memória por janela deslizante mais resumida. Validado com Análise de Redes Epistêmicas, os diálogos simulados são estatisticamente indistinguíveis dos reais (distância ENA 0,17, p de permutação = 0,65) — uma demonstração de a IA agêntica reproduzir o discurso colaborativo autêntico.
• Tutoria multiagente socialmente inteligente. Protótipos de tutoria multiagente socialmente inteligente, como o ASTRA, estudam como quem aprende coordena com a IA em díades, usando agentes Tutor e Facilitador diferenciados para estimular a coordenação e a participação equilibrada. A avaliação baseada em rastros do framework permite uma análise reproduzível da interação, do equilíbrio de participação e da verificação na programação introdutória.

A tensão central: automação versus aprendizagem

O trabalho sobre melhores práticas pedagógicas articula a tensão definidora do campo: à medida que a IA educacional se desloca de chatbots passivos para agentes proativos que iniciam e perseguem objetivos, a personalização melhora, mas a autonomia de quem aprende e o esforço cognitivo ficam em risco. Quanto mais um agente automatiza, menos trabalho cognitivo quem aprende faz. A resposta de desenho — atrito intencional, andaimento dinâmico, supervisão com humano no circuito e utilização ponderada da IA — atua como uma salvaguarda principiada. Isso se conecta às dificuldades desejáveis, à aprendizagem sociocultural e ao risco de dependência excessiva, e ao tema mais amplo de preservar a autonomia na aprendizagem mediada por IA.

Uma verificação empírica vem de um relato prático sobre o Desenvolvimento Conduzido por Especificação em um curso de PBL de software (Tanaka et al. 2026): estudantes que usaram agentes de IA ao longo das fases de desenvolvimento geraram mais código, mas mostraram quedas de compreensão do código que se recuperaram apenas depois de entrevistas individuais com o instrutor — evidência de campo concreta para a tensão automação versus aprendizagem e para o monitoramento com humano no circuito como mitigação.

A literatura de surveys converte esses princípios em salvaguardas de desenho mensuráveis, em vez de intenções vagas. Sobre andaimento, Kostopoulos et al. (2025) recomendam protocolos de desvanecimento — reduzir gradualmente a frequência de dicas após cada tentativa bem-sucedida — e mirar uma razão de busca de ajuda (dicas iniciadas pela IA ÷ total de ações do estudante) abaixo de 0,3, para que o agente não seja quem conduz a maior parte da interação. Eles pareiam isso com pontos de verificação reflexivos (por exemplo, pedir a quem aprende que explique seu raciocínio antes de o agente oferecer a próxima pista) e curvas de desvanecimento adaptativas cuja probabilidade de intervenção cai à medida que a proficiência sobe. Sobre transparência, os agentes deveriam expor uma justificativa do tipo "Por que esta sugestão?" e manter registros com marca de tempo de rastreabilidade das decisões (justificativa do agente, fontes de dados, decisões) disponíveis para auditoria instrucional. Sobre equidade, eles aconselham teste de impacto díspar pré-implantação em pelo menos três grupos demográficos (por exemplo, gênero, língua, geografia) e envolver professores diversos no desenho. Essas métricas dão a um professor ou desenhista uma alavanca de auditoria: em vez de perguntar "o agente está ajudando demais?", meça se as dicas estão desvanecendo, se quem aprende está iniciando, e se o raciocínio do agente é inspecionável.

Um vocabulário complementar para a questão da autonomia vem da analogia da aviação que emerge na síntese de Baradziej (2026): quão longe uma implantação se situa no espectro Copilot-to-Autopilot — de um agente que assiste uma pessoa que retém o controle momento a momento, a um que possui a tarefa inteira com a pessoa apenas supervisionando. O mesmo sistema subjacente pode ser configurado para qualquer uma das extremidades, e a escolha é pedagógica antes de ser técnica. Configurações ao estilo Copiloto (o agente propõe, quem aprende dispõe, a pessoa retém a palavra final) tendem a preservar a autonomia e a apoiar os processos esforçados que constroem aprendizagem; configurações ao estilo Piloto automático maximizam a conclusão da tarefa e a eficiência, mas deslocam a carga cognitiva para fora de quem aprende. Selecionar uma posição nesse espectro — por tarefa, e não uma vez globalmente — é um modo concreto de operacionalizar o princípio de "atrito intencional" do campo.

Implicações positivas dos agentes de IA para a educação

Quando bem desenhados, os sistemas agênticos oferecem benefícios substanciais:

• Personalização mais profunda e mais adaptativa. Agentes persistentes podem sustentar uma conversa de aprendizagem ao longo de muitos turnos, rastreando o que quem aprende sabe, adaptando a dificuldade e sequenciando andaimento de múltiplos passos — indo além das respostas de turno único dos chatbots anteriores. Isso apoia a aprendizagem adaptativa e personalizada em escala. Na síntese de Baradziej (2026), a evidência mais forte para esse papel relata ganhos acadêmicos de 15–25% e aumentos de engajamento de até +40%, com potencial particular para estudantes historicamente mal servidos pela instrução de tamanho único (estudantes de primeira geração, diferenças de aprendizagem, aprendizes de segunda língua).
• Aliviar o trabalho instrucional rotineiro. Agentes podem planejar lições, gerar e validar questões, redigir feedback e orquestrar subagentes especializados (por exemplo, gerador + validador para criação de questões), liberando professores para a interação de maior valor. Essa é a promessa dos fluxos de trabalho multiagente voltados ao professor. Os agentes de avaliação em particular relatam 90–95% de concordância com corretores humanos e reduções de 50–70% no tempo de correção, embora a mesma evidência aponte viés e o custo metacognitivo do feedback instantâneo e irreflexivo.
• Interação rica e variada. Salas de aula multiagente e pares simulados criam dinâmicas de interação diversas (discurso entre pares, discordância construtiva, dramatização) que sistemas de agente único não conseguem, apoiando a aprendizagem colaborativa, a sondagem socrática e a simulação.
• Atrito produtivo. Agentes desenhados para desafiar em vez de concordar podem empurrar quem aprende para uma reconsideração mais profunda. A pesquisa sobre agentes de desenho adversarial mostra que agentes de conflito construtivo estimularam significativamente mais iterações de desenho, exploração mais ampla e desenhos finais mais bem avaliados (N=48) — uma forma de dificuldade desejável.
• Prática e simulação escaláveis. Simulações baseadas em agentes (estudantes simulados, cenários clínicos) permitem que quem aprende pratique em ambientes de baixo risco antes da aplicação no mundo real, como na simulação clínica e nos estudantes simulados.
• Andaimento com consciência da evidência. Agentes bem fundamentados podem aplicar teoria da aprendizagem e pedagogia conhecida em suas interações, e os benchmarks mostram que agentes fundamentados em teoria superam o prompting bruto.

Uma classe mais estreita de agentes construídos por professores recebe um argumento distinto em a proposta de terceiro espaço de El Khoury e Ma: GPTs personalizados, Gems e agentes do Copilot Studio desenhados por professores para um propósito pedagógico específico e explicitamente não sistemas autônomos. Seu valor reivindicado é como espaço de ensaio de baixo risco — um simulador de prova oral, uma simulação de comunicação clínica, um avatar de pronúncia em ESL — onde os estudantes praticam antes do julgamento, enquanto o papel avaliativo do professor permanece intacto, com o agente fora das hierarquias sociais que os estudantes navegam com pares e professores. Dois limites merecem nota: os autores excluem a correção baseada em agentes do escopo por desenho, e argumentam que a avaliação precisa permanecer relacional — o papel do professor não pode ser substituído por uma máquina, embora possa ser estendido e tornado mais sustentável por meio de um desenho cuidadoso.

Implicações negativas e riscos dos agentes de IA para a educação

A mesma autonomia que viabiliza esses benefícios também cria riscos significativos:

• Erosão da autonomia e do esforço cognitivo de quem aprende. Quanto mais um agente automatiza, menos trabalho cognitivo quem aprende faz. Agentes proativos que iniciam, planejam e concluem tarefas podem deixar quem aprende como consumidor passivo, esvaziando os processos esforçados — redigir, recordar, revisar — que constroem a aprendizagem durável. Essa é a preocupação central de dependência excessiva e de autonomia. O efeito é mensurável: na síntese de Baradziej (2026), estudantes passivos em ambientes de tutoria agêntica tiveram desempenho 8,7% inferior ao dos estudantes de aprendizagem ativa — evidência de que o dano segue o desenho da implantação (deixar o agente fazer o trabalho cognitivo) mais do que a tecnologia em si.
• Superautomação do processo de aprendizagem. Se um agente otimiza a conclusão da tarefa em vez da aprendizagem, ele pode produzir "respostas" que contornam a compreensão — exatamente o risco que o framework invariante a ferramentas adverte, onde o artefato deixa de certificar quem aprende.
• Engajamento metacognitivo e autorregulado reduzido. Quando os agentes cuidam do planejamento e do monitoramento, quem aprende pode não desenvolver a metacognição e a autorregulação que a educação visa construir. Os agentes precisam ser desenhados para elicitar, e não substituir, esses processos.
• Confiança mal colocada e lacunas de verificação. Agentes autônomos podem produzir resultado plausível, mas não validado; estudantes e professores podem confiar demais nele. A necessidade de verificação robusta e de letramento em IA cresce à medida que os agentes assumem mais autonomia.
• Opacidade, coordenação e responsabilização. Sistemas multiagente complicam a supervisão humana: qual agente responde por um erro, e onde uma pessoa intervém? Falhas de coordenação, deriva de persona e comportamentos emergentes podem minar a confiabilidade e a segurança pedagógica.
• Viés e equidade. Agentes treinados em dados que codificam viés podem reproduzi-lo em escala, e o acesso desigual a sistemas agênticos capazes pode ampliar a iniquidade educacional. O viés opera em múltiplos níveis — dados de treinamento, arquitetura, critérios de avaliação e populações de teste —, de modo que precisa de mitigação institucional (auditorias de viés, conjuntos de dados diversos, documentação transparente, envolvimento das partes interessadas), e não de verificações pontuais. Uma forma mais sutil e culturalmente específica é a hegemonia epistêmica: como a maioria dos sistemas agênticos é treinada em dados em inglês produzidos no Ocidente, eles embutem pressupostos particulares sobre conhecimento, argumentação e registro acadêmico. A evidência da síntese documenta ferramentas de educação linguística marginalizando tradições retóricas não ocidentais e penalizando atributos linguísticos de culturas acadêmicas não inglesas, e as análises do Sul Global mostram pedagogias agênticas reproduzindo iniquidade quando ignoram a diversidade epistemológica e as restrições de infraestrutura.
• Integridade da avaliação e decadência de habilidades. Quando os agentes podem gerar trabalho sob demanda, avaliar a aprendizagem genuína fica mais difícil, e a dependência excessiva pode corroer habilidades fundamentais — a "dívida de compreensão" e o problema de certificação que o campo sinaliza.
• Estudantes fantasmas e a lacuna de verificação. Bozkurt, Crompton e Fell Kurban (2026) descrevem o "estudante fantasma" — um substituto digital criado pelo acoplamento de LLMs (a "mente") a navegadores de IA agêntica (o "corpo") que pode navegar por Sistemas de Gestão da Aprendizagem, engajar com o conteúdo e concluir avaliações com mimetismo humanoide, tornando opcional a presença do estudante real. Isso cria uma lacuna de verificação que as ferramentas tradicionais de proctoring e detecção são estruturalmente incapazes de fechar, e acumula dívida cognitiva em quem aprende e é contornado. À medida que a IA passa de generativa a agêntica, essa ameaça de integridade e verificação cresce — um risco específico da IA agêntica, além daqueles da IA generativa de turno único.

Agentes de IA e integridade acadêmica

A IA agêntica impõe ameaças de integridade distintivas que vão além dos casos de IA generativa de turno único com que o campo já luta. Como os agentes agem autonomamente ao longo de horizontes longos — e como os "estudantes fantasmas" (mentes de LLM acopladas a corpos de navegador agênticos) podem navegar pelos Sistemas de Gestão da Aprendizagem, engajar com o conteúdo e concluir avaliações com mimetismo humanoide —, eles tornam opcional a presença genuína de quem aprende e criam uma lacuna de verificação que o proctoring e a detecção não conseguem fechar. Várias implicações de integridade se seguem:

• O artefato deixa de certificar quem aprende. Quando um agente pode gerar, planejar e executar uma entrega inteira, a qualidade do produto reflete a capacidade do agente, e não a de quem aprende. Esse é o problema de certificação invariante a ferramentas em seu extremo — a avaliação tradicional de "entregue o trabalho" perde seu valor probatório.
• Verificação, e não detecção, é a única resposta viável. A fiscalização baseada em detecção é estruturalmente incapaz de acompanhar os agentes autônomos. A questão da integridade se desloca de "conseguimos pegar agentes de IA?" para "conseguimos verificar o que quem aprende realmente sabe fazer?" — favorecendo a verificação baseada em processo, interativa e com humano no circuito.
• A conclusão agêntica de trabalhos avaliados já está demonstrada, e é uma falha de validade, não apenas de integridade. Hadjisolomou e El-Haddad (2026) documentaram agentes (Claude for Chrome, Perplexity Comet, Claude Opus) acessando um curso ao vivo em um LMS de graduação e concluindo trabalhos reais avaliados a partir de uma única instrução — uma prova de 10 questões pontuada 10/10 em menos de 5 minutos, e uma postagem em fórum em que o agente fabricou uma história de vida pessoal verossímil depois de minerar as postagens dos pares. Aplicando o framework de validade baseado em argumentos de Kane, eles colocam uma "premissa de produção humana" na base da inferência de pontuação: a conclusão por agentes remove seu apoio, de modo que toda pontuação assíncrona não supervisionada — inclusive as honestamente obtidas — perde suporte interpretativo, porque a autoria é inverificável. Enquadrar o problema como validade, e não como integridade, importa porque uma instituição pode punir a má conduta e ainda assim não ter bases para as pontuações que reporta, e porque os mesmos artefatos alimentam as cadeias de evidência de revisão de programa e de credenciamento. Seu remédio, alinhado à posição desta página de "verificação em vez de detecção", é o redesenho da avaliação para a presença humana verificada (presença em vez de produto, integração em vez de isolamento, autenticidade em vez de genericidade, prática de baixo risco / presença de alto risco) com um menu de opções de momento verificado que preserva a equidade.
• A responsabilização é difusa. Em sistemas multiagente, quando um agente autônomo produz um resultado problemático, não fica claro quem responde — quem aprende, o sistema ou a instituição. Isso embaça a atribuição que os processos de integridade acadêmica pressupõem.
• A dívida cognitiva se acumula silenciosamente. Estudantes fantasmas permitem que quem aprende contorne os processos esforçados que constroem compreensão, acumulando dívida cognitiva que só emerge quando o desempenho independente é exigido. A integridade está, portanto, atada à aprendizagem genuína, e não apenas à conformidade com regras.
• Isso amplia as lacunas de equidade. Estudantes com acesso a sistemas agênticos mais capazes ganham uma vantagem desproporcional, e o apoio automatizado pode corroer a ajuda aos que mais precisam — uma dimensão de equidade da integridade.

Isso conecta a discussão da IA agêntica à cobertura de integridade acadêmica da base de conhecimento, que enquadra a resposta como redesenho da avaliação e letramento em IA, e não apenas detecção.

Atrito produtivo e interação social

Nem todo comportamento agêntico precisa ser assistência suave. A pesquisa sobre agentes de desenho adversarial mostra que agentes que encenam conflito construtivo estimularam significativamente mais iterações de desenho, exploração mais ampla de alternativas e desenhos finais mais bem avaliados entre desenhistas de interação novatos (N=48) — uma dinâmica de atrito produtivo, em que o agente de conflito era frustrante, mas ao final útil. Isso se conecta ao questionamento socrático e ao design thinking, e ilustra como a IA agêntica pode apoiar uma reconsideração profunda em vez da aceitação passiva.

Um estudo de como a IA agêntica alcança resultados de aprendizagem por vias psicológicas, e não tecnológicas, fornece o ângulo de mensuração que faltava. Pramod e Patil (2026) pesquisaram 398 estudantes de administração na Índia e modelaram autonomia, competência e relacionamento ao lado de interatividade, compartilhamento de informação e presença social percebida; a autonomia foi o mais forte impulsionador motivacional (β = 0,504) e a interatividade o mais forte impulsionador social (0,468), com a motivação e a presença social alimentando o engajamento com força quase igual (0,533 e 0,493) antes de o engajamento prever o desempenho de aprendizagem percebido (0,671). A lição de desenho é que a rota social não é automática: um construto de ambiente colaborativo moveu a presença social percebida menos do que a simples responsividade e o compartilhamento de informação, de modo que tratar um agente como uma interface de chat em vez de como um participante deixa a maior parte dessa via sem uso.

Implicações para professores e desenhistas instrucionais

Para professores, corpo docente e desenhistas instrucionais, a IA agêntica muda tanto o que é possível quanto o que precisa ser resguardado:

• Realocar o esforço para o trabalho de maior valor. Agentes podem assumir o planejamento de lições, a geração e validação de questões, a triagem de feedback e a recuperação de recursos. Os professores deveriam tratar isso como andaimento automatizável que libera tempo para o que os agentes não conseguem fazer: ensino relacional, julgamento contextual e o desenho de experiências de aprendizagem. Os fluxos de trabalho multiagente voltados ao professor são um modelo promissor.
• Manter o trabalho cognitivo de quem aprende em primeiro plano. A questão central de desenho não é "o que o agente pode fazer?", mas "o que quem aprende precisa fazer?". Os desenhistas instrucionais deveriam configurar os sistemas agênticos para que andaimentem, e não substituam, o planejamento, o monitoramento e o esforço de quem aprende — usando andaimento dinâmico e atrito intencional para proteger a autonomia e evitar a dependência excessiva.
• Desenhar para verificação e processo, e não apenas para resultado. Quando os agentes podem gerar trabalho sob demanda, o artefato deixa de certificar a aprendizagem. Os professores deveriam parear as ferramentas agênticas com avaliação baseada em processo (defesa oral, tarefas invariantes a ferramentas, verificações) para que a compreensão — e não apenas a produção — seja medida.
• Curar e fundamentar os agentes na pedagogia. A evidência de benchmarks mostra que agentes fundamentados em teoria superam o prompting bruto. Os desenhistas deveriam fundamentar o comportamento dos agentes em frameworks instrucionais estabelecidos (por exemplo, liberação gradual, questionamento socrático, teoria da aprendizagem) em vez de recorrer ao encadeamento genérico de ferramentas.
• Reter a supervisão e o julgamento humanos. Sistemas multiagente e autônomos tornam essencial o desenho com humano no circuito: decida onde uma pessoa intervém, quem responde e como as falhas são capturadas. O teste adversarial ajuda a trazer à tona modos de falha antes da implantação.
• Construir o letramento em IA do professor. Professores e desenhistas precisam de modelos mentais precisos da IA agêntica para configurar, monitorar e criticar esses sistemas — e para modelar o uso responsável para quem aprende. Isso se liga à competência em IA do professor e ao desenvolvimento docente.
• Ficar atento à equidade. As ferramentas agênticas arriscam ampliar lacunas se o acesso é desigual ou se a automação corrói o apoio aos que mais precisam; desenhe com a equidade em mente.
• Erguer o andaimento institucional antes de escalar. A questão da implantação não é apenas de nível de desenho, mas de nível institucional. A síntese de Baradziej (2026) condensa a evidência de governança em três pilares: desenvolver o letramento em IA entre estudantes e servidores; construir infraestrutura ética (políticas de proteção de dados, frameworks de responsabilização algorítmica e de integridade acadêmica) antes da implantação em grande escala; e oferecer formação de educadores baseada em competências que vá além da familiarização com ferramentas, rumo a frameworks pedagógicos que preservam a autonomia humana. Dado que apenas ~6,5% do corpo docente em alguns contextos nacionais relata uso direto de IA, a lacuna de formação é uma restrição vinculante sobre a adoção responsável.

Técnicas para assegurar a integridade acadêmica com a IA agêntica

Como os agentes autônomos tornam a detecção fútil, os professores deveriam focar em técnicas que verificam a aprendizagem e tornam visível o trabalho honesto, em vez de fiscalizar:

• Preferir a verificação à detecção. Substitua ou complemente o "entregue o trabalho" por interações que exijam que quem aprende demonstre uma compreensão que não consegue terceirizar: defesas orais, tarefas invariantes a ferramentas, resolução de problemas ao vivo e avaliação baseada em processo. O objetivo é estabelecer o que quem aprende pode fazer independentemente, e não pegar um agente.
• Usar avaliação interativa e em etapas. Exija entregas em etapas (rascunhos, revisões, reflexões) e verificações conversacionais de acompanhamento que sondem se os estudantes compreendem o trabalho entregue — as abordagens de "AI Viva" e de guarda cognitiva. Estudantes fantasmas não conseguem sustentar um interrogatório ao vivo que não realizaram.
• Definir expectativas claras e movidas a propósito. Fundamente as expectativas de integridade no propósito do curso — que uso da IA é permitido, quando e por quê — em vez de regras abstratas. A clareza de política alinhada à pedagogia reduz a ambiguidade que os estudantes exploram e os erros de julgamento documentados na pesquisa de integridade.
• Tornar o uso da IA visível e declarado. Declarações estruturadas e específicas de uso da IA (mapeando o uso às etapas cognitivas) forçam a reflexão e normalizam a divulgação honesta, deslocando a cultura do ocultamento para a transparência.
• Construir o letramento em IA como educação para a integridade. Ensine os estudantes a usar os agentes de forma responsável e a julgar os resultados criticamente, enquadrando a integridade como aprendizagem genuína, e não como conformidade a regras. Isso inclui letramento em IA, compreender o que os agentes podem e não podem fazer, e o custo de aprendizagem de contornar o esforço.
• Manter as pessoas no circuito. Mantenha a supervisão humana das decisões de avaliação, verifique interativamente as entregas de alto risco e desenhe as ferramentas agênticas para que um professor possa sempre intervir.
• Fechar a lacuna de verificação com interação. Em contextos totalmente on-line ou assíncronos, use componentes com supervisão ou interativos que exijam presença ao vivo, enfrentando diretamente a ameaça dos estudantes fantasmas em vez de presumir que a detecção a pegará.

Uma conclusão equilibrada

A IA agêntica não é nem uma panaceia nem um dano inevitável: seu valor depende do desenho. Usada para andaimentar a autonomia de quem aprende, fundamentada na pedagogia e com as pessoas no circuito, os agentes podem personalizar e aprofundar a aprendizagem; usada para maximizar a automação e a conclusão de tarefas, eles podem corroer o próprio esforço que produz a aprendizagem. O princípio de desenho recorrente é a intencionalidade — decidir explicitamente o que o agente faz e o que ele deliberadamente deixa para quem aprende.

Conceitos conectados

• Andaime (Scaffolding)
• Tutoria inteligente
• Letramento em IA
• Engenharia de prompts
• Desenho curricular
• Metacognição
• Aprendizagem adaptativa
• Desenvolvimento educacional
• IA com humano na alça (HITL)
• Autonomia de quem aprende
• Descarregamento cognitivo
• Dificuldades desejáveis
• Aprendizagem sociocultural
• Simulação
• Segurança pedagógica
• IA na educação
• Equidade na educação com IA
• Avaliação autêntica
• A docência
• Desenho de aprendizagem
• Competência em IA do professor
• Integridade acadêmica
• Ensino e aprendizagem online
• Política educacional de IA

Artigos conectados

• Agentic AI in educational environments and its association with social and motivational pathways to learning performance — Autonomia, competência, relacionamento e presença social como as vias da IA agêntica para o engajamento (Pramod & Patil 2026)
• AI Agents, Joyful Assessment, and Third Space: Rethinking Assessment in the GenAI Era — Agentes de IA, avaliação prazerosa e terceiro espaço
• Agentic Generative AI in Higher Education: Perceived Benefits, Risks, and Implications for Learning — O framework AGAI-HE: IA generativa agêntica delimitada e supervisionada por humanos no ensino superior (Ilieva et al. 2026)
• Beyond the Agent Label: Evidence Maturity, Human Monitoring, and Governance of Agentic AI in Higher Education — revisão integrativa crítica que introduz o framework de evidência/supervisão AOE
• Agentic AI Ecosystems in Higher Education: A Perspective on AI Agents to Emerging Inclusive, Agentic Multi-Agent AI Framework for Learning, Teaching and Institutional Intelligence — Perspectiva sobre ecossistemas inclusivos de IA multiagente agêntica no ensino superior
• A systematic review of the roles of agentic AI in higher education — Revisão sistemática dos papéis da IA agêntica no ensino superior (48 estudos; seis papéis; framework tripartido de integração responsável)
• Agentic AI in Education: State of the Art and Future Directions — IA agêntica na educação: estado da arte e direções futuras (survey do IEEE Access; definição operacional + taxonomia)
• A scoping review of generative AI-powered agentic AI in education: Research landscape, agentic capabilities, and insights from the frontier agent paradigm, exemplified by OpenClaw — Revisão de escopo da IA agêntica na educação (474 estudos)
• Agentic AI and Pedagogical Best Practice: The Tension Between Automation and Learning — A tensão entre automação e aprendizagem
• A Tool-Invariant Framework for Teaching and Assessing Computational Methods in the Age of Agentic AI — Ensinar e avaliar métodos computacionais na era da IA agêntica
• ISD-Agent-Bench: A Comprehensive Benchmark for Evaluating LLM-based Instructional Design Agents — ISD-Agent-Bench: benchmark de agentes de desenho instrucional
• Adversarial Stress Testing of Role-Playing Language Agents using Multi-Agent Evaluation — Teste de estresse adversarial de agentes com papéis
• Enacting Constructive Conflicts with AI Agents to Enhance Reconsideration among Novice Interaction Designers — Agentes de conflito construtivo na educação em desenho
• Modeling AI-TPACK in Practice: Insights from Teachers'' Multi-Agent Workflow Design — TPACK do professor e fluxos de trabalho multiagente
• CODE-GEN: A Human-in-the-Loop RAG-Based Agentic AI System for Multiple-Choice Question Generation — Agentes de geração de código
• EduClaw-Bench: A Long-Horizon Benchmark for Pedagogical LLM Agents with Simulated Learners — Benchmark de agentes pedagógicos de LLM
• Beyond Access: Guided LLM Scaffolding for Independent Learning in Undergraduate Statistics — Andaimento por LLM guiado para a aprendizagem independente
• LearnMate^2: Design and Evaluation of an LLM-powered Personalized and Adaptive Support System for Online Learning — Agentes de aprendizagem adaptativa LearnMate-2
• CyberAGENTS: Structured Autonomy for Agentic Gamified Learning in Cybersecurity — Agentes gamificados de aprendizagem em segurança cibernética
• Agentic AI-driven Immersive Simulation: A Knowledge-Aware Virtual Training Platform for High Dose Rate (HDR) Brachytherapy — Simulação clínica com IA agêntica
• The Devil is in the Details: AI Agents, Ghost Students, and the Crisis of Verified Presence in an Agentic AI World — Estudantes fantasmas e a lacuna de verificação da IA agêntica (Bozkurt et al. 2026)
• AI Agents Can Now Navigate and Complete LMS Tasks: A Call for Pedagogical Innovation — Agentes de IA concluindo tarefas de LMS; falha de validade via a premissa de produção humana (Hadjisolomou & El-Haddad 2026)
• AI Web Agents Can Effectively Guide Lesson Design and Predict Student Outcomes — Agentes Web de IA: um agente descritivo como avaliador da experiência de aprendizagem (prevê a evasão, dá feedback de desenho antes de os estudantes se engajarem)
• Practical Implementation Report on Introducing Spec-Driven Development Using AI Agents in Software Development PBL — DCE com agentes de IA em PBL de software; automação versus compreensão
• Evaluating Scaffolding-Oriented Multi-Agent Large Language Model System for Clinical Interview Training — Avaliação de um Sistema Multiagente de LLM Orientado ao Andaimento para Treinamento em Entrevista Clínica
• Ethics Training Agents: Facilitating Group-Based Ethics Education with Role-Playing and Discussion for Ethical Reflection and Exploration — Agentes de Treinamento em Ética: Facilitando a Educação em Ética Baseada em Grupos com Dramatização de Papéis e Discussão para a Reflexão e Exploração Éticas