Gestão de mudanças

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

Gestão de mudanças — o conjunto deliberado de processos, estruturas de governança e práticas de liderança pelos quais instituições de ensino superior planejam, implementam e sustentam a integração da IA ao ensino, à aprendizagem e à avaliação. Como a IA generativa chegou como uma "tecnologia de chegada" que entrou nas salas de aula antes que a evidência pedagógica se acumulasse, a gestão de mudanças na educação em IA precisa sustentar adaptação contínua sob incerteza, e não adoção única, equilibrando estabilidade institucional com inovação emergente e governança compartilhada entre administradores, corpo docente, estudantes e formuladores de políticas.

Perguntas para refletir

• A gestão de mudanças é descrita aqui como o governo da adaptação contínua sob incerteza, porque a IA generativa chegou às salas de aula antes que a evidência pedagógica se acumulasse. O que significa gerenciar mudança quando você não pode esperar pelas melhores práticas, mas também não pode escalar inovações não testadas de forma responsável?
• Um obstáculo recorrente é a lacuna entre a intenção da política top-down e a realidade da sala de aula — por exemplo, políticas que incentivam a GenAI enquanto os planos de curso a proíbem, deixando os instrutores improvisando. Por que você acha que política e prática se afastam tão facilmente em torno da IA?
• A pesquisa descobre que a orientação pedagógica de um membro do corpo docente — o que ele acredita que a IA significa para o conhecimento disciplinar — é o preditor mais forte de adoção, enquanto iniciativas institucionais e dados demográficos são preditores surpreendentemente fracos. O que isso sugere sobre onde os esforços de mudança deveriam concentrar sua energia?
• A página nota que apenas 7% das instituições criaram cargos seniores de liderança em IA, apesar de 49% verem a IA como prioridade estratégica. O que você acha que isso sinaliza quando uma instituição chama algo de estratégico mas não o dota de liderança?
• Um modelo de jogo de coordenação explica por que declarações de política por si só falham: o uso de IA pelos estudantes é um processo coletivo de formação de normas, e mudanças pequenas e bem calibradas nos incentivos de avaliação podem desencadear rápidas viradas de toda a coorte em direção ao uso responsável. Como mudar os incentivos de avaliação poderia fazer mais do que emitir uma política jamais conseguiria?
• A página alerta que a adoção fragmentada amplia as lacunas existentes — inclusão, equidade e sustentabilidade são frequentemente negligenciadas mesmo onde princípios éticos centrais são abraçados. Quais estudantes ou instituições você suspeita que perdem quando a mudança é gerenciada de forma desigual, e como você os manteria no centro?

Introdução

A literatura empírica mostra consistentemente que a gestão de mudanças eficaz em IA é um empreendimento sociotécnico, e não meramente técnico. O framework de mudança institucional adapta modelos clássicos de mudança à IA generativa, argumentando que as instituições "não podem esperar pelas melhores práticas, mas não podem escalar inovações injustificadas de forma responsável", e pedindo investigação local humilde, reforma organizada em torno de abordagens pedagógicas em vez de ferramentas efêmeras, e estudantes engajados como parceiros na reforma. Esse enquadramento ressoa com o argumento de liderança de sistemas complexos de que a educação é um sistema adaptativo complexo onde os líderes precisam julgar quando reforçar a estabilidade administrativa e quando habilitar um "espaço adaptativo" — difundindo inovações de alto risco como a IA por redes sociais de confiança (contágios complexos) em vez de fluxo linear de conhecimento.

Um obstáculo recorrente à mudança é a lacuna entre a intenção da política top-down e a realidade da sala de aula. A análise comparativa de políticas descobriu que, enquanto 63% das políticas de universidades R1 dos EUA incentivam o uso de GenAI, metade dos planos de curso de computação a proíbem abertamente, deixando os instrutores improvisando regras locais inconsistentes. Similarmente, a revisão de política de ensino superior do Reino Unido documenta uma divisão entre instituições intensivas em pesquisa e lideradas pelo ensino, com a orientação nacional criticada por carecer de especificidade e poder de enforcement, enquanto a análise de governança institucional mostra que políticas de âmbito universitário enfatizam segurança de dados e mitigação de riscos, enquanto políticas de nível escolar (quando existem) focam na pedagogia — um desalinhamento estrutural que fica aquém das expectativas de acreditação para integração unificada de currículo, política, avaliação e infraestrutura.

Gestão de mudanças na pesquisa em educação em IA

A literatura converge em várias alavancas de gestão de mudanças. Frameworks de governança fornecem templates orientados por consenso: o estudo Delphi global propõe um framework de governança de GenAI de oito áreas (integridade acadêmica, uso ético, privacidade, acesso equitativo, letramento, integração, supervisão humana, apoio institucional) mais um mecanismo de revisão de seis partes para manter a política atual, posicionando as políticas como estruturas habilitadoras dentro de um ecossistema institucional interconectado. Liderança antecipatória é o fio complementar: a revisão de escopo descobre que as instituições precisam passar da governança reativa para a governança movida por previsão, com liderança empoderadora e distributiva aumentando a adoção — mas apenas 7% das instituições criaram cargos seniores de liderança em IA, apesar de 49% verem a IA como prioridade estratégica.

Motivadores de adoção revelam por que a mudança emperra ou tem sucesso. O estudo de motivadores organizacionais mostra que a cultura organizacional interna e os atributos tecnológicos (compatibilidade, vantagem relativa, baixa complexidade) catalisam a adoção de IA, com regulação governamental como habilitador externo — dinâmicas sensíveis ao contexto que modelos individuais de aceitação de tecnologia não capturam. Inversamente, o estudo de orientação docente descobre que a interpretação epistêmica da IA por um membro do corpo docente — sua orientação pedagógica sobre o que a IA significa para o conhecimento disciplinar — é o preditor mais forte de adoção, enquanto iniciativas institucionais e dados demográficos são preditores surpreendentemente fracos. Isso alerta que planos estratégicos top-down têm impacto limitado a menos que engajem as crenças do corpo docente, e que redes de pares bottom-up (colegas de departamento eram a principal fonte de informação) importam mais que iniciativas centrais.

Estudos de caso de transformação institucional mostram como essas alavancas se desenrolam na prática. Qin (2026) analisa a mudança estratégica da Lingnan University ao longo de quatro dimensões — upgrade instrucional por meio da IA, priorização de competências humanas insubstituíveis, renovação curricular e retenção de valores éticos/culturais — ilustrando como uma instituição de longa data consegue gerenciar a mudança impulsionada pela GenAI sem abrir mão de sua identidade. Ele enquadra a transformação como intelectual, e não tecnocêntrica, dando aos líderes institucionais um modelo em etapas para tornar o letramento em IA obrigatório preservando a missão humanística.

A evidência de implementação em sistemas escolares desloca a pergunta de qual produto adotar para como ele é usado. O trabalho de campo de Instruction Partners — 32 salas de aula em 16 sistemas escolares em sete estados — descobriu que o mesmo produto funcionava bem ou mal segundo como o professor enquadrava o propósito, observava o dashboard e agia sobre o que ele reportava, com atividades de dez minutos se estendendo por uma aula onde faltavam rotinas e um lugar claro na sequência do escopo. Produtos que especificavam ações do professor durante o uso eram usados mais próximos de sua abordagem pretendida, e os professores precisavam de coaching sustentado em vez de um único lançamento; onde os líderes conheciam bem um produto, os professores tomavam as ações desejadas com mais frequência. A sustentabilidade é uma propriedade da organização, não da ferramenta. Uma avaliação randomizada de quatro anos de um chatbot de mensagens de texto sem IA generativa na California State University, Northridge, rastreia a durabilidade até uma casa administrativa (supervisão conjunta do Office of Undergraduate Studies e do Office of the Registrar), um especialista de comunicação escrevendo cada campanha para manter uma voz consistente, e flexibilidade suficiente na mistura de mensagens para absorver o choque da COVID-19 — enquanto o compartilhamento de dados entre escritórios para alcance direcionado se provou oneroso o bastante para que as campanhas direcionadas caíssem de 36% para 6% do total anual (Mata, Russell & Page 2026, um working paper cujos achados de implementação repousam sobre observação de sistema e discussões com administradores, e não sobre o ensaio). Seu resultado de engajamento reforça a mesma lição: as taxas anuais de opt-out nunca excederam 4% em quatro anos, o que os autores leem como receptividade sustentada pela forma como a instituição adaptou a implementação, e não pela tecnologia em si.

A reforma da avaliação é um campo de batalha central da gestão de mudanças. O estudo da AI Assessment Scale mostra que a implementação do framework foi prejudicada por inconsistências departamentais, pressões de carga de trabalho e incerteza, com a equipe descrevendo o processo como "um pouco de caos e loucura". O modelo de jogo de coordenação oferece uma conta formal de por que declarações de política por si só falham: o uso de IA pelos estudantes é um processo coletivo de formação de normas, e mudanças pequenas e bem calibradas nos incentivos de avaliação reflexiva podem desencadear rápidas viradas de toda a coorte em direção ao uso responsável, enquanto incentivos fracos ou desalinhados permitem que práticas oportunistas persistam. Isso sustenta a governança liderada pela pedagogia em vez da vigilância. A pesquisa sobre a lacuna de adaptação à IA acrescenta uma dimensão de partes interessadas: estudantes reportam maior intensidade de uso de IA e utilidade percebida que o corpo docente e a equipe administrativa, enquanto estes últimos reportam preocupações mais fortes com integridade acadêmica — e a utilidade percebida impulsiona a confiança (β = 0,402) mais fortemente que a clareza da política institucional (β = 0,223).

Um workshop sobre prática de avaliação com 73 educadores de computação fornece a contraparte do lado da sala de aula. Quase toda mudança que os participantes descreveram havia sido feita por um instrutor individual num único curso sem coordenação institucional — colegas dentro de um mesmo departamento assumindo posições opostas sem nada que as concilie — e a resposta curricular que o relatório defende não terminará a tempo de ajudar os estudantes hoje matriculados; observou-se também que a dificuldade das tarefas expira num ciclo de aproximadamente um semestre, o que torna a calibração contra a capacidade atual dos modelos um ativo institucional perecível, e não uma decisão única (Akbar et al., 2026).

Implicações

A gestão de mudanças na educação em IA carrega implicações positivas e negativas. Positivamente, frameworks estruturados dão às instituições um caminho da gestão de crise reativa para a governança proativa e participativa; o consenso Delphi e a governança antecipatória ambos sustentam tratar letramento em IA e ética como capacidades institucionais transversais, e não como regras isoladas. Negativamente, a adoção fragmentada amplia as lacunas existentes: a análise do framework da UNESCO de 30 universidades líderes descobre que princípios éticos e de governança centrais são amplamente abraçados, mas inclusão, equidade e sustentabilidade (acesso à internet, paridade de gênero, impacto ambiental) são frequentemente negligenciados — e rankings nacionais de preparo para IA não predizem política institucional robusta. O framework LEAGUE estende essa preocupação à analítica de aprendizagem, argumentando que a governança precisa ir além da conformidade (FERPA/GDPR) rumo à legalidade, equidade, agência, utilidade e ética por desenho, revisando as práticas com dados de estudantes de forma transparente e educacional. Em instituições onde a estratégia corre à frente da infraestrutura, o trabalho se acumula: desenvolvedores acadêmicos de duas Instituições Historicamente Desfavorecidas da África do Sul chamaram a estratégia de IA de "performance mais do que prática", e o artigo insiste que a desigualdade digital — um problema distributivo — seja mantida separada da colonialidade algorítmica, um problema epistêmico que sobrevive ao acesso pleno (Sithole, 2026).

Para administradores e formuladores de políticas, a evidência argumenta a favor de governança participativa, investimento em infraestrutura e construção de capacidade em vez de documentos de estratégia aspiracionais, traduzindo a política nacional em apoio concreto ao instrutor em vez de emitir mandatos top-down. Para os instrutores, a gestão de mudanças significa passar de adotante a experimentador movido pela investigação, engajando os estudantes como parceiros, e ancorando a reforma em princípios pedagógicos duráveis em vez de ferramentas que podem ficar obsoletas em meses — com a ressalva de que o desenvolvimento profissional precisa visar um ciclo completo de desenho (avaliação de necessidades, feedback) em vez do uso da ferramenta isoladamente, como demonstra a pesquisa do framework DOT.

Um estudo de caso institucional rastreia um arco de difusão de uma década em matemática de graduação, movendo-se de iniciativa individual e workshops entre pares para licenciamento conjunto do corpo docente e financiamento central (Law, 2026).

Conexões com outros conceitos

A gestão de mudanças é o complemento institucional da integração ao nível da sala de aula. Ela operacionaliza as condições sistêmicas — governança, desenvolvimento do corpo docente, engajamento das partes interessadas e salvaguardas de equidade — que permitem que a inovação pedagógica pegue, conectando o desenho de políticas de Política educacional de IA a governança, Desenvolvimento educacional e resultados de Equidade na educação com IA.

Conceitos conectados

• Governança de IA — as estruturas de política e supervisão que a gestão de mudanças operacionaliza
• Política educacional de IA — a intenção de política de IA nacional e institucional que a gestão de mudanças precisa traduzir em prática
• Desenvolvimento educacional — construir capacidade docente e orientação pedagógica para a integração da IA
• Administradores — liderança e governança antecipatória como agentes de mudança
• Letramento em IA — capacidade transversal que fundamenta a adoção institucional responsável
• Equidade na educação com IA — garantir que os benefícios da mudança se distribuam uniformemente entre instituições e estudantes
• Modelos de adoção de tecnologia — motivadores de adoção que explicam como a mudança se espalha
• Integridade acadêmica — âncora regulatória central em torno da qual a reforma da avaliação se organiza
• Apoio e sucesso dos estudantes — sustentar um programa de apoio além do piloto

Artigos conectados

• Sustaining AI-enabled student support: A four-year implementation and impact study — Sustentando apoio estudantil habilitado por IA: estudo de implementação e impacto de quatro anos de um chatbot institucional (Mata, Russell & Page 2026)

• A Framework for Institutional Change in the Age of AI — framework de seis dimensões para adaptar modelos de mudança institucional à IA como tecnologia de chegada

• Leveraging complex systems: Leading for transformative change — framework SPARK e liderança da complexidade para mudança transformativa

• Governing generative AI in higher education: a global Delphi study on policy and practice — consenso Delphi global sobre governança de GenAI em oito áreas

• Anticipatory governance and leadership for AI implementation in higher education: A scoping review — revisão de escopo sobre governança antecipatória e liderança

• The AI Adaptation Gap in Higher Education: Students, Faculty, and Administrative Staff — lacunas de partes interessadas em uso, atitudes e confiança em IA entre estudantes, corpo docente e equipe

• Artificial Intelligence in UK Higher Educational Policy and Institutional Decision Making — intenção de política nacional vs. capacidade institucional no ensino superior do Reino Unido

• Exploring Organisational Drivers and Innovation Attributes of Artificial Intelligence Adoption in Higher Education — motivadores organizacionais e tecnológicos da adoção de IA

• Generative Artificial Intelligence Policy: A Qualitative UNESCO Framework Analysis — análise do framework da UNESCO sobre políticas institucionais de GenAI

• AI for Education: The Digital Transformation of a Liberal Arts Institution — Implementation at Lingnan University — Transformação digital de uma universidade de artes liberais rumo a um modelo intensivo em pesquisa na era da GenAI (Qin 2026)

• Beyond the algorithm: academic developers as digital mediators in Global South higher education — Mediadores digitais traduzindo a estratégia institucional de IA em prática fundamentada sob escassez de infraestrutura

• AI Can Do Your Homework. Now What? Report from an online workshop on computing assessment in the age of generative AI — "A IA Pode Fazer Sua Lição. E Agora?" Relatório de um workshop online sobre avaliação em computação na era da IA generativa

• AI in Action Learning Tour — trabalho de campo cross-sistemas sobre como a implementação e as ações do professor decidem se um produto de IA ajuda

• Practitioner beliefs and behaviors in AI-enhanced education: DOT framework survey evidence — evidência de pesquisa de que o desenvolvimento profissional precisa cobrir um ciclo completo de desenho, e não apenas o uso da ferramenta

• From Flipped Classroom to AI-Enhanced Assessment: Sustained Pedagogical Innovations in Undergraduate Mathematics — Um arco de difusão de uma década, da iniciativa individual ao financiamento central em matemática de graduação (Law 2026)