Como escrevemos e implementamos uma política institucional de IA?

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

Você é o reitor, o diretor, a liderança de governança, o diretor do centro de ensino ou o presidente do comitê que tem de produzir ou defender esta política, e responder a um colega que a chama de rígida demais ou vaga demais. A conclusão direta: publicar uma política é a parte fácil, e um documento por si só não muda nada. A maioria das instituições já respondeu se deve ter uma ao publicar uma, e o acervo resultante é amplo, mas raso — consultivo em vez de vinculante, agrupado em torno da integridade acadêmica, e escasso nos problemas de dados, equidade e capacidade que decidem se o uso de IA vai bem. O que separa uma política defensável de um documento que junta poeira é um responsável nomeado, um calendário de revisão, um caminho de tradução para os cursos e um desenho de avaliação que recompense o comportamento que você está pedindo.

A versão curta

Escreva com parcimônia sobre aspiração e de forma explícita sobre obrigação. Audite seu rascunho em busca de cada "pode" e "poderia" onde você quer dizer "deve", e defina plágio e usos proibidos em palavras que um estudante do primeiro ano consiga aplicar. Nomeie um responsável executivo e um ciclo de revisão antes de publicar. Diga onde ficam as obrigações de FERPA, GDPR, HIPAA, IRB e de integridade da pesquisa, em vez de dobrá-las umas sobre as outras — um documento que absorve proteção de dados, ética da pesquisa, regulação clínica e conduta acadêmica será longo, não lido e inaplicável. Fundamente a capacidade da equipe e o acesso dos estudantes juntos, porque eles falham juntos. Pergunte quantos cursos de fato operacionalizaram a política, e trate um número baixo como uma falha de apoio, e não como um problema de conformidade. Incorpore a reflexão sobre o uso de IA ao trabalho avaliado, em um nível proporcional ao esforço que ela exige, e anexe um plano de avaliação, porque ninguém pode afirmar que a política melhorou algo antes de medir.

Decida primeiro: o que seu documento governa

Manikonda e Outlaw (2026) rastrearam políticas de IA de 149 universidades R1 e R2 dos Estados Unidos e verificaram 130 políticas no nível universitário, abrangendo 34 estados. O registro é consultivo em vez de diretivo: 95% das políticas tiveram uma pontuação negativa de força-clareza, então a linguagem fraca ("pode", "poderia") domina sobre as diretivas ("deve", "proibido"). As políticas no nível universitário priorizam segurança de dados, mitigação de risco, aquisição e conformidade legal, com pouca orientação pedagógica, enquanto as políticas no nível de escola que existem se concentram em ensino e letramento em IA. Apenas oito escolas de negócios tinham uma política específica da escola, e essas diferiam do framework de sua instituição em seis de oito casos. O remédio dos autores é uma estrutura em camadas: uma camada de gestão de risco para toda a universidade, políticas no nível dos departamentos e comitês interdepartamentais com corpo docente e estudantes.

Isso lhe dá uma decisão de escopo a ser declarada por escrito: declare o documento um instrumento de gestão de risco, e coloque o detalhe operacional no nível do departamento, o que também responde à acusação de vagueza.

Decida segundo: se as disposições vinculam

Olhe o que as instituições publicam quando nada força a questão. Eldredge e colegas (2026) escanearam todos os 48 programas de mestrado em informática em saúde e gestão de informação em saúde acreditados pela CAHIIM nos EUA. Quarenta programas (83%) publicaram ao menos um documento relacionado à IA; da amostra analítica, 21 documentos (53%) eram diretrizes, 9 (23%) informativos e apenas 7 (18%) políticas formais. Integridade acadêmica foi a palavra-chave mais frequente (n = 139), à frente de citação (59), avaliação (50) e plágio (38); a revelação do uso de IA e a compra de trabalho (contract cheating) apareceram uma vez cada; HIPAA apareceu cinco vezes, FERPA onze e prontuários eletrônicos de saúde, nenhuma vez. O vocabulário de equidade estava quase ausente — inclusão (n = 9), acessibilidade (n = 9), acesso equitativo (n = 2). Essa é atenção sem um compromisso vinculante correspondente.

A lição não custa nada: conte seus verbos modais e escreva uma consequência onde você quer dizer uma.

Decida terceiro: quem a escreve, e quem está vinculado a ela

Duas revisões situam a fraqueza na capacidade, não na intenção. Ashiq (2026) sintetizou mais de setenta fontes do Reino Unido e descobriu que apenas uma minoria das instituições mantém planos oficiais de governança de IA, que lacunas no planejamento estratégico produzem deriva de política e conformidade performática, que a orientação nacional do Office for Students e da Jisc foi criticada por falta de especificidade e de poder de aplicação, e que o treinamento de equipe em IA e o investimento em infraestrutura se concentram em instituições intensivas em pesquisa, enquanto instituições focadas em ensino enfrentam restrições de capacidade. Baroudi (2026) revisou 19 fontes e descobriu que apenas 7% das instituições haviam criado cargos seniores de liderança em IA, apesar de 49% tratarem a IA como prioridade estratégica, com uma lacuna entre teoria e implementação impulsionada por frameworks de política frágeis e infraestrutura digital limitada, particularmente no Sul Global. Escrever uma política não é o gargalo; ser dono dela, dotá-la de recursos e revisá-la é.

Então decida quem preside e quem participa antes de redigir. Crompton e colegas (2026) convocaram um painel Delphi de 22 países e localidades em seis continentes e produziram um framework de consenso com oito áreas centrais — integridade acadêmica, uso ético e responsável, privacidade e proteção, acesso equitativo, letramento em GenAI, estratégia de integração, supervisão humana e responsabilização, e apoio institucional e infraestrutura — mais um mecanismo de seis partes para manter a política atualizada: um comitê de governança multidisciplinar (mais da metade do painel), ciclos de revisão programados (metade do painel), desenvolvimento profissional, comunicação com todos os partes interessadas, avaliação de eficácia e monitoramento de desenvolvimentos externos. Use o framework como seu checklist de cobertura e o mecanismo como seu modelo operacional. Note onde o consenso é desigual, porque seu comitê vai derivar na mesma direção: uso ético e responsável foi referenciado por dois terços dos painelistas e privacidade por mais da metade, mas acesso equitativo por apenas um terço — a equidade é aquilo que um processo de consenso subpondera primeiro. Metade do painel insistiu que saídas significativas de GenAI fossem revisadas por um humano, e favoreceu avaliação focada em processo e avaliação oral.

Uma decisão de participação vale ser tomada deliberadamente. Hingle e Johri (2026) fizeram estudantes codesenharem uma política de curso de GenAI por meio de investigação guiada; as prioridades que emergiram foram formação para estudantes e instrutores, procedimentos padronizados de revelação, apoio institucional mais forte em vez de dependência de instrutores individuais, e um papel nas decisões sobre as regras que governam a própria aprendizagem deles — o que argumenta pela participação de estudantes no comitê, e não por uma rodada de consulta. Baroudi descobriu que estilos de liderança empoderadores e distributivos estavam associados a maior engajamento do corpo docente e abertura à mudança, e documentou a maquinaria de gestão da mudança (o modelo de contágio de Valente, o framework de cinco estágios de Rieber e Welliver) como o apoio para a adoção. O estilo de liderança, segundo essa evidência, faz parte da política.

Tan e colegas (2026) oferecem um framework organizacional de seis dimensões cujas proposições são explicitamente deixadas para validação empírica futura. É um checklist do que uma política deve cobrir, não evidência do que funciona — útil para estrutura, excesso de afirmação se citado como prova.

A lacuna na prática está entre as regras individuais e as institucionais. A pesquisa AAC&U/Elon com 1.057 docentes dos EUA (Watson e Rainie, 2026) descobriu que 87% haviam criado suas próprias políticas para estudantes sobre uso de IA generativa, enquanto apenas 48% disseram que sua instituição havia escrito tais diretrizes e 35%, que seu departamento havia. Estruturalmente, 55% relataram um grupo de trabalho ou de supervisão, 37% novas aulas focadas em IA, 17% uma graduação ou especialização em IA, 16% novos cargos de liderança acadêmica, e apenas 13% haviam adotado o letramento em IA como resultado de aprendizagem da formação geral. A amostra não é científica e os autores dizem que ela não é generalizável, mas a assimetria é o ponto: as regras que os estudantes de fato encontram são escritas pelo instrutor à frente deles, e é por isso que a tradução para os cursos importa mais do que a publicação. Coates, Croucher e Calderon (2025) fornecem o instrumento de governança para a ponta oposta — um framework de indicadores de integridade acadêmica construído para governantes institucionais por meio de revisões de pesquisa, estudos de caso multi-institucionais, prototipagem e confirmação por especialistas, junto de reformas nas arquiteturas de governança, nas pessoas e nas tecnologias.

Decida quarto: onde ficam as obrigações de dados, privacidade e consentimento

A conformidade com a lei básica não é governança ética de dados. Varadaraju e Vijayakumar (2026) argumentam que a governança de analíticas de aprendizagem no ensino superior permaneceu centrada na conformidade, focada em atender FERPA e GDPR, e propõem o framework LEAGUE — Lawfulness, Equity, Agency, Governance, Utility e Ethics by Design (Licitude, Equidade, Agência, Governança, Utilidade e Ética por Desenho) — demonstrado contra um estudo de caso de alerta precoce. O painel Delphi colocou independentemente a privacidade e a proteção de dados como tema crítico para mais da metade de seus membros, e o OECD Digital Education Outlook (2026) tem como terceiro pilar de política um ambiente habilitador para GenAI confiável, cobrindo privacidade, segurança, testes de viés e transparência.

A lição do corpus de informática em saúde é disciplina de escopo: seus documentos de IA mal mencionavam HIPAA, FERPA ou orientação de IRB e nunca mencionaram prontuários eletrônicos de saúde, porque essas obrigações vivem em uma política de conformidade mais ampla. Nomeie onde cada obrigação fica, e exija que os estudantes a encontrem nos trabalhos do curso.

Decida quinto: como a política chega à sala de aula

Essa é a decisão em que a maioria das políticas falha, e ela é mensurável. Ganguly e colegas (2026) analisaram 116 políticas institucionais de GenAI de 131 universidades R1 ao lado de 98 planos de curso de ciência da computação de 54 instituições R1. As instituições em sua maioria encorajavam o uso de GenAI (73, 63%), enquanto 31 (27%) o desencorajavam; no nível do curso, 90 planos (92%) davam diretrizes explícitas, mas 49 (50%) proibiam inteiramente o uso de GenAI, 40 (41%) permitiam uso parcial, e apenas 7 (7%) o encorajavam. Apenas 47 das 131 instituições tinham tanto uma política institucional quanto uma tradução detectável no nível do curso. Governança, segundo essa evidência, significa traduzir a política em apoio concreto ao instrutor, ou os instrutores improvisarão regras locais que podem não se alinhar à orientação institucional.

Pergunte ao seu comitê quantos cursos traduzem detectavelmente a política, e trate a resposta como uma métrica de apoio, não uma métrica de conformidade.

Decida sexto: capacidade, acesso e a revisão que você prometeu

Duas disposições frequentemente omitidas são o desenvolvimento da equipe e o acesso equitativo. O painel Delphi colocou o apoio e a infraestrutura institucionais como o habilitador fundamental; Baroudi descobriu que cargos seniores de IA são raros e enfatizou o letramento em IA e a formação prática para corpo docente e equipe. Ashiq descobriu que o treinamento de equipe em IA estava concentrado em instituições intensivas em pesquisa, ampliando uma divisão digital. Adarkwah e colegas (2026) analisaram 159 documentos de 30 universidades de alto ranking nos dez países mais bem posicionados no Índice de Preparação para IA do FMI, pontuados contra o framework de GenAI de oito componentes da UNESCO. Quatro universidades foram excluídas por falta de políticas publicamente acessíveis, restando 26, e não foram encontradas políticas públicas para universidades alemãs ou para a Universidade de Tecnologia de Tallinn. Princípios éticos e de governança centrais foram amplamente adotados, enquanto inclusão, equidade, acesso à internet, paridade de gênero e impacto ambiental foram frequentemente negligenciados, e muitas disposições permaneceram declarativas em vez de operacionalmente asseguradas — o mesmo padrão que o corpus de informática em saúde encontrou, onde o vocabulário de equidade estava quase ausente. O quarto pilar da OCDE é infraestrutura digital equitativa, incluindo pequenos modelos de linguagem offline para contextos de baixa conectividade. Tan e colegas estendem a dimensão de competência para além do letramento em IA até o letramento em dados, a ética digital, o pensamento estratégico, a liderança da mudança e a aprendizagem ao longo da vida.

Orçamente esses itens juntos e nomeie um responsável: uma política que exige uso de IA sem financiar dispositivos, conectividade, adaptações ou formação atribuiu uma obrigação que não pode sustentar.

Dois estudos recentes de política lhe dão um instrumento de auditoria e um aviso sobre apoio. Gutowski e Hurley (2025) pontuaram políticas institucionais em cinco dimensões com rubricas explícitas — proibitividade, permissividade, integração educacional, transparência e responsabilização, e profundidade — e descobriram que a maioria das instituições do seu setor adotava posições geralmente proibitivas, ao mesmo tempo que reservava discricionariedade aos instrutores individuais, sem uma abordagem única aceita, e com a própria clareza tratada como precondição para uma aplicação defensável. A recomendação deles é deliberadamente processual: diretrizes abrangentes qualquer que seja sua posição, partes interessadas envolvidas na redação, formação proativa, governança desenhada para ser flexível, e ciclos de revisão, partindo da visão de que a geração de política não é um evento único. Qian (2026) chega ao mesmo ponto estrutural pelo lado do apoio: o que distingue as instituições não é a regra isolada, mas o ecossistema de apoio publicado junto dela — desenvolvimento docente, orientação aos estudantes, apoio à avaliação e estruturas de governança que tornam a política operacional. Leia seu rascunho como um compromisso de apoio com regras anexadas, e não o contrário.

Quatro objeções que você vai ouvir

"Nós já temos uma política de integridade acadêmica."

Ela é necessária e não suficiente, e o corpus mostra por quê: a integridade é a disposição mais fácil de escrever, e é por isso que domina as contagens de palavras-chave enquanto o vocabulário de equidade, o acesso e as obrigações de dados ficam quase ausentes. O que a evidência sustenta é a divisão de trabalho, não a fusão — as regras de conduta ficam onde o processo de integridade acadêmica pode aplicá-las, e a política de IA carrega o que um código de integridade não alcança: aquisição e segurança de dados, procedimento de revelação, acessibilidade e acesso, formação da equipe, e as condições de avaliação sob as quais a integridade é alcançável. A insistência do painel Delphi em revisão humana de saídas significativas de GenAI, e sua preferência por avaliação focada em processo e oral, não tem lugar em um código de integridade.

"O corpo docente vai ignorá-la."

Alguns vão, e raramente é questão de vontade. A evidência de Ashiq é de capacidade: planos de governança são incomuns, lacunas de planejamento produzem deriva de política e conformidade performática, e o investimento em treinamento e infraestrutura se concentra em instituições intensivas em pesquisa, enquanto as focadas em ensino enfrentam restrições. A de Baroudi é estrutural — 7% das instituições haviam criado cargos seniores de liderança em IA contra 49% tratando a IA como prioridade estratégica. A de Ganguly e colegas é de tradução: apenas 47 das 131 instituições tinham tanto uma política quanto uma implementação detectável no nível do curso. O corpo docente não está ignorando a política tanto quanto sendo deixado sozinho com ela. A contramedida é o desenvolvimento profissional, exemplos trabalhados e liderança distributiva, que Baroudi associa a maior engajamento do corpo docente e abertura à mudança.

"Os estudantes não vão lê-la."

Eles vão responder a ela de qualquer forma, o que é o fato mais útil. Braun e Khafizov (2026) pesquisaram 1.809 estudantes, 250 docentes e 62 membros da equipe administrativa em uma universidade de formação de professores e descobriram que os estudantes relatavam maior intensidade e utilidade de uso de IA, enquanto docentes e equipe relatavam preocupações mais fortes de integridade. Em seu modelo agrupado, a utilidade percebida teve a associação padronizada mais forte com a confiança (β = 0,402), e a clareza da política institucional foi positiva, mas mais fraca (β = 0,223); os estudantes relataram maior clareza percebida da política do que os docentes. Essas são associações transversais e autorrelatadas, mas a ordenação alerta contra tratar uma política bem escrita como um instrumento de construção de confiança por si só. Ogbo e colegas (2026) modelam o uso de IA pelos estudantes como um problema de coordenação em que as normas da coorte, e não as regras declaradas, governam o comportamento, e mostram transições dirigidas por limiares: a avaliação reflexiva precisa ser recompensada acima de um nível crítico antes que o uso responsável desloque a prática oportunista, a recompensa precisa ser proporcional ao esforço que a reflexão exige, e a sensibilidade aos pares determina a velocidade da cascata. Os estudantes respondem a estruturas de avaliação, e não a pronunciamentos, o que sustenta uma governança conduzida pela pedagogia em vez da vigilância. A OCDE acrescenta que chatbots de propósito geral melhoram a qualidade da saída, mas que essa vantagem desaparece e às vezes se inverte em provas quando o acesso à IA é removido, com o engajamento metacognitivo caindo à medida que o trabalho é descarregado. Coloque a exigência na avaliação com nota.

"Nós não podemos policiar isso."

Você não pode, e a evidência diz que você não precisa. Ogbo e colegas oferecem o único resultado formal deste corpus — pronunciamentos de política isolados deixam a prática oportunista intacta quando os incentivos da avaliação estão desalinhados — então a alavanca é o desenho, não a detecção. O fator medido mais forte de Braun e Khafizov é a utilidade percebida, não a clareza da política, então uma política que torna o uso responsável útil aos estudantes chega mais longe do que uma que ameaça com detecção. Onde você de fato aplica, mantenha estreito e processual: usos proibidos definidos, regras de revelação que os estudantes possam seguir, e as práticas de revisão humana e de avaliação oral que metade do painel Delphi endossou. Sua exposição real é a lacuna de tradução, não a evasão dos estudantes — 92% dos planos de curso davam diretrizes explícitas, enquanto 50% proibiam a GenAI de forma absoluta, contra 63% das políticas institucionais que a encorajavam. A inconsistência que os estudantes encontram é entre sua política e seus próprios cursos.

Onde a aplicação falha, é mais frequentemente um problema de evidência do que um de detecção, e é aí que fica a exposição institucional. Munoz e colegas (2026), documentando arquivos reais de alegações, descobriram que a base de evidências é mais escassa do que a política implica: rastros registrados pelo sistema existem apenas na avaliação supervisionada, evidência de processo (rascunhos, reuniões de supervisão, apresentações) existe apenas onde essas práticas já eram exigidas, e a justiça natural exige que o estudante seja informado da alegação e receba uma chance de responder antes de qualquer determinação. A saída de um detector não pode substituir isso: Hadra e colegas (2026) mediram precisão de 0,69 e 0,61 para duas ferramentas comerciais amplamente usadas, ambas falhando em texto híbrido humano-IA e com risco de classificação errada na fronteira para escrita de estudantes de inglês como língua estrangeira, e Bassett e colegas mostram que nenhum limiar resolve a troca entre sinalizar trabalho honesto e perder uso oculto. Um achado que se apoia em uma pontuação que ninguém pode interrogar é o caso que gera o recurso, a reclamação e ocasionalmente a ação judicial. Escreva o padrão de evidência na política, proíba evidência baseada apenas em detector, e vincule o procedimento às obrigações em Questões e riscos legais.

O que a evidência ainda não pode lhe dizer

Este corpus não contém nenhum estudo que meça se a política de IA de uma instituição mudou o comportamento dos estudantes, a prática da equipe ou os resultados de aprendizagem. O que existe é descritivo: Manikonda e Outlaw descobrem que a linguagem da política é fraca e desalinhada; Ashiq documenta a deriva de política; Baroudi nomeia a ausência de evidência longitudinal e causal como uma lacuna. Eldredge e colegas alertam que analisar apenas documentos públicos cria um viés de visibilidade, então a ausência de linguagem de privacidade ou equidade é um achado sobre a orientação publicada, e não sobre a prática. Tran, Liu e Nguyen (2026) revisaram 65 artigos revisados por pares sobre IA e aprendizagem socioemocional e descobriram que quase três quartos não mencionavam nenhuma implicação de política, e que a minoria que mencionava carecia em grande parte do detalhe específico por ator — quem deve agir, sobre o quê, por quê, quando e como — de que a formulação real de políticas precisa. Trate a lacuna como uma razão para instrumentar sua própria política, não para esperar.

A posição defensável é que a política não é a entregável; o mecanismo é. Publique disposições vinculantes onde você as quer de fato, dê ao documento um responsável nomeado e uma revisão programada, traduza-o em apoio no nível do curso, coloque as obrigações de conformidade onde os estudantes vão encontrá-las, fundamente capacidade da equipe e acesso juntos, e anexe um plano de avaliação — ninguém pode afirmar que a política melhorou algo antes de medir.

O que fazer nesta semana

• Conte seus verbos modais. Busque no rascunho "pode" e "poderia", reescreva cada ocorrência em que você quer dizer "deve" ou "proibido", e defina plágio e usos proibidos explicitamente.
• Nomeie um responsável e uma data. Um comitê de governança permanente, um ciclo de revisão programado, um patrocinador executivo nomeado, e uma linha que atribua a responsabilidade por monitorar desenvolvimentos externos.
• Marque a conversa de camadas. Convoque lideranças no nível de departamento e um comitê com membros do corpo docente e estudantes, e decida quais disposições são de toda a universidade e quais o departamento escreve.
• Escreva as disposições ausentes. Adaptações, acessibilidade, pressupostos de dispositivos e conectividade e cobertura linguística pertencem junto da regra que exige uso de IA; depois nomeie onde ficam as obrigações de FERPA, GDPR, HIPAA, IRB e integridade da pesquisa.
• Peça o número da tradução. Trate uma resposta fraca como uma falha de apoio e combine restrições com exemplos trabalhados.
• Mude uma avaliação e uma questão de avaliação de resultados. Incorpore a reflexão sobre o uso de IA ao trabalho avaliado, em um nível proporcional ao esforço que ela exige, depois declare o que você vai medir, quando, e quem é dono do achado.

Para a contraparte no nível do curso deste trabalho, ver escrever uma política de IA para o curso e comunicá-la aos estudantes. A base de pesquisa está em pesquisa em governança institucional, o framework Delphi global e auditorias de política no nível de programa; ver Administradores e Gestão de mudanças para as dimensões de liderança e implementação. Política educacional de IA reúne a literatura do setor como um todo, e Governança de IA cobre como autoridade e responsabilização são distribuídas.