Há algo simultaneamente sedutor e inquietante na cena descrita por Seuwou (2026): um professor digita um comando simples — “gere um leque de formatos de avaliação para minha turma de inglês” — e, em segundos, recebe dez opções aparentemente sofisticadas: portfólios, podcasts, simulações, ensaios revisados por pares. A rapidez e a variedade produzem uma sensação de inovação instantânea. Mas a cena convida a uma pausa crítica que vai além do entusiasmo tecnológico: quem, de fato, solicitou esse cardápio de possibilidades? E, mais relevante ainda do ponto de vista pedagógico, quem vai “se alimentar” dele — isto é, quem arcará com os custos cognitivos, motivacionais e formativos das escolhas geradas?
Este ensaio expande essa reflexão inicial, situando-a no debate acadêmico contemporâneo sobre IA generativa (GenAI) e avaliação educacional. Argumenta-se que a metáfora do “menu” gerado por IA não é neutra: ela revela tensões profundas sobre autoria pedagógica, autonomia discente e a lógica de eficiência que orienta os sistemas generativos — uma lógica que nem sempre coincide com os interesses formativos dos estudantes ou com o julgamento profissional do docente.
A avaliação como função social e o problema da autenticidade
Seuwou (2026) descreve essa cena como parte de um modelo mais amplo de co-design curricular, no qual educadores e estudantes utilizam a GenAI como ferramenta de colaboração, e não como fábrica de conteúdo definitivo. Segundo o autor, o processo começa com uma oficina em que os estudantes examinam os resultados de aprendizagem do módulo; em seguida, um comando como “gere um leque de formatos de avaliação que possam demonstrar compreensão do conceito X para um grupo diverso de aprendizes” é inserido na ferramenta, que devolve uma lista incluindo podcasts, resumos comunitários, simulações interativas, análises de política pública e portfólios criativos. Em vez de impor esse formato, o docente convida os estudantes a avaliar, refinar e escolher entre essas opções — produzindo uma estratégia avaliativa compartilhada, alinhada aos princípios do Desenho Universal para a Aprendizagem.
Essa reconfiguração é precisamente o que está em jogo no cenário do “menu de avaliações”. Quando a IA generativa passa a sugerir formatos avaliativos, ela não está apenas otimizando um processo administrativo — está intervindo em uma das funções mais delicadas da docência: a decisão sobre como o conhecimento será demonstrado e validado. Para Seuwou (2026), a GenAI deve atuar como facilitadora, e não como substituta do julgamento humano: cabe a ela produzir rapidamente ideias, possibilidades e protótipos que estimulem a discussão, enquanto as decisões que realmente importam — construir relações, fazer escolhas fundamentadas em julgamento profissional e cultivar uma comunidade de aprendizagem genuína — permanecem tarefa dos seres humanos envolvidos.
Esse desenho é pedagogicamente interessante porque desloca o poder decisório para os estudantes — uma escolha alinhada ao conceito de avaliação sustentável (sustainable assessment) proposto por Boud (2000), segundo o qual a avaliação deve desenvolver nos aprendizes a capacidade de julgar e regular sua própria aprendizagem ao longo da vida, e não apenas medir desempenho pontual [web:23][web:26][web:29]. Pesquisas empíricas recentes corroboram esse potencial: Zipper-Weber (2025) constatou que formatos avaliativos flexíveis, quando os estudantes podem escolher entre opções, aumentam a motivação e o engajamento, sobretudo quando a escolha permite alinhar a tarefa aos pontos fortes individuais de cada aprendiz.
A pergunta que incomoda: a quem serve o menu?
Contudo, a pergunta central deste ensaio — “a quem serve esse menu?” — exige que se examine não apenas o resultado da escolha, mas a origem das opções oferecidas. Um menu, por definição, já é um recorte: alguém decidiu, antes do comensal chegar à mesa, quais pratos seriam viáveis, desejáveis ou lucrativos de preparar. O mesmo se aplica ao “cardápio” de formatos avaliativos gerado por um modelo de linguagem.
Isso conecta-se diretamente ao que a literatura crítica sobre tecnologia educacional chama de lógica algorítmica de geração de conteúdo. Selwyn (2019, 2023) argumenta que nenhuma tecnologia educacional é neutra: seu desenho reflete pressupostos sobre o que é fácil de automatizar, o que é escalável e o que se encaixa nos dados de treinamento do sistema — não necessariamente o que é pedagogicamente mais valioso. Um modelo generativo tende a privilegiar formatos que são amplamente documentados na literatura educacional disponível online (portfólios, podcasts, rubricas de pares), simplesmente porque esses formatos aparecem com mais frequência nos dados que o alimentaram. Isso não significa que sejam as opções mais adequadas ao contexto específico da turma, à língua-alvo, ao nível de proficiência ou aos objetivos de aprendizagem daquele grupo particular de estudantes.
Luo, Zhou e Chan (2024), em sua revisão crítica de políticas institucionais sobre GenAI em avaliação, mostram como essas tecnologias frequentemente encapsulam uma lógica de eficiência e controle mais do que uma lógica formativa — a maior parte das políticas universitárias analisadas enquadra a IA como ameaça à integridade acadêmica, e não como recurso para redesenhar a avaliação de forma centrada no estudante [web:3]. Esse achado é relevante para o caso do “menu”: se a própria cultura institucional em torno da GenAI tende a ser regulatória e defensiva, corre-se o risco de que o menu gerado sirva menos aos interesses formativos dos estudantes e mais à necessidade da instituição — ou do próprio professor sobrecarregado — de produzir rapidamente algo que pareça inovador e defensável perante auditorias de qualidade.
Há, portanto, três interesses potencialmente concorrentes nessa cena:
- Os estudantes, cujo interesse reside em formatos que reflitam autenticamente sua aprendizagem, sejam inclusivos e permitam autorregulação — conforme o princípio da avaliação sustentável de Boud (2000).
- Os professores, cujo interesse pode oscilar entre o desejo de inovação pedagógica genuína e a pressão por eficiência diante de cargas de trabalho crescentes, o que torna tentador aceitar sugestões prontas sem submetê-las a um escrutínio pedagógico rigoroso.
- A lógica própria da tecnologia, que privilegia aquilo que é estatisticamente comum e computacionalmente barato de gerar — não necessariamente aquilo que é pedagogicamente ótimo ou culturalmente pertinente ao contexto brasileiro, por exemplo.
Esse terceiro interesse é o mais insidioso, porque tende a ser invisível: a aparência de neutralidade e de vastidão de opções (“dez formatos!”) mascara o fato de que essas opções já emergem de um funil de probabilidades linguísticas, e não de uma análise diagnóstica das necessidades daquela turma específica.
Da geração de opções à deliberação: o valor pedagógico do debate
A resposta de Seuwou (2026) a esse dilema não é rejeitar a GenAI, mas reposicionar seu papel dentro de um processo de co-criação: transformar a ferramenta de decisora em provocadora de debate. Ao entregar o menu aos próprios estudantes para que o avaliem, refinem e escolham, o processo desloca a autoridade epistêmica de volta para a sala de aula, convertendo a lista gerada em objeto de análise crítica coletiva, e não em veredito técnico a ser aceito passivamente. O autor situa essa prática dentro de princípios de Desenho Universal para a Aprendizagem e de equidade, diversidade e inclusão, argumentando que ouvir diretamente os estudantes transforma a ambição teórica de “desenhar para todos” em prática vivida, fortalecendo o senso de pertencimento e a corresponsabilidade pela arquitetura do curso.
Esse movimento tem respaldo em perspectivas de pedagogia crítica e em modelos de letramento digital, nos quais a IA é tratada como artefato a ser interrogado — não como oráculo. A revisão de Su (2026) sobre desenhos de avaliação autêntica na era da GenAI observa que abordagens bem-sucedidas frequentemente convidam os estudantes a usar a própria IA de forma reflexiva, produzindo uma análise crítica sobre as respostas geradas, em vez de simplesmente consumir o output como produto final. Esse é exatamente o mecanismo que Seuwou (2026) descreve ao integrar a co-criação ao ciclo de aprendizagem híbrida ativa: a “menu” não é o fim do processo avaliativo, mas seu início — o gatilho de uma negociação pedagógica sobre validade, propósito e adequação de cada formato, revisitada inclusive em avaliações intermediárias do módulo.
Ainda assim, essa solução deliberativa não resolve completamente a questão do viés de origem. Mesmo quando os estudantes escolhem entre as opções apresentadas, a arquitetura da escolha continua limitada ao que a IA gerou. Isso é o que Bacchi (2009 apud Luo, Zhou & Chan, 2024) chamaria de um “efeito discursivo”: a lista de opções, por si só, já delimita o espaço do que é imaginável como avaliação legítima, mesmo antes de qualquer debate começar [web:3]. Um verdadeiro processo de “avaliação por/com os estudantes” precisaria também abrir espaço para que os aprendizes proponham formatos fora do menu inicial — algo que exige do professor uma postura ainda mais deliberada de mediação, evitando que a conveniência da lista pronta feche prematuramente o horizonte de possibilidades.
Conclusão: o professor como curador, não como consumidor do menu
A cena do professor que digita um prompt e recebe dez formatos de avaliação sintetiza, em miniatura, o desafio central da integração da IA generativa na educação: distinguir entre delegar decisões e ampliar repertório. O menu gerado pela IA pode ser um ponto de partida valioso — desde que o docente e os próprios estudantes assumam o papel de curadores críticos, submetendo cada opção ao teste da adequação pedagógica, da inclusão e da coerência com os objetivos de aprendizagem, e não ao teste, mais simples, da conveniência computacional.
O verdadeiro risco não é que a IA generativa proponha formatos de avaliação — é que a comodidade de receber respostas prontas erode, sutilmente, o exercício do julgamento profissional que distingue a docência de uma função puramente administrativa. Como sugere Seuwou (2026), quando a GenAI assume o trabalho intensivo de gerar opções, cabe aos seres humanos o trabalho que realmente importa: construir relações, tomar decisões fundamentadas em julgamento profissional e cultivar uma comunidade de aprendizagem autêntica — uma responsabilidade que nenhum algoritmo, por mais fluente que seja, pode assumir em lugar do professor.
Referências
BOUD, David. Sustainable assessment: rethinking assessment for the learning society. Studies in Continuing Education, v. 22, n. 2, p. 151-167, 2000. Disponível em: https://www.tandfonline.com/doi/abs/10.1080/713695728. Acesso em: 19 ago. 2026.
LUO, Jiahui; ZHOU, Yueting; CHAN, Cecilia Ka Yuk. A critical review of GenAI policies in higher education assessment: a call for a critical response. Assessment & Evaluation in Higher Education, v. 49, n. 8, p. 1058-1073, 2024. Disponível em: https://www.tandfonline.com/doi/full/10.1080/02602938.2024.2309963. Acesso em: 19 ago. 2026.
SELWYN, Neil. Should robots replace teachers? AI and the future of education. Cambridge: Polity Press, 2019.
SEUWOU, Patrice. How to co-design learning and assessments with students and GenAI. Times Higher Education – Campus, 2026. Disponível em: https://www.timeshighereducation.com/campus/how-codesign-learning-and-assessments-students-and-genai. Acesso em: 19 ago. 2026.
SU, Feng. Embracing a new world: authentic assessment designs in the age of generative artificial intelligence. Educational Studies, 2026. Disponível em: https://www.tandfonline.com/doi/full/10.1080/13603108.2025.2601741. Acesso em: 19 ago. 2026.
ZIPPER-WEBER, Verena. Flexible assessment as an authentic learning strategy. Discover Education, v. 4, 2025. Disponível em: https://link.springer.com/article/10.1007/s44217-025-01038-9. Acesso em: 19 ago. 2026.