O apagão de dados sobre IA na educação brasileira: por que sabemos tão pouco sobre o que funciona

Resposta rápida — O Brasil tem dados sobre adoção de IA na educação, mas quase nenhum dado público sobre resultado. Sabe-se quantos alunos e professores usam essas ferramentas, e praticamente nada sobre o efeito delas em aprendizagem, evasão ou equidade. Essa assimetria transfere para cada instituição o custo de descobrir sozinha o que funciona — e torna a avaliação interna, com indicadores próprios, uma competência obrigatória de gestão.

Há um contraste incômodo no debate brasileiro sobre inteligência artificial na educação. De um lado, indicadores robustos de adoção: pesquisa da Fundação Itaú Social divulgada no fim de 2025 aponta que 84% dos alunos e 79% dos professores já usam IA. De outro, uma ausência quase completa de evidência pública sobre o que essa adoção produziu.

Sabemos que a IA entrou nas escolas. Não sabemos se, onde e para quem ela melhorou algo.

Essa lacuna não é detalhe acadêmico. É ela que explica por que cada escola brasileira está, hoje, tomando isoladamente decisões de investimento que deveriam se apoiar em conhecimento acumulado.

O que existe e o que falta

Pergunta	Existe dado público?
Quantos alunos e professores usam ferramentas de IA?	Sim — pesquisas de adoção
Que tipo de ferramenta é mais usada em sala?	Parcialmente
A IA melhora desempenho em aprendizagem?	Não, no contexto brasileiro
Sistemas preditivos reduzem evasão de fato?	Não
Tutoria por IA funciona melhor para quais perfis de aluno?	Não
A IA amplia ou reduz desigualdade de aprendizagem?	Não
Quanto as escolas brasileiras já investiram em IA?	Não
Que projetos foram descontinuados e por quê?	Não

As duas últimas linhas merecem destaque, porque revelam a natureza do problema. A ausência de dado sobre investimento significa que não há como avaliar custo-efetividade em escala nenhuma. E a ausência de registro de projetos descontinuados é a lacuna mais custosa de todas: em qualquer campo, aprender com o que não funcionou é mais barato do que redescobrir o fracasso individualmente.

Por que essa lacuna existe

Quatro fatores, todos estruturais.

O ciclo da tecnologia é mais curto que o da pesquisa

Uma avaliação de impacto educacional minimamente rigorosa exige desenho, coleta em ao menos um ano letivo, análise e publicação. Nesse intervalo, a ferramenta avaliada mudou de versão, de modelo subjacente e às vezes de fornecedor. O resultado é uma pesquisa metodologicamente sólida sobre um produto que não existe mais na forma estudada.

Quem tem o dado não tem interesse em publicá-lo

Fornecedores de tecnologia educacional acumulam a base mais rica sobre uso e resultado. Publicar avaliação independente desses dados expõe limitação de produto e não gera vantagem comercial. Os estudos que circulam são, majoritariamente, produzidos ou financiados por quem vende a solução — o que não os invalida automaticamente, mas exige leitura com o conflito de interesse à vista.

Escolas não medem, e quando medem não comparam

A maior parte das instituições que implantou alguma solução de IA não estabeleceu linha de base antes: não registrou o indicador que pretendia melhorar no estado anterior à implantação. Sem linha de base, não há como atribuir variação à ferramenta. E mesmo escolas que medem raramente têm com quem comparar, porque não existe padrão comum de indicador no setor.

Não há exigência de transparência

Nenhuma norma vigente obriga rede de ensino ou fornecedor a divulgar resultado de sistema de IA aplicado a estudantes. O Projeto de Lei 2338/2023, aprovado pelo Senado em dezembro de 2024 e em tramitação na Câmara dos Deputados, avança sobre transparência e supervisão humana em usos de alto risco, o que pode alterar esse cenário — mas transparência sobre funcionamento não é o mesmo que publicação de resultado, e a distinção importa.

O que essa lacuna custa a cada escola

O efeito prático da ausência de evidência coletiva é a transferência integral do risco para a instituição individual. Isso se manifesta em quatro custos concretos:

1. Decisão de compra sem parâmetro. Sem referência pública de resultado, a avaliação de uma ferramenta se apoia na demonstração comercial e no caso de sucesso fornecido pelo próprio vendedor.
2. Repetição de erro evitável. Projetos falham por razões recorrentes — escopo largo demais, ausência de formação, dado interno de má qualidade. Sem registro público, cada escola descobre isso por conta própria.
3. Assimetria de negociação. O fornecedor conhece o desempenho médio do seu produto em dezenas de instituições. A escola conhece apenas a apresentação. Essa diferença de informação se converte em preço e em cláusula contratual.
4. Desigualdade ampliada. Instituições com equipe de dados própria conseguem avaliar internamente. As que não têm dependem inteiramente da narrativa do fornecedor — e são justamente as que menos podem absorver o custo de um projeto que não funciona.

O ponto que mais pesa — A ausência de evidência pública não é neutra entre instituições. Ela penaliza desproporcionalmente quem tem menos capacidade técnica interna, porque transfere para a escola uma função de avaliação que deveria ser coletiva.

O que a escola pode fazer enquanto o dado coletivo não existe

Nenhuma instituição resolve sozinha um problema de infraestrutura de pesquisa. Mas há um conjunto de práticas que reduz a exposição individual, e todas são de custo baixo.

Estabelecer linha de base antes de qualquer implantação

Esta é a prática de maior retorno e a mais frequentemente ignorada. Antes de ativar qualquer ferramenta, registrar o valor atual do indicador que se pretende melhorar: tempo médio de resposta no atendimento, taxa de evasão por série, tempo gasto pelo professor em correção, índice de inadimplência. Sem esse registro, qualquer avaliação posterior é opinião.

Definir de antemão o que caracteriza sucesso e fracasso

Um critério numérico e um prazo, decididos antes da implantação e por escrito. Sem eles, todo projeto tende a ser avaliado como parcialmente bem-sucedido, porque sempre há um indicador que melhorou.

Manter um piloto com grupo de comparação

Não é preciso desenho experimental sofisticado. Implantar em três turmas e manter três turmas semelhantes sem a ferramenta, por um bimestre, já produz uma comparação muito mais informativa do que a implantação simultânea em toda a escola — e permite reverter com custo baixo.

Registrar o que deu errado

Um documento interno curto por projeto encerrado: o que se esperava, o que aconteceu, qual a hipótese sobre a causa. Esse acervo é o que impede a instituição de repetir o mesmo erro com fornecedor diferente três anos depois, quando a equipe já mudou.

Exigir dados do fornecedor em contrato

A escola pode criar a transparência que a norma ainda não exige. Duas cláusulas resolvem boa parte: acesso da instituição aos dados de uso gerados pelos seus próprios alunos, em formato exportável; e obrigação do fornecedor de informar resultados agregados de outras instituições com perfil semelhante. Fornecedor que recusa ambas está declarando algo relevante sobre o produto.

O que precisaria mudar no nível do sistema

Três movimentos alterariam o quadro, e nenhum depende de tecnologia nova.

O primeiro é a incorporação de itens sobre uso e resultado de IA aos levantamentos nacionais que já existem e já vão a campo — o Censo Escolar conduzido pelo Inep e as pesquisas de tecnologia na educação do Cetic.br são as estruturas naturais para isso, e o custo marginal de acrescentar itens a um instrumento existente é baixo.

O segundo é a exigência de publicação de avaliação para sistemas de IA contratados com recurso público. Compra pública com dinheiro público que afeta estudante deveria gerar dado público sobre efeito.

O terceiro é a criação de um repositório setorial de casos, incluindo os que não funcionaram. Associações de escolas particulares e redes públicas estaduais têm as duas condições necessárias: base de instituições comparáveis e ausência de interesse comercial no resultado.

Até que algo nessa direção aconteça, o realismo aponta para uma conclusão pouco confortável: sobre IA na educação brasileira, cada escola sabe o que mediu. Instituições que não medem não sabem nada — e estão pagando por isso sem ter como perceber. Esse é o ponto cego que atravessa as três fases da IA generativa nas escolas brasileiras desde 2023.

Em resumo

• O Brasil tem dados sobre adoção de IA na educação, mas quase nenhum dado público sobre efeito em aprendizagem, evasão ou equidade.
• As lacunas mais custosas são a ausência de dado sobre investimento total e a ausência de registro de projetos descontinuados.
• Quatro causas estruturais: ciclo da tecnologia mais curto que o da pesquisa, desinteresse de quem detém o dado, ausência de linha de base nas escolas e falta de exigência de transparência.
• A lacuna transfere o risco para a instituição individual e penaliza desproporcionalmente quem tem menos capacidade técnica interna.
• Cinco práticas de baixo custo protegem a escola: linha de base antes da implantação, critério de sucesso definido por escrito, piloto com grupo de comparação, registro do que deu errado e cláusulas de acesso a dados no contrato.
• No nível do sistema, três movimentos resolveriam: itens sobre IA no Censo Escolar e nas pesquisas do Cetic.br, avaliação obrigatória em compra pública e repositório setorial de casos.

Perguntas frequentes

Existe pesquisa brasileira sobre o efeito da IA na aprendizagem?

Não há, no Brasil, base pública consolidada que demonstre efeito de ferramentas de IA sobre desempenho em aprendizagem, evasão ou equidade. Os dados disponíveis medem adoção — quantos usam — e não resultado. Estudos de eficácia que circulam são majoritariamente produzidos ou financiados por fornecedores.

Por que faltam dados sobre resultados de IA na educação?

Por quatro razões estruturais: o ciclo de avaliação rigorosa é mais longo que o ciclo de atualização das ferramentas; quem detém os dados de uso são os fornecedores, que não têm incentivo para publicá-los; a maioria das escolas não registra linha de base antes de implantar; e nenhuma norma vigente exige divulgação de resultado.

Como minha escola pode avaliar se uma ferramenta de IA funcionou?

Registrando o indicador-alvo antes da implantação, definindo por escrito um critério numérico de sucesso e um prazo, e mantendo um grupo de comparação — por exemplo, três turmas com a ferramenta e três turmas semelhantes sem ela por um bimestre. Sem linha de base, qualquer avaliação posterior é opinião.

O que exigir de um fornecedor de IA em contrato?

Duas cláusulas resolvem a maior parte da assimetria de informação: acesso da instituição, em formato exportável, aos dados de uso gerados pelos seus próprios alunos; e obrigação de o fornecedor informar resultados agregados obtidos em instituições de perfil semelhante. A recusa às duas é informação relevante sobre o produto.

O Marco Legal da IA vai resolver a falta de dados?

Provavelmente não por completo. O PL 2338/2023 avança sobre transparência e supervisão humana em usos de alto risco, o que inclui aplicações educacionais, mas transparência sobre como um sistema funciona é diferente de publicação de dados sobre o resultado que ele produz.

Fontes e referências

• Fundação Itaú Social — pesquisa sobre uso de IA por estudantes e professores no Brasil, divulgada no fim de 2025.
• Inep — Censo Escolar da Educação Básica.
• Cetic.br / Nic.br — pesquisas sobre uso de tecnologias de informação e comunicação nas escolas brasileiras.
• Senado Federal — Projeto de Lei 2338/2023 (Marco Legal da Inteligência Artificial).
• Lei 14.533/2023 — Política Nacional de Educação Digital.
• UNESCO — Orientação para IA generativa na educação e na pesquisa (2023).