MIT Alerta que a IA Pode Realizar de Forma Plausível Quase Qualquer Trabalho de Graduação

O MIT pediu grandes mudanças educacionais após concluir que a IA já consegue produzir trabalhos plausíveis em quase todas as categorias de atividades de graduação.

O alerta circulou no google news como uma notícia sobre máquinas realizando redações, demonstrações, problemas científicos e exercícios de programação. No entanto, o verdadeiro conflito não é entre estudantes e softwares de plágio. É entre um século de avaliação baseada em resultados e ferramentas capazes de produzir resultados convincentes sob demanda.

O MIT não está propondo uma proibição de IA em todo o campus. Em vez disso, sua nova estrutura pede que docentes reconsiderem os objetivos de aprendizagem, reformulem avaliações, esclareçam o uso aceitável e protejam as relações humanas que sustentam a educação presencial. Essa posição pressiona todas as universidades que ainda tratam a IA como um problema restrito de integridade acadêmica.

A questão central mudou. As universidades não podem mais perguntar apenas se uma resposta entregue está correta ou é original. Elas precisam determinar se o estudante consegue explicá-la, defendê-la, revisá-la e aplicá-la.

O Relatório do MIT sobre Educação e IA Questiona o Valor do Trabalho Finalizado

O relatório do MIT considera trabalhos de casa bem-acabados uma evidência cada vez mais fraca de aprendizagem.

Em 25 de agosto de 2026, a presidente do MIT, Sally Kornbluth, divulgou as conclusões de um comitê ad hoc que examinou a IA no ensino, na aprendizagem e na formação em pesquisa. O MIT formou o comitê em janeiro e lhe atribuiu três tarefas iniciais.

O grupo precisava avaliar como docentes e estudantes estavam usando IA. Também precisava identificar inovações no ensino e na avaliação e, em seguida, propor uma abordagem institucional para o uso de IA.

Sua análise final foi além. Segundo o MIT, os sistemas atuais podem produzir respostas razoáveis para quase qualquer atividade escrita de graduação. Os trabalhos afetados incluem redações, problemas matemáticos e científicos, demonstrações e tarefas de programação.

Essa afirmação é mais ampla do que dizer que o ChatGPT produz redações aceitáveis. Ela alcança listas de exercícios, projetos de programação, análises de laboratório e explicações técnicas. Esses são os artefatos que as universidades há muito tratam como evidência de competência em uma disciplina.

A distinção entre “plausível” e “correto” importa. O MIT não anunciou um experimento controlado que demonstrasse que um modelo dominou todo o seu catálogo de graduação. O relatório se baseou em pesquisa do comitê, contribuições da comunidade, pesquisas e mudanças observadas no ensino e na aprendizagem.

Um trabalho plausível ainda pode conter erros ocultos. Uma demonstração gerada pode omitir uma premissa necessária. Um código pode passar em testes conhecidos, mas falhar em condições incomuns. Uma redação pode soar coerente sem demonstrar leitura cuidadosa ou julgamento original.

No entanto, uma atividade não precisa ser impecável para desestabilizar a avaliação. Basta parecer boa o suficiente para que um docente não consiga atribuir com confiança o raciocínio ao estudante.

É por isso que a posição do MIT merece mais atenção do que recebeu em sua abordagem no google news. O comitê não está declarando que as máquinas possuem uma formação de graduação completa. Está argumentando que o produto final perdeu grande parte de seu valor como prova de aprendizagem humana.

A presidente do MIT, Kornbluth, chamou o momento de “divisor de águas para o MIT” e para o ensino superior. Sua mensagem delineou três respostas amplas.

Primeiro, o MIT deveria criar processos educacionais conscientes da IA. Eles reconsiderariam o que os estudantes precisam aprender e como os docentes podem verificar essa aprendizagem.

Segundo, o Instituto deveria fortalecer as pessoas, a comunidade e as experiências presenciais. Essa recomendação conecta diretamente o problema da IA ao motivo pelo qual os estudantes se reúnem em um campus físico.

Terceiro, o MIT deveria estabelecer processos capazes de mudar continuamente. Uma política fixa, escrita em torno de uma geração de modelos, envelhecerá rapidamente à medida que novas capacidades surgirem.

Essas recomendações transformam uma disputa de política tecnológica em um desafio de desenho educacional. Se um docente atribui um problema conhecido e avalia apenas sua resposta final, a IA agora se interpõe entre a tarefa e a evidência.

Por isso, o relatório pede revisões em grande parte do currículo do MIT. Ele aponta para exames orais, portfólios, demonstrações, trabalho em etapas e conversas sobre atividades realizadas fora da sala de aula.

Nenhum desses formatos garante aprendizagem autêntica. Juntos, porém, revelam mais do processo que produziu uma resposta. Um estudante que entende uma demonstração consegue explicar por que cada etapa é necessária. Um estudante que escreveu um programa consegue diagnosticar uma falha e defender uma decisão de projeto.

Essa mudança cria a tensão central do artigo. A IA generativa amplia o que os estudantes podem produzir, mas enfraquece a conexão entre o que entregam e o que compreendem.

Por Que as Atividades de Graduação com IA Colocam os Docentes Sob Pressão

O ônus imediato recai sobre os docentes, porque cada atividade agora precisa ter tanto um objetivo de aprendizagem quanto uma política de IA.

As universidades costumam responder a novas tecnologias com uma regra central. O MIT está adotando uma abordagem mais descentralizada porque o uso aceitável de IA varia conforme a disciplina, a disciplina curricular e o objetivo de aprendizagem.

Uma aula de programação pode exigir que estudantes escrevam código fundamental sem assistência. Uma disciplina posterior pode esperar que eles supervisionem código gerado e o testem rigorosamente. Um seminário de escrita pode permitir brainstorming, mas proibir prosa gerada.

As orientações do MIT para o outono de 2026 não impõem uma única política de sala de aula para todo o Instituto. Em vez disso, pedem que os docentes informem claramente aos estudantes quando a IA é proibida, permitida ou exigida.

Essa flexibilidade respeita as diferenças entre disciplinas. Também transfere um trabalho substancial de planejamento para docentes, departamentos, assistentes de ensino e equipes de apoio acadêmico.

O docente precisa primeiro decidir o que a atividade pretende medir. É memória, fluência processual, compreensão conceitual, julgamento, capacidade de pesquisa ou comunicação? A resposta determina quais usos de IA apoiam o objetivo e quais o contornam.

Em seguida vem a aplicação das regras. Detectores de IA continuam pouco confiáveis para acusações de alto impacto, especialmente quando analisam textos editados ou trabalhos de escritores multilíngues. Ferramentas de vigilância também podem criar preocupações de privacidade e equidade sem provar quem realizou o raciocínio.

Proibir IA em trabalhos para casa não elimina esses problemas. Uma proibição é difícil de verificar quando os estudantes têm acesso a chatbots de uso geral, agentes de programação, serviços de reescrita e ferramentas integradas a softwares cotidianos.

A alternativa é reformular a avaliação. Isso pode significar exigir rascunhos, históricos de versão, fontes anotadas, reflexões pessoais, demonstrações ou breves defesas orais.

Cada acréscimo consome tempo. Um professor pode corrigir uma lista de exercícios padrão de forma assíncrona. Uma conversa significativa com cada estudante exige agendamento, salas, equipe e atenção.

O problema de escala se torna evidente em uma turma grande. O professor de engenharia biomédica da Cornell, Chris Schaffer, introduziu defesas orais de 20 minutos após listas de exercícios escritas. Sua turma tinha 70 estudantes, portanto assistentes de ensino ajudaram a conduzir as sessões.

Schaffer disse à Associated Press que os estudantes não conseguiriam usar IA para escapar de um exame oral. Seus docentes deixaram de corrigir as listas de exercícios escritas e passaram a avaliar as defesas.

Esse exemplo ilustra tanto a promessa quanto o custo da direção adotada pelo MIT. Perguntas orais podem revelar se os estudantes compreendem seu trabalho. Elas também realocam mão de obra docente escassa, da revisão de artefatos para a interação com pessoas.

A mudança pode funcionar bem quando as instituições a apoiam. Sem equipe adicional ou cargas de trabalho reformuladas, porém, os docentes podem simplesmente adicionar verificações orais à correção já existente.

Esse resultado tornaria uma profissão já exigente ainda mais difícil. Pesquisas sobre orientações institucionais para IA alertaram que expectativas extensas de revisão de disciplinas podem criar uma pesada carga para os docentes.

As universidades, portanto, enfrentam uma escolha operacional. Podem investir em grupos menores, assistentes treinados, espaços de avaliação e apoio ao desenho de disciplinas. Ou podem emitir orientações ambiciosas que docentes individuais terão dificuldade de implementar de forma consistente.

O MIT começou a construir esse apoio por meio de um AI Community Hub para todo o Instituto. As atividades anunciadas incluem assistência para reformulação de disciplinas, modelos de políticas, comunidades de prática, formação em pesquisa e coordenação sobre acesso à computação.

O hub de ensino com IA sinaliza que o MIT entende que políticas, por si só, não mudarão as salas de aula. Os docentes precisam de exemplos testados, tempo e permissão institucional para substituir atividades conhecidas.

Os estudantes também precisam de clareza. Um mosaico de regras não escritas pode dificultar o uso responsável, porque a mesma atividade pode ser incentivada em uma aula e tratada como má conduta em outra.

Políticas claras ajudam a distinguir ampliação de substituição. A ampliação usa IA para desafiar, organizar, testar ou estender o pensamento de um estudante. A substituição pede ao sistema que realize o trabalho intelectual que a atividade foi projetada para desenvolver.

A fronteira nem sempre é óbvia. Um estudante que pede feedback sobre um argumento pode se envolver mais profundamente com ele. Um estudante que solicita um argumento pronto e edita sua redação pode aprender muito pouco.

Essa ambiguidade significa que os docentes não podem resolver o problema com uma lista de ferramentas proibidas. Eles precisam definir a atividade humana pela qual os estudantes continuam responsáveis.

O Verdadeiro Conflito É Entre Avaliação e Compreensão

A IA expôs uma fragilidade anterior aos chatbots: as universidades frequentemente avaliam o produto porque observar o processo de aprendizagem é caro.

O trabalho acadêmico tradicional se baseia em indicadores indiretos. Uma redação representa leitura e interpretação. Uma demonstração representa raciocínio matemático. Um programa representa decomposição, implementação e testes.

Esses indicadores funcionavam porque produzir o artefato geralmente exigia grande parte do pensamento pretendido. A terceirização era possível, mas envolvia encontrar outra pessoa, comprar um trabalho ou copiar de uma fonte detectável.

A IA generativa muda a economia da substituição. Um estudante pode solicitar imediatamente uma resposta personalizada, revisá-la em uma conversa e gerar versões alternativas sem contatar outra pessoa.

O resultado também pode ser individualizado. Isso torna a correspondência comum de plágio menos útil, porque dois estudantes podem fazer perguntas semelhantes e receber linguagem ou código diferentes.

A resposta central do MIT não é restaurar a antiga escassez de respostas. É tornar a aprendizagem mais visível por meio de interação, iteração e aplicação.

Defesas orais são uma opção. Um docente pode perguntar por que um estudante escolheu um método, o que falhou durante o desenvolvimento ou como o resultado mudaria sob uma nova premissa.

Portfólios oferecem outro caminho. Um portfólio mostra o trabalho ao longo do tempo, incluindo rascunhos, feedback, revisões e reflexões. Ele torna a trajetória mais importante do que uma única entrega polida.

Projetos práticos podem conectar o conhecimento a sistemas físicos ou condições reais. Os estudantes podem precisar configurar equipamentos, reunir observações, colaborar com colegas ou responder quando a realidade difere de um modelo.

Redações e exames presenciais ainda podem desempenhar um papel. Eles criam um ambiente controlado no qual o desempenho independente do estudante se torna mais visível.

No entanto, um retorno completo a avaliações sem consulta sacrificaria formas úteis de aprendizagem. O trabalho profissional frequentemente envolve ferramentas, referências, colaboração e revisão. Os formandos também precisam saber como usar IA sem aceitar cegamente suas respostas.

A abordagem do MIT, portanto, se assemelha mais a uma troca do que a uma proibição. Os estudantes ganham acesso legítimo à IA em algumas tarefas, enquanto as disciplinas exigem evidências mais robustas de compreensão em outros contextos.

Esse acordo pode gerar atividades melhores. Um estudante pode usar um modelo para produzir explicações concorrentes, depois identificar seus erros e defender uma interpretação preferida. Um programador pode auditar código gerado, criar testes adversariais e documentar cada falha.

Essas tarefas avaliam discernimento, e não mera produção. Elas também se parecem com ambientes de trabalho nos quais funcionários cada vez mais revisam, orientam e integram material gerado por máquinas.

O perigo é que “consciente de IA” se torne um rótulo para adicionar um chatbot a uma disciplina inalterada. Se o objetivo de aprendizagem e a avaliação permanecerem idênticos, o acesso à ferramenta pode acelerar a conclusão sem aprofundar a compreensão.

Há também o risco de confundir desempenho sob questionamento com a própria aprendizagem. Alguns estudantes se comunicam com confiança em contextos ao vivo, enquanto outros precisam de mais tempo ou de formatos acessíveis. Avaliações orais devem considerar deficiência, contexto linguístico, ansiedade e diferentes estilos de comunicação.

Um sistema de avaliação variado pode reduzir esse problema. Portfólios, demonstrações, reflexões escritas, entrevistas e trabalhos supervisionados podem oferecer múltiplas formas de evidência.

O melhor desenho dependerá da área. Um estudante de química deve demonstrar práticas laboratoriais seguras. Um historiador deve avaliar fontes e defender interpretações. Um cientista da computação deve raciocinar sobre o comportamento de sistemas para além de produzir código compilável.

A exigência comum é a rastreabilidade. Os instrutores precisam de evidências suficientes para conectar o artefato entregue às decisões do estudante.

Os estudantes podem reforçar essa conexão preservando anotações, rastros de fontes, rascunhos, prompts, experimentos e correções. Um sistema pessoal de conhecimento pode ajudar a organizar esse processo, embora a documentação não possa substituir a compreensão direta.

Essa abordagem também altera o significado de integridade acadêmica. A questão central passa a ser menos se uma ferramenta participou do trabalho e mais se os estudantes apresentaram trabalho de máquina como se fosse seu próprio pensamento.

Esse padrão é mais difícil de reduzir a uma regra binária. Também está mais próximo do verdadeiro propósito educacional de uma atividade.

A manchete do Google News sugere que a IA derrotou os deveres de casa da graduação. O argumento mais profundo do MIT é que o ensino superior dependia excessivamente dos deveres de casa como evidência desde o início.

O que o alerta do MIT não comprova

O relatório estabelece um problema urgente de avaliação, mas não comprova que a IA dominou todas as disciplinas de graduação.

As versões mais fortes dessa narrativa condensam várias alegações diferentes. Produzir uma resposta crível não é o mesmo que chegar a uma resposta correta. Ser aprovado em uma atividade não é o mesmo que compreender uma disciplina.

Um sistema de IA pode gerar uma explicação convincente enquanto inventa uma citação. Pode resolver um problema padrão, mas falhar quando o enquadramento muda. Pode produzir código que funciona com entradas comuns enquanto esconde defeitos de segurança ou confiabilidade.

Os modelos também se beneficiam de padrões familiares de atividades. Universidades reutilizam exercícios de livros didáticos, temas convencionais de redação e materiais públicos de disciplinas. Dados de treinamento e acesso à web podem dar a um modelo ampla exposição a soluções relacionadas.

Isso torna alguns deveres de casa mais fáceis de automatizar do que a disciplina subjacente. Reconhecer e reproduzir um padrão conhecido de demonstração é diferente de escolher uma abordagem durante uma pesquisa desconhecida.

A afirmação do comitê do MIT deve, portanto, ser entendida como um alerta sobre resultados críveis, não como um parâmetro universal de competência das máquinas.

Essa limitação não enfraquece a preocupação educacional. Em geral, os instrutores não conseguem realizar uma investigação forense de cada frase ou linha de código. Uma resposta plausível pode comprometer a avaliação mesmo quando especialistas acabariam por localizar suas falhas.

O relatório também não mostra que todos os estudantes estejam delegando atividades inteiras. O uso de IA abrange uma ampla gama de comportamentos, desde verificar a gramática até gerar uma entrega completa.

Pesquisas nacionais e institucionais encontram regularmente alta adoção, mas as porcentagens relatadas dependem de definições, populações e da formulação das perguntas. O uso de ferramentas, por si só, diz pouco sobre se a aprendizagem aumentou ou diminuiu.

Uma pesquisa da Coursera de 2026 abrangeu mais de 4.200 estudantes e docentes em cinco países. Ela relatou uso disseminado de IA, enquanto apenas 26% dos docentes respondentes disseram que sua instituição possuía uma política formal de IA.

Esses resultados oferecem contexto do setor, mas vêm de uma empresa de aprendizagem online com interesses comerciais em educação habilitada por IA. Não devem ser tratados como uma medição neutra de todos os campi.

Um projeto separado da EDUCAUSE pesquisou 438 docentes e funcionários sobre avaliação. Sua existência mostra que o redesenho de disciplinas agora é uma preocupação de todo o setor, não uma reação isolada do MIT.

A evidência independente mais forte vem de mudanças observáveis em sala de aula. Universidades estão experimentando avaliações orais, redação supervisionada, apresentações e projetos em etapas porque os instrutores já não confiam apenas nos artefatos finais.

A mudança para exames orais inclui abordagens contrastantes. Cornell usa questionamento humano após listas de problemas. A New York University testou um agente de voz com IA que questiona estudantes sobre projetos em grupo.

O experimento da NYU captura o paradoxo enfrentado pelo ensino superior. Um sistema de IA ajuda a verificar se um estudante dependeu excessivamente de outro.

Os estudantes relataram experiências mistas com esse agente. Alguns consideraram a conversa estranha ou confusa. Essas reações mostram por que a escalabilidade técnica não pode ser a única medida de uma boa avaliação.

A interação humana é central para as recomendações do MIT porque a educação envolve mentoria, pertencimento, desafio intelectual e desenvolvimento de identidade. Automatizar o exame oral poderia preservar a verificação, mas enfraquecer essas relações.

A mesma preocupação se aplica à tutoria por IA. Explicações imediatas e prática personalizada podem apoiar estudantes que hesitam em pedir ajuda. Elas também podem reduzir o contato com instrutores e colegas se as instituições tratarem o software como substituto do trabalho docente.

O principal oponente do MIT, portanto, não é a IA em si. É um modelo educacional que trata o trabalho concluído como uma medida confiável de compreensão, ao mesmo tempo que minimiza as dispendiosas interações humanas que revelam a aprendizagem.

Esse enquadramento deixa espaço para o uso produtivo da IA. Um estudante pode pedir explicações alternativas, questões para praticar, feedback ou contra-argumentos. O valor depende de a ferramenta gerar mais pensamento ou removê-lo.

A incerteza é significativa. Pesquisadores ainda precisam de evidências longitudinais que mostrem como diferentes padrões de uso de IA afetam retenção, raciocínio, criatividade e desempenho posterior.

As universidades também devem observar o acesso desigual. Estudantes com ferramentas pagas, modelos melhores ou habilidades avançadas de prompting podem receber assistência mais forte do que colegas que usam sistemas limitados.

Regras claras não eliminarão essa diferença. As instituições podem precisar fornecer ferramentas aprovadas e explicar suas limitações se a IA se tornar infraestrutura obrigatória de cursos.

A privacidade apresenta outra questão ainda não resolvida. Os prompts dos estudantes podem conter informações pessoais, pesquisas inéditas, material protegido por direitos autorais ou dados institucionais sensíveis. As políticas de disciplina devem abordar para onde essas informações vão.

Esses limites defendem uma implementação cuidadosa, não o adiamento. O relatório do MIT descreve explicitamente o trabalho como não opcional, pois as capacidades da IA e as práticas dos estudantes continuarão mudando enquanto as universidades deliberam.

O que observar após o fim do ciclo de notícias do Google News

O alerta do MIT só se torna consequente se políticas, orçamentos e desenhos de disciplinas mudarem depois que a manchete desaparecer.

O primeiro sinal é se os departamentos publicam regras claras e específicas para cada disciplina durante o semestre de outono de 2026. O MIT incentivou orientações explícitas, mas não determinou uma política uniforme.

Regras eficazes devem explicar por que a IA é permitida ou restrita, e não apenas nomear ferramentas aprovadas. Elas devem conectar cada limite a um objetivo de aprendizagem e descrever como os estudantes devem divulgar a assistência recebida.

A consistência também importa. Os estudantes conseguem lidar com regras diferentes entre disciplinas quando elas são visíveis e têm propósito. Expectativas ocultas geram confusão e enfraquecem a aplicação das regras.

Se a maioria das disciplinas adotar políticas claras, a estratégia descentralizada do MIT ganhará credibilidade. Se as orientações continuarem desiguais, o relatório terá identificado um problema sem resolver suas consequências cotidianas.

O segundo sinal é a escala do redesenho das avaliações. As universidades devem acompanhar quantas disciplinas substituem ou complementam entregas feitas em casa por defesas orais, portfólios, demonstrações, trabalhos supervisionados ou entregas em etapas.

A métrica relevante não é o número de workshops sobre IA oferecidos. É o número de disciplinas que mudam o que conta como evidência.

O Community Hub do MIT anunciou apoio inicial para equipes de ensino que revisem atividades e objetivos de aprendizagem. O tamanho, a duração e a adoção desse apoio mostrarão se o redesenho é um investimento central ou um piloto limitado.

Outras universidades fornecem uma comparação inicial. Cornell incorporou treinamento em avaliação oral ao apoio docente. A University of Pennsylvania relatou uso crescente de avaliação oral e presencial.

Esses experimentos revelarão restrições práticas. Disciplinas introdutórias grandes, docentes em tempo parcial, exigências de acessibilidade e espaço limitado em sala de aula podem dificultar avaliações que exigem muito trabalho.

Se as instituições financiarem capacidade adicional de ensino, o modelo centrado no humano do MIT se tornará mais realista. Se dependerem da equipe existente, o redesenho poderá permanecer concentrado em disciplinas pequenas ou bem financiadas.

O terceiro sinal é a evidência sobre resultados de aprendizagem. As universidades precisam comparar retenção, transferência, raciocínio e confiança dos estudantes entre diferentes padrões de uso de IA.

Uma disciplina pode se tornar mais difícil de fraudar sem se tornar mais educacional. Mais vigilância, mais exames e mais ansiedade não produziriam automaticamente uma compreensão mais profunda.

Os pesquisadores devem distinguir entre IA como tutora, IA como crítica, IA como assistente de produção e IA como substituta. Reunir esses comportamentos em uma única categoria de “uso de IA” oculta o mecanismo que importa.

Resultados longitudinais poderiam reforçar o julgamento do MIT se avaliações ricas em processos melhorarem a capacidade dos estudantes de explicar e aplicar conhecimento. Poderiam enfraquecê-lo se disciplinas redesenhadas adicionarem trabalho sem melhorar a aprendizagem.

O futuro da educação presencial pode depender dessas conclusões. Se a entrega de conteúdo e o feedback rotineiro se tornarem baratos, as universidades precisarão justificar o valor dos campi por meio de relações, laboratórios, colaboração, mentoria e vida intelectual compartilhada.

A linguagem do MIT aponta diretamente para essa defesa. Sua liderança quer uma educação conduzida por humanos, para humanos, usando IA onde ela amplia a capacidade humana.

Essa é uma posição mais exigente do que a proibição ou a adoção irrestrita. Ela exige que os instrutores deixem explícito o propósito de cada atividade. Exige que os estudantes permaneçam responsáveis pelo discernimento, mesmo quando máquinas ajudam a produzir o artefato.

Ela também exige que os líderes universitários financiem o contato humano em vez de tratarem a IA como um atalho para turmas maiores e custos instrucionais menores.

A matéria original do Google News foi precisa ao enfatizar a amplitude das atividades de graduação envolvendo IA. No entanto, a alegação sobre as atividades é apenas o fato inicial.

A história maior é que as universidades já não podem equiparar uma entrega aparentemente legítima a uma pessoa instruída. Elas precisam observar o raciocínio, criar oportunidades para o esforço intelectual e ensinar aos estudantes quando delegar se torna uma forma de apagar a si mesmos.

Estudantes e profissionais do conhecimento podem aplicar o mesmo teste desde já. Quando a IA produzir uma resposta, preservem as fontes, premissas, rascunhos e correções que tornam o raciocínio seu. Depois, perguntem-se se conseguem defender o resultado sem a ferramenta.

Esse hábito importa além da faculdade. Os empregadores também precisarão de evidências de que os trabalhadores compreendem resultados assistidos por máquinas, especialmente quando as decisões afetam clientes, segurança, dinheiro ou a confiança do público. Depois que o ciclo de notícias do Google passar, as instituições vão redesenhar o aprendizado em torno dessa responsabilidade ou continuar avaliando artefatos nos quais já não confiam?