Estudo da OCDE sobre IA em trabalhos escolares encontra notas mais baixas, não uma perda de 1,5 ano causada por IA
As conclusões da OCDE sobre IA em trabalhos escolares trazem um alerta contundente: estudantes que usam chatbots para tarefas específicas geralmente obtiveram notas mais baixas do que aqueles que os evitaram.
A constatação vem acompanhada de um número ainda maior. As notas médias de leitura nos países da OCDE caíram 28 pontos entre 2015 e 2025, o equivalente a cerca de 1,5 ano de aprendizagem. As notas de matemática caíram 22 pontos, ou pouco mais de um ano.
Esses números não mostram que os chatbots tenham causado uma década de declínio. Ferramentas públicas de IA generativa só se tornaram amplamente disponíveis após o fim de 2022. A queda começou antes e reflete muitas pressões, incluindo apoio familiar mais fraco, faltas, distrações e os impactos da pandemia.
Ainda assim, a sobreposição importa. A IA chegou às salas de aula enquanto o desempenho básico já estava em queda. As escolas agora enfrentam uma escolha difícil entre restringir atalhos e ensinar os estudantes a usar a tecnologia de forma deliberada.
Os sistemas educacionais asiáticos tornam essa escolha especialmente visível. O uso de chatbots é disseminado em Singapura, Coreia, Macau, Tailândia, Vietnã e Filipinas. Ainda assim, vários sistemas asiáticos também permanecem entre os de melhor desempenho.
A divisão emergente não é simplesmente entre usuários e não usuários de IA. É entre IA que gera respostas e IA orientada pedagogicamente, com os professores decidindo se a ferramenta substitui o esforço ou o fortalece.
O que as conclusões da OCDE sobre IA em trabalhos escolares realmente mostram
O PISA 2025 encontrou uma associação entre o uso de chatbots e o desempenho, não uma prova de que a IA causou notas mais baixas.
A OCDE divulgou seus mais recentes resultados do Programa Internacional de Avaliação de Estudantes em 8 de setembro de 2026. O PISA avalia como estudantes de 15 anos aplicam conhecimentos de leitura, matemática e ciências a problemas desconhecidos.
A avaliação de 2025 abrangeu 760.000 estudantes em 91 países e economias. Foi a maior edição do PISA realizada até agora. Ciências foi sua principal área acadêmica.
Este ciclo também perguntou aos estudantes como usavam chatbots de IA nos trabalhos escolares. As perguntas abrangiam resumir textos indicados, pesquisar novos temas, redigir trabalhos escritos e obter ajuda geral para aprender.
Os chatbots já haviam chegado à maioria dos estudantes. Apenas 14% nos países da OCDE disseram que nunca, ou quase nunca, usaram IA para qualquer finalidade pesquisada de trabalho escolar.
Cerca de 46% usavam IA pelo menos semanalmente para ajudá-los a aprender. O dado confirma que os sistemas educacionais estão estudando um comportamento já estabelecido, e não uma tendência experimental em sala de aula.
O padrão de desempenho foi desfavorável para vários usos específicos em tarefas. Estudantes que não usavam IA para resumir, pesquisar ou redigir geralmente superavam os usuários em ciências.
A frequência também importava. Usuários moderados frequentemente obtinham notas acima das de estudantes que usavam chatbots raramente ou quase todos os dias. A redação de trabalhos mostrou uma vantagem mais fraca para o uso moderado do que outras tarefas.
A aprendizagem geral produziu um resultado diferente. Estudantes que usavam IA semanalmente para ajudá-los a aprender tiveram desempenho aproximadamente no mesmo nível dos não usuários após o ajuste por origem socioeconômica.
A análise completa dos trabalhos escolares alerta explicitamente contra tratar essas relações como causais. Estudantes diferentes adotam IA por motivos distintos e sob condições diferentes.
Um estudante com dificuldades pode recorrer a um chatbot com mais frequência porque o trabalho já é difícil. Esse padrão produziria notas mais baixas entre usuários sem provar que a IA criou a dificuldade original.
O acesso também complica a comparação. Estudantes que nunca usaram IA tendiam a vir de contextos mais desfavorecidos. Usuários frequentes tinham maior probabilidade de vir de contextos favorecidos.
Os ajustes socioeconômicos reduzem esse desequilíbrio, mas não conseguem eliminar todas as diferenças não mensuradas. Motivação, conhecimento prévio, práticas docentes, desenho das avaliações e a qualidade dos prompts individuais podem afetar os resultados.
A conclusão mais segura é mais restrita do que a manchete alarmante. Terceirizar tarefas acadêmicas específicas se correlaciona com conhecimento avaliado mais fraco, enquanto o uso moderado voltado à aprendizagem não mostra a mesma penalidade.
Essa distinção prepara a verdadeira questão de política educacional. As escolas não podem avaliar a IA apenas contando acessos. Precisam examinar qual trabalho cognitivo continua sendo realizado pelo estudante.
O número de 1,5 ano descreve uma década de queda na leitura
A perda de 1,5 ano amplamente repetida refere-se ao desempenho em leitura desde 2015, não a uma penalidade medida causada pela IA.
O desempenho médio em leitura nos países da OCDE caiu 28 pontos de 2015 a 2025. A organização traduz essa diferença como aproximadamente um ano e meio de aprendizagem.
A matemática caiu 22 pontos durante a mesma década. O desempenho em ciências recuou mais modestamente ao longo de dez anos e permaneceu amplamente estável entre 2022 e 2025.
Os resultados do PISA também mostram que um em cada cinco estudantes teve baixo desempenho em ciências, matemática e leitura. Essa proporção era de 16% em 2022.
A cronologia descarta uma explicação simples centrada no ChatGPT ou em serviços semelhantes. A queda mais ampla começou antes de a IA generativa se tornar um produto de consumo comum.
O PISA não acompanha os mesmos estudantes individualmente ao longo da década. Ele seleciona grupos comparáveis de jovens de 15 anos, criando uma visão no nível dos sistemas, e não uma linha do tempo da aprendizagem pessoal.
Também mede o desempenho em um único momento. A avaliação não consegue observar cada etapa que conecta a atividade de um estudante com chatbots ao conhecimento demonstrado durante os testes.
Assim, a OCDE apresenta duas conclusões que devem permanecer separadas. O desempenho acadêmico caiu ao longo de uma década, e os atuais padrões de uso de IA se correlacionam com diferentes níveis de desempenho.
A interseção entre elas ainda merece atenção. A IA generativa chegou durante uma crise prolongada de aprendizagem, quando muitos estudantes já não tinham bases sólidas em leitura e matemática.
Um chatbot pode redigir um parágrafo coerente mesmo quando seu usuário não consegue construir o argumento de forma independente. Pode resumir um capítulo sem exigir que o leitor identifique suas alegações centrais.
Isso cria uma lacuna de medição entre o trabalho concluído e a capacidade retida. A qualidade das tarefas pode aumentar enquanto o desempenho sem assistência permanece estagnado ou cai.
Os professores recebem então um sinal enganoso. Uma entrega bem elaborada pode representar aprendizagem mais sólida, apoio útil de edição, ampla assistência de máquina ou delegação quase completa.
Os estudantes enfrentam uma ilusão semelhante. A conclusão rápida pode parecer domínio porque o resultado imediato parece correto. O equívoco só se torna visível durante uma prova sem assistência ou em uma tarefa posterior.
Isso não torna prejudicial toda interação com chatbots. Significa que o valor educacional depende de a IA preservar a recuperação de conhecimento, o raciocínio, a revisão e a explicação.
O secretário-geral da OCDE, Mathias Cormann, expressou a distinção com clareza. A tecnologia pode fortalecer a aprendizagem, disse ele, mas não quando substitui atenção, esforço e compreensão.
Essa afirmação desloca a responsabilidade para além dos estudantes. O desenho do produto, as instruções dos professores, a estrutura das tarefas e a política escolar determinam quão facilmente a IA se torna uma substituta.
A queda de 1,5 ano eleva a urgência porque as escolas têm pouca margem para outra fonte de envolvimento superficial. Ela não fornece uma estimativa causal dessa fonte.
Por que resumir e redigir criam o conflito mais acentuado
A IA se torna educacionalmente arriscada quando conclui a operação mental que uma tarefa foi concebida para exercitar.
Uma tarefa de resumo raramente se trata de produzir um documento mais curto. Seu propósito de aprendizagem é fazer com que os estudantes selecionem evidências, distingam ideias principais e reconstruam o significado.
Quando um chatbot realiza essas etapas, o estudante recebe o produto visível sem necessariamente praticar a habilidade subjacente. O mesmo problema se aplica à pesquisa preliminar.
Tarefas de pesquisa ensinam a formular perguntas, comparar fontes, lidar com incertezas e selecionar evidências. Pedir uma visão geral pronta pode remover essas decisões do fluxo de trabalho do estudante.
A redação apresenta um conflito ainda mais claro. Escrever não é apenas a expressão final do conhecimento. Ajuda as pessoas a descobrir raciocínios fracos, evidências ausentes e contradições não resolvidas.
Um primeiro rascunho gerado pode eliminar esse atrito produtivo. Os estudantes começam com uma prosa fluente e se tornam editores antes de formar seu próprio argumento.
Esse mecanismo ajuda a explicar as conclusões da OCDE sobre IA em trabalhos escolares. Não usuários geralmente superaram usuários em tarefas específicas, enquanto usuários moderados por vezes tiveram resultados melhores do que usuários raros ou intensivos.
O padrão se assemelha mais a uma curva do que a uma escolha entre proibir ou adotar. Alguma assistência pode apoiar a aprendizagem, mas a delegação extensa reduz o esforço que cria conhecimento duradouro.
A análise separada da OCDE sobre educação digital chega a uma conclusão semelhante. A IA generativa pode ajudar quando princípios pedagógicos orientam seu uso.
Ferramentas educacionais podem pedir a um aluno que explique uma etapa antes de oferecer feedback. Podem fornecer pistas, gerar questões de prática ou contestar uma alegação sem sustentação.
Chatbots genéricos geralmente são otimizados para satisfazer a solicitação. Se um estudante pede uma resposta, o sistema tem poucos motivos para preservar a dificuldade pretendida da tarefa.
Essa diferença separa a tutoria da conclusão. Um tutor administra a assistência para que o aluno mantenha a responsabilidade pelo raciocínio. Um mecanismo de respostas pode remover essa responsabilidade instantaneamente.
O problema não se limita à fraude. Um estudante pode usar IA abertamente sob regras escolares permissivas e, ainda assim, praticar menos do que o currículo espera.
As políticas de integridade acadêmica tratam de autoria, divulgação e assistência proibida. O desenho da aprendizagem faz uma pergunta mais profunda: que tipo de pensamento os estudantes ainda precisam realizar por conta própria?
As escolas precisam das duas camadas. A divulgação pode informar a um professor que a IA esteve envolvida, mas não mostra se a interação fortaleceu a compreensão.
Evidências de processo tornam-se mais úteis. Os estudantes podem manter anotações, rastros de fontes, rascunhos sucessivos, históricos de prompts e breves explicações sobre sugestões rejeitadas.
Uma base de conhecimento para estudantes pode apoiar esse tipo de processo rastreável. O valor educacional vem de revisitar evidências e raciocínios, não de coletar respostas geradas.
A avaliação também precisa comparar o desempenho com assistência e sem assistência. Um estudante pode produzir uma redação apoiada por IA e, depois, defender verbalmente seu argumento ou escrever uma passagem relacionada sem ajuda.
Esses desenhos tornam o uso da IA visível sem tratar toda interação como má conduta. Também revelam se o apoio foi transferido para uma capacidade independente.
Esta é a inversão central. A IA pode melhorar o artefato enquanto enfraquece o processo de aprendizagem que o artefato deveria representar.
A Ásia mostra que alta adoção e alto desempenho podem coexistir
Os resultados asiáticos desafiam qualquer alegação de que o acesso frequente a chatbots produz automaticamente um desempenho acadêmico fraco.
Singapura oferece o contraexemplo mais claro. Seus estudantes permaneceram entre os de melhor desempenho do mundo, ao mesmo tempo em que relataram uso extensivo de IA em tarefas escolares.
Cerca de 66% dos estudantes de Singapura usavam chatbots pelo menos semanalmente para ajudá-los a aprender. A média da OCDE foi de aproximadamente 46%.
O uso semanal também foi elevado em tarefas individuais. Em Singapura, 46% usaram IA para pesquisa preliminar, 41% para resumir e 45% para redigir trabalhos escritos.
Apenas 4% relataram nenhum ou quase nenhum uso de IA nas atividades pesquisadas. Isso se compara a 14% nos países da OCDE.
O perfil PISA do país fornece outro dado importante. Cerca de 81% aprenderam a avaliar informações geradas por IA durante as aulas na escola.
A média da OCDE para essa atividade em sala de aula foi de cerca de 63%. Entre os sistemas participantes, a exposição relatada variou de 31% a mais de 80%.
Singapura, portanto, combina amplo acesso com uma instrução em avaliação excepcionalmente abrangente. Os estudantes entram em contato com a IA, mas muitos também praticam questionar seus resultados.
A Coreia apresenta outra versão desse padrão. Seu índice geral de uso de IA em trabalhos escolares ficou acima da média da OCDE, enquanto o país permaneceu entre os sistemas de melhor desempenho.
Coreia e Singapura adotaram políticas amplas de aprendizagem digital. A abordagem nacional de Singapura inclui explicitamente ferramentas de inteligência artificial.
Outras economias asiáticas mostram por que rótulos regionais amplos continuam arriscados. O Japão relata uso comparativamente baixo em trabalhos escolares, enquanto Singapura relata uso muito alto. Ambos têm desempenho forte.
Taipei Chinesa combina forte desempenho com menor uso médio de IA e uma ampla política de aprendizagem digital que remonta a 2021. Macau combina alto desempenho com ampla adoção.
Os resultados da China continental abrangem Pequim, Xangai, Jiangsu e Zhejiang, e não o país inteiro. Os leitores não devem tratar essa amostra como uma estimativa nacional.
A comparação mais relevante diz respeito ao controle instrucional. Vários sistemas de alto desempenho atribuem aos professores um papel central na adaptação de ferramentas digitais aos objetivos de sala de aula.
O diretor de educação da OCDE, Andreas Schleicher, descreveu uma aula de caligrafia chinesa em que os estudantes ainda escreviam com pincéis e tinta. Os professores então usavam IA para analisar a caligrafia.
O exemplo em sala de aula é útil porque a tecnologia não produziu o trabalho do estudante. Ela forneceu feedback sobre um trabalho que o estudante já havia realizado.
Essa estrutura preserva a prática essencial. Os estudantes formam cada caractere, os professores definem o objetivo de aprendizagem e o software acrescenta uma camada diagnóstica.
Compare isso a pedir que um chatbot redija uma redação. O segundo fluxo de trabalho transfere ao modelo o ato central de composição.
É por isso que “IA na educação” é amplo demais para funcionar como uma variável de resultado. Feedback sobre caligrafia, redação automatizada, tutoria orientada e resumização instantânea são intervenções diferentes.
As médias nacionais também podem ocultar variações entre salas de aula. Um professor pode exigir verificação de evidências e defesas orais. Outro pode permitir geração irrestrita com supervisão limitada.
A adoção asiática, portanto, não refuta as associações da OCDE no nível dos estudantes. Ela mostra que o desenho do sistema pode alterar o significado da adoção.
Sistemas asiáticos de alto desempenho pressionam países que enquadram a política como uma escolha entre proibição e acesso irrestrito. Uma terceira via é visível: exposição orientada com autoridade docente.
O Que os Números Ainda Não Podem Nos Dizer
O PISA identifica um sinal de alerta, mas seu desenho observacional não consegue isolar o efeito da IA dos estudantes e das escolas que a utilizam.
A pesquisa se baseia nos relatos dos estudantes sobre frequência e finalidade. Ela não registra cada prompt, resposta, correção ou regra de sala de aula que envolve essas interações.
Dois estudantes podem selecionar a mesma categoria de frequência enquanto usam IA de maneiras muito diferentes. Um pode pedir explicações, enquanto outro entrega texto gerado com revisão mínima.
A expressão ampla “ajude-me a aprender” cria incerteza adicional. Ela pode descrever tutoria, tradução, brainstorming, geração de exercícios, verificação de respostas ou pedidos diretos de solução.
As pontuações em ciências fornecem o principal resultado neste ciclo do PISA. Elas não podem representar todos os efeitos sobre qualidade da escrita, criatividade, confiança, habilidade de pesquisa ou retenção de longo prazo.
A avaliação também não consegue estabelecer a direção da relação. Estudantes com menor desempenho podem adotar IA porque precisam de ajuda, fazendo com que o uso de IA seja, em parte, uma resposta à dificuldade.
Usuários frequentes podem enfrentar cargas de trabalho exigentes que incentivam a automação. Escolas com sistemas de apoio fracos podem recorrer a chatbots de consumo como substitutos baratos.
Outra possibilidade segue na direção oposta. A delegação repetida de tarefas pode reduzir a prática e enfraquecer o desempenho posterior sem ajuda. O PISA não pode determinar a contribuição de cada mecanismo.
Até a relação entre instrução em letramento em IA e pontuações exige cautela. Estudantes favorecidos relatam essas oportunidades de aprendizagem com mais frequência.
Escolas que ensinam verificação de forma eficaz também podem ter professores mais fortes, melhores recursos e famílias mais presentes. Esses fatores podem influenciar o desempenho de maneira independente.
Ainda assim, a OCDE encontrou um padrão promissor. Usuários frequentes de IA para aprendizagem geral que também avaliavam informações de IA em sala de aula alcançaram desempenho em ciências ligeiramente superior ao de usuários pouco frequentes ou não usuários.
Esse resultado sustenta o uso orientado, mas não prova que uma aula específica causou a diferença. O relatório descreve uma associação dentro de um ambiente de aprendizagem complexo.
Outra incerteza diz respeito à mudança dos produtos. Os chatbots usados em 2025 diferem de sistemas posteriores em precisão, design de interface, personalização e salvaguardas educacionais.
Ferramentas futuras podem se tornar melhores tutores. Elas também podem se tornar melhores em concluir trabalhos de forma invisível, ampliando a lacuna entre a produção aparente e a competência retida.
As escolas não podem esperar por evidências perfeitas, porque a adoção já é disseminada. Ainda assim, devem evitar transformar correlações preliminares em proibições universais.
Uma proibição generalizada pode levar o uso para fora de vista. Ela também pode negar aos estudantes prática supervisionada com ferramentas que encontrarão no ensino superior e no trabalho.
A adoção irrestrita traz o risco oposto. Ela permite que as configurações padrão dos produtos determinem a pedagogia, embora chatbots de consumo não tenham sido desenvolvidos em torno de currículos individuais.
A resposta política cautelosa é a experimentação controlada. As escolas podem definir tarefas permitidas, preservar avaliações sem auxílio, ensinar verificação e comparar resultados ao longo do tempo.
Elas devem medir mais do que a qualidade das entregas. Indicadores úteis incluem recordação tardia, transferência independente, precisão das fontes, qualidade da revisão e capacidade de explicar o raciocínio.
Essas medidas testariam o mecanismo por trás das conclusões da OCDE sobre IA em trabalhos escolares. Elas mostrariam se um chatbot apoia o trabalho cognitivo ou apenas oculta sua ausência.
Três Sinais Mostrarão Se as Escolas Estão Aprendendo com o PISA
A próxima fase será definida pelo desenho das avaliações, pelo letramento em IA liderado por professores e por evidências de que o uso orientado se transfere para o desempenho independente.
O primeiro sinal é uma mudança em direção a avaliações conscientes do processo. As escolas devem revelar como a IA foi usada e exigir que os estudantes demonstrem o mesmo conhecimento sem assistência.
Observe defesas orais, escrita supervisionada, registros de prompts, registros de fontes e rascunhos em etapas. Essas abordagens separam uma produção refinada da compreensão genuína.
Se os sistemas escolares as adotarem amplamente, o alerta da OCDE reforçará a defesa de redesenho em vez de proibição. Se as tarefas permanecerem inalteradas, a delegação invisível continuará difícil de medir.
O segundo sinal é uma instrução mais ampla sobre como avaliar informações geradas. Cerca de seis em cada dez estudantes da OCDE já relatam fazer isso durante as aulas.
A qualidade dessa instrução importa mais do que marcar uma caixa. Os estudantes precisam testar afirmações, localizar evidências originais, identificar incertezas e reconhecer prosa persuasiva, porém sem sustentação.
A taxa de exposição de 81% de Singapura fornece uma referência útil, não uma explicação completa para seus resultados. Outros sistemas precisam mostrar que exercícios de avaliação mudam o comportamento dos estudantes.
Se o letramento em IA se expandir enquanto o desempenho independente melhorar, o uso orientado ganha apoio. Se a exposição aumentar sem melhores resultados, as escolas precisarão de desenhos instrucionais mais robustos.
O terceiro sinal é evidência longitudinal que compare diferentes formas de assistência. Pesquisadores precisam separar tutoria, feedback, brainstorming, resumização, pesquisa e redação.
Também precisam de testes posteriores. O desempenho imediato na tarefa pode melhorar mesmo quando os estudantes retêm menos conhecimento uma semana ou um mês depois.
O próximo ciclo do PISA ajudará, mas as escolas não devem depender apenas de uma avaliação trienal. Distritos e ministérios podem realizar avaliações controladas dentro dos cursos existentes.
A OCDE já está preparando um domínio de letramento em mídia e IA para o PISA 2029. Essa avaliação deve revelar se os estudantes conseguem lidar criticamente com informações mediadas por IA.
Os desenvolvedores de produtos também enfrentam um teste claro. Modos educacionais devem resistir a fornecer respostas completas antes que os estudantes tentem resolver o problema subjacente.
Os professores precisam de controles sobre profundidade das dicas, requisitos de fontes, adequação etária e registros de atividades. Sem esses recursos, “tutor de IA” continua sendo mais uma categoria de marketing do que uma garantia educacional.
Pais e estudantes podem aplicar agora o mesmo padrão. Perguntem se um chatbot está ampliando o pensamento, verificando o pensamento ou substituindo o pensamento.
Para resumos, leiam primeiro e redijam os pontos principais antes de pedir feedback. Para pesquisa, reúnam fontes originais antes de pedir à IA que as compare.
Para escrita, formulem o argumento e produzam uma estrutura inicial antes de usar um modelo para crítica. Mantenham uma versão sem auxílio da prática essencial.
O alerta relatado pela OCDE é sério, mas sua interpretação mais dramática não é sustentada. A IA não recebeu uma penalidade causal de 1,5 ano no PISA.
A conclusão real é mais útil. Os estudantes frequentemente têm pontuações mais baixas quando chatbots realizam tarefas escolares específicas, enquanto o uso moderado e orientado para aprendizagem segue um padrão diferente.
Isso deixa às escolas uma pergunta imediata: suas políticas de IA estão protegendo o esforço que cria conhecimento ou apenas melhorando o trabalho que os estudantes entregam?
