Estudar com IA é trapaça? A resposta curta
Usar IA para estudar não é trapaça. Usar IA para produzir um trabalho que será avaliado como seu é trapaça quando o enunciado não permitia ou quando você não declarou. As políticas de integridade acadêmica quase nunca perguntam qual ferramenta você abriu. Elas fazem duas perguntas: quem escreveu o trabalho entregue e se você foi honesto sobre como ele foi feito.
Essa distinção resolve muita coisa, porque a mesma ferramenta cai dos dois lados da linha dependendo da tarefa. Peça ao ChatGPT que explique a regra da cadeia na véspera de uma prova sem consulta e você está estudando. Nenhuma política de referência proíbe isso. Peça a ele que escreva três parágrafos da sua redação, entregue-os sem sinalizar, e isso é má conduta em praticamente qualquer instituição. A correção gramatical fica no meio do caminho, e é nesse meio que acontece quase toda disputa real.
Então a pergunta útil não é "IA é trapaça". É "que nível de uso de IA esta avaliação específica permite, e eu consigo mostrar como cheguei lá se alguém perguntar?". O resto deste artigo responde às duas.
Quantos estudantes usam IA e quão poucos são pegos
A escala de uso já não está em discussão. A pesquisa estudantil de 2026 do Higher Education Policy Institute, conduzida pela Savanta com 1.054 estudantes de graduação em tempo integral no Reino Unido em dezembro de 2025, constatou que 94% afirmam usar IA generativa como apoio em trabalhos avaliados. A parcela que cola texto gerado por IA diretamente em trabalhos avaliados chegou a 12%, contra 8% no ano anterior e 3% dois anos antes. Quase dois terços dos estudantes, 65%, disseram que a avaliação mudou de forma significativa em resposta a isso.
Compare esses números com quantos são pegos. Uma investigação do Guardian, baseada em pedidos de acesso à informação enviados a 155 universidades britânicas, das quais 131 responderam, registrou perto de 7.000 casos comprovados de fraude assistida por IA no ano letivo de 2023-24. Isso dá 5,1 casos por 1.000 estudantes, um salto acentuado em relação a 1,6 por 1.000 no ano anterior, e ainda assim um erro de arredondamento ao lado do uso relatado. Mais de um quarto das universidades que responderam sequer registravam o mau uso de IA como categoria própria.
| O que o dado mede | Número | Fonte |
|---|---|---|
| Estudantes que usam IA generativa em trabalhos avaliados | 94% | HEPI Report 199 (Savanta, dez. de 2025, n=1.054) |
| Estudantes que colam texto gerado por IA direto em trabalhos avaliados | 12% | HEPI Report 199 |
| Casos comprovados de má conduta com IA, Reino Unido, 2023-24 | 5,1 por 1.000 estudantes (~0,5%), contra 1,6 no ano anterior | Pedidos FOI do Guardian, 131 universidades respondentes |
Leia essas linhas juntas e o retrato fica desconfortável para todo mundo. Não é a detecção que mantém a maioria dos estudantes honesta, porque a detecção mal funciona. O que sustenta o sistema é que a maior parte do uso de IA realmente não é trapaça, e os estudantes em geral sabem a diferença. O número que importa é aquele 12%, e ele está subindo.
Os dois testes que toda política de integridade com IA aplica
Usar IA não é plágio no sentido antigo. Não há autor lesado, nenhum trecho roubado, nada que um verificador de similaridade possa comparar. As instituições em geral encaixaram o tema numa categoria mais ampla, chamada ora de fraude por encomenda, ora de assistência não autorizada, ora simplesmente de declaração falsa. Por baixo dos nomes diferentes, dois testes aparecem sempre.
O teste da autoria. O trabalho intelectual que está sendo avaliado é seu? Se o objetivo da tarefa é ver se você consegue construir um argumento, e o argumento chegou pronto, você entregou a resposta de outra pessoa. Não importa que essa pessoa seja um modelo. A mesma lógica vale para as fábricas de trabalhos acadêmicos há décadas.
O teste da declaração. O seu corretor ficaria surpreso ao descobrir como isso foi feito? A surpresa é o sinal. Se lhe custa escrever uma linha descrevendo exatamente para que usou IA, você já sabe a resposta. A maioria das políticas que permitem IA exige que você declare o uso, e uma declaração precisa é quase sempre uma defesa completa.
Há uma terceira coisa que vale nomear, porque pega mais estudantes do que qualquer detector: as citações inventadas. Pedir fontes a um modelo e colar o que ele devolve sem abrir nenhuma delas é uma falha específica, comprovável e extremamente comum. Um corretor que confere uma referência e descobre que ela não existe tem uma prova da qual você não escapa conversando, e o caso passa a ser tratado como falsificação, não como uma discussão sobre IA. Abra todas as fontes que você citar. Todas, sem exceção.
Os cinco níveis da AI Assessment Scale
O arcabouço mais útil aqui é a AI Assessment Scale, criada por Mike Perkins, Jasper Roe, Leon Furze e Jason MacVaugh, hoje na versão 2.1 e adotada por um número crescente de instituições. Em vez de uma regra geral, ela pede que os professores marquem cada avaliação com um nível. Os estudantes ganham um vocabulário comum em lugar de um palpite. Seus autores insistem que um nível mais alto não é um nível melhor: os níveis descrevem tipos diferentes de tarefa, não uma escada. A coluna "avaliação típica" abaixo é ilustrativa e não faz parte da escala.
| Nível | Nome | O que o nível descreve | Avaliação típica |
|---|---|---|---|
| 1 | No AI (sem IA) | Conhecimentos e habilidades são demonstrados de forma independente, em condições controladas | Prova presencial, arguição oral, prática de laboratório |
| 2 | AI Planning (IA no planejamento) | A IA pode apoiar a pesquisa, o brainstorming e a estruturação; o planejamento em si é avaliado | Plano de redação, busca bibliográfica, projeto de pesquisa |
| 3 | AI Collaboration (colaboração com IA) | A IA pode ajudar a completar a tarefa, inclusive a rascunhar e a refinar, mas sozinha não alcança o padrão exigido | Trabalho entregue com declaração de uso de IA |
| 4 | Full AI (IA total) | O envolvimento da IA é esperado; o objetivo não se alcança só com IA nem só com uma pessoa no tempo disponível, e o que se avalia é o raciocínio demonstrado ao conduzi-la | Tarefas de prompt e crítica, projetos aplicados |
| 5 | AI Exploration (exploração com IA) | Pensado para o uso criativo da IA a fim de gerar ideias ou soluções inéditas | Trabalho de conclusão, ateliê de projeto, pesquisa acadêmica |
Duas observações práticas. Primeiro, o nível pertence à tarefa, não à disciplina e muito menos à universidade. Você pode cursar duas matérias no mesmo departamento em que uma é Nível 1 e a outra é Nível 4. Segundo, se o seu enunciado não indica um nível, peça um por escrito e guarde a resposta. Um e-mail datado do seu professor dizendo "revisar a gramática pode, escrever o rascunho não" vale mais do que qualquer documento de política se a questão aparecer depois.
Doze usos comuns de IA nos estudos, em verde, âmbar ou vermelho
Aqui estão os dois testes e a escala aplicados ao que os estudantes de fato fazem. Verde significa permitido em quase todo lugar, inclusive enquanto você se prepara para avaliações de Nível 1 e 2. Âmbar depende do enunciado, e convém declarar. Vermelho é má conduta em praticamente qualquer instituição, diga o que disser o resto da política.
| O que você está fazendo | Veredito | Por quê |
|---|---|---|
| Pedir à IA que explique um conceito que você não acompanhou na aula | Verde | Quem está aprendendo é você; nada do que ela produziu entra na sua entrega |
| Gerar questões de treino e se testar com elas | Verde | Prática de recuperação, e as respostas são suas |
| Pedir retorno sobre um rascunho que você escreveu e depois revisá-lo por conta própria | Verde | Mesma categoria de um atendimento no centro de escrita da universidade |
| Transformar uma leitura densa em resumo para decidir se vale ler a sério | Verde | Triagem, e você segue lendo a sério tudo o que acabar usando |
| Corrigir gramática e ortografia nas suas próprias frases | Âmbar | Permitido pela maioria das políticas, restrito em alguns cursos de língua e de escrita |
| Deixar a IA reestruturar ou reescrever os seus parágrafos | Âmbar | Em algum ponto desse espectro o texto deixa de ser seu; declare |
| Traduzir o que você mesmo escreveu para o idioma da entrega | Âmbar | Costuma ser tranquilo, exceto quando a avaliação mede domínio do idioma |
| Pedir à IA que encontre fontes ou explique um artigo que você vai citar | Âmbar | Serve como ponto de partida, mas nunca cite uma fonte que você não abriu |
| Entregar texto gerado por IA como escrita sua | Vermelho | Reprova de cara no teste da autoria |
| Citar fontes que você nunca abriu | Vermelho | Falsificação, e trivial de provar quando uma delas não existe |
| Qualquer uso de IA numa avaliação declarada No AI | Vermelho | Tratado como quebra de uma condição declarada, não como um julgamento sobre IA |
| Deixar a IA fazer a análise pela qual você está sendo avaliado | Vermelho | Seja uma demonstração, uma regressão ou uma leitura atenta, aquilo era a avaliação |
As linhas âmbar são onde os estudantes realmente se enrolam, e a saída é a mesma para todas: escreva uma frase dizendo o que você fez. Uma declaração precisa transforma um âmbar em verde quase sempre.
Por que os detectores de IA não conseguem provar que você trapaceou
Se a detecção funcionasse, nada disso precisaria de um arcabouço. Ela não funciona, e falha nas duas direções ao mesmo tempo.
Quase nada é pego. Peter Scarfe, Kelly Watcham, Alasdair Clarke e Etienne Roesch fizeram um teste em condições reais na University of Reading, publicado na PLOS ONE em junho de 2024. Eles inseriram respostas geradas por IA num sistema de provas para fazer em casa que estava em uso de verdade na graduação, sem que os corretores soubessem. A conclusão deles: "We found that 94% of our AI submissions were undetected." Em português: constatamos que 94% das nossas entregas feitas por IA não foram detectadas. Esse número mede a detecção que uma prova real de fato executa, que são corretores humanos lendo o trabalho, e não a pontuação de nenhum detector. Os corretores pegaram seis entregas a cada cem. Pior para a integridade das notas, as entregas de IA ficaram em média meio conceito acima do trabalho dos estudantes reais, com 83,4% de chance de que as entregas de IA de uma disciplina superassem uma seleção aleatória do mesmo número de entregas reais.
Ela acusa quem não fez nada de errado. Weixin Liang, Mert Yuksekgonul, Yining Mao, Eric Wu e James Zou testaram sete detectores de GPT muito usados para um artigo de 2023 na Patterns. Em redações escritas por alunos americanos do oitavo ano, a precisão foi quase perfeita. Em 91 redações do TOEFL escritas por falantes não nativos de inglês, os mesmos detectores classificaram erradamente mais da metade como geradas por IA, uma taxa média de falsos positivos de 61,3%. O mecanismo que eles identificaram era simples: escolhas de palavras mais simples são lidas como baixa perplexidade, e baixa perplexidade é lida como escrita de máquina.
Essa conclusão sobre viés foi contestada depois. Em fevereiro de 2026, Adnan Al Ali, Jindřich Helcl e Jindřich Libovický revisitaram a questão em tcheco e não reproduziram o padrão: o texto de escritores não nativos não tinha perplexidade mais baixa, três famílias de detectores não mostraram viés sistemático contra eles, e os detectores modernos já não se apoiam em perplexidade como a geração de 2023 se apoiava. O viés específico pode estar desaparecendo. O problema probatório, não.
A objeção real aos detectores nunca foi só o viés. É também que uma pontuação percentual não é algo que um estudante consiga contestar. A Vanderbilt University desligou o detector de IA da Turnitin em agosto de 2023 e fez a conta em público: a universidade submeteu 75.000 trabalhos ao Turnitin em 2022, então mesmo a taxa de 1% de falsos positivos alegada pelo fornecedor significaria cerca de 750 trabalhos marcados por engano em um único ano. Quando aparece uma pontuação, o ônus se inverte em silêncio. Em vez de a instituição provar a má conduta, pedem que você prove que escreveu o próprio trabalho.
Como ler a política real do seu curso
As políticas se empilham, e a mais específica vence. Percorra esta ordem e pare no primeiro documento que trate diretamente da sua situação:
- O enunciado da tarefa. Se ele indica um nível, uma regra ou uma declaração obrigatória, é ele que manda, e nada mais abaixo nesta lista pode afrouxar isso.
- O plano de ensino da disciplina. Em geral é onde mora o "a IA é permitida para X, mas não para Y".
- A orientação do departamento. Comum em letras, direito, medicina e computação, onde a profissão tem uma visão própria.
- A política geral da universidade. A camada mais ampla e mais vaga. Trate-a como um piso, não como uma resposta.
Responda três perguntas antes de começar, não depois de entregar:
- Existe um nível de IA declarado para esta tarefa?
- A declaração é obrigatória, e em que formato?
- Alguma ferramenta ou uso é citado de forma explícita, sobretudo em torno de tradução e gramática?
Se em algum ponto a resposta for "não diz", escreva ao seu professor com uma proposta específica em vez de uma pergunta aberta. "Pretendo discutir a estrutura do meu argumento com o ChatGPT antes de escrever e conferir a gramática no fim. Nenhum texto gerado entra na entrega. Isso é aceitável?" recebe uma resposta clara. "Posso usar IA?" recebe uma não resposta na qual você não tem como se apoiar.
Quando a declaração é obrigatória e nenhum modelo é fornecido, este formato funciona em quase todo lugar:
Declaração de uso de IA. Usei o ChatGPT para gerar questões de treino sobre os capítulos 4 a 6 e para revisar a gramática do meu rascunho final. Todos os argumentos, as fontes e o texto são meus. Nenhum texto gerado por IA aparece nesta entrega.
Específica, verificável e um pouco sem graça, que é exatamente o que a torna sólida.
Como manter um rastro de processo que prove que o trabalho é seu
A melhor proteção contra uma acusação de IA não é evitar a IA. É conseguir mostrar como o trabalho foi se formando. Os estudantes que se livram rápido quase sempre são os que conseguem apresentar artefatos datados, bagunçados e obviamente humanos: fontes anotadas, notas iniciais que contradizem o argumento final, um rascunho com um parágrafo ruim dentro.
Esse rastro é fácil de construir se você captura a leitura enquanto ela acontece, em vez de reconstruí-la depois. Quando você destaca um trecho com o marcador de textos da Glasp, a citação, a URL da fonte e a data em que você salvou ficam grudadas umas nas outras. Meses depois, isso é um registro do que você leu e quando, que é exatamente o que a pontuação de um detector nunca poderá ser. Também deixa a citação honesta por padrão, porque você cita a partir de algo que abriu de verdade.
O mesmo vale para fontes que não são texto. Se o seu seminário se apoia em aulas gravadas ou palestras de congresso, os resumos de vídeos do YouTube entregam trechos com marcação de tempo que você pode citar e referenciar direito, em vez de lembrar pela metade um argumento. Para livros, os destaques do Kindle importam as passagens que você marcou durante a leitura, com as localizações intactas.
Uma diferença de categoria importa mais do que as outras aqui, e ela separa duas coisas que recebem o mesmo nome de "usar IA". Um modelo que gera afirmações a partir dos próprios dados de treino está produzindo um texto que ninguém avalizou. Um modelo que trabalha sobre fontes que você mesmo selecionou e destacou faz algo muito mais próximo do que faz um assistente de pesquisa. O chat com IA da Glasp roda sobre os seus próprios destaques salvos, então as respostas apontam de volta para trechos que você leu. Esse é um fluxo defensável sob quase qualquer política, e é um fluxo melhor: você pode conferir cada afirmação na fonte de onde ela saiu.
Nada disso é puramente defensivo. Escrever com suas próprias palavras o que você leu é o mesmo hábito que produz compreensão, que é o tema de como lembrar o que você lê. É também por isso que ler artigos acadêmicos direito continua ganhando de passar os olhos num resumo feito por IA.
O custo de aprendizado da IA, mesmo quando ela é permitida
Suponha que a sua tarefa seja Nível 4 e o uso de IA esteja totalmente liberado. Você ainda tem uma decisão a tomar, porque permitido não é o mesmo que sem custo.
Nataliya Kosmyna e colegas do MIT Media Lab submeteram 54 participantes a três sessões de escrita de redações com registro de EEG, e 18 deles voltaram para uma quarta sessão em que as ferramentas foram trocadas. Um grupo usou um LLM, outro usou um buscador, outro escreveu sem ajuda (o grupo só cérebro). O grupo só cérebro mostrou a conectividade neural mais forte e mais distribuída; o grupo do buscador ficou no meio; o grupo do LLM foi o mais fraco. Mais marcante do que o EEG foi o resultado comportamental. Os usuários de LLM travavam repetidamente na hora de citar redações que acabavam de terminar de escrever, e dois professores de inglês, corrigindo às cegas e sem saber que havia grupos, descreveram como "sem alma" as redações que julgaram assistidas por IA. Os autores chamaram esse padrão de dívida cognitiva.
Seja devidamente cético em relação a esse estudo. É um preprint, a amostra é pequena e um segundo grupo de pesquisadores publicou um comentário detalhado questionando o tamanho amostral, a metodologia de EEG, a reprodutibilidade e a forma de reportar os resultados. Mas ele aponta para algo que os estudantes reconhecem na hora: a sensação de ter entendido uma coisa que na verdade você só assistiu acontecer. Esse descompasso entre fluência e competência está bem documentado fora da literatura sobre IA, e é por isso que a ilusão de competência derruba gente capaz em toda temporada de provas.
A regra prática que sai disso é estreita o bastante para ser seguida. Deixe a IA fazer o trabalho que você já sabe fazer e faça você mesmo o trabalho que está tentando aprender. Se você já escreve uma revisão de literatura competente e ela não ensina mais nada a você, delegar custa pouco. Se você ainda não sabe construir um argumento, ter um modelo construindo um por você não ensina você a construir argumentos, por melhor que o resultado pareça. A armadilha de pensar com IA destrincha esse dilema com mais detalhes, e se você prefere uma ferramenta feita para dar trabalho a você, os modos de estudo com IA comparados examinam o que ChatGPT, Gemini e Claude realmente fazem de diferente quando você pede que ensinem em vez de responder.
Perguntas frequentes
Usar o ChatGPT para estudar é trapaça?
Não. Usar o ChatGPT para entender a matéria, se testar ou receber retorno sobre um trabalho seu é estudar, e nenhuma política acadêmica de referência proíbe isso. Vira trapaça quando o resultado é entregue como trabalho seu, ou quando a avaliação declarou que nenhuma IA era permitida e você usou assim mesmo.
Os professores conseguem saber se você usou o ChatGPT?
Em geral não, pelo texto em si. No experimento de 2024 da University of Reading publicado na PLOS ONE, 94% das entregas de prova escritas por IA passaram sem ser detectadas pelos corretores. O que de fato chama a atenção é indireto: citações que não existem, um texto que não combina com o que você escrevia antes, respostas que se apoiam em material que o curso nunca viu, ou uma arguição em que você não consegue explicar o próprio argumento.
Usar IA para fazer a lição de casa é trapaça?
Depende de a lição valer nota. Se ela é avaliada e as respostas deveriam ser suas, deixar a IA produzi-las reprova no mesmo teste de autoria que reprovaria uma redação. Se é treino sem nota, usar IA para conferir as suas respostas ou explicar o que você errou é estudar, e está entre os melhores usos da ferramenta. Na dúvida, pergunte se aquele trabalho conta para a sua nota.
Usar IA para corrigir a minha gramática é trapaça?
Depende da avaliação, uma resposta insatisfatória mas exata. A maioria das instituições permite. Elas tratam isso como uma visita ao centro de escrita. Cursos de língua, de tradução e de escrita acadêmica costumam não permitir, porque a mecânica é justamente o que está sendo avaliado. Confira o enunciado e declare, se a declaração for exigida.
Preciso declarar que usei IA?
Se o enunciado ou o plano de ensino pede uma declaração, sim, e uma declaração precisa é quase sempre uma defesa completa. Se ninguém pedir, uma frase ainda assim não custa nada a você e elimina a questão inteira. É a vagueza que causa problema, então nomeie a ferramenta e a tarefa específica.
Como eu provo que não usei IA?
Não discuta com a pontuação do detector, porque não dá. Apresente provas de processo. Notas datadas, fontes destacadas, o histórico de versões do seu editor de texto, registros de busca e da biblioteca, qualquer coisa com carimbo de data e hora. Pergunte que prova específica existe além do resultado do detector, e peça a taxa documentada de falsos positivos dele. Várias universidades, Vanderbilt entre elas, desligaram essas ferramentas justamente porque as pontuações não sobrevivem a essa pergunta.
Usar IA para resumir um artigo é trapaça?
Quase sempre não, quando você resume para decidir o que ler com atenção ou para relembrar um material que já trabalhou. Fica arriscado em duas situações: quando a compreensão daquele texto específico é o que está sendo avaliado, e quando você cita uma fonte que só conheceu por meio de um resumo. Leia tudo o que pretende citar.
Onde isso deixa você
A regra que importa é menor do que o debate em volta dela. Faça o raciocínio pelo qual você está sendo avaliado, diga o que usou e seja capaz de mostrar o caminho. Cumpra esses três e você fica longe da má conduta sob praticamente qualquer política, inclusive as que ainda nem foram escritas.
A detecção não vai resolver isso. A correção humana deixa quase tudo passar, a pontuação dos detectores acusa quem não fez nada, e as instituições que estão prestando mais atenção vêm desligando essas ferramentas em vez de se apoiar mais nelas. O que entra no lugar é a prova do processo, o que significa que os estudantes mais protegidos são os que já vinham anotando o que liam e o que pensavam a respeito.
Isso vale a pena construir por si só. Comece a destacar o que você lê para que suas fontes, citações e datas fiquem juntas, e veja o que outros leitores marcaram no mesmo material lá na comunidade da Glasp. O rastro prova que o trabalho é seu, e é a parte que continua sua depois que a nota sai.
