>IA corrigindo redação em escola brasileira acabou — pelo menos como ferramenta autônoma de avaliação. O CNE publicou nesta semana diretrizes que proíbem o uso de inteligência artificial para corrigir, avaliar ou atribuir notas em redações e provas dissertativas. A medida tem aplicação imediata, mesmo antes do prazo de 12 meses dado para adequações administrativas. Segundo o Olhardigital.com.br, o objetivo é criar um “filtro ético-pedagógico” para uso de IA em instituições de ensino.
Como desenvolvedor que já trabalhou em projetos de EdTech e correção automatizada, vou te dar o que a matéria original não trouxe: o impacto técnico real dessa decisão, o que muda no código, e como construir soluções que respeitem a nova regra sem virar cinza tecnológica.
O que exatamente o CNE proibiu (e o que continua liberado)
A resolução atinge o uso de IA em três frentes específicas:
- Correção automática de redações e provas dissertativas em qualquer etapa de ensino — fundamental, médio, superior, técnico, EAD.
- Avaliação por IA de produção textual discente, mesmo que a nota final seja revisada por um humano.
- Acesso direto de crianças (educação infantil até o 5º ano) a ferramentas de IA sem supervisão presencial ou mediada.
O que não está proibido: uso de IA como ferramenta (auxiliar) pelo professor, geração de material didático, análise de dados agregados de desempenho (dashboards sem identificar aluno individualmente), sistemas de detecção de plágio e assistentes de escrita para o próprio docente.
Na prática, o CNE separou IA como juiz (proibido) de IA como ferramenta (permitido, com critérios). A linha é fina e vai gerar muita discussão jurídica nos próximos meses.
Por que tecnicamente essa proibição faz sentido
Quem já tentou colocar LLM para corrigir redação sabe: o resultado é estatisticamente razoável e pedagogicamente desastroso. Três motivos:
1. LLMs não entendem contexto sociocultural
Modelos de linguagem são treinados majoritariamente em corpus urbano, acadêmico e digital. Um aluno do interior da Bahia que escreve “minha avó faz crochê” pode receber nota menor que um aluno de São Paulo que escreve “minha avó faz tricô” — dependendo do que o modelo aprendeu sobre esses termos. Isso é viés de treinamento, não avaliação pedagógica.
2. A correção de competências é multidimensional
O ENEM avalia 5 competências diferentes, cada uma com pesos específicos. Um modelo que otimiza para uma métrica única (BLEU, perplexidade, similaridade semântica) colapsa essas dimensões. Você até consegue treinar um classificador multi-label, mas a interpretabilidade some — e sem interpretabilidade, o aluno não consegue recorrer de uma nota injusta.
3. Auditoria e explicabilidade são quase impossíveis
Quando um professor dá nota 6.5 em vez de 7.0, ele consegue justificar. Quando um modelo faz isso, você precisa de SHAP values, LIME, e uma equipe de ML Ops para reconstruir a decisão. Nenhuma escola básica tem isso. Universidade grande, talvez.
Na Prática: como construir um sistema de IA que respeita a resolução
Se você trabalha em EdTech e precisa reformular seu produto, aqui vai o caminho seguro. Vou usar um exemplo real de sistema de pedagógica (auxiliar pedagógica) — porque correção está proibida, mas suporte ao docente, não.
Arquitetura proposta: IA como copiloto do professor
- Coleta: aluno envia redação via portal ou API.
- Pré-processamento: normalização de texto, anonimização (remove nome, escola, turma).
- Análise (auxiliar): LLM gera relatório de potenciais pontos a observar — sem nota, sem julgamento definitivo.
- Revisão humana obrigatória: professor recebe o relatório e toma a decisão final.
- Log de auditoria: tudo é registrado para fins de recurso.
O ponto crítico: a IA sugere, o humano decide. Isso atende a resolução e ainda protege juridicamente a instituição.
Código funcional: endpoint (auxiliar) com Python + FastAPI
from fastapi import FastAPI, HTTPException
from pydantic import BaseModel, Field
import hashlib
app = FastAPI(title="Auxiliar de Correcao Pedagogica")
class Redacao(BaseModel):
texto: str = Field(..., min_length=100, max_length=5000)
nivel_ensino: str = Field(..., pattern="^(fundamental|medio|superior)$")
aluno_id_hash: str # ja deve vir anonimizado do front
class RelatorioAuxiliar(BaseModel):
alertas_pedagogicos: list[str]
competencias_sinalizadas: list[str]
nao_eh_correcao: bool = True # flag explicita de compliance
PROIBIDO = ["nota", "pontuacao", "score", "conceito"]
@app.post("/analisar", response_model=RelatorioAuxiliar)
async def analisar(redacao: Redacao):
texto_lower = redacao.texto.lower()
# Verificacao anti-vazamento: garantir que saida nunca tera nota
# Isso e compliance por design
if any(p in texto_lower for p in PROIBIDO):
raise HTTPException(
status_code=400,
detail="Texto contem termos sensiveis a avaliacao"
)
# Aqui voce chamaria a LLM (OpenAI, Anthropic, modelo local)
# Prompt engineered para gerar APENAS observacoes pedagogicas
relatorio = await gerar_observacoes_pedagogicas(
texto=redacao.texto,
nivel=redacao.nivel_ensino
)
# Log para auditoria (LGPD + CNE)
log_auditoria(
hash_aluno=redacao.aluno_id_hash,
timestamp=agora(),
tipo_operacao="analise_auxiliar"
)
return relatorio
Note a flag nao_eh_correcao = True no response model. Isso é compliance por design — força o contrato da API a deixar explícito que aquilo é suporte, não avaliação. Se um dia um tribunal perguntar, você tem a prova técnica de que o sistema nunca atribuiu nota.
Erros comuns que devs de EdTech vão cometer
Antecipando os tropeços que vou ver no LinkedIn nos próximos meses:
1. Achar que “revisão humana” resolve tudo
Se o professor só aperta “confirmar” no relatório da IA, isso é correção automatizada disfarçada. O CNE foi explícito: tem que haver julgamento real. Construa fluxo que exija comentário textual do professor antes de finalizar a nota.
2. Misturar IA generativa com detector de plágio sem (isolamento)
Detector de plágio (Turnitin, Copyspider) compara texto contra base. Isso é busca, não IA generativa — deve continuar liberado. Mas se você usa LLM para “analisar” o plágio e dar nota de originalidade, aí entra na zona proibida. Mantenha os dois pipelines separados.
3. Esquecer da educação infantil
A regra de supervisão até o 5º ano vale para qualquer ferramenta de IA, não só corretores. Se seu app tem chatbot para criança de 7 anos, você precisa de controle parental técnico robusto — não basta um disclaimer no Termo de Uso.
4. Não documentar a cadeia de decisão
Quando o MP ou o Conselho Estadual questionar, você precisa mostrar: quem viu o quê, quando, e por quê. Log imutável, versionado, com retenção de pelo menos 5 anos. Sem isso, você assume o risco.
Comparativo rápido: como outros países estão lidando
A União Europeia, no AI Act, classifica sistemas de avaliação educacional como alto risco, exigindo avaliação de conformidade, documentação técnica extensa e supervisão humana obrigatória — alinhado com o que o CNE fez agora. A China liberou IA em salas de aula de forma mais agressiva, com resultados pedagógicosquestionáveis segundo relatórios do MIT. Os EUA não têm regulação federal unificada, mas estados como Nova York já proíbem correção automática em escolas públicas desde 2022.
O Brasil está, na verdade, alinhado com a tendência internacional de cautela. Quem está construindo produto para mercado global já tinha esse radar ligado.
FAQ — Perguntas que devs realmente fazem
A proibição vale para correção de prova objetiva (múltipla escolha)?
Não. A resolução fala explicitamente em “redações e provas dissertativas”. Sistemas de gabarito automatizado, correção de quizzes objetivos e correção de exercícios de matemática com resposta única continuam permitidos. O critério é: existe subjetividade na avaliação? Se sim, IA não decide sozinha.
Posso usar IA para dar feedback em redações sem atribuir nota?
Sim, e esse é exatamente o modelo (auxiliar) que a resolução parece permitir. A IA pode apontar “atenção à concordância verbal” ou “considere desenvolver mais o segundo parágrafo”, desde que não haja atribuição de conceito ou pontuação. O risco é se esse feedback for tão estruturado que o professor acaba só validando — aí você cai na zona cinzenta.
E para ensino superior e EAD?
A regra vale para todas as etapas e modalidades. Se sua plataforma de EAD usa IA para corrigir, você tem 12 meses para migrar para modelo com revisão humana obrigatória. Já vi startup brasileira de EAD com 200 mil alunos automatizando correção — o impacto vai ser grande.
Como fica o uso de IA generativa pelo próprio aluno para fazer a redação?
A resolução foca no uso institucional de IA, não no uso pelo aluno. Mas escolas e universidades podem (e vão) criar regras internas próprías sobre isso. Se você é dev de plataforma de integridade acadêmica, a tendência é crescer demanda por detectores mais sofisticados — e por funcionalidades como “modo prova” que bloqueia acesso a IAs externas.
Existe risco de a IA “vazar” para correção por outro caminho?
Sim. Sistemas de análise de sentimento em redações, classificadores de coerência textual, e até ferramentas de analytics de evasão que correlacionam padrão de escrita com desempenho podem, indiretamente, influenciar avaliação. Audite seus pipelines e pergunte: “isso poderia ser usado para dar nota?” Se sim, documenta o controle.
O que fazer agora se você trabalha com EdTech
- Mapeie todos os pontos do seu sistema onde IA gera output que alimenta decisão de nota. Seja honesto — inclui dashboard de “engajamento” se professor usa isso pra fechar conceito?
- Refatore para modelo “sugerir, humano decidir”. Isso não é retrocesso — é, na verdade, o que o mercado internacional de EdTech séria já faz.
- Implemente log de auditoria robusto. Não espere o MP bater na porta.
- Atualize termos de uso e políticas de privacidade. Inclua cláusula explícita sobre conformidade com a resolução CNE.
- Treine sua equipe de produto sobre a diferença entre IA (auxiliar) e IA decisória. Parece óbvio, mas a confusão é mais comum do que você imagina.
A resolução do CNE não é um ataque à inovação em educação — é um filtro que, honestamente, o mercado já devia ter imposto a si mesmo. Quem constrói EdTech responsável sai ganhando. Quem construiu castelo de areia, agora precisa reconstruir — e ainda tem 12 meses pra fazer isso direito.
Se você está passando por isso agora no seu time, me chama que posso ajudar a revisar arquitetura. Cenário real, código real, problema real.
Gostou? Me segue no GitHub e deixa um comentário se tiver dúvida ou quiser aprofundar algum ponto.