A aplicabilidade da Teoria da Mudança na implementação de IA na educação

A Teoria da Mudança oferece ao gestor educacional três ganhos centrais na implementação de IA: clareza causal, rigor avaliativo e governança orientada a resultados. Em um contexto de crescimento acelerado do uso de IA generativa, mas também de riscos e desigualdades crescentes, essa estrutura não é apenas recomendável, é condição para que a inovação tecnológica se converta, de fato, em transformação educacional sustentável

A principal contribuição da Teoria da Mudança é transformar a adoção de IA em uma política educacional estruturada, e não em um projeto experimental isolado. Foto: Canva

O que é a Teoria da Mudança

A incorporação de inteligência artificial (IA) na educação tem sido frequentemente conduzida como uma decisão tecnológica, quando na realidade trata-se de uma decisão estratégica e institucional. A diferença entre iniciativas pontuais (centradas em ferramentas) e transformações sustentáveis (centradas em resultados) está na clareza da lógica que conecta problema, intervenção e impacto. É exatamente nesse ponto que a Teoria da Mudança se torna um instrumento decisivo para gestores educacionais que desejam uma adoção qualificada de IA.

No referencial clássico de monitoramento e avaliação de políticas públicas, a Teoria da Mudança é apresentada como a representação explícita da lógica de uma intervenção, articulando insumos, atividades, produtos, resultados e impactos esperados. Não se trata apenas de um diagrama causal, mas de uma explicitação das hipóteses que sustentam a crença de que determinadas ações produzirão determinados efeitos. Essa formalização é especialmente relevante em contextos de alta complexidade tecnológica, como o da IA generativa na educação, em que abundam promessas, mas nem sempre há clareza sobre mecanismos de causalidade.

Ao deslocar a discussão da ferramenta para o problema, a Teoria da Mudança força o gestor a iniciar pelo diagnóstico. No ciclo da política pública, a identificação do problema antecede a formulação e a implementação. Em termos práticos, isso significa perguntar: qual problema educacional concreto justifica o uso de IA? Baixo desempenho em leitura? Sobrecarga docente? Falta de personalização? Desengajamento estudantil? Sem essa delimitação, a IA tende a ser incorporada como solução em busca de um problema.

Fio condutor da estratégia

O relatório OECD Digital Education Outlook 2026 mostra que o uso de ferramentas de IA generativa cresceu de forma significativa entre 2024 e 2025, sobretudo em países da OCDE e parceiros como o Brasil. Contudo, o mesmo relatório aponta desigualdades de acesso e uso, sugerindo um risco de aprofundamento de assimetrias educacionais. Uma estratégia orientada pela Teoria da Mudança obriga o gestor a incorporar essas variáveis contextuais desde o início: quem terá acesso à IA? Em que condições? Com qual infraestrutura? Com quais competências digitais?

A partir do problema claramente definido, a Teoria da Mudança estrutura a cadeia lógica da intervenção. Se o objetivo é, por exemplo, melhorar a compreensão leitora no ensino fundamental, a IA pode ser posicionada como insumo (plataforma adaptativa), atividade (sessões semanais de leitura mediadas por IA), produto (feedback personalizado gerado automaticamente), resultado (melhoria em habilidades específicas de leitura) e impacto (aumento do desempenho em avaliações externas e redução de defasagens). Cada elo dessa cadeia precisa ser sustentado por hipóteses plausíveis e, sempre que possível, evidências.

Essa estruturação é decisiva para evitar dois tipos clássicos de falha identificados na literatura de avaliação: falhas de implementação e falhas de teoria. No primeiro caso, a teoria é consistente, mas a execução é deficiente. No segundo, a própria lógica causal é equivocada. Por exemplo: supor que disponibilizar um chatbot educacional automaticamente elevará o desempenho acadêmico, sem considerar mediação pedagógica, formação docente e engajamento estudantil. Em projetos de IA, a segunda falha é particularmente comum, pois há uma tendência a superestimar a capacidade autônoma da tecnologia.

Indicadores que realmente importam

Outro ganho estratégico da aplicação da Teoria da Mudança está na definição de indicadores. O referencial metodológico recomenda critérios como mensurabilidade, relevância, sensibilidade a mudanças e utilidade para a tomada de decisão. Em iniciativas de IA na educação, isso implica ir além de métricas superficiais, como número de acessos ou tempo de uso, e construir indicadores que capturem efetivamente mudanças em aprendizagem, práticas docentes e equidade. Se a informação medida não será utilizada para o gerenciamento do projeto, o indicador não deve ser selecionado, um princípio frequentemente negligenciado em dashboards tecnológicos repletos de dados pouco acionáveis.

A Teoria da Mudança também orienta o desenho de avaliações ex ante e ex post. A avaliação da própria Teoria do Programa, isto é, da coerência da lógica causal, é uma etapa recomendada antes da implementação. No caso da IA, isso significa perguntar, por exemplo: há evidências robustas de que feedback automatizado melhora aprendizagem em determinado contexto? Em quais condições? Para quais perfis de estudantes? A literatura recente citada no relatório da OCDE aponta resultados promissores em contextos específicos, como tutoria baseada em diálogo e abordagens socráticas mediadas por IA, mas também alerta para desafios relacionados a vieses, alucinações e dependência excessiva da tecnologia. A incorporação desses riscos à Teoria da Mudança torna a estratégia mais realista e menos entusiasmada.

A gestão da inovação precisa de método 

Do ponto de vista gerencial, a principal contribuição da Teoria da Mudança é transformar a adoção de IA em uma política educacional estruturada, e não em um projeto experimental isolado. Isso exige a construção de um plano de monitoramento com definição clara de linha de base, metas, frequência de coleta e responsáveis. Sem linha de base, não há como estimar variação; sem metas, não há critério de sucesso; sem responsáveis, não há governança. Em ambientes escolares, essa disciplina metodológica é frequentemente substituída por entusiasmo tecnológico, o que compromete a sustentabilidade da inovação.

Além disso, a Teoria da Mudança favorece uma abordagem incremental e adaptativa. Ao explicitar hipóteses, ela permite revisões contínuas com base em evidências. Caso os resultados intermediários não se materializem, o gestor pode investigar se o problema está nos insumos (infraestrutura inadequada), nas atividades (uso superficial da ferramenta), nos produtos (feedback pouco relevante) ou na própria hipótese causal. Essa capacidade de aprendizado institucional é fundamental em um cenário de rápida evolução tecnológica.

Por fim, a aplicação da Teoria da Mudança contribui para alinhar a estratégia de IA aos objetivos educacionais mais amplos, evitando a captura da agenda por modismos. A IA passa a ser um meio subordinado a fins claramente definidos (melhoria da aprendizagem, redução de desigualdades, fortalecimento da autonomia estudantil, qualificação do trabalho docente). Essa subordinação estratégica é o que distingue adoção qualificada de adoção impulsiva.

Em síntese, a Teoria da Mudança oferece ao gestor educacional três ganhos centrais na implementação de IA: clareza causal, rigor avaliativo e governança orientada a resultados. Em um contexto de crescimento acelerado do uso de IA generativa, mas também de riscos e desigualdades crescentes, essa estrutura não é apenas recomendável, é condição para que a inovação tecnológica se converta, de fato, em transformação educacional sustentável.