A evolução tecnológica das últimas décadas trouxe à educação e à pesquisa ferramentas antes restritas a ambientes corporativos e laboratórios especializados. Entre essas inovações, a inteligência artificial generativa se destaca por sua capacidade de processar grandes volumes de informação, identificar padrões e sugerir formas de organização e apresentação de conteúdos. Em poucos anos, ela passou de experimentos limitados a modelos amplamente disponíveis, acessíveis a estudantes, docentes e gestores acadêmicos.
No contexto universitário, a produção acadêmica e a extensão são pilares complementares. A primeira se concentra na geração de conhecimento científico e na difusão por meio de artigos, livros e eventos especializados. A segunda estabelece pontes entre a universidade e a sociedade, transformando conhecimento em soluções para demandas reais. Ambas exigem precisão, fundamentação teórica, clareza e compromisso ético. É nesse cenário que a inteligência artificial generativa encontra espaço para atuar como instrumento de apoio qualificado.
A utilização responsável dessa tecnologia não significa transferir a autoria ou a elaboração integral de um trabalho para sistemas automatizados. Ao contrário, sua função é auxiliar na triagem de informações, na elaboração de sínteses preliminares, na tradução de trechos e na preparação de materiais de apoio que serão analisados, validados e adaptados por pessoas. Esse modelo de uso preserva a integridade acadêmica e reconhece que a criatividade, o julgamento crítico e a responsabilidade final pertencem ao autor humano.
Ao longo deste artigo, serão discutidos os fundamentos dessa tecnologia, seus impactos específicos na pesquisa e na extensão universitária, os desafios éticos e legais envolvidos e as tendências que podem moldar seu uso nos próximos anos. A proposta é oferecer uma análise fundamentada, sem discursos de otimismo ou pessimismo exagerado, mas que permita a pesquisadores e profissionais da extensão compreender como integrar a inteligência artificial generativa de forma produtiva, ética e alinhada aos princípios da universidade.
1. Fundamentos e evolução da inteligência artificial generativa
A compreensão sobre o papel da inteligência artificial generativa na produção acadêmica e na extensão universitária exige, antes de tudo, um entendimento sólido de seu funcionamento e de como chegou ao estágio atual. Ao contrário das aplicações de IA tradicional, que dependem de regras programadas para resolver problemas específicos, a IA generativa utiliza modelos treinados em grandes conjuntos de dados para criar novos conteúdos, seja em forma de texto, imagens, áudio ou outros formatos.
Essa capacidade se tornou possível graças ao avanço de três frentes tecnológicas: o aumento exponencial do poder de processamento computacional, o desenvolvimento de arquiteturas de redes neurais profundas, e a disponibilidade de bases de dados massivas e diversificadas. Entre as arquiteturas mais relevantes estão os modelos de Transformadores, introduzidos em 2017, que permitiram lidar com contextos extensos e capturar relações complexas entre dados.
Embora os primeiros experimentos com IA generativa remontem à década de 1990, com redes neurais recorrentes e modelos estatísticos de linguagem, foi apenas a partir de 2018 que seu uso se expandiu de forma significativa, impulsionado por modelos de linguagem de grande porte (LLMs) como GPT, BERT e seus derivados. Esses modelos deixaram de ser ferramentas restritas a centros de pesquisa para se tornarem plataformas amplamente acessíveis a docentes, estudantes e profissionais da extensão.
No ambiente acadêmico, a evolução da IA generativa se conecta a um movimento mais amplo de digitalização e integração de tecnologias educacionais. Plataformas de gestão de aprendizagem, repositórios digitais e sistemas de análise de dados educacionais passaram a coexistir com ferramentas capazes de auxiliar na revisão de textos, na formatação de referências, na tradução de documentos e até na simulação de cenários complexos para atividades de extensão.
Importante ressaltar que a evolução tecnológica não ocorreu de forma linear. Cada avanço foi acompanhado de debates sobre qualidade, confiabilidade e implicações éticas. A partir do momento em que a IA generativa demonstrou capacidade de produzir conteúdos semelhantes aos humanos, surgiram preocupações sobre autoria, plágio, enviesamento de dados e uso indevido em contextos acadêmicos. Essas discussões, ainda em curso, moldam as diretrizes de uso responsável e reforçam a necessidade de mediação humana em todas as etapas.
Ao compreender a evolução dessa tecnologia, é possível reconhecer que seu impacto não resulta apenas da capacidade técnica, mas também da maneira como instituições e indivíduos escolhem utilizá-la. Na produção acadêmica e na extensão universitária, a IA generativa não deve substituir o trabalho intelectual, mas atuar como recurso que amplia a eficiência, a precisão e o alcance das ações. Esse entendimento é a base para que seu uso seja produtivo, ético e alinhado às finalidades sociais da universidade.
2. Aplicações da inteligência artificial generativa na produção acadêmica
A produção acadêmica envolve um conjunto de etapas que vão desde a concepção da pesquisa até a sua divulgação. Esse processo demanda planejamento, rigor metodológico, análise crítica e clareza na comunicação dos resultados. A inteligência artificial generativa, quando utilizada de forma responsável, pode contribuir em várias dessas etapas, atuando como ferramenta de apoio e não como substituta da autoria.
Uma das aplicações mais evidentes está na organização e síntese de informações. Ferramentas baseadas em IA podem auxiliar na triagem de artigos e documentos, identificando os mais relevantes para determinado tema. Esse recurso é especialmente útil em revisões de literatura, onde o volume de publicações cresce continuamente. Embora a seleção final deva ser feita por um pesquisador, a filtragem inicial reduz o tempo gasto em buscas e permite foco maior na análise de conteúdo.
Outra aplicação relevante da inteligência artificial generativa é o apoio à escrita acadêmica, que pode ocorrer de diversas formas. A inteligência artificial generativa pode sugerir reestruturação de frases para melhorar clareza, verificar coerência interna entre seções ou apontar inconsistências no uso de termos técnicos. Também pode auxiliar na padronização de formatação de acordo com normas específicas, como ABNT, APA ou Vancouver. É fundamental, entretanto, que o conteúdo seja revisado integralmente pelo autor, garantindo que as alterações mantenham a fidelidade ao sentido original.
Na etapa de análise de dados, a IA generativa pode contribuir na interpretação preliminar de resultados, identificando padrões ou correlações que mereçam investigação mais profunda. Por exemplo, em pesquisas qualitativas, pode apoiar na categorização inicial de trechos de entrevistas. Em análises quantitativas, pode ajudar na elaboração de gráficos e resumos descritivos. Em ambos os casos, o papel do pesquisador é validar e contextualizar as interpretações, evitando conclusões automáticas e sem fundamento teórico.
A tradução e adaptação linguística é outra área de impacto. Pesquisadores que desejam publicar em periódicos internacionais podem recorrer à inteligência artificial generativa para gerar versões iniciais de textos em outros idiomas, preservando o conteúdo técnico. Contudo, a revisão final por alguém fluente na língua-alvo é indispensável para garantir precisão terminológica e adequação cultural.
Há também espaço para a criação de materiais complementares a partir de pesquisas concluídas. Isso inclui infográficos, apresentações e resumos executivos que traduzam os resultados para públicos não especializados. Essa prática amplia o alcance do trabalho e pode facilitar sua aplicação em políticas públicas, iniciativas sociais ou setores produtivos.
É importante frisar que a presença da inteligência artificial generativa no processo de produção acadêmica deve sempre respeitar princípios éticos e as diretrizes institucionais de integridade científica. Isso implica transparência na declaração de uso da tecnologia e cuidado para evitar que trechos gerados automaticamente sejam incorporados sem revisão crítica.
Em síntese, a inteligência artificial generativa, quando utilizada como aliada estratégica, tem potencial para otimizar etapas-chave da produção acadêmica. Seu valor está em aumentar a eficiência, liberar tempo para tarefas que exigem maior criatividade e aprofundar a qualidade das análises. A adoção consciente e crítica é o que diferencia um uso produtivo de práticas que comprometem a credibilidade científica.
3. Aplicações da IA generativa na extensão universitária
A extensão universitária é o elo entre a produção acadêmica e a sociedade. É por meio dela que o conhecimento gerado na universidade chega a comunidades, empresas, órgãos públicos e organizações sociais, promovendo impacto direto no desenvolvimento local e regional. A inteligência artificial generativa, quando utilizada com responsabilidade, pode fortalecer esse papel ao ampliar as formas de interação, comunicação e prestação de serviços.
Uma das aplicações mais relevantes está na criação de materiais educativos personalizados. Projetos de extensão que envolvem capacitação, oficinas ou campanhas podem utilizar a inteligência artificial generativa para produzir conteúdos adaptados ao perfil do público-alvo, seja por nível de escolaridade, faixa etária ou área de interesse. Isso inclui desde cartilhas ilustradas para uso comunitário até manuais técnicos para treinamento de profissionais. A curadoria e validação humana garantem que as informações estejam corretas e adequadas ao contexto local.
Outra possibilidade é o apoio na elaboração de propostas e relatórios de projetos. Muitos programas de extensão exigem documentação detalhada para obtenção de financiamento ou prestação de contas. A inteligência artificial generativa pode auxiliar na organização de dados, na padronização de formulários e na estruturação de relatórios narrativos, deixando para a equipe responsável a tarefa de análise crítica e ajustes finais.
Na divulgação científica e social, a inteligência artificial generativa pode contribuir para transformar resultados técnicos em formatos mais acessíveis, como resumos simplificados, infográficos, podcasts e vídeos curtos para redes sociais. Esse recurso é especialmente útil para projetos que desejam ampliar o alcance de suas ações e engajar públicos diversos. Ainda assim, a escolha das mensagens e sua adequação cultural e ética devem ser feitas por pessoas com conhecimento do território e da comunidade atendida.
A tecnologia também pode apoiar processos de diagnóstico participativo. Em iniciativas que envolvem coleta de informações junto à população, a inteligência artificial generativa pode ajudar a estruturar questionários, sistematizar respostas e organizar indicadores. Esse trabalho, quando combinado com análises qualitativas e discussões presenciais, permite que os resultados sejam interpretados de forma contextualizada e sensível às realidades locais.
Outra aplicação promissora está na construção de redes e parcerias. Ferramentas de inteligência artificial generativa podem facilitar a identificação de organizações e atores relevantes para um determinado projeto, cruzando dados públicos, perfis institucionais e áreas de atuação. Isso ajuda a criar conexões estratégicas que potencializam os resultados e fortalecem o caráter colaborativo da extensão.
O uso da inteligência artificial generativa na extensão universitária, no entanto, exige atenção redobrada à integridade das informações, à privacidade de dados e à clareza sobre o papel da tecnologia. Em projetos sociais, erros ou interpretações incorretas podem comprometer a confiança das comunidades envolvidas. Por isso, a tecnologia deve ser vista como apoio operacional e criativo, mas nunca como substituto da escuta, do diálogo e da construção coletiva.
Assim como na produção acadêmica, o valor da inteligência artificial generativa na extensão está na sua capacidade de otimizar processos e ampliar o alcance das ações, sem perder de vista a dimensão humana que caracteriza a missão universitária. Ao ser integrada de forma ética e crítica, ela pode contribuir para tornar a extensão mais ágil, inclusiva e capaz de responder aos desafios contemporâneos.
4. Benefícios e oportunidades da IA generativa
O uso da inteligência artificial generativa na produção acadêmica e na extensão universitária pode trazer benefícios concretos quando orientado por princípios éticos e por critérios claros de qualidade. Esses benefícios não se limitam a ganhos de produtividade, mas incluem avanços estratégicos na forma como o conhecimento é produzido, validado e aplicado.
O primeiro benefício é a otimização do tempo em tarefas operacionais, permitindo que docentes, pesquisadores e extensionistas concentrem energia nas etapas mais críticas e criativas do trabalho. Em vez de dedicar horas à formatação de referências ou à compilação inicial de dados, é possível direcionar esforços à análise e interpretação, etapas que demandam maior expertise e reflexão.
Outro ponto relevante é a ampliação da acessibilidade ao conhecimento. Ferramentas de IA generativa podem ajudar a adaptar conteúdos técnicos para diferentes públicos, produzindo materiais claros e visualmente atrativos, o que fortalece tanto a disseminação de resultados de pesquisa quanto o impacto de ações extensionistas. Essa possibilidade de reconfiguração de formatos atende a públicos historicamente excluídos dos circuitos acadêmicos, tornando o conhecimento mais democrático.
A integração interdisciplinar é também favorecida. A capacidade de a inteligência artificial generativa de processar e correlacionar informações de múltiplas áreas amplia a viabilidade de projetos que reúnem diferentes campos do saber, algo essencial para enfrentar problemas complexos da sociedade. No âmbito da extensão, essa competência potencializa iniciativas colaborativas que envolvem engenharia, saúde, educação, meio ambiente e ciências sociais em um mesmo projeto.
Outro benefício da inteligência artificial generativa é a agilidade na elaboração de materiais de apoio e comunicação. Universidades e equipes de extensão podem, por exemplo, criar versões iniciais de manuais técnicos, guias práticos e apresentações em menos tempo, permitindo maior rapidez no atendimento a demandas sociais emergenciais, como situações de crise sanitária ou desastres ambientais.
No campo da formação discente, a inteligência artificial generativa pode ser utilizada como recurso didático para desenvolver competências críticas. Ao interagir com ferramentas que geram diferentes perspectivas sobre um mesmo tema, estudantes podem comparar abordagens, identificar lacunas e fortalecer habilidades de avaliação e síntese — competências cada vez mais necessárias no mercado de trabalho e na atuação cidadã.
Em termos institucionais, o uso responsável da inteligência artificial generativa pode contribuir para fortalecer a visibilidade e a reputação acadêmica. Projetos de pesquisa e extensão que se destacam pela qualidade e rapidez de entrega de resultados, sem abrir mão da integridade, tendem a gerar maior reconhecimento e potencial para atrair parcerias e financiamento.
Essas oportunidades, entretanto, não se materializam de forma automática. É necessário criar políticas institucionais de uso, capacitar equipes e definir protocolos claros que garantam a mediação humana em todas as etapas. O potencial da inteligência artificial generativa está diretamente relacionado à capacidade da universidade de integrá-la aos seus processos de forma estratégica, coerente e alinhada à sua missão social.
5. Riscos, limitações e cuidados necessários ao uso da IA generativa
O uso da inteligência artificial generativa na produção acadêmica e na extensão universitária traz ganhos relevantes, mas também impõe riscos e limitações que precisam ser reconhecidos e tratados com seriedade. Ignorar esses aspectos compromete a credibilidade das instituições e pode gerar consequências éticas, legais e acadêmicas significativas.
Um dos riscos mais citados é o enviesamento dos resultados. Como a IA generativa é treinada a partir de grandes volumes de dados, qualquer viés presente nessas bases pode ser reproduzido ou amplificado. Isso é particularmente crítico quando se trabalha com temas sensíveis, como questões raciais, de gênero ou socioeconômicas. A validação humana é indispensável para identificar e corrigir essas distorções.
Outro ponto é a falta de transparência nas fontes utilizadas. Diferentemente de uma revisão bibliográfica conduzida manualmente, em que as referências são claramente indicadas, muitas ferramentas de IA não revelam a origem exata das informações geradas. Essa opacidade dificulta a verificação e pode levar à incorporação de dados imprecisos ou não verificáveis.
Existe também o risco da erosão da autoria acadêmica. A inteligência artificial generativa deve ser compreendida como um recurso auxiliar e não como geradora principal do conteúdo. Quando textos, relatórios ou materiais de extensão são produzidos integralmente por inteligência artificial generativa e apresentados como trabalho original, há violação de integridade científica. Para evitar essa prática, algumas instituições têm implementado políticas de declaração explícita do uso de IA, com critérios claros para sua aplicação aceitável.
No campo da extensão universitária, um cuidado adicional diz respeito à adequação cultural e contextual. Conteúdos gerados automaticamente podem não considerar especificidades regionais, linguísticas ou sociais, resultando em mensagens insensíveis ou inadequadas para a comunidade atendida. Isso pode enfraquecer a confiança e prejudicar o relacionamento entre universidade e sociedade.
Outro aspecto é a dependência excessiva da tecnologia. A facilidade de acesso e a velocidade de geração de conteúdo podem levar a uma redução do esforço de pesquisa e reflexão por parte dos envolvidos. Essa acomodação compromete a qualidade intelectual e enfraquece a formação crítica, especialmente entre estudantes.
Há ainda o risco relacionado à privacidade e proteção de dados. Algumas ferramentas de inteligência artificial generativa armazenam e reutilizam informações inseridas pelos usuários, o que pode incluir dados sensíveis de pesquisas ou de comunidades participantes de projetos de extensão. Garantir segurança nesse fluxo é essencial para evitar violações legais e éticas.
Para mitigar esses riscos, é fundamental adotar protocolos institucionais de uso que incluam: capacitação sobre as potencialidades e limitações da tecnologia, supervisão de todo material gerado, verificação de dados e referências, e revisão por pares antes da divulgação.
O valor da inteligência artificial generativa está diretamente ligado à sua integração consciente e crítica nos processos acadêmicos e extensionistas. Somente com mediação humana qualificada e critérios claros de uso será possível usufruir de seus benefícios sem comprometer a integridade, a relevância e o impacto social do trabalho universitário.
6. Diretrizes para uso responsável da IA generativa
O uso ético e estratégico da inteligência artificial generativa na produção acadêmica e na extensão universitária depende de diretrizes claras, que orientem a comunidade acadêmica sobre quando, como e com quais cuidados essa tecnologia deve ser empregada. Essas diretrizes não devem ser restritivas a ponto de inviabilizar a inovação, mas precisam proteger a integridade científica e a credibilidade institucional, a saber:
a. Definir o papel da IA como apoio e não como autoria
Todo material produzido deve ter origem no trabalho intelectual humano. A inteligência artificial generativa pode auxiliar na organização de informações, na revisão linguística, na criação de recursos visuais ou na elaboração de rascunhos, mas a decisão final sobre conteúdo, interpretação e conclusões precisa ser tomada pelo autor responsável.
b. Declarar o uso da tecnologia
Assim como ocorre com citações e fontes bibliográficas, a utilização de inteligência artificial generativa deve ser informada de forma transparente. Essa prática preserva a integridade acadêmica e evita questionamentos sobre a autoria. Algumas instituições já recomendam que a declaração seja feita tanto no corpo do texto quanto em seções específicas de metodologia.
c. Garantir verificação de dados e referências
Resultados e informações gerados por inteligência artificial generativa não devem ser aceitos sem conferência. O pesquisador ou extensionista precisa checar a precisão, a atualidade e a relevância das informações antes de incorporá-las ao trabalho. Essa etapa é essencial para evitar a disseminação de dados incorretos ou descontextualizados.
d. Preservar a contextualização e adequação cultural
Na extensão universitária, o conteúdo deve respeitar as características da comunidade atendida, incluindo linguagem, valores e realidades locais. Materiais gerados por inteligência artificial generativa precisam ser adaptados para garantir que a comunicação seja sensível e inclusiva.
e. Proteger informações sensíveis
É necessário avaliar o que é inserido nas ferramentas de IA, especialmente quando se trata de dados de pesquisa ou informações sobre pessoas e comunidades. Sempre que possível, deve-se utilizar versões locais ou seguras da tecnologia, evitando o envio de dados confidenciais para servidores externos.
f. Capacitar equipes e estudantes
O uso efetivo da IA requer conhecimento sobre seu funcionamento, limitações e riscos. Programas de formação interna, workshops e guias práticos podem ajudar docentes, discentes e técnicos a adotar a tecnologia de maneira responsável e produtiva.
g. Adotar revisão por pares antes da divulgação
Todo material acadêmico ou extensionista que conte com apoio de IA deve passar por avaliação humana qualificada antes de ser publicado ou apresentado. Essa etapa reforça a qualidade final e assegura a coerência com os objetivos do trabalho.
Essas diretrizes não têm o objetivo de restringir o uso da inteligência artificial generativa, mas de integrá-la de forma ética e estratégica às práticas acadêmicas e extensionistas. Segui-las significa reconhecer que a tecnologia pode ampliar a qualidade e o alcance das ações universitárias, desde que empregada com responsabilidade, transparência e senso crítico.
Conclusão
A inteligência artificial generativa está se consolidando como um recurso capaz de redefinir a forma como universidades produzem conhecimento e se relacionam com a sociedade. Seu uso na produção acadêmica e na extensão universitária pode representar um avanço significativo, desde que incorporado de maneira crítica, ética e alinhada à missão institucional.
As experiências e análises discutidas ao longo deste artigo mostram que a tecnologia, quando tratada como ferramenta de apoio, é capaz de otimizar processos, ampliar o alcance das ações e favorecer a interdisciplinaridade. No entanto, esses benefícios não se concretizam de forma automática. Eles dependem de políticas claras, capacitação das equipes e, principalmente, de um compromisso inegociável com a integridade científica.
No campo acadêmico, a IA pode acelerar etapas operacionais e oferecer novos meios para apresentação de resultados, desde que o conteúdo final seja fruto de análise humana qualificada. Já na extensão, a tecnologia pode facilitar a produção de materiais, a sistematização de dados e a comunicação com diferentes públicos, fortalecendo o vínculo entre universidade e sociedade.
Por outro lado, não se pode ignorar os riscos associados ao uso indiscriminado da IA, como a propagação de informações imprecisas, o enfraquecimento da autoria acadêmica e a perda de sensibilidade cultural em ações voltadas a comunidades específicas. Esses desafios reforçam a importância de protocolos institucionais e da supervisão constante sobre todo o material gerado com apoio da tecnologia.
Mais do que decidir se a inteligência artificial generativa deve ou não ser utilizada, o que está em pauta é a forma como ela será incorporada ao cotidiano universitário. O futuro aponta para a convivência integrada entre práticas tradicionais de produção e recursos digitais avançados, num equilíbrio que preserve o rigor acadêmico e potencialize a relevância social da universidade.
A integração ética e estratégica da IA à produção acadêmica e à extensão universitária não é apenas uma questão técnica, mas uma decisão política e cultural. É um movimento que exige diálogo contínuo, revisão de práticas e abertura para novos formatos de interação com o conhecimento e com a sociedade.
Se este conteúdo contribuiu para ampliar sua compreensão sobre o tema, considere compartilhá-lo com colegas, estudantes e parceiros institucionais. A circulação de ideias é parte essencial do processo de construção coletiva do saber e, ao levar essa discussão a outros espaços, fortalecemos o papel transformador da universidade no presente e no futuro.
Referências
AN, Y.; YU, J. H.; JAMES, S. Investigating the higher education institutions’ guidelines and policies regarding the use of generative AI in teaching, learning, research, and administration. International Journal of Educational Technology in Higher Education, v. 22, art. 10, 2025. Disponível em: https://educationaltechnologyjournal.springeropen.com/articles/10.1186/s41239-025-00507-3 . Acesso em: 29 jul. 2025.
DORAN, R.; PARKER, L. S.; RADZILOWICZ, J. G. Responsible adoption of generative AI in higher education: developing a “points to consider” approach based on faculty perspectives. In: FAccT ’24 – ACM Conference on Fairness, Accountability, and Transparency, 2024. Disponível em: https://facctconference.org/static/papers24/facct24-138.pdf . Acesso em: 29 jul. 2025.
ECEARSALL, D.; PRETORIUS, L.; SMIRNOV, I. et al. Navigating ethical challenges in generative AI‑enhanced research: the ETHICAL framework for responsible GenAI use. arXiv, 2024. Disponível em: https://arxiv.org/abs/2501.09021 . Acesso em: 29 jul. 2025.
HEPI. Generative AI in Higher Education: Navigating Policy, Ethics and Skills Development. HEPI, nov. 2024. Disponível em: https://www.hepi.ac.uk/2024/11/08/generative-ai-in-higher-education-navigating-policy-ethics-and-skills-development/ . Acesso em: 29 jul. 2025.
LI, M.; XIE, Q.; ENKHTUR, A. et al. A framework for developing university policies on generative AI governance: a cross‑national comparative study. arXiv, 2025. Disponível em: https://arxiv.org/abs/2504.02636 . Acesso em: 29 jul. 2025.
MC DONALD, N.; JOHRI, A.; ALI, A.; HINGLE, A. Generative Artificial Intelligence in Higher Education: Evidence from an Analysis of Institutional Policies and Guidelines. arXiv, 2024. Disponível em: https://arxiv.org/abs/2402.01659 . Acesso em: 29 jul. 2025.
WANG, H.; DANG, A.; WU, Z.; MAC, S. Generative AI in Higher Education: Seeing ChatGPT Through Universities’ Policies, Resources, and Guidelines. arXiv, 2023. Disponível em: https://arxiv.org/abs/2312.05235 . Acesso em: 29 jul. 2025.
