Medalhista Fields em Berkeley deixa de corrigir lições por uso de IA
Richard Borcherds, da UC Berkeley, parou de corrigir tarefas por acerto após alunos usarem inteligência artificial para notas máximas e passou a notar só pela entrega.
Ilustração: Yaroslav Shuraev (Pexels)
Richard Borcherds, professor da Universidade da Califórnia em Berkeley e medalhista Fields, deixou de corrigir a lição de casa dos alunos por correção. Depois de ver quantos recorreram à inteligência artificial (IA) para obter notas máximas de forma consistente, concluiu que não faz sentido pagar monitores para avaliar se as respostas estão certas — o uso da tecnologia, disse, já é inevitável.
A declaração veio em entrevista presencial na terça-feira, logo após anúncio da OpenAI de que agentes de IA aparentemente resolveram um dos problemas matemáticos mais difíceis ainda em aberto, o da existência e suavidade de Navier-Stokes. O caso, registrado pelo Daily Californian em 23 de outubro de 2026, expõe a tensão entre avaliação tradicional e ferramentas generativas na sala de aula.
O que aconteceu
Borcherds passou a atribuir nota apenas pela entrega: se o estudante entrega a tarefa, recebe crédito por conclusão. Ele próprio admite que “não é um sistema muito bom”, mas afirma não ter alternativa no momento. O ponto central não é o volume de trabalho, e sim a perda de sinal: quando a IA produz respostas corretas com frequência, a correção por acerto deixa de medir o aprendizado individual.
O matemático disse não saber mais se deve incentivar alunos a ingressar no departamento de matemática. Há cerca de cinco anos, a carreira de matemático parecia uma das mais protegidas diante da expansão da IA. Agora, a orientação ficou nebulosa. “Não faço ideia do que aconselhar. Cheguei a perguntar exatamente isso ao ChatGPT, e até o ChatGPT disse que não tinha ideia do que ia acontecer”, relatou.
Sobre o ritmo da mudança institucional, Borcherds falou em muita “inércia” no sistema acadêmico e não se surpreenderia se o departamento de matemática permanecer praticamente igual por alguns anos, apesar dos avanços da tecnologia. Comparou a situação a periódicos impressos em papel, que seguem sendo publicados mesmo depois de duas décadas em que, em sua avaliação, se tornaram “totalmente sem sentido”. Também citou rupturas técnicas do passado — teares que substituíram o tear manual, carros que deslocaram cavalos — e destacou que, na matemática, algo nessa escala acontece pela primeira vez.
No campus, a Divisão do Senado Acadêmico de Berkeley pede que o corpo docente inclua no plano de curso uma declaração sobre expectativas, inclusive o uso de ferramentas de IA. Anne Marie Richard, vice-reitora assistente de educação de graduação e diretora de tecnologia acadêmica, indicou em e-mail que as políticas diretas variam bastante conforme o nível e o foco da disciplina. A universidade testou detectores como Turnitin e Rumi e concluiu que não são adequados para padronização em todo o campus. A política de IA por turma fica a critério do professor; há um repositório crescente de modelos de declaração no AI Hub, diretório local de ferramentas, capacitação e normas.
O que isso pode mudar
Se a prática de avaliar só pela entrega se espalhar, é possível que a nota de casa perca peso como prova de domínio e se torne, sobretudo, registro de participação. Em cursos avançados, isso pode empurrar a validação do conhecimento para provas presenciais, orais ou projetos com supervisão mais estreita — hipótese ainda aberta, já que a inércia institucional descrita por Borcherds sugere que mudanças formais podem demorar.
A combinação entre o caso em Berkeley e o anúncio ligado ao problema de Navier-Stokes também pode reforçar o debate sobre o futuro profissional da matemática pura. Caso a IA continue a melhorar no ritmo atual, Borcherds projeta que, em poucos anos, “não haverá nada que matemáticos humanos possam fazer que a IA não faça melhor”. Mesmo com esse horizonte, o próprio ChatGPT — na resposta que ele citou — não ofereceu roteiro claro. Para gestores e docentes, o desafio imediato parece ser redesenhar o que conta como evidência de aprendizado quando a correção automática por acerto deixa de ser confiável, sem esperar que detectores de IA resolvam o problema sozinhos.
Fontes: HN Frontpage
Leia mais em: www.mundodosnegocio.com.br