Tecnologia na Gestão Escolar: Automação e Qualidade nos Planos de Ensino do Senai São Paulo

Lucas Tadeu Monteiro Guedes Fernandes Salomão; Flávia Pierrotti De Castro

DOI: 10.22167/2675-6528-202603182

Artigo derivado de Trabalho de Conclusão de Curso (TCC), com conteúdo baseado no trabalho original do aluno e adaptado ao formato editorial da Revista E&S com apoio da ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege para síntese e organização textual.

Resumo

A elaboração de documentos pedagógicos, como Planos de Ensino e instrumentos de avaliação, alinhados à Metodologia SENAI de Educação Profissional (MSEP), demanda rigor técnico e frequentemente resulta em sobrecarga de trabalho para o corpo docente. Diante desse desafio, analisou-se a eficácia do “Assistente da MSEP”, um assistente virtual baseado em Inteligência Artificial Generativa (LLM), desenvolvido para otimizar o planejamento escolar. O objetivo foi avaliar sua eficácia em duas dimensões complementares: a eficiência operacional, mensurada pela redução do tempo de planejamento, e a qualidade pedagógica, validada por meio de ciclos temáticos que analisaram a fidelidade curricular e a usabilidade do sistema. A pesquisa aplicada foi conduzida em duas fases distintas: um diagnóstico quantitativo de eficiência e uma validação qualitativa estruturada em quatro ciclos temáticos, utilizando o Google Classroom. Os resultados da primeira fase indicaram uma redução de até 90% no tempo de elaboração de documentos. Na segunda fase, observou-se que a ferramenta garantiu a padronização metodológica, com 100% de fidelidade, e elevou a qualidade dos critérios de avaliação, embora tenha demandado revisão humana para cálculos de carga horária. Concluiu-se que a integração da Inteligência Artificial na gestão escolar promoveu robusta eficiência operacional e devolveu aos docentes o foco nas estratégias pedagógicas e na mediação humana do conhecimento.

Palavras-chave: Eficiência Educacional; Inteligência Artificial Generativa; Metodologia SENAI de Educação Profissional; Planejamento Pedagógico.

1. Introdução

A Educação Profissional exige um alinhamento rigoroso entre as demandas do mercado de trabalho e a prática pedagógica em sala de aula. Nesse contexto, a Metodologia SENAI de Educação Profissional (MSEP) estabelece diretrizes precisas para o planejamento docente, estruturando o ensino por meio do desenvolvimento de competências profissionais em situações de aprendizagem desafiadoras e contextualizadas, com foco em cenários reais de trabalho (SENAI, 2019).

A elaboração de documentos pedagógicos, como Planos de Ensino e instrumentos de avaliação, demanda rigor técnico e impacta significativamente a gestão do tempo do corpo docente. A complexidade técnica inerente a esses processos frequentemente resulta em uma sobrecarga de trabalho. O modelo organizacional tradicional, muitas vezes focado em uma burocracia de controle excessivo, tende a priorizar o cumprimento de formulários, o que pode diminuir a autonomia e a criatividade do educador (Libâneo, 2001).

O tempo dedicado à formatação metodológica compete diretamente com o tempo para a estratégia pedagógica, gerando um gargalo na gestão escolar. Essa intensificação do trabalho docente, caracterizada pela multiplicidade de tarefas administrativas e pela compressão do tempo, é apontada na literatura sociológica e de saúde ocupacional como um dos principais vetores do mal-estar e da desprofissionalização (Nóvoa, 1992). A sobrecarga contínua atua como um fator estressor crônico, contribuindo para o desenvolvimento da Síndrome de Burnout na categoria (Carlotto, 2002).

Em contrapartida, a gestão escolar contemporânea busca superar a visão administrativa fragmentada, mobilizando a equipe e a tecnologia para otimizar processos e garantir a qualidade do ensino (Lück, 2000). O avanço da Inteligência Artificial Generativa (LLM) abre novas possibilidades para o suporte ao trabalho docente, atuando como um apoio pedagógico versátil e eficiente na automação de tarefas repetitivas (Vogel, 2025).

Este trabalho apresenta o estudo de caso de um assistente virtual, denominado “Assistente da MSEP”, desenvolvido especificamente para auxiliar professores na construção de documentos alinhados à MSEP. A ferramenta atua guiando o docente na seleção de capacidades técnicas e socioemocionais, sugerindo contextos industriais e estruturando os critérios de avaliação, funcionando como um suporte tecnológico à coordenação pedagógica.

A justificativa para esta pesquisa reside na necessidade premente de modernizar as práticas de gestão pedagógica, buscando ferramentas que não apenas padronizem os processos, mas que também promovam a saúde ocupacional e a eficiência da equipe escolar. Ao mitigar a burocracia excessiva, um dos fatores patogênicos de estresse docente (Carlotto, 2002), a introdução de assistentes virtuais visa devolver ao professor o tempo para focar na mediação do conhecimento e no relacionamento humano, que são essenciais e insubstituíveis (Vogel, 2025). Portanto, o objetivo deste trabalho é analisar a eficácia do uso de um assistente virtual baseado em inteligência artificial na otimização do planejamento docente, avaliando sua eficácia em duas dimensões complementares: a eficiência operacional, mensurada pela redução do tempo de planejamento (Fase 1), e a qualidade pedagógica, validada por meio de ciclos temáticos que analisaram desde a fidelidade curricular até a usabilidade do sistema (Fase 2).

2. Material e Métodos

A presente pesquisa caracterizou-se como um estudo de caso, método essencial para investigações que exigem uma análise aprofundada de fenômenos contemporâneos inseridos em seu contexto real de vida (Yin, 2015). De natureza aplicada, a investigação fundamentou-se nos princípios da Design Science Research (DSR), uma abordagem metodológica voltada para a resolução de problemas práticos organizacionais por meio do desenvolvimento, da testagem iterativa e da validação de artefatos tecnológicos inovadores (Wieringa, 2014).

Para garantir a robustez na avaliação da eficiência operacional e pedagógica do artefato, adotou-se a pesquisa de métodos mistos (quanti-qualitativa). Essa escolha baseou-se na premissa de que a associação sistemática e o cruzamento de dados quantitativos com análises narrativas qualitativas proporcionam uma compreensão metodológica superior e complementar do objeto de estudo (Creswell, 2010).

O estudo foi conduzido em várias unidades de ensino profissionalizante situadas no estado de São Paulo, que atendem aproximadamente 73 mil alunos nos segmentos de Aprendizagem Industrial e Cursos Técnicos. Participaram do estudo 28 docentes da instituição, selecionados por adesão voluntária e abrangendo diversas áreas tecnológicas.

Destes participantes, 11 integraram a Fase 1, focada no diagnóstico de eficiência, e 17 participaram da Fase 2, dedicada à validação qualitativa em ciclos. Todos os participantes foram informados sobre os objetivos da pesquisa, garantindo-se o anonimato e a confidencialidade das respostas individuais, em conformidade com as diretrizes éticas para pesquisas envolvendo seres humanos.

Para a realização do experimento, desenvolveu-se um assistente virtual, denominado “Assistente da MSEP”, especificamente para auxiliar professores na elaboração de planos de ensino conforme a Metodologia SENAI de Educação Profissional (MSEP). A ferramenta atua guiando o docente na seleção de capacidades técnicas e socioemocionais, sugerindo contextos industriais e estruturando os critérios de avaliação.

A arquitetura do assistente virtual não se fundamentou no treinamento de um modelo próprio, mas na técnica de fundamentação por contexto (grounding). Um Grande Modelo de Linguagem (LLM) de propósito geral, o Google Gemini, foi condicionado, a cada interação, por uma base documental específica para a geração dos Planos de Ensino e das Situações de Aprendizagem.

Essa base documental incluiu o documento integral da Metodologia SENAI de Educação Profissional (SENAI, 2019), incorporado às instruções de sistema do modelo como referência normativa permanente. Adicionalmente, o Plano de Curso da unidade curricular selecionada pelo docente constituiu a fonte primária dos dados curriculares, sendo fornecido em formato PDF e convertido em texto estruturado.

A coleta de dados foi estruturada em um Ambiente Virtual de Aprendizagem, o Google Classroom, onde o delineamento experimental foi organizado em duas fases distintas, permitindo uma análise evolutiva da ferramenta. Essa abordagem visou avaliar a eficácia do assistente virtual em duas dimensões complementares.

A Fase 1, denominada Diagnóstico de Eficiência, ocorreu entre março e abril de 2025. Esta etapa exploratória focou na mensuração quantitativa, realizando a comparação do tempo médio de elaboração manual de documentos pedagógicos versus a elaboração assistida por Inteligência Artificial, com o objetivo de identificar os principais gargalos operacionais do processo tradicional.

A Fase 2, Validação Qualitativa em Ciclos, foi realizada entre novembro e dezembro de 2025. Nesta etapa de aprofundamento, a ferramenta, já ajustada após a Fase 1, foi submetida a quatro ciclos temáticos de validação, também conduzidos via Google Classroom, para analisar a qualidade pedagógica do conteúdo gerado.

O Ciclo 1 da Fase 2 avaliou a fidelidade ao Plano de Curso, verificando a capacidade do assistente em selecionar corretamente as Capacidades Técnicas, Sociais e Organizativas previstas no plano de curso escolhido. O Ciclo 2 focou na qualidade da Situação de Aprendizagem, analisando se o cenário gerado pela IA apresentava contextualização adequada e se a Estratégia de Aprendizagem Desafiadora proposta era exequível e pertinente ao nível profissional.

O Ciclo 3 verificou a capacidade da ferramenta em desdobrar as capacidades em indicadores de avaliação mensuráveis e objetivos, facilitando a construção dos instrumentos avaliativos. Por fim, o Ciclo 4 avaliou a experiência do usuário (UX) e o impacto na redução do estresse docente, mensurando o nível de facilidade de uso da interface e a percepção de diminuição do tempo dedicado a tarefas burocráticas.

A coleta de dados ocorreu por meio de formulários eletrônicos aplicados ao final de cada ciclo. Cada ciclo, com seu respectivo formulário, estava estruturado e publicado no Google Classroom. Para a análise quantitativa, utilizou-se a escala Likert (de 1 a 5 ou 1 a 4) para mensurar o grau de concordância e satisfação dos docentes.

Os dados quantitativos foram tabulados e processados para a geração de estatísticas descritivas. Para a análise qualitativa, consideraram-se as respostas em campos abertos, as quais foram submetidas à análise de conteúdo (Bardin, 2016) para identificar padrões, sugestões de melhoria e percepções sobre o impacto da tecnologia na rotina docente.

3. Resultados e Discussão

Os resultados da pesquisa foram estruturados em duas fases complementares, refletindo o delineamento metodológico adotado para avaliar a eficácia do assistente virtual. A primeira fase, de natureza quantitativa, focou no diagnóstico da eficiência operacional e na aceitação inicial da ferramenta pelos docentes. A segunda fase, de caráter qualitativo, aprofundou-se na validação pedagógica do artefato, explorando a fidelidade curricular, a qualidade das situações de aprendizagem, a precisão dos critérios de avaliação e a usabilidade do sistema, conforme os ciclos temáticos estabelecidos.

Diagnóstico Inicial (Fase 1 – Mar a Abr/2025)

A fase inicial de validação contou com a participação de onze docentes, todos com alto nível de proficiência na Metodologia SENAI de Educação Profissional (MSEP). Essa seleção de participantes foi estratégica para assegurar uma análise crítica e aprofundada da fidelidade pedagógica do conteúdo gerado pelo assistente virtual. A experiência dos professores permitiu uma avaliação robusta da ferramenta, identificando tanto seus pontos fortes quanto as áreas que demandavam aprimoramento, contribuindo para o refinamento dos modelos de instrução (prompts) utilizados pela inteligência artificial.

Os resultados quantitativos desta fase evidenciaram uma alta aderência da ferramenta aos requisitos da metodologia SENAI. Observou-se uma assertividade notável na sugestão de Critérios de Avaliação, com uma média de 4,55 em uma escala de 1 a 5. Da mesma forma, a integração das Capacidades Socioemocionais também alcançou uma média de 4,55, indicando que a ferramenta conseguiu otimizar aspectos historicamente complexos na elaboração manual de documentos pedagógicos. As Capacidades Técnicas também apresentaram uma média elevada de 4,45, superando a meta de qualidade de 4,00 estabelecida para o projeto.

A clareza do desafio proposto obteve uma média de 4,27, e a clareza geral do resultado gerado pela ferramenta foi avaliada com uma média de 4,00. No entanto, o diagnóstico inicial revelou uma oportunidade de melhoria específica na definição do Resultado Esperado do Desafio, que obteve uma média de 4,00. Os docentes apontaram que, embora o texto gerado pela inteligência artificial fosse correto, ele carecia de maior especificidade quanto aos entregáveis técnicos. Este feedback foi fundamental para o refinamento dos prompts, direcionando ajustes para a segunda bateria de testes e garantindo maior precisão.

Em termos de aceitação e satisfação do usuário, a solução obteve um Net Promoter Score (NPS) elevado. Dez dos onze docentes atribuíram nota dez, e um docente atribuiu nota nove, indicando que, mesmo em fase de piloto, a ferramenta foi percebida como um valor agregado significativo à rotina docente. Este alto índice de recomendação sugere que o assistente virtual tem grande potencial para ser amplamente adotado e integrado às práticas de planejamento pedagógico, facilitando o trabalho e promovendo a eficiência na gestão escolar.

A análise detalhada dos dados coletados permitiu identificar os gargalos específicos do processo de planejamento manual. A etapa de “Consolidação Final”, que envolve a formatação do documento e a adequação às normas técnicas, consumia, em média, 250 minutos no processo tradicional. Com o uso do Assistente Virtual, essa etapa foi drasticamente reduzida para apenas 16 minutos, uma vez que a ferramenta gera o documento já padronizado, exigindo do docente apenas a revisão final. Essa redução representa uma economia de tempo de aproximadamente 93,6% nessa tarefa.

Outro ganho expressivo de eficiência foi observado na etapa de “Elaboração da Situação de Aprendizagem”. O tempo dedicado a essa tarefa, que antes era de 46 minutos para criação do zero, foi reduzido para 10 minutos com o uso do assistente, que gera sugestões para validação. Essa diminuição de 78,3% no tempo de elaboração demonstra a capacidade da ferramenta em eliminar o trabalho operacional de digitação e formatação, liberando o docente para focar na validação pedagógica e na estratégia de ensino, conforme apontado por Vogel (2025) sobre o potencial da IA no suporte ao trabalho docente.

A decomposição do tempo por tarefa revelou que o tempo médio total de planejamento manual era de 359 minutos, enquanto com o assistente de inteligência artificial, esse tempo foi reduzido para 43 minutos. Essa redução de aproximadamente 88% no tempo total de elaboração de documentos pedagógicos reforça a robustez da ferramenta em otimizar a eficiência operacional. Os dados confirmam que a tecnologia é especialmente eficaz em automatizar tarefas repetitivas, permitindo que os educadores dediquem mais tempo a atividades de maior valor pedagógico e estratégico.

Uma análise cruzada entre o nível de experiência dos docentes e o índice de satisfação (NPS) revelou que a ferramenta obteve aprovação máxima (NPS 10,0) entre os “Especialistas em MSEP”, ou seja, docentes com formação completa na metodologia. Esse achado sugere que o assistente virtual não apenas simplifica o trabalho, mas também respeita o rigor técnico exigido pelos profissionais mais qualificados, o que é crucial para a aceitação e integração da tecnologia no ambiente educacional. Adicionalmente, o indicador de robustez técnica apontou que em 100% das interações, a inteligência artificial reproduziu fielmente as Capacidades do Plano de Curso, sem gerar dados falsos ou “alucinações”, garantindo a segurança jurídica e pedagógica do documento.

Diagnóstico final (Fase 2 – Nov a Dez/2025)

Fidelidade e Coerência da Extração de Dados (Ciclo 1)

O primeiro ciclo da segunda fase, com a participação de dezessete docentes, focou na fidelidade e coerência da extração de dados. O objetivo principal era assegurar que a inteligência artificial interpretasse corretamente o Plano de Curso (PC), sem distorcer ou alterar os dados curriculares obrigatórios. Os resultados demonstraram que a ferramenta atingiu um nível de excelência na captura de dados estruturados, confirmando a capacidade da IA em realizar a “leitura burocrática” do currículo com precisão superior à humana, eliminando erros de cópia e garantindo a padronização metodológica.

Em 100% dos casos, a inteligência artificial identificou corretamente as Unidades Curriculares (UCs) e as Capacidades Técnicas e Socioemocionais, com apenas apontamentos menores sobre a ordenação visual da lista, mas sem comprometer o conteúdo. A fidelidade das Informações do Curso, como Nome do Curso, Carga Horária e Datas, também foi de 100%, com pequenas solicitações de ajustes de formatação. Esses resultados validam a hipótese de que a IA pode otimizar tarefas administrativas repetitivas, liberando os docentes para se concentrarem em aspectos mais estratégicos do ensino, conforme a perspectiva de Lück (2000) sobre a gestão escolar contemporânea.

Qualidade da Situação de Aprendizagem (Ciclo 2)

O maior desafio para a inteligência artificial não se restringiu à cópia de dados, mas sim à sua integração em uma narrativa pedagógica coesa e contextualizada. Na avaliação da criação das Situações de Aprendizagem (SA), 70% das SAs geradas (doze de dezessete) apresentaram integração “Exemplar” ou “Boa”, onde as capacidades socioemocionais foram organicamente inseridas no desafio técnico. Isso indica uma capacidade significativa da ferramenta em contextualizar o ensino, um pilar da Metodologia SENAI (SENAI, 2019).

No entanto, 30% das integrações foram consideradas “Forçadas” ou “Teóricas”, onde a inteligência artificial citou a capacidade (por exemplo, “Trabalho em Equipe”) mas não conseguiu criar uma atividade prática correspondente. Essa limitação reforça a necessidade da curadoria docente para garantir a profundidade e a aplicabilidade pedagógica. Os comentários abertos dos docentes revelaram percepções críticas sobre o comportamento da IA, destacando a importância do “Papel do Prompt”, onde a qualidade da descrição inicial do professor impacta diretamente a qualidade do plano gerado, confirmando que a ferramenta potencializa o professor, mas não substitui sua intencionalidade pedagógica.

Foram identificados erros de “Lógica Matemática”, como horários invertidos (aula das 22h às 20h) e somatória incorreta de carga horária, indicando que a inteligência artificial generativa ainda apresenta dificuldades com cálculos exatos. O “Teste do Bolo de Chocolate”, onde a IA obedeceu a um pedido para incluir uma receita de bolo em um plano de eletricidade, demonstrou a ausência de “julgamento de mérito” ou “guardrails” (travas de segurança) contra conteúdos absurdos. Este achado é crucial para a discussão ética, pois evidencia que, embora eficiente, a IA exige revisão humana obrigatória para assegurar a pertinência e a segurança pedagógica do conteúdo gerado, um aspecto que Vogel (2025) aponta como limitação dos LLMs.

Avaliações das Situações de Aprendizagem Geradas

O Ciclo 2 avaliou a capacidade criativa da inteligência artificial em gerar Situações de Aprendizagem (SA) contextualizadas, focando em três pilares da MSEP: fidelidade à estratégia de ensino solicitada, qualidade do contexto industrial e clareza do produto final (entregável). A ferramenta obteve médias superiores a 4,0 em todos os quesitos, superando a meta de qualidade estabelecida para o Produto Mínimo Viável (MVP). A clareza do Resultado Esperado foi o ponto mais forte, com média de 4,30, onde os docentes relataram que a ferramenta é extremamente precisa em definir o que o aluno deve entregar, facilitando a avaliação posterior.

A qualidade do contexto industrial obteve média de 4,15, demonstrando a alta capacidade da inteligência artificial em criar narrativas envolventes e realistas, com um docente citando que “o texto coloca o estudante dentro do problema”. A fidelidade à estratégia pedagógica, embora positiva, obteve a menor nota, com média de 4,09, indicando uma leve dificuldade da IA em diferenciar nuances de estratégias mais complexas. Isso sugere que, para abordagens pedagógicas mais refinadas, como o Projeto-Integrador, a curadoria do professor ainda é indispensável para garantir o rigor do formato e a profundidade necessária.

A análise dos comentários abertos permitiu identificar limitações específicas em certas estratégias pedagógicas. Houve confusão entre “Projeto” e “Situação-Problema”, onde a IA gerou um desafio que se assemelhava mais a uma situação-problema estendida, sem as etapas progressivas típicas de um projeto. Na “Pesquisa Aplicada”, o conteúdo gerado foi considerado superficial e deixou de integrar algumas capacidades técnicas selecionadas. Além disso, a IA demonstrou “excesso de zelo” em um caso, sugerindo uma “Apresentação de Slides” como entregável extra, mesmo sem haver uma capacidade de comunicação oral selecionada, indicando que a ferramenta, por vezes, tenta “enfeitar” a entrega além do solicitado.

Critérios de Avaliação e Planejamentos (Ciclo 3)

O terceiro ciclo avaliou a capacidade da ferramenta em estruturar os Critérios de Avaliação, fundamentais para a MSEP, e manter a coerência interna do Plano de Ensino, incluindo a distribuição de carga horária e conteúdo. A geração dos Critérios de Avaliação foi o ponto alto deste ciclo, com uma média de 4,38. A ferramenta demonstrou alta competência em desdobrar capacidades (por exemplo, “Analisar…”) em critérios observáveis e mensuráveis, uma tarefa que costuma ser desafiadora para docentes iniciantes. A adequação do modelo de avaliação também foi positiva, com média de 4,00, indicando que a IA acertou na escolha entre avaliação dicotômica (Sim/Não) para tarefas simples e gradual (Rubricas) para competências socioemocionais complexas.

Contudo, o indicador de Carga Horária e Cronograma foi o único a ficar na zona crítica, com uma média de 2,92. A maioria das falhas envolveu inconsistências matemáticas, como erros de soma, onde a IA frequentemente gerou planos com carga horária total inferior ou superior à disponível na Unidade Curricular. Houve também desrespeito ao calendário, com a ferramenta ignorando datas de término ou dias letivos em vários testes. Além disso, docentes relataram truncamento de texto em tabelas longas, onde a IA tendia a resumir textos usando reticências, o que é inadequado para um documento oficial.

Esses resultados confirmam uma limitação conhecida dos Grandes Modelos de Linguagem (LLMs), que são modelos probabilísticos de texto e não calculadoras lógicas. Para este estudo, esse achado é valioso, pois prova que a ferramenta atua como um “Assistente Criativo”, mas não dispensa a revisão humana para a validação lógica e cronológica de dados. A necessidade de curadoria humana para corrigir esses erros matemáticos e de formatação é um ponto crucial que delimita o papel da tecnologia, reforçando que a inteligência artificial é um suporte, mas não um substituto para o julgamento e a expertise do educador.

Avaliação de Usabilidade (Ciclo 4)

O último ciclo de validação focou na interação humano-computador, avaliando a fluidez do processo, a estética da interface e a robustez do sistema contra erros. O design da interface foi amplamente elogiado, com média de 4,50, sendo considerado limpo, profissional e intuitivo pelos usuários. No entanto, o fluxo de trabalho obteve uma média de 3,00, indicando problemas de usabilidade. O principal ponto de atrito foi a falta de feedback do sistema, onde botões ficavam “desabilitados” sem explicar ao usuário qual campo obrigatório estava faltando, gerando frustração e comprometendo a experiência do usuário.

No quesito estabilidade, o sistema obteve uma média de 3,60, mostrando-se robusto no sentido de “não travar” (crash), mas falhou na validação lógica de dados. Foram encontrados bugs significativos, como a capacidade dos docentes de gerar planos com datas retroativas (ano passado) e horários impossíveis (início às 22h e término às 20h). O sistema aceitou esses dados sem emitir alertas, o que compromete a confiabilidade se não houver revisão humana. A funcionalidade de exportação para .docx obteve média de 3,70 e foi considerada funcional, mas com ressalvas, pois a formatação de tabelas complexas às vezes “quebrava” ao tentar fazer ajustes finos. Uma sugestão recorrente foi a inclusão automática da somatória de horas da Situação de Aprendizagem, que atualmente precisa ser calculada manualmente.

Em síntese, a pesquisa demonstrou que o assistente virtual baseado em inteligência artificial é uma ferramenta eficaz na otimização do planejamento docente, comprovando sua capacidade de reduzir drasticamente o tempo dedicado a tarefas burocráticas e de formatação. Na dimensão pedagógica, a ferramenta garantiu aderência total às normativas curriculares da MSEP e elevou o nível técnico na estruturação de aulas e critérios de avaliação, gerando propostas claras e contextualizadas. Contudo, as inconsistências identificadas nas lógicas de carga horária e cronograma, bem como a necessidade de curadoria humana para garantir o julgamento de mérito e a correção de erros matemáticos, delimitam o papel da tecnologia, reforçando que a inteligência artificial atua como um suporte avançado, mas não substitui a intencionalidade pedagógica e a mediação humana do educador.

4. Conclusão

O presente estudo buscou analisar a eficácia do uso de um assistente virtual baseado em inteligência artificial na otimização do planejamento docente, avaliando sua eficiência operacional e qualidade pedagógica. Verificou-se uma robusta otimização da eficiência operacional, com a ferramenta reduzindo significativamente o tempo dedicado à elaboração de documentos pedagógicos. Observou-se uma diminuição de até 88% no tempo total de planejamento, liberando os docentes de tarefas burocráticas e de formatação. Na dimensão da qualidade pedagógica, identificou-se que o assistente garantiu 100% de fidelidade às normativas curriculares da Metodologia SENAI de Educação Profissional, elevando o nível técnico na estruturação de aulas e na definição de critérios de avaliação claros e contextualizados. A principal contribuição reside na capacidade da tecnologia de absorver o trabalho exaustivo, devolvendo aos educadores o foco na intencionalidade pedagógica, na mediação humana do conhecimento e na estratégia de ensino, o que impacta positivamente a saúde ocupacional e a eficiência da gestão escolar.

Contudo, o estudo revelou limitações importantes que delimitam o papel da inteligência artificial. Foram identificadas inconsistências em lógicas matemáticas, como erros na somatória de carga horária e desrespeito a cronogramas, além da ausência de julgamento de mérito em certos contextos, o que exigiu revisão humana obrigatória. Observaram-se também desafios na usabilidade do sistema, especialmente na falta de feedback claro ao usuário e na formatação de documentos complexos. Sugere-se, para estudos futuros e aprimoramentos da ferramenta, a implementação de validações lógicas mais robustas para cálculos de carga horária e cronogramas, aprimoramento do fluxo de trabalho com feedback interativo e a inclusão de funcionalidades como a somatória automática de horas. Esses achados reforçam que a inteligência artificial atua como um suporte avançado e criativo, mas não substitui a expertise, a sensibilidade e a curadoria humana do educador, que permanecem essenciais para a garantia da pertinência e segurança pedagógica.

Referências Bibliográficas

Bardin, L. 2016. Análise de conteúdo. Edições 70, São Paulo, SP, Brasil.

Carlotto, M.S. 2002. A síndrome de burnout e o trabalho docente. Psicologia em Estudo 7(1): 21-29.

Creswell, J.W. 2010. Projeto de pesquisa: métodos qualitativo, quantitativo e misto. 3ed. Artmed, Porto Alegre, RS, Brasil.

Libâneo, J.C. 2001. Organização e Gestão da Escola: teoria e prática. 4ed. Alternativa, Goiânia, GO, Brasil.

Lück, H. 2000. Perspectivas da gestão escolar e implicações quanto à formação de seus gestores. Em Aberto 17(72): 11-33.

Nóvoa, A. 1992. Os professores e as histórias da sua vida. In: Nóvoa, A. Vidas de professores. 2ed. Porto Editora, Porto, Portugal.

Serviço Nacional de Aprendizagem Industrial. 2019. Metodologia SENAI de educação profissional. SENAI/DN, Brasília, DF, Brasil.

Vogel, D. 2025. Transformando a educação com Large Language Models (LLMs): benefícios, limitações e perspectivas. Revista Caderno Pedagógico 22(4): 1-20.

Wieringa, R.J. 2014. Design science methodology for information systems and software engineering. Springer, Berlin, Alemanha.

Yin, R.K. 2015. Estudo de caso: planejamento e métodos. 5ed. Bookman, Porto Alegre, RS, Brasil.

Artigo oriundo de Trabalho de Conclusão de Curso da Especialização em Gestão Escolar do MBA USP/Esalq

Para saber mais sobre o curso, clique aqui e acesse a plataforma MBX Academy