Governança de IA na Preparação para o ENAMED: 5 Prioridades para a Faculdade

Neste artigo

Uma análise conceitual de política publicada no International Journal for Multidisciplinary Research (IJFMR, v. 8, n. 4, 2026) propõe que faculdades de medicina estabeleçam governança de IA na preparação para o ENAMED em cinco frentes: definição de finalidade, padrões de evidência proporcionais à alegação, transparência e supervisão humana, equidade e proteção de dados, e monitoramento contínuo após a adoção. A premissa central é que a personalização por IA pode se estreitar em otimização de escore quando nenhuma dessas frentes está explícita na instituição. Este artigo detalha o quadro, situa-o no cenário regulatório de 2025-2026 e declara, com todas as letras, o conflito de interesse que o cerca.

Por que o ENAMED torna essa decisão urgente?

O ENAMED transformou uma prova de proficiência em evento com consequência institucional direta, e isso muda o comportamento de quem prepara alunos para ela. Em 2025, 351 cursos de medicina foram avaliados: 24 receberam Conceito 1, 83 Conceito 2, 80 Conceito 3, 114 Conceito 4 e 49 Conceito 5. Somados, 107 cursos ficaram em Conceito 1 ou 2, o que resultou nas Portarias Seres/MEC nº 72, 73 e 74, de 17/03/2026, colocando 99 cursos sob supervisão do MEC. Cerca de 13 mil egressos foram classificados como não proficientes na primeira edição, aplicada em 19/10/2025, com resultado em 12/12/2025.

A literatura de avaliação educacional já documentava esse mecanismo antes do ENAMED existir. Au (2007), em metassíntese qualitativa, mostrou que testes de alta relevância podem moldar conteúdo curricular e forma instrucional, embora os efeitos dependam do contexto: nem toda instituição reage da mesma forma à mesma pressão avaliativa. A MP 1.370/2026, com força de lei e em tramitação no Congresso, intensifica essa pressão ao tornar o ENAMED semestral e dividido em duas etapas: a primeira, ao fim do 4º ano, é diagnóstica, integra o componente curricular obrigatório e não habilita; a segunda, ao fim do 6º ano, é o gate de proficiência exigido para o registro no CRM, válido para quem ingressar no curso a partir de 19/06/2026. Desempenho insatisfatório na segunda etapa aciona supervisão do curso pelo MEC, regra que já vale para todos os cursos, independentemente da data de ingresso do aluno.

Quanto maior a consequência percebida por professores, coordenadores e alunos, maior a probabilidade de a preparação se estreitar em torno do formato da prova, em vez de se manter ancorada nos objetivos formativos do curso. Este ponto deve ser lido como preocupação de governança acadêmica, não como argumento contra a existência de uma avaliação nacional. O ENAMED, como instrumento de responsabilização pública, cumpre função legítima; a questão que a instituição de ensino precisa responder é como preparar seus alunos sem permitir que os incentivos da prova redefinam, por conta própria, o que conta como aprendizagem.

Leia tambémQuando a Personalização por IA Vira Treino para a Prova →

Quais são as cinco prioridades de governança?

As cinco prioridades propostas pela análise conceitual do IJFMR respondem a uma pergunta comum: o que a instituição precisa decidir, documentar e revisar antes de autorizar o uso de uma ferramenta de IA na preparação dos alunos para o ENAMED. Elas não descrevem uma arquitetura técnica nem avaliam produtos específicos; funcionam como uma lista de perguntas que o NDE, a coordenação e a diretoria acadêmica precisam conseguir responder, com evidência, antes e depois da adoção.

Prioridade	Pergunta que a IES precisa responder	Evidência de que está implementada
Definição de finalidade	Para qual uso exato esta ferramenta foi aprovada, e quais usos estão explicitamente excluídos?	Documento formal descrevendo objetivo aprovado, usos excluídos e relação com a avaliação existente
Padrões de evidência proporcionais à alegação	Que tipo de evidência sustenta a alegação de benefício, além de engajamento ou melhora de escore?	Relatório de avaliação cobrindo qualidade do raciocínio, transferência e desempenho diferencial entre grupos
Transparência e supervisão humana	Os alunos sabem quando o conteúdo é gerado por IA, e docentes podem inspecionar as saídas?	Aviso de uso de IA, canal de contestação de erro e registro de responsável humano por decisão consequencial
Equidade e proteção de dados	O acesso é equitativo, e os dados dos alunos estão protegidos com regras claras de reuso?	Análise de acessibilidade, cláusula de privacidade e divulgação de conflitos comerciais
Monitoramento contínuo	Quem revisa incidentes, reclamações e sinais de estreitamento curricular após a adoção?	Calendário de revisão periódica com critério explícito de restrição ou retirada da ferramenta

Três formulações do quadro merecem destaque porque funcionam como limites operacionais, não como recomendações genéricas: a saída da IA não deve determinar isoladamente progressão, remediação ou decisões disciplinares; a ausência de evidência deve ser registrada como incerteza, não convertida em promessa de benefício; e uma ferramenta deve ser revisada, restringida ou retirada quando seus riscos excedem seu valor educacional demonstrado. Essas três frases, tomadas em conjunto, deslocam o ônus da prova: não cabe à instituição comprovar que uma ferramenta é prejudicial para restringi-la, cabe ao uso continuado demonstrar valor educacional suficiente para se manter.

Definir finalidade

Toda ferramenta de IA usada na preparação para o ENAMED precisa ter um documento de finalidade que declare se ela apoia prática formativa, feedback, remediação, mapeamento curricular ou outro objetivo específico. Esse documento deve especificar o benefício pretendido, os usos excluídos e a relação da ferramenta com a avaliação já existente no curso. Sem essa declaração prévia, a ferramenta tende a ser usada da forma que for mais conveniente no momento, o que abre espaço para que sua função real se defina pela prática, não pelo planejamento. A frase que resume o limite é direta: a saída da IA não deve determinar isoladamente progressão, remediação ou decisões disciplinares. Uma recomendação gerada por algoritmo pode informar uma decisão pedagógica, mas não pode substituir o julgamento de um professor ou de uma banca sobre a trajetória de um aluno.

Padrões de evidência proporcionais à alegação

Fornecedores e equipes internas de IA educacional devem reportar mais do que taxa de engajamento ou ganho de escore em questões semelhantes às da prova. Uma avaliação proporcional à alegação de benefício pode incluir qualidade do raciocínio demonstrado pelo aluno, calibração da confiança nas respostas, utilidade percebida do feedback, capacidade de transferência para casos clínicos não familiares, acessibilidade da ferramenta, desempenho diferencial entre grupos de alunos e mudanças não intencionais no comportamento de estudo. Quando esses dados não existem, a análise conceitual do IJFMR é explícita quanto ao procedimento correto: a ausência de evidência deve ser registrada como incerteza, não convertida em promessa de benefício. Isso significa que um fornecedor que não mediu transferência para casos clínicos não pode alegar que sua ferramenta melhora competência clínica; pode, no máximo, alegar que melhora desempenho em itens semelhantes aos da prova, e essa distinção precisa constar do material institucional.

Transparência e supervisão humana

Alunos precisam saber, de forma explícita, quando um conteúdo ou uma recomendação foi gerado por IA, quais dados estão sendo coletados sobre eles, por quanto tempo esses dados são retidos e como contestar um erro do sistema. Do lado docente, a supervisão exige que professores possam inspecionar amostras representativas das saídas da ferramenta e intervir quando identificarem problema. Julgamentos consequenciais, aqueles que afetam a trajetória do aluno no curso, exigem responsabilidade humana identificável: alguém com nome e função precisa responder por essa decisão, e esse alguém não pode ser o algoritmo.

Equidade e proteção de dados

O acesso desigual a ferramentas de IA pagas pode ampliar lacunas de preparação entre alunos de uma mesma turma, e sistemas adaptativos podem reproduzir vieses presentes nos dados de treinamento ou nos bancos de itens usados para calibrá-los. O processo de aquisição de qualquer ferramenta precisa examinar acessibilidade, desempenho da ferramenta em diferentes perfis linguísticos e socioeconômicos, práticas de privacidade e segurança de dados, políticas de reuso de informação e mecanismos de reporte de dano. Relações comerciais e conflitos de interesse institucionais envolvidos na escolha de um fornecedor devem ser divulgados publicamente à comunidade acadêmica, não apenas registrados internamente.

Leia tambémArquitetura e Segurança de Dados em Plataformas de Gestão Acadêmica de Medicina →

Monitoramento contínuo após a adoção

Governança de IA não se completa com uma aprovação única no início do uso da ferramenta. É preciso revisar periodicamente incidentes reportados, reclamações de alunos, acurácia das saídas geradas, padrões de participação, sinais de desigualdade no uso e evidência de estreitamento curricular, ou seja, sinais de que a preparação está se reduzindo ao formato da prova. A quinta prioridade fecha o ciclo com a formulação mais dura do conjunto: uma ferramenta deve ser revisada, restringida ou retirada quando seus riscos excedem seu valor educacional demonstrado. Isso implica que a permanência de uma ferramenta no curso não é automática nem perpétua; é condicionada a revisão contínua com critério de saída explícito.

Quem precisa estar na mesa?

A decisão sobre adotar, manter ou retirar uma ferramenta de IA na preparação para o ENAMED não é assunto exclusivo de TI nem de uma coordenação isolada. A análise conceitual do IJFMR recomenda que representantes estudantis, líderes de avaliação do curso, professores clínicos, encarregados de privacidade e revisores independentes participem da supervisão, especialmente quando a escala de uso ou as consequências da ferramenta justificarem esse nível de envolvimento.

Essa composição não é burocracia adicional; é reconhecimento de que cada um desses papéis enxerga um risco diferente. O representante estudantil percebe o efeito da ferramenta na experiência e na equidade entre colegas. O líder de avaliação entende como a ferramenta se relaciona com os instrumentos formais de aferição de competência já existentes no curso. O professor clínico julga se o feedback gerado corresponde ao raciocínio clínico esperado. O encarregado de privacidade avalia os fluxos de dados. O revisor independente, quando presente, oferece uma camada de verificação sem interesse direto na continuidade do contrato com o fornecedor. Um NDE que trata a governança de IA como pauta exclusiva da área de tecnologia da informação tende a captar apenas parte do risco.

Por que o desenvolvimento docente é um controle, e não um treinamento opcional?

O desenvolvimento docente funciona como controle de governança porque é o mecanismo pelo qual professores desenvolvem a capacidade de identificar problemas que nenhuma auditoria automatizada substitui. Educadores precisam de oportunidades estruturadas para testar prompts, identificar alucinações e viés nas respostas geradas, julgar a qualidade pedagógica do feedback produzido pela ferramenta, reconhecer quando um aluno está terceirizando o raciocínio clínico para o sistema em vez de exercitá-lo, e discutir o que constitui divulgação apropriada do uso de IA em trabalhos e avaliações.

Chadha et al. (2025) relatam que engajamento estruturado e prático ajuda educadores médicos a explorar IA generativa de forma crítica, embora os próprios autores reconheçam que avaliação robusta desse tipo de formação ainda é necessária. Essa ressalva importa: o achado é promissor, não conclusivo, e deve ser comunicado dessa forma para não gerar expectativa além do que a literatura sustenta.

Do lado do aluno, a formação também precisa ser explícita, e não pressuposta. Estudantes de medicina precisam de instrução direta sobre como verificar uma informação gerada por IA, como atribuir corretamente uma fonte, quais são os limites de privacidade ao inserir dados clínicos ou pessoais em uma ferramenta, e quais são os limites das explicações geradas por modelo, que podem parecer coerentes sem necessariamente serem corretas. Tratar essa formação como opcional, algo que o aluno adquire sozinho por familiaridade com tecnologia, deixa uma lacuna que nenhuma política de uso, por mais bem escrita, consegue fechar sozinha.

Leia tambémCapacitação Docente para o ENAMED: Formando Professores para a Nova Avaliação →

Como isso se conecta à estratégia de avaliação do curso?

A governança de IA na preparação para o ENAMED só funciona quando está integrada à estratégia programática de avaliação do curso, e não quando vive em um documento isolado de política de tecnologia. Van der Vleuten et al. (2012) descrevem a avaliação programática como princípio organizador que resiste a fazer um único escore ou um único método carregar mais significado do que ele efetivamente suporta. Epstein (2007) reforça essa ideia ao propor a avaliação como programa de julgamento, que deve amostrar múltiplos domínios, métodos e ocasiões, em vez de tratar um instrumento isolado como representação completa da competência de um estudante.

Mapear o conteúdo cobrado pelo ENAMED ao longo do currículo é uma prática razoável e compatível com boa gestão acadêmica. O ponto de atenção é que esse mapeamento precisa coexistir com avaliação no local de trabalho, observação direta do desempenho clínico, feedback narrativo qualificado, simulação e revisão longitudinal do desenvolvimento do aluno. Quando a preparação para uma única prova nacional passa a organizar sozinha o desenho curricular, o curso corre o risco de reduzir a formação médica à métrica que a avaliação nacional consegue captar, o que é exatamente o tipo de estreitamento que a governança de IA busca prevenir.

Leia tambémAvaliação Programática em Medicina: o ENAMED Como Uma Evidência, Não Como a Régua →

O que este quadro NÃO oferece?

O quadro de cinco prioridades é uma análise conceitual direcionada, não uma revisão sistemática da literatura, e essa distinção precisa ficar clara para qualquer gestor que pretenda aplicá-lo. A análise não foi testada como intervenção integrada em nenhuma instituição, o que significa que não há dado empírico mostrando que a implementação conjunta das cinco prioridades produz o resultado educacional pretendido. O artigo também não apresenta comparação empírica entre ferramentas de IA disponíveis no mercado nem entre desfechos de estudantes expostos a diferentes tipos de preparação assistida por IA.

A capacidade institucional e as obrigações regulatórias variam de curso para curso, de mantenedora para mantenedora, e essa variação significa que revisão jurídica, educacional e de privacidade local permanece necessária antes de qualquer adoção. Nenhuma instituição deveria implementar o quadro como checklist mecânico sem adaptá-lo à sua própria estrutura de governança, ao seu porte e às suas obrigações contratuais com fornecedores.

Declaração de conflito de interesse: os autores do estudo publicado no IJFMR são fundadores da SPR Med. Vinícius Côgo Destefani é cofundador e Diretor de Pedagogia e Engajamento da empresa; Matheus Feliciano da Costa Ferreira é CEO e Diretor de Inovação e Inteligência Artificial; Afrânio Côgo Destefani mantém contrato de serviços com a empresa. O artigo não avalia nem promove produto, base de dados ou alegação de desempenho da SPR Med, e está publicamente disponível para verificação.

Essa declaração exige uma consequência prática que este artigo assume de forma explícita: o quadro de cinco prioridades proposto pelos próprios fundadores da SPR Med se aplica, sem exceção, à avaliação da SPR Med por seus clientes. Uma instituição que contrata a plataforma tem o direito e a responsabilidade de exigir da SPR Med a mesma definição de finalidade, os mesmos padrões de evidência proporcionais à alegação, a mesma transparência sobre como as saídas são geradas, a mesma atenção à equidade no acesso e aos dados dos alunos, e o mesmo compromisso de monitoramento contínuo que o artigo recomenda para qualquer fornecedor de IA educacional. Publicar um quadro de governança e depois pedir isenção dele para a própria empresa esvaziaria o argumento; por isso este ponto é tratado aqui como o mais forte, não como rodapé.

Leia tambémComo Contratar IA Educacional: Padrões de Evidência e Piloto com Regra de Parada →

Por onde a coordenação começa nesta semana?

A coordenação de curso que ainda não tem política formal de IA para a preparação ao ENAMED pode iniciar com três ações concretas e de baixo custo de implementação. A primeira é um inventário do que já está em uso, mesmo informalmente: grupos de alunos usando chatbots para revisar questões, professores testando ferramentas de geração de casos clínicos, plataformas contratadas por decisão isolada de algum departamento. Sem esse inventário, é impossível governar o que já está em curso na prática cotidiana do curso.

A segunda ação é redigir uma declaração de finalidade e de usos excluídos para cada ferramenta identificada nesse inventário, ainda que de forma preliminar. Essa declaração não precisa ser definitiva na primeira versão, mas precisa existir como documento formal submetido ao NDE. A terceira ação é definir, por escrito, quem responde institucionalmente por uma decisão consequencial baseada, mesmo que parcialmente, em saída de um sistema de IA. Essa definição de responsabilidade impede que uma decisão sobre remediação ou progressão de um aluno seja atribuída a "o sistema recomendou" sem que exista uma pessoa identificável assumindo a decisão final.

Comparativo: sinais de uso educacional defensável e uso preocupante

A tabela a seguir resume a distinção proposta pela análise conceitual do IJFMR entre função educacional defensável e uso preocupante de IA na preparação para o ENAMED. A distinção deve se basear em função, não em marca ou em nome comercial da ferramenta.

Dimensão	Uso mais defensável	Uso mais preocupante
Explicação do raciocínio	Solicita ao aluno explicar o próprio raciocínio antes de mostrar a resposta	Apresenta certeza na resposta sem suporte ou justificativa verificável
Tratamento da incerteza	Identifica e comunica incerteza na recomendação gerada	Oculta como as recomendações são geradas pelo sistema
Uso de dados	Usa dados do aluno com limites claros e divulgados	Usa dados sensíveis do aluno sem limites explícitos
Alegação de eficácia	Especifica o desfecho medido e reconhece limites de transferência	Trata acurácia em questões de curto prazo como equivalente a competência clínica
Conexão clínica	Conecta a prática a contextos clínicos reais	Otimiza escore em itens sem evidência de transferência além da prova

Solicite uma análise diagnóstica gratuita do seu curso

Cursos que ainda não formalizaram uma política de governança de IA para a preparação ao ENAMED enfrentam risco duplo: o risco regulatório de supervisão do MEC em caso de desempenho insatisfatório, já documentado nas Portarias Seres/MEC nº 72, 73 e 74, e o risco pedagógico de um estreitamento curricular silencioso, difícil de perceber enquanto acontece. A SPR Med convida coordenadores e membros de NDE a solicitar uma análise diagnóstica gratuita do curso, com foco em identificar onde ferramentas de IA já estão em uso informal e onde a governança institucional precisa ser formalizada no ciclo de acompanhamento que continua após a aplicação regular de 13/09/2026.

Documentos oficiais relacionados

• Edital ENAMED 2026, republicado em 21/08: regras de participação e aplicação.

Perguntas frequentes

O que é governança de IA na educação médica?

Governança de IA na educação médica é o conjunto de decisões institucionais formais que definem para qual finalidade uma ferramenta de inteligência artificial pode ser usada na formação de estudantes de medicina, que padrão de evidência sustenta sua adoção, como sua operação é supervisionada por humanos, como equidade e dados dos alunos são protegidos, e como seu uso é monitorado ao longo do tempo. Não se trata de uma política de TI, mas de uma responsabilidade compartilhada entre coordenação de curso, NDE, corpo docente e representação estudantil.

As cinco prioridades de governança já foram testadas em alguma faculdade?

Não. A análise conceitual publicada no IJFMR (DESTEFANI; FERREIRA; DESTEFANI, 2026) é narrativa e direcionada, não uma revisão sistemática, e as próprias autoras declaram que as prioridades não foram testadas como intervenção integrada em nenhuma instituição. O quadro serve como estrutura de perguntas para adaptação e avaliação locais, não como solução validada empiricamente.

IA para preparação ao ENAMED sempre vira treino para a prova?

Não necessariamente, mas o risco existe e a transição costuma ser gradual, o que a torna difícil de perceber. A personalização se aproxima de treino para a prova quando o objetivo prático do sistema se reduz a aumentar o sucesso em itens semelhantes aos da avaliação, especialmente quando o feedback fica mais curto e centrado apenas na resposta correta, sem estímulo à explicação do raciocínio.

Quem deve participar da decisão de adotar uma ferramenta de IA no curso de medicina?

A análise recomenda que representantes estudantis, líderes de avaliação do curso, professores clínicos, encarregados de privacidade e revisores independentes participem, especialmente quando a escala de uso ou as consequências da ferramenta justificarem esse envolvimento. A decisão não deveria ficar restrita à área de tecnologia da informação nem a uma coordenação isolada.

O que a instituição deve exigir de um fornecedor de IA educacional?

A instituição deve exigir declaração explícita de finalidade e de usos excluídos, evidência que vá além de engajamento ou ganho de escore em questões similares às da prova, transparência sobre como as recomendações são geradas, política clara de proteção de dados dos alunos e divulgação de eventuais conflitos comerciais. Esse padrão vale para qualquer fornecedor, incluindo a SPR Med, conforme declarado explicitamente neste artigo.

Existe conflito de interesse neste artigo, já que a SPR Med é fornecedora de IA educacional?

Sim, e ele está declarado de forma explícita: os autores da análise conceitual citada são fundadores da SPR Med. O artigo, no entanto, não avalia nem promove produto, base de dados ou alegação de desempenho da empresa, e a própria análise se aplica, por definição, à avaliação da SPR Med por seus clientes.

Sobre a autoria