O GLOBO liberou, em parceria com o Grupo Eureka, uma IA que corrige redações do ENEM segundo os critérios oficiais da prova e que aprovou um texto sobre soberania nacional. O caso é um laboratório público de avaliação de modelos generativos e expõe o que empresas precisam considerar em governança, auditoria e risco de reputação ao adotar IA em processos avaliativos.
Introdução contextual
A adoção de modelos generativos em processos de avaliação educacional deixou de ser experimento de laboratório e passou a ocupar produtos editoriais de grande alcance. Quando um veículo de comunicação de massa disponibiliza uma ferramenta de correção automática de redações alinhada aos critérios de um exame nacional, o debate sobre qualidade, transparência e responsabilização de sistemas de IA sai do campo conceitual e entra na rotina de milhões de estudantes — e, por extensão, na agenda de organizações que já usam ou pretendem usar IA para avaliar pessoas, documentos e desempenho.
O caso noticiado pelo GLOBO é relevante não apenas pelo conteúdo pedagógico, mas pelo que revela sobre a maturidade — e as lacunas — da avaliação automatizada em escala. Para executivos de tecnologia, risco e compliance, trata-se de um estudo de caso público sobre como modelos de linguagem se comportam diante de critérios formais, temas sensíveis e expectativas de auditabilidade.
O que aconteceu
Segundo a reportagem, a inteligência artificial desenvolvida pelo GLOBO em parceria com o Grupo Eureka oferece nove temas de redação para preparação ao ENEM e atribui notas com base nos critérios de avaliação do exame. Na cobertura em questão, a ferramenta liberou um texto cujo tema era soberania nacional, demonstrando operar dentro das cinco competências tradicionalmente cobradas na prova: domínio da norma culta, compreensão do tema e aplicação de repertório, seleção e organização de argumentos, mecanismos de coesão e proposta de intervenção.
O ponto central não é a existência de um corretor automático — iniciativas desse tipo se multiplicam desde a popularização dos grandes modelos de linguagem —, mas a combinação de três elementos: (i) ancoragem em uma rubrica oficial e pública, (ii) oferta de temas de treino e (iii) exposição editorial do resultado. Juntos, esses elementos criam um ambiente de escrutínio aberto, no qual erros de avaliação se tornam visíveis e contestáveis por qualquer candidato, professor ou pesquisador.
Vale registrar o contexto regulatório brasileiro. O PL 2338/2023, que trata do marco legal da inteligência artificial, avança no Congresso com ênfase em classificação de risco, transparência e direitos dos afetados. Sistemas que avaliam pessoas tendem a ser enquadrados em faixas de risco mais elevadas, o que torna a experiência do GLOBO um precedente informal relevante para o desenho de controles corporativos.
Por que isso importa para empresas
A correção de redações é, na prática, um problema de classificação com rubrica: dado um texto, atribuir nota segundo critérios definidos, com justificativa mínima e consistência entre avaliadores. Esse é exatamente o formato de inúmeros processos corporativos — triagem de currículos, avaliação de propostas em licitações, análise de laudos, pareceres de crédito, auditoria de contratos, revisão de políticas internas e moderação de conteúdo.
Quando um veículo de grande circulação valida publicamente um modelo desse tipo, três efeitos se propagam para o mercado:
- Expectativa de usuário elevada. Profissionais acostumados a consumir a ferramenta como candidatos passam a cobrar soluções equivalentes em seus ambientes de trabalho, pressionando áreas de TI e fornecedores por transparência de critérios.
- Benchmark involuntário de qualidade. O desempenho do modelo em temas sensíveis — como soberania nacional, segurança, geopolítica — vira referência informal para avaliar fornecedores de IA em processos de compra.
- Risco reputacional amplificado. Erros de avaliação em ferramentas públicas ganham visibilidade imediata, o que reforça a necessidade de trilhas de auditoria e mecanismos de contestação também em sistemas internos.
Há ainda um efeito de segunda ordem: a familiaridade do público com corretores automáticos reduz a resistência à adoção de IA em avaliação de desempenho e recrutamento, mas também aumenta a cobrança por explicabilidade. Empresas que implantarem esses sistemas sem camadas de revisão humana e documentação de critérios ficam expostas a questionamentos trabalhistas, contratuais e regulatórios.
Impacto para cibersegurança, governança, IA ou continuidade
Governança de modelos e rubricas
O caso evidencia a importância de versionar rubricas. Critérios de avaliação mudam a cada edição de exame, e o mesmo ocorre com políticas internas de crédito, compliance e RH. Um modelo que não registra qual versão da rubrica aplicou a cada decisão perde capacidade de defesa em auditoria. A recomendação é tratar rubricas como ativos versionados, com changelog, aprovação formal e testes de regressão.
Transparência e contestabilidade
Sistemas que atribuem notas a pessoas devem prever canal de contestação e explicação minimamente compreensível. No ambiente corporativo, isso se traduz em registrar a justificativa por competência ou critério, e não apenas a nota final. A ausência desse registro é a principal fonte de litígio em avaliações automatizadas.
Segurança e integridade de dados
Ferramentas de correção recebem textos que podem conter dados pessoais, informações sensíveis e propriedade intelectual. Do ponto de vista de cibersegurança, é essencial definir retenção, isolamento por cliente, criptografia em trânsito e em repouso, e política clara sobre uso de conteúdo submetido para treinamento. A pergunta “meu texto vira dado de treino?” precisa ter resposta documentada antes da contratação.
Risco de alucinação e viés
Modelos generativos podem produzir justificativas plausíveis, porém incorretas, e reproduzir vieses de repertório — favorecendo determinados estilos argumentativos ou referências culturais. Em avaliação de pessoas, isso se converte em discriminação algorítmica com consequências legais. Testes adversariais com textos de diferentes registros, regiões e níveis socioeconômicos são obrigatórios.
Continuidade operacional
Dependência de um único provedor de modelo cria ponto único de falha. Empresas que colocam IA no caminho crítico de decisões precisam de plano de contingência com fallback humano, acordos de nível de serviço e estratégia de portabilidade entre modelos.
Leitura executiva da WSVP
A WSVP avalia que o episódio é menos sobre educação e mais sobre confiança operacional em IA. A exposição pública de um corretor automático ancorado em rubrica oficial funciona como teste de estresse aberto: qualquer desvio vira notícia. Esse nível de escrutínio, que hoje recai sobre um produto editorial, recairá amanhã sobre sistemas internos de avaliação de pessoas e documentos.
Nossa leitura é que o mercado brasileiro está migrando de uma fase de experimentação para uma fase de exigência de evidências. Não bastará demonstrar que o modelo “acerta” em amostras controladas; será necessário provar consistência, rastreabilidade e capacidade de contestação. Organizações que tratarem IA avaliativa como commodity de prateleira tendem a acumular passivos silenciosos.
A confiança em IA não se compra com acurácia média; constrói-se com rastreabilidade, contestabilidade e limites explícitos.
Observamos também um movimento de convergência entre práticas de segurança da informação e governança de IA. Controles como gestão de identidade, segregação de ambientes, logging e resposta a incidentes passam a ser aplicados a modelos, e não apenas a infraestrutura. Empresas que já possuem maturidade em cibersegurança têm vantagem competitiva na implantação responsável de IA.
Recomendações práticas
- Mapeie decisões automatizadas que afetam pessoas. Identifique onde há avaliação, pontuação ou ranking e classifique o risco antes de escalar o uso de IA.
- Documente rubricas e versões. Mantenha registro formal dos critérios aplicados, com aprovação, data e responsável, e vincule cada decisão à versão vigente.
- Implemente revisão humana amostral. Defina percentual mínimo de revisão por criticidade e monitore divergências entre modelo e avaliador humano.
- Crie canal de contestação. Garanta que o afetado possa solicitar revisão e receba explicação compreensível dos critérios.
- Exija cláusulas contratuais específicas. Retenção de dados, não uso para treinamento sem consentimento, portabilidade, auditoria e SLA devem constar em contrato.
- Realize testes adversariais periódicos. Inclua textos e casos de diferentes perfis, regiões e registros para detectar viés e alucinação.
- Prepare plano de continuidade. Tenha fallback humano e alternativa de provedor para funções críticas.
- Acompanhe o marco legal. Monitore o PL 2338/2023 e as diretrizes da ANPD sobre decisões automatizadas e proteção de dados.
Fontes consultadas
- O GLOBO — Enem 2026: IA do GLOBO que corrige redação com base nos critérios da prova libera texto sobre soberania nacional
- INEP — Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira
- PL 2338/2023 — Marco legal da inteligência artificial no Brasil
- ANPD — Autoridade Nacional de Proteção de Dados
Este rascunho foi produzido com apoio de inteligência artificial e ainda requer revisão humana antes da publicação.


