Blockchain para auditar o tutor de IA: uma proposta técnica de rastreabilidade

O problema: uma tutora que não presta contas

Xiao, Huang, Huang, Ren e Li partem de um diagnóstico já familiar neste capítulo: os sistemas baseados em LLM que hoje tutelam, avaliam ou geram conteúdo em sala de aula herdam as limitações do modelo que os sustenta —alucinações, validação insuficiente do conhecimento de domínio, resultados inconsistentes— e essas falhas podem se traduzir diretamente em piores aprendizagens. A pergunta dos autores não é se convém usar um LLM na educação superior online, mas o que acontece depois de um erro: quem pode rastreá-lo, comprová-lo e se responsabilizar.

A proposta: um livro-razão que ninguém pode alterar

A solução que propõem combina duas peças. De um lado, serviços baseados em LLM que oferecem a interface educacional inteligente —tutoria personalizada, geração de conteúdo, avaliação automatizada. De outro, uma blockchain de consórcio (permissionada, não pública) que atua como livro-razão seguro e inalterável de tudo o que importa auditar: dados do processo de aprendizagem, credenciais acadêmicas e os resultados produzidos pelo LLM. O resultado é um rastro completo e auditável que permite atribuir responsabilidade quando uma deficiência educacional se origina em um erro do modelo, sem depender de que alguém a reporte por conta própria.

Como isso dialoga com o resto do capítulo

Essa proposta técnica funciona como contraparte de infraestrutura de algo que a entrada anterior deste capítulo resolve por norma: a declaração de uso pede ao estudante que diga o que fez com a IA e se responsabilize pelo resultado; aqui se propõe que o próprio sistema deixe um rastro inalterável, sem depender da boa-fé de quem declara. São respostas complementares ao mesmo problema —como sustentar a responsabilidade quando há uma IA no meio— a partir de dois níveis diferentes: a norma da disciplina e a infraestrutura técnica.

Mas vale lê-la com a mesma cautela aplicada ao marco de Mollick. Uma blockchain de consórcio não é de graça: supõe coordenar infraestrutura entre instituições, nós que alguém precisa operar e manter, e uma governança do consórcio que decide quem entra e quem fica de fora —as mesmas perguntas de custo e acesso que já apareceram ao falar de colonialidade de dados e comuns epistêmicos. E há uma tensão que o artigo não discute: registrar de forma imutável o “processo de aprendizagem” de cada estudante, erros incluídos, é também construir um histórico permanente de suas tentativas e equívocos. Auditar o modelo não deveria significar deixar de lado a privacidade de quem aprende.

A proposta inteira supõe uma instituição capaz de sustentar uma infraestrutura assim: de decidi-la, financiá-la e governá-la. A entrada seguinte revisa a evidência global sobre essa capacidade, e o panorama é bem menos animador que o projeto técnico.

Sugestões de leitura

Xiao, F., Huang, J., Huang, J.-X., Ren, H. e Li, L. (2026). Integrating LLM with consortium blockchain for personalized and verifiable online education in higher education. International Journal of Educational Technology in Higher Education, 23(1), Artigo 42. https://doi.org/10.1186/s41239-026-00618-5