IA na Extensão Universitária: Como Usar em Projetos

Extensão universitária e IA: uma combinação que exige cuidado

Vamos lá: a extensão universitária não é só produção de conteúdo ou análise de dados. É presença. É ir ao território, escutar comunidades, construir com quem está fora dos muros da universidade. E quando a IA entra nesse campo, a pergunta que precisa vir primeiro não é “quais ferramentas usar?”, mas “como isso afeta a relação que estamos construindo?”

Essa pergunta importa porque a extensão tem uma vocação que é radicalmente diferente da pesquisa laboratorial. Ela está no encontro. E o encontro é irredutivelmente humano.

Dito isso, há usos de IA na extensão que fazem muito sentido, que aliviam o trabalho das equipes, que qualificam a análise e a comunicação dos projetos. Meu objetivo aqui é falar sobre o que observo de útil, de problemático e de necessário nessa conversa.

O que a extensão universitária é (e o que a IA não muda nisso)

Antes de entrar nas ferramentas, vale lembrar o que faz a extensão ser o que é.

Pelo currículo das universidades federais brasileiras, a extensão passou a ser obrigatória como componente curricular a partir de 2018, com a Resolução CNE/CES 7/2018. Isso significa que ela não é mais uma atividade opcional. Ela é formação. E formação implica que o estudante vai aprender algo que vai além do conteúdo: vai aprender a escutar, a adaptar conhecimento ao contexto, a trabalhar com quem tem saberes diferentes dos seus.

Nenhuma ferramenta de IA ensina isso por substituição. O estudante aprende escutando, falhando, revisando. A IA pode apoiar a análise do que foi coletado, a organização do que foi produzido, mas a experiência formativa está no campo.

Isso é importante dizer porque tenho visto projetos de extensão que, ao incorporar IA, acabaram reduzindo o trabalho de campo. “Já fizemos análise com IA, não precisa mais de tanta entrevista.” Isso é um problema, não uma solução.

Onde a IA de fato ajuda em projetos de extensão

Feita a ressalva, vou ser honesta: a IA tem usos muito concretos que beneficiam projetos extensionistas. Especialmente projetos que lidam com grandes volumes de dados qualitativos, que precisam produzir materiais de comunicação para comunidades diversas, ou que têm equipes pequenas gerenciando muita coisa ao mesmo tempo.

Na análise de dados qualitativos, ferramentas como ChatGPT, Claude ou Gemini podem ajudar a identificar padrões em respostas abertas de questionários ou em anotações de campo, organizar categorias emergentes antes de uma análise mais aprofundada pela equipe, e auxiliar na transcrição de entrevistas gravadas. Isso poupa horas sem substituir o julgamento analítico do pesquisador.

Na produção de materiais, projetos de extensão frequentemente precisam de comunicação acessível: cartilhas, informativos, materiais didáticos para populações com diferentes graus de letramento. A IA pode ajudar a adaptar linguagem, sugerir formatos e gerar rascunhos que a equipe vai revisar e contextualizar. O resultado final precisa passar por quem conhece a comunidade.

Na documentação e nos relatórios, a IA pode organizar registros de atividades, sumarizar diários de campo e apoiar na estruturação dos relatórios institucionais. Isso libera a equipe para o trabalho que a IA não faz: refletir sobre o que o projeto está aprendendo.

O problema da opacidade: quem sabe o que foi feito com IA?

Olha só, aqui tem um ponto que muita gente ignora: os beneficiários dos projetos de extensão têm o direito de saber como seus dados e suas histórias estão sendo usados.

Se uma equipe usa IA para analisar as narrativas de uma comunidade, essa comunidade deveria saber. Não necessariamente com detalhes técnicos, mas com clareza sobre o processo. “Usamos ferramentas digitais para ajudar a organizar o que vocês nos contaram. As conclusões foram feitas por nós, a partir dessas histórias.”

Essa transparência não é burocracia ética. É respeito pela relação que a extensão promete construir.

Também vale pensar nos dados pessoais. A LGPD se aplica integralmente à extensão universitária. Antes de inserir dados de participantes em qualquer ferramenta de IA, a equipe precisa verificar os termos de uso da plataforma, garantir que os dados estão adequadamente anonimizados e que o TCLE do projeto prevê o uso de ferramentas digitais no tratamento das informações. Esse é um cuidado que muitos projetos ainda negligenciam.

Formação dos estudantes: a IA como objeto de aprendizagem, não só de apoio

Aqui tem uma oportunidade que me parece subutilizada.

A extensão pode ser um espaço privilegiado para discutir com os estudantes não só como usar IA, mas o que significa usar IA em contextos de relação social. Que vieses estão embutidos nos modelos? O que acontece quando tecnologia desenvolvida em contextos globais é aplicada a realidades locais? Quais são as limitações do que a IA consegue interpretar de um contexto cultural específico?

Essas perguntas têm respostas que importam para qualquer pesquisador e para qualquer cidadão. E a extensão, por estar em contato com a realidade concreta, é um lugar excelente para tornar essas perguntas palpáveis.

Um projeto de extensão que usa IA e ao mesmo tempo forma estudantes para pensar criticamente sobre o uso da IA está fazendo algo valioso em dobro.

Cuidados práticos antes de começar

Antes de incorporar IA a um projeto extensionista, vale responder algumas perguntas:

A plataforma que vamos usar armazena dados? Em que país? Por quanto tempo? Se os dados são de comunidades vulneráveis, isso importa muito.

O uso foi previsto no projeto aprovado pelo comitê institucional? Se não foi, como comunicamos às instâncias de gestão e aos participantes?

Os estudantes sabem como usar as ferramentas com espírito crítico, ou só receberam um tutorial de “como funciona”? A diferença entre esses dois tipos de formação é enorme.

Quem da equipe vai revisar o que a IA produz antes de qualquer uso? Porque a IA não conhece a comunidade. Você conhece.

A extensão como prática de pensamento crítico sobre IA

Como documentar e comunicar o uso de IA no relatório de extensão

Um detalhe prático que merece atenção específica: como registrar o uso de IA nos relatórios de extensão que são submetidos à universidade e eventualmente tornam-se documentos públicos?

A orientação mais sensata, na ausência de diretrizes institucionais específicas, é adotar a mesma lógica dos periódicos científicos que estão regulamentando isso: declarar o uso com clareza suficiente para que qualquer leitor entenda o que foi feito com a ferramenta e o que ficou sob responsabilidade humana.

“As narrativas coletadas nas entrevistas foram transcritas com apoio de ferramenta de reconhecimento de voz e revisadas pelos pesquisadores. A análise temática foi realizada manualmente pela equipe, com o resultado revisado com uso de assistente de IA para identificação de inconsistências. A interpretação final e as recomendações são de responsabilidade dos pesquisadores.”

Esse tipo de nota no relatório cumpre três funções: é transparente com a universidade, modela boas práticas para os estudantes envolvidos, e protege a equipe caso o processo de produção seja questionado.

A sustentabilidade do projeto e o papel da IA

Projetos de extensão têm uma vulnerabilidade estrutural que poucas pessoas mencionam: eles dependem de pessoas específicas. Quando o coordenador muda, quando os bolsistas se formam, quando o financiamento acaba, muito do conhecimento sobre como o projeto funcionava some junto.

A IA pode ajudar aqui de uma forma que tem valor real: na documentação sistemática de processos, decisões e aprendizados ao longo do projeto. Um diário de projeto bem documentado, com apoio de ferramentas de IA para organização, cria um ativo de conhecimento que sobrevive à rotatividade das equipes.

Isso não é uso sofisticado de IA. Mas é uso estratégico. E na extensão, onde a continuidade com a comunidade é um valor central, garantir a memória institucional do projeto pode ser mais valioso do que qualquer análise estatística sofisticada.

A extensão como espaço de aprendizagem sobre IA

Vou terminar com uma provocação que acho honesta: a extensão universitária pode ser um dos melhores lugares da academia para desenvolver uma relação madura com a IA.

Por quê? Porque ela exige presença onde a IA não chega. Ela exige escuta que a IA não tem. Ela exige a consciência de que o conhecimento produzido tem consequências reais para pessoas reais.

Quando os estudantes vivem isso na extensão e ao mesmo tempo usam IA como ferramenta de apoio, eles aprendem algo que nenhum curso técnico ensina: que a tecnologia serve ao humano, e não o contrário.

Isso está na base do que penso sobre o uso responsável de IA na ciência, e está no centro de como trabalho a relação entre ferramentas e pensamento no Método V.O.E.: Visão primeiro, depois Organização, depois Execução. Nessa ordem, sempre.

A extensão universitária que incorpora IA com essa lógica não está apenas sendo eficiente. Está sendo coerente com o que promete. E coerência, em relação com comunidades reais, vale muito mais do que eficiência.

A pergunta que fica, e que merece ser feita antes de cada projeto, é simples: o que a IA está facilitando aqui? Se a resposta for “facilita o trabalho da equipe sem comprometer a relação com a comunidade”, isso é um bom uso. Se a resposta for “facilita substituir a presença por produção”, alguma coisa importante está sendo perdida no caminho.