A ameaça do solucionador: assistência de IA em matemática em 2026 e o que de fato resiste a ela

Resultados

1. Solvers de matemática para consumidores: capacidade e alcance

Photomath combina um sistema de álgebra computacional com OCR (estendido ao reconhecimento de escrita à mão desde 2016) para escanear um problema impresso ou manuscrito — inclusive problemas de texto — e produzir uma solução passo a passo em segundos, abrangendo matemática “do ensino fundamental ao universitário”: aritmética, álgebra, geometria, trigonometria, estatística e cálculo [4][5]. A escala é grande: a partir de 2021, mais de 220 milhões de downloads e cerca de 2,2 bilhões de problemas resolvidos por mês [4]. Symbolab anuncia explicitamente a aceitação de “páginas escritas e capturas de tela” juntamente com notação digitada e consultas em linguagem natural, cobrindo pré-álgebra até cálculo, trigonometria, física e estatística, apresentando a saída como passo a passo em vez de apenas resposta [6]. O ponto forte do Wolfram|Alpha é o cálculo simbólico/fechado com entrada livre — muito forte em álgebra canônica, cálculo e resolução de equações, historicamente mais fraco em problemas que exigem análise semântica de um problema de texto ambíguo. Aplicativos “camera-first” como Gauth (e Microsoft Math Solver, que adiciona reconhecimento de escrita à mão e gráficos a um pipeline semelhante de OCR + solver) seguem o mesmo padrão: câmera entra, resposta passo a passo sai em segundos, alguns com um chat ao vivo de tutor humano ou IA sobreposto para tudo que o solver automático não interpreta claramente. O ponto comum é que essas ferramentas são mais eficazes exatamente onde os problemas escolares e de aplicativos de prática são mais fracos por necessidade de design: problemas únicos, bem definidos, de forma fechada, com uma única resposta final correta.

2. Assistentes de IA gerais: de AIME ao ouro no IMO

Os LLMs de fronteira avançaram além do nível de competição matemática que antes representava um teto significativo. O AIME (um exame olímpico de qualificação dos EUA) agora está listado por ao menos um rastreador de benchmarks como um benchmark “arquivado” ou saturado porque “o desempenho neste benchmark saturou” e os provedores deixaram de rodar novas versões contra ele, com a melhor pontuação de 98,12% registrada para Gemini 3.1 Pro Preview e uma nota de que nove dos dez modelos mais bem classificados no ranking são modelos de raciocínio [12]. A geração de provas em linguagem natural de nível de competição, a fronteira mais difícil, também recuou mais do que o esperado. Em 2024, AlphaProof e AlphaGeometry 2 da DeepMind alcançaram 28/42 pontos (padrão de medalha de prata) no IMO, mas somente após os problemas serem traduzidos manualmente para a linguagem formal Lean, e o problema mais difícil exigiu até três dias de computação [3]. Um ano depois, em julho de 2025, uma versão avançada do Gemini com “Deep Think” atingiu 35/42 (padrão de medalha de ouro), resolvendo cinco de seis problemas perfeitamente, de ponta a ponta em linguagem natural — sem etapa de formalização — dentro do mesmo limite de 4,5 horas por sessão que os competidores humanos enfrentam [2]. A própria revisão do IMO confirmou que as soluções submetidas eram “completas e corretas”, mas declarou que “sua revisão não se estende à validação do nosso sistema, processos ou modelo subjacente” [2] — são artefatos avaliados, não sistemas auditados, e o resultado ainda envolveu curadoria humana substancial de dados de treinamento e dicas gerais de resolução de problemas [2]. A OpenAI relatou separadamente resultados comparáveis ao nível de medalha de ouro para um modelo experimental no mesmo período, embora não tenha sido executado através do mesmo processo oficial de coordenação do IMO; trate essa afirmação como consistentemente direcional com o resultado verificado da DeepMind, e não como uma pontuação auditada independentemente. Onde os modelos gerais ainda falham é na verdadeira fronteira de pesquisa: o FrontierMath da Epoch AI obtém problemas de matemáticos profissionais em teoria dos números, análise real, geometria algébrica e teoria das categorias que exigem múltiplas horas de especialistas cada, com um lote “Tier 4” superior demandando vários dias de esforço especializado — projetado para manter sistemas de fronteira em teste enquanto benchmarks mais fáceis saturam [11]. Isso está muito acima de tudo que um aplicativo de prática K-12/universitário atribuiria, mas importa para a ambição do Math Challenge de alcançar conteúdo em nível de doutorado: em algum ponto entre “conjunto de problemas difíceis” e “problema de pesquisa aberto”, os solvers deixam de ser confiáveis, e essa fronteira vale a pena conhecer precisamente antes de projetar conteúdo de alto nível.

3. Captura de tela multimodal → resposta: por que câmeras derrotam defesas dentro do app

O mecanismo que torna a maioria dos designs anti-trapaça dentro do app irrelevante é simples: uma fotografia da tela é um canal fora da banda. Ela nunca entra no DOM do app, nunca dispara um evento de teclado ou colar, nunca toca nas requisições de rede e é invisível a qualquer defesa ao nível de JavaScript (desativar copiar/colar, ofuscar fonte, desfocar ao mudar de aba, marca d’água, até a maioria das vigilâncias em-navegador). A foto sai do dispositivo pela câmera e um segundo app ou dispositivo — uma superfície que o app de prática não pode instrumentar de forma alguma. Cada solver de consumo acima foi construído exatamente em torno desse fluxo — câmera entra, resposta passo a passo sai, em segundos [4][5][6]. A novidade para 2026 é que isso já não requer uma etapa discreta de “foto, aguardar OCR”: assistentes multimodais ao vivo (compartilhamento de tela ou modos contínuos de câmera/visão em GPT, Gemini e produtos comparáveis) permitem que o estudante compartilhe a tela em tempo real e receba uma resposta falada de forma conversacional, incluindo narração do que fazer a seguir — lendo um problema de uma tela em movimento ou parcialmente obscurecida, durante a interação. Nenhuma defesa puramente client-side ou puramente baseada em tempo é durável por si só; as duas respostas que não dependem de “o estudante conseguir tirar uma foto” são (a) exigir um artefato submetido que não seja uma única string reproduzível — um processo, um estado de manipulação de UI, um diálogo — e (b) tornar uma rodada externa adicional mais custosa, cumulativamente, que os pontos que ela gera, via re-questionamento adaptativo (§6 e Implicações de Design abaixo).

4. Quão difundido já está o uso de IA entre estudantes

Isso não é um comportamento marginal. A pesquisa da HEPI de dezembro de 2024 com 1.041 estudantes de graduação em tempo integral no Reino Unido (realizada pela Savanta) encontrou 92% que usaram qualquer ferramenta de IA e 88% que usaram IA generativa especificamente para avaliações, um salto acentuado em relação a 53% um ano antes; economia de tempo (51%) e percepção de melhoria de qualidade (50%) foram as motivações declaradas, com medo de acusações de trapaça (53%) e risco de alucinação (51%) como os principais impedimentos — não falta de capacidade ou consciência [1]. O lançamento da Pew Research em janeiro de 2025 (Ipsos, set-out 2024, n=1.391 adolescentes dos EUA de 13–17 anos) encontrou 26% que usaram o ChatGPT para tarefas escolares, o dobro dos 13% registrados em 2023 — e o próprio julgamento dos adolescentes sobre aceitabilidade varia drasticamente por tarefa: 54% consideram aceitável para pesquisar um tema, mas apenas 29% para resolver problemas de matemática (28% consideram inaceitável), e 18% para escrever redações [10]. Essa assimetria importa aqui: matemática é a disciplina em que os estudantes mais divergem, uma abertura real para um produto cujas superfícies pontuadas/rankeadas podem afirmar credivelmente resistir ao uso casual de solvers. O uso entre pessoas que já têm acesso à IA tende a buscar respostas diretas: a análise da Anthropic de aproximadamente 575.000 conversas acadêmicas no Claude.ai encontrou Ciência da Computação e STEM fortemente super-representados em relação à matrícula (apenas Ciência da Computação 36,8% das conversas contra 5,4% dos diplomas dos EUA), e quase metade (~47%) das conversas foram “Diretas” — buscando uma resposta ou conteúdo finalizado com mínima troca [9]. A divisão de tarefas inclinou-se para trabalhos de ordem superior (Criar 39,8%, Analisar 30,2%) e afastou-se da memorização (Lembrar 1,8%) [9], consistente com um padrão “deixe a ferramenta raciocinar, eu aceito o output” — exatamente o comportamento que um app de prática precisa tornar pouco recompensador.

5. O fracasso dos detectores de texto de IA e o que isso implica

Duas linhas de pesquisa publicada minam a ideia de que um detector pode bloquear trapaças de forma confiável. Primeiro, os detectores são demonstravelmente tendenciosos: estudos de detectores de GPT descobrem que eles “classificam consistentemente amostras de escrita em inglês não nativo como geradas por IA, enquanto amostras de escrita nativa são identificadas corretamente”, e as mesmas estratégias simples de prompt que reduzem esse viés também permitem que um usuário evite a detecção totalmente — a mesma alavanca corta os dois sentidos [7]. Segundo, os detectores são frágeis a evasões adversariais em geral: pesquisas testando detecção contra textos do ChatGPT e Claude encontraram que paráfrases, espaçamento aleatório e perturbações adversariais “podem diminuir significativamente a eficácia da detecção”, concluindo que os métodos atuais carecem de robustez contra até evasões não sofisticadas [8]. A implicação direta é: qualquer campo “explique seu raciocínio” não pode usar com segurança um detector de IA como um portão automático de aprovação/reprovação — isso seria trivially evadível e arriscaria sinalizar desproporcionalmente trabalhos genuínos de autores cujo primeiro idioma não seja o inglês, em um produto que exige UX bilíngue. Quando usado, a detecção deve servir como um sinal suave que alimenta revisão humana, nunca como bloqueio automatizado.

6. Projetar respostas que realmente resistam ao contato com um resolvedor

A linha condutora em toda mitigação que se sustenta é a mesma: parar de pontuar um único artefato final reproduzível e começar a pontuar algo que um resolvedor não pode entregar de uma só vez — um processo com etapas intermediárias graduadas, um julgamento sobre o trabalho de outra pessoa, um acompanhamento adaptativo ao vivo ou um estado de UI manipulado. Nada disso torna um estudante determinado à prova de resolvedores; aumenta as idas-e-voltas, o trabalho de transcrição e o custo de tempo por ponto ganho — a única alavanca que um PWA auto-serviço realmente controla. A tabela e as Implicações de Design abaixo transformam isso em um catálogo concreto de construção.

O que sobrevive a um resolvedor

Formato do item	Quão facilmente um resolvedor o derrota	Gradabilidade
Resposta final simples (“resolver para x”)	Trivial — segundos, sucesso quase total [4][5][6]	Totalmente autoavaliável; formato mais fraco
Problema de palavra de um passo	Fácil para LLMs multimodais; resolvedores apenas OCR são mais fracos, mas estão melhorando	Autoavaliável com um analisador
Problema de palavra multi-passo, sub-quantidades nomeadas	Ainda derrotado, mas requer transcrever todo o problema	Autoavaliável por passo; atrito, não imunidade
“Mostre seu trabalho” / processo completo	O resolvedor gera um processo completo para copiar literalmente	Requer avaliação humana/IA; texto copiado não é detectável de forma confiável [7][8]
“Identifique o erro nesta solução”	Mais difícil — o resolvedor deve avaliar um argumento, não apenas produzi-lo	Autoavaliável (qual linha, qual erro)
Estimativa / apenas ordem de grandeza	Fraco isoladamente — uma resposta exata do resolvedor satisfaz trivialmente uma verificação de intervalo	Fácil de autoavaliar; combinar com justificativa
Manipulação interativa (arrastar ponto, construir gráfico, equilibrar equação)	O resolvedor pode descrever o alvo, mas executar a ação na UI ainda requer o estudante	Avaliado no estado final da UI, não em uma string
Múltiplas respostas / selecionar tudo, distractores de concepções errôneas	Moderado — solução por força bruta obtém o conjunto, mas distractores direcionados enfraquecem o atalho	Totalmente autoavaliável
Acompanhamento adaptativo (novos números, mesmo método)	Forte — detecta “respondido uma vez” vs. “pode repetir”; derrotado apenas ao reconsultar a cada vez	Autoavaliável, totalmente controlado pelo app
Diálogo socrático com tutor no app	Forte em comparação a capturas estáticas; degrada se o texto do resolvedor for colado	Requer seu próprio avaliador — mesma corrida armamentista, um nível acima
Defesa oral ao vivo / verificação síncrona	Muito forte	Requer equipe/infra ao vivo; ajuste pobre para um PWA auto-serviço
Prova original/nova em nível de pesquisa	Resiste a resolvedores e LLMs gerais na verdadeira fronteira [11][2][3]	Não avaliável em escala; apenas revisão de especialista

Implicações de design

1. Formato padrão de dica/desafio: mostrar uma solução trabalhada com um passo errado, perguntar qual linha e por quê — avaliar um argumento supera produzir um.
2. Substituir a caixa de resposta única por um processo estruturado de múltiplos campos (cada operação mais seu resultado intermediário), avaliado por passo, de modo que uma resposta final copiada sem passos correspondentes falhe automaticamente.
3. Re-pergunta adaptativa obrigatória: após uma resposta correta, apresentar imediatamente um problema isomórfico (mesmo método, novos números); “certo uma vez, errado na variante” é um sinal real, especialmente em modos ranqueados/placar.
4. Itens de múltiplas respostas/selecionar tudo com distractores construídos a partir de concepções errôneas documentadas e específicas do tópico, não de “números próximos” genéricos, de modo que a solução por força bruta seja um atalho mais fraco para o conjunto completo correto.
5. Bloquear questões de valor exato atrás de uma etapa de estimativa primeiro (pontuar uma resposta de intervalo ou ordem de grandeza antes de revelar a pergunta precisa), recompensando a intuição numérica que o resolvedor não precisa.
6. Manipuláveis interativos — arrastar um ponto em uma reta numérica, colocar pontos para construir um gráfico, mover termos para equilibrar uma equação — avaliados no estado resultante da UI, não em um número digitado: o único formato que um resolvedor não pode devolver como string copiável mesmo que possa descrever a resposta.
7. Chat de tutor socrático no app como caminho principal de busca de dicas, de modo que solicitar ajuda produza um diálogo avaliado em vez de uma string extraível de captura de tela; pontuar parcialmente na coerência e especificidade das próprias respostas de acompanhamento do estudante.
8. Um campo curto “explique com suas próprias palavras” antes que a resposta seja aceita; usar qualquer sinal de IA-texto apenas como alerta suave para revisão humana, nunca como bloqueio automatizado, dado o viés dos detectores contra escritores não nativos e a possibilidade de evasão por paráfrase [7][8].
9. Orçamentos de tempo em modo ranqueado curtos o suficiente para que um ciclo externo completo (foto, OCR/resolução, copiar de volta) custe mais que resolver diretamente; modo de prática sem limite de tempo permanece a superfície abertamente de baixa fricção e não competitiva.
10. Randomizar parâmetros numéricos no servidor por estudante/tentativa, de modo que uma captura de tela, chave de respostas compartilhada ou resultado web em cache não se transfira para o item idêntico de outro estudante.
11. Ponderar a pontuação em direção à consistência em muitos itens pequenos (sequências, portfólios) em vez de itens únicos de alto valor, reduzindo o retorno de resolver qualquer item via ajuda externa.
12. Autoavaliação de confiança (1-5) ao lado de cada resposta; alta confiança descalibrada com raciocínio incompatível é um sinal útil e não punitivo.
13. Dividir a narrativa de integridade por modo: prática não faz reivindicação de resistência a resolvedores; modo ranqueado/placar concentra acompanhamentos adaptativos, avaliação de processo e temporizadores curtos, já que essa é a superfície cuja integridade importa aos demais usuários.
14. Encaminhar itens de nível de doutorado “produzir uma prova nova” para revisão humana ou por pares assíncrona em vez de autoavaliação — o único formato que ainda resiste tanto a resolvedores consumidores quanto a modelos de fronteira [11][2][3], e o único formato que ninguém pode autoavaliar em escala.

O que não podemos impedir, declarado claramente: qualquer tarefa totalmente especificável como texto simples ou uma única imagem com uma resposta final verificável, submetida sem um processo ou acompanhamento obrigatório, será resolvida em segundos por ferramentas já amplamente usadas por estudantes — porque a foto ou canal de visão ao vivo nunca toca o app. Assistentes multimodais ao vivo corroem ainda mais as defesas de pressão de tempo, já que o estudante pode obter orientação falada enquanto a tela permanece visível em vez de fazer a ida-e-volta de uma captura estática. Nenhum portão baseado em detector é seguro para uso punitivo. Nada disso pode ser corrigido por engenharia; só pode ser tornado menos recompensador (não a superfície pontuada) ou mais custoso por ponto (design adaptativo). Uma afirmação em contrário é marketing, não fato.

Perguntas abertas para o dono do projeto

1. Os modos ranqueados/placar devem impor um teto de tempo rígido por item mais curto que um ciclo típico foto-e-resolução — e que acomodação existe para estudantes que realmente precisam de mais tempo?
2. Quanto do roadmap deve ser destinado a um tutor socrático interno (custo próprio de LLM, moderação, latência) versus design de itens adaptativos e avaliação de processo sem nenhum componente generativo?
3. O produto deve usar sinais de similaridade de texto de IA em um contexto bilíngue EN/ES, dado o viés documentado dos detectores contra escritores não nativos — ou essa classe de verificação está excluída por política?
4. Para conteúdo de nível de doutorado, a revisão manual/por pares de provas abertas está no escopo, ou o nível superior permanece confinado a formatos autoavaliáveis (crítica de prova, identificação de erro) mesmo que isso limite o quão “doutorado” pode ser?
5. O modo de prática deve permitir explicitamente o uso de ferramentas externas como escolha de design declarada, reformulando a narrativa de integridade em torno do modo ranqueado e da maestria ao longo do tempo, em vez de insinuar que respostas de prática são resistentes a resolvedores quando estruturalmente não podem ser?