Usar ChatGPT ou Copilot no dia a dia parece inofensivo — até você perceber que seus funcionários estão colando contratos, dados de clientes e estratégias confidenciais numa interface que pertence a outra empresa. IA privada resolve esse problema sem abrir mão da produtividade.
O risco real das APIs de IA públicas
O problema não é que os provedores de IA sejam maliciosos. O problema é estrutural: quando você envia dados para uma API externa, esses dados saem do seu perímetro de controle.
O que pode acontecer com esses dados depende do contrato que você tem com o provedor:
Sem contrato empresarial: a maioria dos termos de uso padrão de plataformas de IA permite que as interações sejam usadas para melhorar os modelos. Isso pode incluir revisão humana dos dados que você enviou.
Com contrato enterprise e opt-out de treinamento: o provedor se compromete a não usar seus dados para treinamento. Mas o dado ainda trafega pelos servidores deles, ainda está sujeito à legislação do país onde estão (incluindo o CLOUD Act americano), e ainda pode ser acessado em caso de ordem judicial estrangeira.
O problema LGPD: se seus funcionários estão enviando dados de clientes para APIs de IA externas — mesmo de forma não intencional, colando um e-mail de cliente ou uma proposta comercial — você pode estar realizando transferência internacional de dados pessoais sem base legal adequada e sem DPA firmado. Isso é violação da LGPD.
Setores como saúde, financeiro, jurídico e governo têm riscos ainda maiores: informações de pacientes, dados financeiros regulados, segredos comerciais e informações sigilosas de estado são categorias que simplesmente não podem sair do controle da empresa.
O que é IA privada
IA privada é qualquer configuração onde o modelo de linguagem roda dentro da infraestrutura controlada pela empresa — seja no datacenter próprio, numa cloud privada dedicada ou numa instância isolada em cloud pública sem compartilhamento de dado com o provedor.
O princípio fundamental: nenhum dado do usuário sai do ambiente da empresa. A pergunta vai do navegador do funcionário direto para o modelo rodando no servidor da empresa, a resposta volta pelo mesmo caminho, e nada é enviado para fora.
Arquitetura típica de IA privada
Uma implementação completa tem três camadas:
Camada de modelo (LLM):
Modelo open source (Llama 3, Mistral, Gemma) rodando em servidor com GPU, via vLLM ou Ollama. O modelo fica dentro da rede — sem chamada para API externa.
Camada de conhecimento (RAG):
Vector database (Qdrant, pgvector) armazenando os documentos internos da empresa transformados em embeddings. Quando o usuário faz uma pergunta, o sistema busca os trechos relevantes antes de chamar o modelo.
Camada de interface:
Aplicação web interna — pode ser uma interface de chat simples (Open WebUI, por exemplo, que é open source e configurável) ou integração com ferramentas existentes (Slack, Teams, intranet).
Usuário → Interface web → RAG (busca documentos internos) → LLM local → Resposta
↑
Documentos, políticas, contratos indexados internamenteTodo o fluxo ocorre dentro da rede da empresa. O único tráfego de rede é do navegador do funcionário para o servidor interno.
Por que LGPD e compliance setorial impulsionam IA privada no Brasil
A LGPD estabelece que dados pessoais tratados no Brasil devem seguir princípios de finalidade, minimização e segurança. Quando você usa uma API de IA americana com dados de clientes brasileiros, você está realizando transferência internacional de dados — o que exige, no mínimo:
- Cláusulas contratuais padrão com o provedor (DPA)
- Avaliação de adequação do destino (os EUA não têm lei de proteção de dados equivalente à LGPD)
- Informação ao titular sobre a transferência
Na prática, a maioria das empresas que usa APIs de IA externas com dados de clientes não cumpre nenhum desses requisitos.
Setores com regulações específicas têm camadas adicionais:
- Financeiro (BACEN): restrições sobre onde dados de clientes podem estar armazenados
- Saúde (CFM/ANS): dados de saúde têm proteção especial — prontuários não podem simplesmente ir para APIs externas
- Defesa/Governo: informações classificadas têm restrições absolutas de saída
IA privada não é paranoia — é o caminho de menor risco legal e operacional para a maioria das empresas com dados sensíveis.
Custo real: IA privada vs API externa
A comparação direta:
| Item | API externa (GPT-4) | IA privada (Llama 3 70B) |
|---|---|---|
| Custo por 1M tokens (input) | USD 10–30 | Custo de infraestrutura / volume |
| Custo por 1M tokens (output) | USD 30–60 | Custo de infraestrutura / volume |
| Infraestrutura | Zero | GPU + servidor + operação |
| Previsibilidade | Por uso (câmbio) | Contrato fixo em BRL |
| Dependência externa | Alta | Nenhuma |
| Controle de dados | Baixo a médio | Total |
Para uso leve (poucas requisições por dia), API externa é mais barata. O ponto de inflexão aparece rapidamente: uma empresa com 100 funcionários usando IA ativamente pode gerar 50–100 milhões de tokens por mês — o que representa USD 3.000–15.000/mês em API externa. A IA privada com hardware dedicado pode custar muito menos do que isso em operação mensal, além de ser em BRL e sem risco cambial.
A Adentro oferece infraestrutura dedicada para IA privada — GPU, armazenamento, rede — com contrato em BRL, dado no Brasil e suporte à conformidade LGPD. Fale com um especialista.