IA local e LGPD: como controlar dados, acessos e operação
Hospedar o modelo é uma parte do projeto. Entenda como avaliar dados, permissões, isolamento, custos e operação para implantar IA local com critérios verificáveis.
As vozes dependem do navegador e do dispositivo; algumas precisam de internet. Blocos de código não são narrados.
Tempo estimado de leitura: 10 minutos.
“Vamos rodar a IA no nosso servidor e resolver a LGPD.”
A frase parece um plano completo. Na prática, ela responde a uma pergunta importante — onde executar o modelo — e deixa várias outras esperando na porta: quem acessa os documentos, quais cópias existem, como apagar informações e quem mantém tudo funcionando.
Eu gosto da ideia de ter mais controle sobre a tecnologia. No trabalho com integrações e sistemas, porém, aprendi a desconfiar de soluções que prometem encerrar uma discussão inteira com uma única escolha de infraestrutura.
Um exemplo próximo é o projeto de gerador de currículos pensado para o Pinheiral Digital. A intenção era permitir que o cidadão montasse o currículo e baixasse o arquivo, sem manter seus dados armazenados no serviço. Essa era uma decisão de projeto, não uma afirmação de que a solução já tivesse sido implantada ou auditada.
A pergunta inicial era simples: precisamos guardar essas informações para entregar o resultado? Com IA, vale começar pela mesma pergunta antes de escolher a placa de vídeo.
Local-first, inferência local e soberania respondem a perguntas diferentes
O conceito de local-first apresentado pela Ink & Switch envolve autonomia sobre os dados, funcionamento offline e colaboração. Ele descreve princípios de produto e armazenamento, não apenas o local onde um modelo executa uma previsão.[1]
Uma aplicação pode manter documentos no dispositivo e, ao acionar um recurso de IA, enviá-los a uma API. Também pode usar um modelo dentro da empresa e depender de uma interface centralizada para todas as outras funções. Portanto, dizer “é local” exige completar a frase: qual parte?
Para organizar essa conversa, eu usaria cinco perguntas:
| Dimensão | Pergunta que precisamos responder |
|---|---|
| Inferência | Onde o modelo processa a solicitação? |
| Operação | Quem administra infraestrutura e atualizações? |
| Residência dos dados | Onde ficam originais, índices, registros e backups? |
| Controle | Quem concede acesso, muda regras e interrompe o serviço? |
| Continuidade | Como recuperamos dados e substituímos componentes? |
Soberania, nesse projeto, deve ser traduzida em capacidades verificáveis. “Conseguimos exportar o acervo” é uma resposta mais útil do que um selo bonito dizendo “IA soberana”.
O que a LGPD muda nessa decisão
A LGPD exige finalidade, necessidade, transparência e medidas de segurança; também prevê hipóteses legais para o tratamento. Seu art. 33 admite transferências internacionais em condições determinadas. A lei não cria uma obrigação geral de hospedar todos os dados pessoais no Brasil.[2]
A Resolução CD/ANPD nº 19/2024 regulamenta mecanismos de transferência internacional, incluindo cláusulas-padrão e decisões de adequação. A versão oficial registra retificação de 2025. O mecanismo aplicável depende da operação; não há uma solução contratual única para todos os casos.[3]
Minha leitura para o desenho técnico é esta: escolher um datacenter resolve uma parte do mapa. O projeto ainda precisa justificar o uso dos dados, definir acessos e demonstrar controles. Uma equipe pode errar no próprio servidor ou construir um serviço externo bem governado.
Por isso, o levantamento técnico e a avaliação jurídica precisam conversar. Um documento que promete eliminação não ajuda muito se ninguém sabe onde os backups estão. O assunto se conecta diretamente à discussão sobre Política de Privacidade e Termos de Uso: as condições informadas precisam ser sustentadas pela operação.
Siga um documento até o fim do caminho
Vamos imaginar uma empresa querendo consultar seus próprios manuais por meio de um assistente. O desenho inicial parece curto: documento entra, resposta sai. Para avaliar privacidade, eu abriria essa caixa e registraria cada etapa.
O arquivo pode precisar de extração de texto. Depois, os trechos podem gerar representações para busca, entrar em um índice, compor o contexto de uma pergunta e aparecer em registros de diagnóstico. Uma resposta ainda pode ser exportada ou encaminhada a outra ferramenta.
Essas são possibilidades de uma arquitetura, não etapas obrigatórias de todo sistema. O trabalho é descobrir quais realmente existem na implantação escolhida.
| Etapa | Decisão a documentar |
|---|---|
| Recebimento | Quais arquivos são aceitos e por quem? |
| Extração | O conteúdo é processado localmente ou enviado a um serviço? |
| Indexação | Quais trechos entram no índice e com quais permissões? |
| Consulta | Como o usuário é identificado antes da recuperação? |
| Registro | O log precisa do conteúdo completo ou só de metadados? |
| Encerramento | Como eliminar originais, derivados e cópias previstas? |
Essa tabela costuma render perguntas melhores que “qual modelo é mais privado?”. Ela também mostra uma oportunidade de simplificação: algumas informações podem nem precisar entrar no sistema.
Ferramenta local também exige configuração consciente
A FAQ do Ollama diferencia execução local e modelos de nuvem e documenta a desativação de recursos de nuvem com a opção OLLAMA_NO_CLOUD. Assim, é necessário conferir a modalidade utilizada, inclusive quando a interface está instalada na própria máquina.[4]
A configuração de um componente não descreve automaticamente o restante da aplicação. Se você adicionar extração externa de documentos ou observabilidade hospedada, precisará avaliar esses caminhos também. O teste relevante acompanha o fluxo completo.
Já o nanochat, de Andrej Karpathy, é apresentado como um harness experimental para treinamento de LLMs, cobrindo etapas como tokenização, treinamento, avaliação e inferência. Esse propósito não equivale a oferecer uma plataforma empresarial pronta.[5]
É um recurso interessante para compreender mecanismos e experimentar. Em uma implantação para clientes, ainda será necessário especificar operação, identidade, disponibilidade e proteção dos dados. “O repositório roda” é uma etapa excelente do aprendizado; o contrato de serviço vai perguntar por mais coisas.
Compartilhar a GPU exige pensar em fronteiras de acesso
A documentação de segurança do vLLM alerta que um processo compartilhado não oferece isolamento entre clientes mutuamente não confiáveis. Também esclarece que cache_salt não deve ser tratado como fronteira de segurança.[6]
Isso importa quando alguém propõe atender várias empresas no mesmo serviço. A decisão precisa considerar quanto isolamento cada caso requer, além de memória disponível e velocidade.
Imagine dois clientes fictícios: Oficina Azul e Oficina Verde. Cada um possui documentos internos diferentes. O critério de aceite deve exigir que o usuário da Azul não recupere, veja em logs ou receba em respostas o conteúdo da Verde.
Eu começaria separando identidade e autorização da decisão do modelo. O sistema determina quais documentos o usuário pode acessar antes de preparar o contexto. Pedir à IA que “lembre de não mostrar informações de outros clientes” deixa a proteção dependente de uma interpretação.
Conforme o risco, a arquitetura poderá demandar instâncias ou ambientes separados. O desenho final precisa justificar suas fronteiras e testá-las. Economizar uma máquina não compensa, por definição, qualquer nível de compartilhamento.
Uma prova de conceito que consegue dizer “não”
Para um primeiro experimento, eu usaria de 20 a 30 documentos sintéticos: manuais inventados, procedimentos fictícios e informações criadas especificamente para o teste. Nada de transformar prontuários, contratos reais ou processos municipais em material improvisado de laboratório.
Definiria dois perfis. Um consulta procedimentos gerais; o outro também acessa documentos restritos. Cada pergunta teria um resultado esperado: responder com fonte, pedir esclarecimento ou recusar por falta de informação ou acesso.
O conjunto incluiria perguntas com resposta conhecida, perguntas sobre algo ausente e tentativas de consultar material do outro perfil. Também testaria um documento atualizado: o assistente passa a usar a nova versão? O conteúdo antigo continua aparecendo em algum lugar?
A avaliação registraria cinco elementos: correção da resposta, origem citada, respeito às permissões, tempo de resposta e custo por tarefa aceita. Os critérios precisam ser definidos antes de comparar modelos, para evitar escolher o favorito e inventar a justificativa depois.
Uma demonstração que sabe recusar uma consulta indevida pode ser mais convincente para o cliente do que outra que responde a tudo com muita desenvoltura. Confiança também se constrói nos limites.
O custo real continua depois do download
Baixar os pesos de um modelo pode ser apenas o primeiro item da conta. Para comparar alternativas, proponho estimar o custo mensal completo:
infraestrutura + energia + operação + atualização + observabilidade + recuperação + tempo de engenharia.
Depois, relacione esse total à quantidade de tarefas concluídas com qualidade aceitável. Acrescente períodos de baixa demanda, crescimento, falhas e necessidade de suporte. A conta é um modelo de decisão; os valores precisam vir da operação estudada.
Uma API gerenciada pode ser adequada para demanda irregular e uma equipe pequena. Uma implantação própria pode fazer sentido quando requisitos e volume justificam a responsabilidade adicional. Esses são cenários para comparar, não recomendações universais.
Também verifique a licença do modelo e de seus componentes antes de oferecer o serviço. Ter acesso aos pesos não responde sozinho a todas as condições de uso comercial.
Para quem trabalha com SaaS, como no meu contexto com a Oombe, a pergunta útil é quanto custa entregar o resultado de forma sustentável. O servidor mais barato no orçamento inicial pode exigir uma operação que a equipe ainda não consegue manter.
O que precisa estar combinado antes da entrega
Eu organizaria a implantação em decisões pequenas e verificáveis:
- Escopo: quais tarefas o assistente atende e quais ficam fora.
- Dados: quais categorias entram, por que entram e quais podem ser reduzidas.
- Acesso: quem consulta, administra, exporta e revisa permissões.
- Ciclo de vida: quando atualizar, eliminar e revisar cópias.
- Operação: quem responde por falhas, capacidade e atualizações.
- Evidências: quais testes, registros e documentos demonstram o combinado.
Cada decisão deve ter um responsável. “A equipe cuida disso” parece suficiente até surgir uma indisponibilidade e ninguém saber quem pode agir.
No caso de uma pequena empresa, esse registro pode começar enxuto. A qualidade vem de conseguir aplicá-lo, atualizá-lo e verificar resultados. Acrescentar complexidade sem uma necessidade concreta só produz mais peças para manter.
Oportunidade de serviço com uma promessa honesta
Existe espaço para transformar esse trabalho em diagnóstico, prova de conceito, implantação e acompanhamento. O entregável pode incluir mapa de dados, critérios de aceite, comparação de alternativas e plano de operação.
Para oferecer isso, prefiro uma promessa verificável: “vamos demonstrar como o sistema controla o acesso e atende aos requisitos definidos”. Expressões como “instale e fique em conformidade” escondem trabalho que ainda precisa ser realizado.
O mesmo raciocínio vale para setores como saúde e jurídico. Uma hipótese de uso merece avaliação específica; o nome do setor não autoriza assumir a arquitetura nem o retorno financeiro.
Meu ponto de partida continua sendo aquela pergunta do gerador de currículos: o que realmente precisamos processar e guardar? Depois vêm o modelo, o hardware e a forma de operar.
Ter controle sobre uma IA significa conseguir explicar seu funcionamento, impor limites e sustentar a operação. A localização do servidor entra nessa história com um papel importante. Ela funciona melhor quando vem acompanhada do restante do projeto.
Fontes e leituras
- Ink & Switch — Local-first software, 2019.
- Presidência da República — Lei Geral de Proteção de Dados Pessoais.
- ANPD — Resolução CD/ANPD nº 19/2024.
- Ollama — FAQ oficial.
- Andrej Karpathy — nanochat.
- vLLM — documentação de segurança.
Fontes consultadas em 26 de outubro de 2026. Os exemplos de avaliação são propostas de experimento, sem resultados de implantação atribuídos ao autor.