# IA privada e LGPD: LLM local, nuvem ou API? > IA privada e LGPD na prática: o que a lei exige quando um LLM trata dado pessoal, quando usar LLM local, nuvem privada ou API e como reduzir o risco. URL: https://bixtecnologia.com.br/ia-privada-lgpd/ Idioma: pt-BR Publicado em: 2026-11-09T05:19:00.000Z ## IA privada e LGPD: quando usar LLM local, nuvem privada ou API Como usar IA com dados pessoais dentro da LGPD: quando escolher API corporativa, nuvem privada ou LLM local, e a arquitetura que reduz o risco. 9 de novembro de 2026 14 min de leitura ## IA privada e LGPD: quando usar LLM local, nuvem privada ou API IA privada é o uso de modelos de linguagem (LLMs) em um ambiente que a empresa controla: um servidor próprio, uma conta de nuvem dela ou um contrato de API com garantias claras sobre onde o dado fica, por quanto tempo e quem pode acessá-lo. Na conversa sobre IA privada e LGPD, a pergunta de fundo é sempre a mesma: quando um prompt carrega dado pessoal de cliente, paciente ou funcionário, a empresa consegue dizer onde esse dado foi processado, com qual base legal e com quais medidas de segurança? A resposta não é necessariamente rodar um LLM local. Para boa parte dos casos de uso, uma API corporativa bem contratada e uma arquitetura que tira o dado pessoal do caminho resolvem o problema com menos custo e menos operação. Para outros, como prontuários, dados financeiros sensíveis ou documentos sob sigilo contratual, manter o modelo dentro de casa é a decisão mais simples de defender. Este guia explica o que a LGPD exige quando um LLM entra no fluxo, compara as três formas de rodar IA na empresa (API, nuvem privada e LLM local), mostra a arquitetura que reduz o risco em qualquer uma delas e traz um roteiro para decidir. No fim, há perguntas frequentes sobre o tema. ## O que a LGPD exige quando um LLM entra no fluxo A [Lei Geral de Proteção de Dados (Lei 13.709/2018)](https://www.planalto.gov.br/ccivil_03/_ato2015-2018/2018/lei/l13709.htm) não fala em modelo de linguagem, mas vale para qualquer tratamento de dado pessoal, e mandar um texto com nome, CPF ou histórico de atendimento para um LLM é tratamento. Na prática, cinco pontos da lei aparecem em todo projeto de IA: - **Base legal e finalidade.** Cada uso precisa de uma base legal (execução de contrato, legítimo interesse, obrigação legal, consentimento e as demais do art. 7º) e de uma finalidade definida. Usar a base de atendimento para treinar um modelo é outra finalidade, e precisa de justificativa própria. - **Necessidade.** O princípio da necessidade pede o mínimo de dado pessoal para cumprir a finalidade. Em IA, isso se traduz em não mandar ao modelo o que ele não precisa ler. - **Dado sensível.** Saúde, biometria, origem racial, religião e outros dados do art. 11 têm regras mais estritas. Um assistente que lê laudos ou atestados está nessa categoria. - **Segurança.** O art. 46 exige medidas de segurança técnicas e administrativas para proteger os dados de acesso não autorizado, perda ou vazamento. Log de prompt com dado pessoal guardado sem controle é exatamente o tipo de falha que esse artigo cobre. - **Decisão automatizada.** O titular tem direito de pedir revisão de decisões tomadas unicamente com base em tratamento automatizado que afetem seus interesses, como análise de crédito ou de perfil (art. 20). Um agente que aprova ou nega algo sozinho precisa de trilha para explicar e revisar a decisão. A autoridade nacional também já olhou para o tema. Em novembro de 2024, a ANPD publicou um estudo preliminar sobre IA generativa na série Radar Tecnológico, que aponta como desafios a dificuldade de eliminar dado pessoal de um modelo já treinado ou refinado, a transparência sobre o uso de dados em prompts e respostas e a aplicação do princípio da necessidade ao treinamento ([análise do Future of Privacy Forum](https://fpf.org/blog/brazils-anpd-preliminary-study-on-generative-ai-highlights-the-dual-nature-of-data-protection-law-balancing-rights-with-technological-innovation/)). O estudo não é orientação formal, mas mostra por onde a fiscalização deve começar a perguntar. ### O ponto que mais pesa: transferência internacional Quase todo LLM comercial de ponta roda fora do Brasil. Enviar dado pessoal para processamento em outro país é transferência internacional, regulada pelo art. 33 da LGPD. Desde a Resolução CD/ANPD nº 19, publicada em 23 de agosto de 2024, as empresas que usam cláusulas contratuais para isso tiveram até 23 de agosto de 2025 para adotar as cláusulas-padrão aprovadas pela ANPD. Depois dessa data, a transferência baseada em contrato só vale com essas cláusulas ou com outro mecanismo aprovado pela autoridade ([Mayer Brown](https://www.mayerbrown.com/pt/insights/publications/2025/08/end-of-grace-period-implementation-of-brazils-standard-contractual-clauses-in-international-transfers-of-personal-data)). Na prática, isso significa que o contrato com o fornecedor do modelo precisa ser lido pelo jurídico com a mesma atenção que o de um ERP em nuvem. As cláusulas-padrão pedem, entre outros pontos, a descrição das categorias de dados, das finalidades, do prazo de armazenamento e das medidas de segurança, e a comunicação de incidentes de segurança em até 3 dias ([Mayer Brown](https://www.mayerbrown.com/pt/insights/publications/2025/08/end-of-grace-period-implementation-of-brazils-standard-contractual-clauses-in-international-transfers-of-personal-data)). Para o time de tecnologia, a consequência é direta: é preciso saber quais dados vão para qual fornecedor, e isso só se sabe com um inventário dos fluxos de IA. ## As três formas de rodar IA na empresa Quando se fala em IA privada, costuma-se pensar só em servidor com GPU no data center. Há, na verdade, três arranjos, e a maioria das empresas acaba usando mais de um. ### 1\. API corporativa de um fornecedor de modelos O modelo roda na infraestrutura do fornecedor, e a empresa envia prompts por API. É o caminho mais rápido e dá acesso aos modelos mais capazes. A diferença entre o uso doméstico e o corporativo está no contrato. A OpenAI, por exemplo, informa que não treina modelos com dados de clientes empresariais por padrão, oferece política de retenção zero de dados na plataforma de API para organizações elegíveis, permite armazenar o conteúdo em regiões como Estados Unidos e Europa e oferece um adendo de processamento de dados ([OpenAI, Business data privacy](https://openai.com/business-data/)). Os outros grandes fornecedores têm ofertas parecidas, e o que vale é sempre o contrato do plano contratado, não a página de marketing. O que continua sendo responsabilidade da empresa: o dado sai do país (transferência internacional), a empresa depende da palavra do fornecedor sobre retenção e o controle de acesso aos logs é dela. ### 2\. Nuvem privada: o modelo dentro da conta de nuvem da empresa Os provedores de nuvem oferecem modelos de linguagem como serviço gerenciado dentro da conta do cliente, com rede privada, chaves de criptografia gerenciadas pela empresa e escolha de região. A mesma lógica vale para rodar um modelo aberto em máquinas com GPU da própria conta. O ganho é que o dado fica no mesmo perímetro de segurança dos sistemas que a empresa já tem em nuvem, com os mesmos controles de identidade, auditoria e rede. Para quem já tem a plataforma de dados em uma nuvem, esse costuma ser o meio-termo mais equilibrado. O guia de [arquitetura RAG com Azure OpenAI e AI Search](https://bixtecnologia.com.br/arquitetura-rag-azure-openai-ai-search/) mostra um exemplo desse desenho. ### 3\. LLM local: o modelo no servidor da empresa O modelo roda em hardware que a empresa controla, no data center próprio ou em um servidor dedicado, sem que o prompt saia da rede interna. Isso ficou muito mais viável com os modelos de pesos abertos. O gpt-oss, da OpenAI, por exemplo, é distribuído sob licença Apache 2.0 em duas versões: a de 117 bilhões de parâmetros cabe em uma única GPU de 80 GB, e a de 21 bilhões roda com 16 GB de memória ([gpt-oss-120b no Hugging Face](https://huggingface.co/openai/gpt-oss-120b)). Há outras famílias de modelos abertos, e servidores de inferência de código aberto que expõem esses modelos por API para as aplicações internas. O preço do LLM local é operacional: comprar ou alugar GPU, manter o servidor de inferência, atualizar modelos, medir qualidade e responder por disponibilidade. E o modelo aberto mais capaz que cabe no hardware disponível costuma ficar atrás dos melhores modelos comerciais em tarefas complexas, o que precisa ser medido caso a caso. ### Comparação | Critério | API corporativa | Nuvem privada | LLM local | | --- | --- | --- | --- | | Onde o dado é processado | Infraestrutura do fornecedor, em geral fora do Brasil | Conta de nuvem da empresa, na região escolhida | Servidor da empresa | | Transferência internacional | Quase sempre | Depende da região do serviço | Não | | Tempo para começar | Dias | Semanas | Semanas a meses | | Qualidade dos modelos | Os mais capazes do mercado | Ampla, conforme o catálogo do provedor | Limitada pelo hardware e pelos modelos abertos | | Custo | Variável, por token | Variável ou reservado | Fixo (GPU e operação) | | Quem opera | Fornecedor | Provedor e time da empresa | Time da empresa | | Indicado para | Dados não sensíveis ou já anonimizados | Dados corporativos, com controles de nuvem que a empresa já usa | Dados sensíveis, sigilo contratual, ambientes sem internet | ## A arquitetura que reduz o risco em qualquer opção Escolher onde o modelo roda é metade da conversa. A outra metade é o que acontece com o dado antes e depois da chamada. Uma arquitetura de IA privada bem feita tem quatro camadas, e todas valem também para quem usa API externa. ### Gateway único para os modelos Todas as aplicações chamam os modelos por um ponto central, em vez de cada time ter a própria chave de API. O gateway autentica quem chama, aplica as regras de qual dado pode ir para qual modelo, registra cada chamada e permite trocar de fornecedor sem reescrever as aplicações. É também onde nasce a visibilidade de custo, assunto do guia de [FinOps para IA](https://bixtecnologia.com.br/finops-para-ia/). ### Minimização e mascaramento antes do prompt Antes de o texto chegar ao modelo, um passo de pré-processamento identifica e substitui nomes, documentos, telefones e e-mails por marcadores, e a resposta é recomposta depois, dentro do ambiente da empresa. Para muitas tarefas (classificar um chamado, resumir uma reclamação, extrair campos de um contrato) o modelo não precisa saber quem é a pessoa. Esse passo atende ao princípio da necessidade e, em muitos casos, permite usar a API externa sem enviar dado pessoal. ### Recuperação com controle de acesso Em assistentes que respondem com base em documentos internos (RAG), o risco mais comum não é o fornecedor do modelo, e sim o próprio assistente mostrar a um funcionário um documento que ele não poderia ver. A busca precisa respeitar as permissões do usuário que pergunta, e não as da conta técnica do assistente. O guia de [RAG em produção](https://bixtecnologia.com.br/rag-em-producao-2026/) detalha como montar essa camada. ### Logs, retenção e trilha de auditoria Prompts e respostas guardados para depuração são dado pessoal armazenado. Defina quanto tempo ficam, quem acessa e como são apagados, e mascare os campos sensíveis nos logs. A mesma trilha serve para responder a um titular que pergunta como uma decisão foi tomada e para investigar um incidente. Plataformas de observabilidade de LLM ajudam aqui, desde que também fiquem no ambiente certo. ## Quanto custa ter um LLM local A conta do LLM local troca custo variável por custo fixo. Com API, a empresa paga por token e o gasto acompanha o uso. Com modelo próprio, paga a GPU (comprada ou alugada), a energia ou a instância, e o tempo de quem opera, use o modelo muito ou pouco. Por isso, o LLM local compensa financeiramente em dois cenários: quando o volume é alto e estável o bastante para manter a GPU ocupada, ou quando a exigência de privacidade torna a API inviável e o custo vira requisito, não escolha. Fora disso, a nuvem privada ou a API com mascaramento costumam sair mais barato. - **Capacidade de pico, não de média.** Um assistente usado por toda a empresa às 9h da manhã precisa de GPU para aquele horário, mesmo que fique ociosa à noite. - **Redundância.** Um único servidor é um ponto único de falha. Se o assistente vira parte do processo, precisa de uma segunda máquina ou de um plano de contingência. - **Atualização de modelo.** Modelos abertos novos saem com frequência. Avaliar, testar e trocar o modelo é trabalho recorrente, com um conjunto de casos de avaliação para garantir que a troca não piorou as respostas. - **Segurança do servidor.** O servidor de inferência é um sistema como outro qualquer: precisa de patch, de controle de acesso e de monitoramento. Uma estratégia comum é híbrida: modelo local ou em nuvem privada para os fluxos com dado sensível, API externa com mascaramento para o resto, tudo atrás do mesmo gateway. O custo de cada caminho aparece no mesmo painel, e a decisão pode mudar conforme os preços e os modelos mudam. ## Como decidir: um roteiro em cinco passos 1. **Inventariar os casos de uso.** Liste cada aplicação de IA, existente ou planejada, com os dados que ela lê, quem usa e o que ela decide. Inclua o uso informal: funcionário colando planilha de cliente em chatbot gratuito é o risco mais comum e o menos visível. 2. **Classificar os dados de cada caso.** Público, interno, pessoal, pessoal sensível, sigiloso por contrato. A classificação, mais do que a tecnologia, define o caminho. 3. **Escolher o arranjo por classe de dado.** Dado sem informação pessoal ou já anonimizado pode ir para API corporativa. Dado pessoal comum pede nuvem privada ou API com mascaramento e cláusulas-padrão em dia. Dado sensível ou sob sigilo forte pede nuvem privada com região no Brasil ou LLM local. 4. **Montar a arquitetura comum.** Gateway, mascaramento, recuperação com permissão e política de logs, antes do segundo caso de uso, não depois do décimo. 5. **Documentar e revisar.** Registro das operações de tratamento, relatório de impacto quando o risco for alto, revisão do contrato de cada fornecedor e uma revisão periódica, porque fornecedores mudam de política e de região. Esse roteiro funciona melhor com jurídico, segurança da informação e o dono do processo de negócio na mesma mesa desde o início. Quando a TI escolhe a arquitetura sozinha, o projeto costuma voltar meses depois para ser refeito por exigência do DPO. ## Exemplos de quem já fez Dois cases da BIX mostram partes desse caminho. Na [Telecardio](https://bixtecnologia.com.br/sistema-de-gestao-e-camada-de-ia-telecardio/), empresa de saúde, a BIX construiu um sistema de gestão que integra quatro sistemas em uma fonte única de dados, com uma camada de IA sobre ele: em saúde, a separação entre o que o modelo lê e o que fica protegido é parte do desenho desde o primeiro dia. No [Grupo Soma](https://bixtecnologia.com.br/observabilidade-e-reducao-de-custos-de-llm-grupo-soma/), o trabalho foi dar observabilidade às aplicações com LLM e reduzir o consumo de tokens, a mesma camada de registro e controle que sustenta a governança de dados em qualquer arranjo de IA privada. A BIX trabalha nesse problema desenhando a arquitetura de IA de acordo com a classe de cada dado: gateway, mascaramento, recuperação com controle de acesso e a escolha entre API, nuvem privada e LLM local para cada caso de uso, com o custo e a qualidade medidos lado a lado. O ponto de partida costuma ser a página de [soluções com LLM](https://bixtecnologia.com.br/solucoes-llm/), e a continuidade, um [squad dedicado](https://bixtecnologia.com.br/squads-dedicados/) que opera os modelos, acompanha as mudanças de fornecedor e mantém a documentação em dia conforme novos casos de uso entram. ## Perguntas frequentes **Usar ChatGPT ou outra IA na empresa fere a LGPD?** Não por si só. O que pode ferir a lei é enviar dado pessoal sem base legal, sem finalidade definida, sem medidas de segurança ou para fora do país sem o mecanismo de transferência adequado. Planos corporativos com contrato de processamento de dados, mascaramento do dado pessoal e regras claras de uso resolvem a maior parte dos casos. **O que é um LLM local?** É um modelo de linguagem que roda em hardware controlado pela empresa, no data center próprio ou em um servidor dedicado, sem que o texto saia da rede interna. Com os modelos de pesos abertos, como o gpt-oss, é possível ter um LLM local com qualidade suficiente para muitas tarefas corporativas, desde que a empresa assuma a operação do servidor. **IA privada exige ter servidor com GPU?** Não. IA privada é sobre controle do dado, não sobre onde fica o hardware. Um modelo gerenciado dentro da conta de nuvem da empresa, com rede privada e região escolhida, também é IA privada. O servidor próprio faz sentido para dados sensíveis, ambientes sem internet ou volume alto e estável. **Mandar dados para uma API de IA nos Estados Unidos é transferência internacional?** Sim, quando o conteúdo inclui dado pessoal. Desde agosto de 2025, a transferência baseada em contrato precisa das cláusulas-padrão aprovadas pela ANPD ou de outro mecanismo previsto no art. 33 da LGPD. Mascarar o dado pessoal antes do envio reduz bastante o que entra nessa conta. **O fornecedor pode treinar o modelo com os dados da minha empresa?** Depende do plano e do contrato. Os principais fornecedores informam que não treinam com dados de clientes empresariais por padrão, mas planos gratuitos e de uso pessoal costumam ter regras diferentes. Por isso a política de uso interno precisa dizer quais ferramentas são autorizadas, e o contrato precisa ser lido antes de qualquer dado real entrar. ## Artigos relacionados Inteligência Artificial ### [Quanto custa implementar IA na empresa: do piloto à operação](https://bixtecnologia.com.br/quanto-custa-implementar-ia/) Do que é feito o custo de implementar IA, quanto pesa cada fase do projeto, como estimar a conta de tokens e como montar um orçamento que a diretoria aprova. 7 de novembro de 2026 16 min de leitura Inteligência Artificial ### [FinOps para IA: como medir e reduzir o custo de LLM na empresa](https://bixtecnologia.com.br/finops-para-ia/) Como aplicar FinOps aos gastos com IA: visibilidade por caso de uso, técnicas para reduzir o custo de LLM e unidade econômica para provar retorno. 5 de novembro de 2026 14 min de leitura Inteligência Artificial Desenvolvimento de Software ### [Agentes de IA em produção: o que muda do piloto à operação](https://bixtecnologia.com.br/agentes-de-ia-em-producao/) O que muda ao levar agentes de IA do piloto à operação: avaliação, observabilidade, custo, segurança e quem cuida depois. 4 de novembro de 2026 11 min de leitura Desenvolvimento de Software Inteligência Artificial ### [O que é vibe coding e quando ele serve em produção](https://bixtecnologia.com.br/vibe-coding/) O que é vibe coding, onde ele funciona e o que exigir antes da produção. 13 de outubro de 2026 11 min de leitura Inteligência Artificial Desenvolvimento de Software ### [Prompt injection: como proteger agentes de IA em produção](https://bixtecnologia.com.br/prompt-injection-agentes-de-ia/) Como proteger agentes de IA de prompt injection direto e indireto. 22 de setembro de 2026 12 min de leitura Engenharia de Dados Inteligência Artificial ### [Claude Code na engenharia de dados: como refatorar pipelines e escrever testes](https://bixtecnologia.com.br/claude-code-engenharia-de-dados/) Refatore pipelines e crie testes com o Claude Code na engenharia de dados 25 de agosto de 2026 10 min de leitura --- BIX Tecnologia · Contato: https://bixtecnologia.com.br/contato/ Índice do site para agentes: https://bixtecnologia.com.br/llms.txt