IA on-premise
IA local, sob o seu controle.
Três arquiteturas para executar modelos de IA dentro da sua infraestrutura. Nenhum dado, prompt ou resposta sai da sua rede: as três opções dão a mesma garantia de privacidade e mudam em escala, disponibilidade e governança.
Por que on-premise
Quando o dado é sensível, o modelo vai até o dado
E não o contrário. Quatro motivos pelos quais as empresas levam a IA para a própria infraestrutura.
Privacidade e soberania
Prompts, documentos e respostas são processados nos seus servidores, sem terceiros e sem que seus dados treinem modelos alheios.
Regulação
As leis de proteção de dados (a LGPD no Brasil, a LFPDPPP de 2025 no México) e os reguladores do seu setor exigem saber onde o dado está e quem o acessou.
Custo previsível
Você investe em capacidade própria em vez de pagar por token, com um custo que pode ser orçado.
Controle e continuidade
Você decide qual versão do modelo usar e quando atualizá-la. A plataforma funciona mesmo sem conexão com a internet.
Três opções
Três arquiteturas, um mesmo princípio
A mesma garantia de privacidade, com diferentes níveis de escala, disponibilidade e governança.
| Critério | Opção 1 · Nó Local | Opção 2 · Plataforma Privada | Opção 3 · IA Soberana Governada |
|---|---|---|---|
| Para quem | Empresa de médio porte com um primeiro caso de uso | Média-grande ou enterprise com várias equipes | Enterprise regulada: bancos, seguros, saúde, governo |
| Base tecnológica | Código aberto: vLLM ou Ollama sobre Docker Compose, LangGraph, pgvector, LibreChat, Langfuse | Red Hat OpenShift AI 3: llm-d + vLLM, Models-as-a-Service, EvalHub, NeMo Guardrails, GitOps | IBM watsonx (watsonx.ai, watsonx.data, watsonx.governance) sobre Red Hat OpenShift AI |
| Disponibilidade | Um servidor com backup a frio | Cluster em alta disponibilidade | Dois sites com recuperação de desastres, ambiente desconectado (air-gapped) |
| Governança de IA | Traces e evals | Somam-se consumo medido por equipe, avaliação e guardrails de plataforma | Somam-se inventário de modelos, risco e evidência regulatória |
| Implantação | 4 a 6 semanas | 8 a 12 semanas | 12 a 20 semanas |
Prazos e capacidades são faixas de referência: são confirmados no discovery com os seus casos de uso, usuários e volumes reais.
Opção 1
Nó Local: IA privada em um único servidor
O caminho mais curto até a produção para uma empresa de médio porte com um primeiro caso de uso: um servidor com GPU dentro da sua rede, com componentes de código aberto implantados com Docker Compose.
Limite: sem alta disponibilidade. O servidor é um ponto único de falha e é protegido com backup a frio.
Componentes da Opção 1 e suas licenças
| Componente | Função | Licença |
|---|---|---|
| vLLM | Inferência | Apache 2.0 |
| Ollama | Inferência | MIT |
| LangGraph | Agentes | MIT |
| pgvector | Base vetorial | PostgreSQL License |
| LibreChat | Interface de chat | MIT |
| Langfuse | Traces e evals | MIT (núcleo); recursos enterprise com licença comercial |
| Docker Compose | Implantação | Apache 2.0 |
Licenças verificadas em novembro de 2026; são confirmadas no início de cada projeto. Cada modelo de pesos abertos tem a sua própria licença, que revisamos para o seu uso.
Opção 2
Plataforma Privada: IA como serviço interno
Para empresas médias-grandes ou enterprise com várias equipes: um cluster que serve vários modelos para toda a organização, com alta disponibilidade, consumo medido por equipe e operação declarativa com GitOps.
Requer uma equipe de plataforma, própria ou gerenciada pela SISCON.
Opção 3
IA Soberana Governada: evidência para o regulador
Para enterprise regulada —bancos, seguros, saúde, governo—: governança de modelos de ponta a ponta (inventário, risco, linhagem e auditoria) em dois sites com recuperação de desastres e operação desconectada.
Maior investimento e gestão da mudança; justifica-se por regulação ou criticidade. A operação desconectada é confirmada por produto e versão durante o desenho.
Segurança
Controles comuns às três opções
Presentes nas três; a profundidade e a evidência crescem da Opção 1 para a 3.
Rede sem saída para a internet
Modelos e atualizações entram por um registro interno controlado, depois de verificada a sua integridade.
SSO com o seu diretório
O acesso passa sempre pelo seu diretório corporativo, com permissões por perfil.
Permissões herdadas do usuário
O agente só vê o que o usuário pode ver; a busca em documentos é filtrada pelas permissões dele.
Registro de cada interação
Cada prompt, resposta e ação do agente fica registrada e disponível para auditoria.
Guardrails
Filtros de dados pessoais e de tentativas de injeção, políticas de uso e escalonamento para uma pessoa em casos-limite.
Criptografia
Em trânsito e em repouso, com as chaves sob o seu controle.
Decisão
Como escolher e como crescer
Comece de onde você está hoje; a arquitetura cresce quando o negócio pede.
Comece com o Nó Local se…
você tem um caso de uso claro e delimitado e quer resultados em semanas com um investimento contido.
Escale para a Plataforma Privada se…
várias equipes pedem IA, você precisa de alta disponibilidade e quer oferecer modelos como um serviço interno com consumo medido.
Vá para a IA Soberana Governada se…
um regulador ou uma auditoria exige evidência: inventário de modelos, linhagem, controle de risco e continuidade em dois sites.
Rota de evolução: nada do que foi construído se perde
Agentes, busca em documentos (RAG) e evals migram de uma opção para a seguinte, porque tudo roda em contêineres e usa APIs compatíveis com a OpenAI. Você pode começar com um servidor e crescer sem refazer.
- 1 · Nó Local
- 2 · Plataforma Privada
- 3 · IA Soberana Governada
Metodologia
Seis fases, do discovery à operação
O mesmo caminho para as três opções: medir antes de comprar hardware e validar com um caso real.
- F1
Descubra
Casos de uso, dados sensíveis, marco regulatório e infraestrutura. Sai o escopo e a opção recomendada.
- F2
Desenhe
Avaliamos modelos abertos com os seus dados, dimensionamos GPU, armazenamento e rede, e a arquitetura e seus controles são aprovados.
- F3
Desenvolva
Instalamos a plataforma, integramos com o seu diretório e construímos o primeiro caso de uso.
- F4
Valide
Testes de qualidade contra um conjunto de referência, de segurança, de carga e de que a rede não tem saída para a internet.
- F5
Implante
Produção por etapas, capacitação e entrega do runbook e da evidência dos controles.
- F6
Otimize
Operação medida com indicadores, evals contínuos e novos casos de uso.
Os evals são o critério de saída: nada vai para produção se degradar a qualidade medida.
FAQ
Perguntas frequentes
Os modelos abertos são suficientes para o meu caso?
Depende do caso, e por isso medimos antes de comprometer o escopo: na fase Desenhe comparamos modelos abertos com os seus próprios dados, não com benchmarks públicos.
Preciso comprar GPU antes de começar?
Não. Primeiro os modelos são avaliados e o hardware é dimensionado com os seus usuários e a sua concorrência reais; a compra vem depois do desenho.
Uma plataforma on-premise me deixa em conformidade com a LGPD ou com o meu regulador?
Não sozinha. Ela fornece controles —dados dentro da sua rede, permissões, registro e criptografia— e evidência para o seu programa de conformidade. A conformidade é determinada pela sua organização e pelos seus auditores.
Posso começar com um servidor e crescer depois?
Sim. Agentes, RAG e evals são construídos em contêineres com APIs compatíveis, então migram para a Plataforma Privada ou para a IA Soberana Governada sem serem refeitos.
A Opção 1 não paga licenças?
Seus componentes são de código aberto e cada um tem a sua própria licença (Apache 2.0, MIT, PostgreSQL License); os modelos de pesos abertos também têm a sua, que revisamos para o seu uso. As opções 2 e 3 incluem assinaturas da Red Hat e da IBM.
A IA Factory pode rodar dentro da minha rede?
Sim, sobre qualquer uma das três opções. Com modelos locais, o escopo é comprometido depois de medir a qualidade deles com evals sobre o seu próprio código.
Próximo passo
Escolha a opção com os seus números
Uma sessão de descoberta gratuita de 60 minutos para revisar seus casos de uso, seus dados sensíveis e sua infraestrutura, e recomendar por onde começar.