LLM local ou proxy de privacidade: o que o RGPD pede
· Escrito e mantido por Nonimo
Se a sua empresa ou escritório já usa a API da OpenAI, o mais provável é não precisar de um LLM local. O RGPD não diz onde deve correr o modelo: pede que só saiam os dados necessários e que sejam protegidos de forma adequada ao risco. Pseudonimizar o pedido antes da chamada responde a essa exigência na maior parte dos casos, sem comprar servidores nem contratar quem os mantenha.
O Nonimo Gateway instala-se nos seus próprios servidores. Ver os planos e falar connosco.
Há casos em que o modelo próprio é a resposta certa, e este guia diz quais. Também diz o que custa, em termos de equipamento e de pessoas, sem números inventados: o preço de uma GPU muda todos os meses, e a necessidade de alguém que trate dela não muda nunca.
IA privada: três coisas diferentes com o mesmo nome
Quem procura «IA privada» encontra propostas que pouco têm em comum. Convém separá-las antes de comparar preços.
| o que lhe vendem | onde corre o modelo | o que sai da sua rede |
|---|---|---|
| LLM local | nos seus servidores ou numa nuvem que controla | nada, se estiver bem montado |
| nuvem com contrato | nos servidores do fornecedor | o texto completo, sob contrato e sem treino |
| API com proxy de privacidade | nos servidores do fornecedor | o texto com marcadores no lugar dos dados pessoais |
Fonte: formas habituais de oferta; confirme sempre no contrato concreto.
A segunda linha é o ponto de partida de quase toda a gente. Se já trabalha com a API da OpenAI, o que acontece ao texto do lado de lá está no guia sobre o que o ChatGPT faz com os seus dados, e os critérios para escolher fornecedor estão em como escolher uma IA à luz do RGPD. A pergunta deste guia é se vale a pena saltar para a primeira linha ou se basta passar para a terceira.
O que o RGPD pede, e o que não pede
O artigo 5.º, n.º 1, alínea c), fixa a minimização: dados «adequados, pertinentes e limitados ao que é necessário». O artigo 25.º manda aplicar, desde a conceção, medidas «como a pseudonimização» para pôr em prática esse princípio. O artigo 32.º abre a lista das medidas de segurança com «a pseudonimização e a cifragem dos dados pessoais». Em nenhum sítio se exige que o modelo corra em casa.
O Comité Europeu para a Proteção de Dados, nas diretrizes 01/2025 sobre pseudonimização, acrescenta duas coisas úteis. A primeira: o RGPD não impõe um dever geral de pseudonimizar, mas pode ser necessário fazê-lo para cumprir a minimização ou a segurança. A segunda: a redução de risco que a pseudonimização traz pode ajudar a garantir um nível de proteção essencialmente equivalente quando os dados vão para fora da União. Para quem usa um fornecedor norte-americano, é um argumento a favor de tirar os identificadores antes do envio.
A CNPD vai no mesmo sentido. Na Diretriz/2023/1 inclui os métodos de pseudonimização e anonimização entre as boas práticas a definir logo na fase de desenvolvimento de software, «mesmo quando o sistema é desenvolvido e mantido por subcontratante(s)». Uma aplicação que chama uma API de IA é exatamente isso.
Quando um LLM local faz sentido
Há situações em que o modelo próprio compensa, e não são raras em setores com dados sensíveis:
- os dados não podem sair da rede em caso algum, por contrato com o cliente, por regra do setor ou porque a rede está isolada da internet;
- o volume é grande e estável, ao ponto de a fatura da API pesar mais do que manter equipamento;
- precisa de afinar um modelo com documentos próprios, coisa que nem sempre se faz numa API sem enviar esses documentos;
- o texto quase todo é identificador, como notas clínicas em que o contexto (idade, terra, doença rara) identifica tanto como o nome. É o caso que o guia sobre RGPD na saúde trata do lado do papel.
O que custa ter o modelo em casa
Não é só a máquina. É a lista de tarefas que passa a ser sua:
| custo | o que implica |
|---|---|
| equipamento | servidores com GPU, ou instâncias com GPU na nuvem, dimensionados para o pico e não para a média |
| pessoas | alguém que instale, atualize e vigie o modelo, o servidor e as dependências |
| qualidade | testar os modelos abertos com os seus casos reais, porque um modelo que cabe no seu servidor pode não responder como o que usa hoje pela API |
| segurança | registos, cópias de segurança e índice de documentos passam a ser seus para proteger |
| atualização | os modelos mudam depressa; cada troca é um novo ciclo de testes |
A linha da segurança é a que mais se esquece. Um LLM local não elimina o risco: desloca-o. Os pedidos deixam de ir para a OpenAI, mas ficam nos registos do seu servidor, e o índice de pesquisa usado para responder com os seus documentos é uma cópia desses documentos em formato pesquisável.
Quando basta manter a API e pseudonimizar o pedido
Para um escritório de contabilidade, uma clínica pequena ou uma sociedade de advogados com uma aplicação interna que resume, classifica ou redige, a conta costuma fechar do outro lado. O modelo de que precisa é o que já usa; o que precisa de mudar é o que lhe chega.
Um exemplo inventado para este guia. Uma clínica de fisioterapia em Viseu tem uma aplicação que prepara o resumo de alta a partir das notas da sessão e o envia por correio eletrónico ao doente. O pedido à API sai assim:
Resumo de alta para Joana Mirassol Pires, nascida a 3 de março de 1981, residente na Rua do Pomar 14, Viseu. Contacto: joana.mpires@example.com, 900 000 000. Lombalgia com 6 semanas de evolução, 10 sessões, ganho de mobilidade.
Com um proxy de privacidade à frente da API, o modelo recebe isto:
Resumo de alta para [NOME_1], nascida a [DATA_1], residente na [MORADA_1]. Contacto: [EMAIL_1], [TELEFONE_1]. Lombalgia com 6 semanas de evolução, 10 sessões, ganho de mobilidade.
O modelo redige o resumo com os marcadores, e o proxy repõe nome, data e morada antes de a resposta chegar à aplicação. A clínica continua a usar o modelo de sempre, e o fornecedor nunca vê quem é a doente.
Duas ressalvas honestas. A primeira: o texto clínico continua lá, e numa terra pequena uma combinação de pormenores pode bastar para reconhecer alguém. O guia sobre pseudonimização no RGPD explica porque é que, para a clínica, o texto continua a ser dado pessoal. A segunda: dados de saúde exigem fundamento próprio e contrato com o fornecedor, com ou sem marcadores. A pseudonimização baixa o risco; não dispensa o resto.
Se quiser comparar ferramentas que fazem esta troca, há uma visão geral (em inglês) de software de redação de dados pessoais, e uma página sobre o Microsoft Presidio, a biblioteca de código aberto que hoje a comunidade Data Privacy Stack mantém.
Nonimo Gateway: manter a API sem mandar os dados
O Nonimo Gateway é a terceira linha da primeira tabela. É um proxy que substitui os dados pessoais antes de o pedido chegar à API e repõe os reais na resposta. Instala-se nos seus próprios servidores, e o modelo que responde continua a ser o da OpenAI, com a sua chave.
É compatível com a API da OpenAI (muda o base_url) e reconhece os documentos e números nacionais de cada país que serve. Se já tem um gateway, há um plugin para o LiteLLM; o que é um gateway e onde o proxy encaixa está no guia o que é um AI gateway.
Os planos e preços estão na página do Nonimo Gateway.
Antes de comprar GPU, meça o que sai
Antes de decidir, pegue em vinte pedidos reais da sua aplicação e marque o que identifica alguém. Se o que identifica são nomes, contactos e números, um proxy resolve com o modelo que já tem. Se é o próprio texto, pense no LLM local, e veja no guia de fuga de dados com IA por onde mais pode escapar. Veja os planos do Nonimo Gateway e fale connosco.
Fontes
Verificadas a 20 de outubro de 2026.
- Regulamento (UE) 2016/679, Regulamento Geral sobre a Proteção de Dados, versão portuguesa, EUR-Lex. Artigo 5.º, n.º 1, alínea c), minimização; artigo 25.º, n.º 1, medidas como a pseudonimização desde a conceção; artigo 32.º, n.º 1, alínea a), pseudonimização e cifragem.
- Comité Europeu para a Proteção de Dados, Guidelines 01/2025 on Pseudonymisation, adotadas a 16 de janeiro de 2025, versão para consulta pública. Resumo executivo: ausência de dever geral de pseudonimizar, necessidade possível para a minimização e a segurança, e contributo para a proteção de dados exportados.
- CNPD, Diretriz/2023/1, sobre medidas organizativas e de segurança, aprovada a 10 de janeiro de 2023. Métodos de pseudonimização e anonimização no desenvolvimento de software, mesmo quando feito por subcontratantes.
O Nonimo é o software que faz isto no seu próprio computador: oculta nomes de clientes e números de identificação antes de o texto chegar ao ChatGPT. Sem conta, e com a app os dados dos seus clientes não saem do seu computador.
Perguntas frequentes
O RGPD obriga a usar um LLM local?
Não. O RGPD não diz onde deve correr o modelo; pede que os dados sejam limitados ao necessário e protegidos com medidas adequadas ao risco, e nomeia a pseudonimização entre elas nos artigos 25.º e 32.º. Um LLM local é uma forma de cumprir, não a exigida.
O que é uma IA privada?
IA privada é uma expressão que se usa para três coisas diferentes: um modelo alojado nos seus servidores, um serviço na nuvem com contrato e garantias de não treino, ou uma API pública a que só chegam dados pseudonimizados. Antes de comprar, pergunte qual das três lhe estão a vender.
Quando compensa ter um LLM local?
Compensa quando os dados não podem sair da rede em caso algum, quando o volume é grande e constante, ou quando precisa de afinar um modelo com dados próprios. Pede servidores com GPU, alguém que os mantenha e tempo para testar a qualidade dos modelos com os seus casos reais.
Pseudonimizar o pedido chega para usar a API da OpenAI com dados de clientes?
Reduz muito o que sai, mas não torna o texto anónimo. Para quem guarda a correspondência, os dados pseudonimizados continuam a ser pessoais, e o fornecedor continua a precisar de contrato adequado. O que muda é que nomes e contactos ficam em casa e o modelo trabalha com marcadores.
Um LLM local elimina o risco de fuga de dados?
Não elimina, desloca. Os dados deixam de ir para um fornecedor externo, mas passam a viver nos registos, nas cópias de segurança e no índice de documentos do seu servidor, que tem de proteger como qualquer outro sistema com dados pessoais.