IA Open
Source.

Open source não é a resposta — é uma resposta.

IA open source são modelos que correm no computador de quem os usa, não na cloud. A pergunta certa não é "devo mudar?". É "no meu caso, o que ganho e o que perco se mudar?".

Vou ser directa desde já: a maior parte dos consultores não precisa de IA local. O Claude Pro na cloud chega para a esmagadora maioria dos casos — mais simples, mais rápido de começar, melhor qualidade de output. Quem está à procura de uma desculpa para complicar o setup, este guia não a vai dar.

Mas há três situações concretas em que vale a pena conhecer a alternativa: privacidade extrema (dados que não podem sair da máquina), volume alto e regular (centenas ou milhares de itens em lote), e operação offline (zonas sem cobertura). Este guia mostra exactamente quando o jogo muda — e quando não muda.

O que está dentro

1. 01.Cloud vs Local — a comparação directa, sem rodeios4 min
2. 02.Os 3 casos em que faz sentido tirar a IA da cloud5 min
3. 03.Os 4 casos em que NÃO faz sentido (ainda)3 min
4. 04.Modelos e ferramentas úteis — o panorama de 20264 min
5. 05.Como começar — o caminho mais simples4 min
6. 06.Hardware e a árvore de decisão final3 min
7. 07.O padrão híbrido — o melhor dos dois mundos3 min

A comparação directa, sem rodeios.

Antes de decidir o que quer que seja, convém ver os dois lados lado a lado. Cada coluna tem vantagens reais — a questão é qual delas pesa mais no caso de cada um.

Repare numa coisa importante: o custo da cloud não é o problema. Dezassete euros por mês é insignificante face ao tempo poupado. O que move a decisão para local é quase sempre a privacidade ou o volume — raramente o preço por si só.

Os 3 casos em que vale a pena.

São três situações distintas. Basta uma delas pesar a sério no dia-a-dia para começar a justificar a complexidade extra do local.

Caso 1 · Dados pessoais sensíveis

Cenário: triagem de uma base com centenas ou milhares de contactos — nome, email, telefone, histórico de transacções, notas pessoais. A Anthropic é clara em não treinar nos dados de quem usa o serviço (convém confirmar sempre a política actual). Mas quem trabalha sob cláusulas de confidencialidade contratuais pode simplesmente preferir que nada saia da própria máquina.

Workflow típico — zero dados pessoais saem da máquina:
1. Base de contactos no Google Sheets
2. Exportar localmente (CSV)
3. Modelo local processa (scoring, classificação, segmentação)
4. Resultado volta para o Sheets
5. Nenhum dado pessoal tocou na cloud

Caso 2 · Processamento em lote

Cenário: processar 500 descrições de imóveis de uma vez, ou fazer scoring de 4.000 contactos todos os meses. Para volume baixo-médio, a poupança da cloud é irrelevante. Para volume alto e regular, começa a fazer diferença real.

Caso 3 · Trabalhar sem internet

Cenário: uma visita a um imóvel em zona com cobertura má. Tirar fotos e gerar uma descrição inicial ali mesmo. Um modelo local no portátil funciona offline; ao voltar a estar online, sincroniza-se com o vault.

Os 4 sinais de que deve ficar na cloud.

Esta é a parte que ninguém que vende "soluções de IA" quer dizer em voz alta. Para a maioria, a resposta certa é cloud — e está tudo bem com isso.

Modelos e ferramentas úteis em 2026.

A área evolui depressa: as escolhas de hoje podem mudar daqui a três meses. Esta é uma fotografia, não uma lista definitiva — convém verificar sempre o estado actual antes de decidir.

Modelos de texto

• Llama (Meta) — boa qualidade geral, vários tamanhos (7B, 13B, 70B parâmetros). Quanto maior, melhor o output, mas mais hardware é preciso.
• Mistral — leve, rápido, qualidade competitiva. Bom ponto de partida.
• Qwen — alternativa forte, sobretudo em multilingue (incluindo PT).
• Gemma (Google) — versão open weight do Gemini, em várias dimensões.

Modelos com visão (texto + imagem)

Úteis para analisar fotos de imóveis — sugerir descrição, detectar características:

• Llama Vision · Pixtral (Mistral) · Qwen-VL

Onde descarregar

O caminho mais simples, em 4 passos.

Para quem decidiu que vale a pena testar, este é o percurso de menor atrito — via Ollama. Em menos de meia hora há um modelo a correr localmente.

1. Instalar o Ollama ~5 min Ir a ollama.com, descarregar para o sistema (Mac, Windows ou Linux) e instalar como qualquer outro programa.
2. Descarregar um modelo 5-15 min No Terminal (Mac/Linux) ou PowerShell (Windows), correr o comando abaixo. O download demora consoante a internet — o modelo tem 2-7 GB.
3. Testar ~1 min Correr o modelo e escrever um pedido directo. A resposta sai em segundos, localmente, offline, a custo zero.
4. Integrar com o sistema avançado Quando fizer sentido: o Ollama expõe um servidor local em localhost:11434 que qualquer ferramenta consegue chamar (Claude Code, n8n, scripts próprios).

# Passo 2 — descarregar o modelo
ollama pull llama3.2

# Passo 3 — correr e testar
ollama run llama3.2

# Exemplo de pedido, já dentro do modelo:
> Descreve em 100 palavras um T2 em Cascais (80m2, varanda
  pequena, 2 quartos, renovado em 2020, condominio 60 euros/mes),
  para anuncio em Idealista. PT-PT. Sem buzzwords.

O que é preciso, e como decidir.

Modelos locais não correm bem em qualquer máquina. Antes de instalar o que quer que seja, vale a pena confirmar se o hardware aguenta.

Os Macs com Apple Silicon (M1, M2, M3, M4) são particularmente bons para correr modelos locais — a memória unificada ajuda muito. Quem pondera trocar de portátil e sabe que vai usar IA local pode ter isto em conta. A regra honesta: se o portátil é de 2017 ou anterior, ficar na cloud — não vale o investimento.

O melhor dos dois mundos.

Vou ser transparente: na maior parte do meu dia-a-dia, uso Claude Pro na cloud. A qualidade é melhor, a integração com o vault é mais directa, e o custo é insignificante face ao tempo poupado. O local entra em pontos muito específicos.

Onde uso modelo local

• Triagem em lote da base de contactos — milhares de nomes acumulados ao longo de anos. Em vez de enviar para a cloud, processa-se localmente. Privacidade máxima.
• Pré-classificação de PDFs sensíveis — por exemplo, cadernetas prediais com NIFs visíveis, antes de processar apenas as partes necessárias no Claude.
• Geração de embeddings para pesquisa semântica no vault — corre em segundo plano, sem tocar na cloud.

Um caminho faseado, sem pressa

A grande maioria nunca chega a precisar de IA local — e isso é um bom sinal, não um falhanço. O que quase toda a gente precisa é de sistema à volta da IA cloud. O local é uma ferramenta de precisão para casos concretos, não um objectivo em si.