--- id: CP-268 slug: modelos-abertos-vs-proprietarios-ia lang: pt title: Modelos de IA abertos ou proprietários description: "Modelo com pesos publicados ou serviço em linha: o que muda para os dados da empresa e o que o colaborador deve fazer ou evitar." canonical_url: https://startbrain.io/cyberpedia/pt/articles/modelos-abertos-vs-proprietarios-ia/ markdown_url: https://startbrain.io/cyberpedia/pt/articles/modelos-abertos-vs-proprietarios-ia.md publisher: Brain (https://startbrain.io) license: CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) cite_as: Brain, «Modelos de IA abertos ou proprietários», Cyberpedia, 2026. https://startbrain.io/cyberpedia/pt/articles/modelos-abertos-vs-proprietarios-ia/ (CC BY 4.0) wing: 4 theme: authorized_tools reflex: air-023 schema: G3 updated: "2026-11-03" translations: pt: https://startbrain.io/cyberpedia/pt/articles/modelos-abertos-vs-proprietarios-ia/ fr: https://startbrain.io/cyberpedia/fr/articles/modeles-ouverts-vs-proprietaires-ia/ en: https://startbrain.io/cyberpedia/en/articles/open-weights-vs-proprietary-ai-models/ de: https://startbrain.io/cyberpedia/de/articles/offene-vs-proprietaere-ki-modelle/ es: https://startbrain.io/cyberpedia/es/articles/modelos-abiertos-vs-propietarios-ia/ it: https://startbrain.io/cyberpedia/it/articles/modelli-aperti-vs-proprietari-ia/ nl: https://startbrain.io/cyberpedia/nl/articles/open-vs-proprietaire-ai-modellen/ sources: - "n": 1 title: "LLaMA: Open and Efficient Foundation Language Models" publisher: arXiv url: https://arxiv.org/abs/2302.13971 published: "2023-02-27" accessed: "2026-11-03" - "n": 2 title: Mistral 7B publisher: arXiv url: https://arxiv.org/abs/2310.06825 published: "2023-10-10" accessed: "2026-11-03" - "n": 3 title: The Llama 3 Herd of Models publisher: arXiv url: https://arxiv.org/abs/2407.21783 published: "2024-07-31" accessed: "2026-11-03" - "n": 4 title: Guidelines for secure AI system development publisher: NCSC (Royaume-Uni) url: https://www.ncsc.gov.uk/collection/guidelines-secure-ai-system-development published: "2023-11-27" accessed: "2026-11-03" - "n": 5 title: "IA : comment être en conformité avec le RGPD ?" publisher: CNIL url: https://www.cnil.fr/fr/intelligence-artificielle/ia-comment-etre-en-conformite-avec-le-rgpd published: "2022-04-05" accessed: "2026-11-03" - "n": 6 title: LLMRisks Archive publisher: OWASP url: https://genai.owasp.org/llm-top-10/ accessed: "2026-11-03" - "n": 7 title: Principles for security of Machine learning ML publisher: NCSC (Royaume-Uni) url: https://www.ncsc.gov.uk/collection/machine-learning-principles published: "2024-05-22" accessed: "2026-11-03" - "n": 8 title: AI Risk Management Framework publisher: NIST url: https://www.nist.gov/itl/ai-risk-management-framework accessed: "2026-11-03" --- # Modelos de IA abertos ou proprietários Um assistente de IA assenta num modelo de linguagem. Esse modelo pode ser distribuído sob a forma de ficheiros que qualquer pessoa pode descarregar e executar no seu próprio computador: fala-se então de um modelo com pesos publicados, ou «aberto». Pode também ficar junto do seu editor, que só o oferece através de um serviço em linha: fala-se então de um modelo proprietário. Para um colaborador, a diferença está menos na qualidade das respostas do que numa pergunta simples: para onde vão os dados que introduz e quem responde por eles? Esta ficha explica os dois casos e o que a Brain espera em cada um. ## Em 30 segundos - Onde acontece: em qualquer ferramenta de IA, seja um serviço em linha ou um modelo descarregado e instalado num posto de trabalho. - O que muda: com um serviço em linha, os seus dados seguem para um alojador. Com um modelo aberto, tudo depende do local onde funciona e de quem o instalou e o atualiza. - O risco: um modelo «aberto» continua sujeito a uma licença e a riscos, e não protege os dados se for utilizado através de um serviço de terceiros. - O reflexo: O reflexo: utilizar apenas as ferramentas de IA autorizadas pela Brain, não instalar nenhum modelo descarregado sem validação e não introduzir dados sensíveis num serviço não aprovado. - Se já o fez: avisar sem demora a equipa de segurança da Brain e indicar que dados foram introduzidos ou que modelo foi instalado. ## Perguntas diretas ### Qual é a diferença entre um modelo aberto e um modelo proprietário? Um modelo aberto é publicado, em vez de ficar por detrás de um serviço. Há dois exemplos documentados nas fontes aqui citadas: o LLaMA, apresentado em fevereiro de 2023 por uma equipa de investigadores, que escreve «We release all our models to the research community» [1], e o Mistral 7B, publicado sob licença Apache 2.0 [2]. Um modelo proprietário só se consulta através de um serviço em linha: o utilizador envia o seu texto e recebe uma resposta, sem ver o modelo. ### Para onde vão os meus dados? Com um serviço em linha, o texto introduzido sai da empresa para ser tratado pelo fornecedor. As orientações do NCSC britânico visam, aliás, os sistemas que utilizam modelos alojados por uma organização ou interfaces externas (API), e querem sistemas de IA que funcionem sem revelar dados sensíveis a terceiros não autorizados [4]. Com um modelo aberto instalado num posto ou num servidor interno, o tratamento pode ficar no local. Nada nos próprios modelos o impõe: tudo depende do local onde funcionam. ### Um modelo aberto protege os meus dados? Não automaticamente. Se um modelo aberto for utilizado através de um serviço de terceiros, o que introduz passa por esse serviço, tal como num modelo proprietário. O que conta é o local onde o tratamento se realiza, não o facto de o modelo ser aberto. ### Quem atualiza o modelo e quem responde por ele? Com um serviço em linha, o modelo fica no fornecedor. Com um modelo descarregado, fica com quem o instalou, e mais ninguém trata dele. As orientações do NCSC colocam a gestão das atualizações na fase de «operação e manutenção» de um sistema de IA e a segurança da cadeia de abastecimento na fase de desenvolvimento [4]. Quanto aos dados pessoais, a CNIL levanta a questão da repartição das responsabilidades quando um sistema de IA é fornecido por um editor e utilizado por um terceiro [5]. ### O fornecedor pode reutilizar o que eu introduzo? A CNIL indica que um fornecedor de sistemas de IA pode legalmente reutilizar dados confiados por um responsável pelo tratamento se várias condições estiverem reunidas: autorização do responsável pelo tratamento, teste de compatibilidade, informação e respeito pelos direitos das pessoas, conformidade do novo tratamento [5]. Daí o interesse de recorrer a uma ferramenta cujas condições a Brain verificou. ## Como funciona Um modelo de linguagem é treinado com uma grande quantidade de textos e depois serve para prever uma continuação de texto em resposta a uma instrução [7]. Os investigadores do LLaMA mostraram que era possível treinar um modelo de ponta apenas com dados públicos, e que o LLaMA-13B superava o GPT-3 (175B) na maioria dos testes [1]. O Mistral 7B, com 7 mil milhões de parâmetros, ultrapassa o Llama 2 13B em todos os testes avaliados [2]. O maior modelo do Llama 3 tem 405 mil milhões de parâmetros, e os seus autores consideram que a sua qualidade é comparável à do GPT-4 em muitas tarefas [3]. Publicaram esse modelo, bem como o Llama Guard 3, um modelo de controlo das entradas e das saídas [3]. Do lado da empresa, a decisão incide, portanto, em três pontos: o alojamento do modelo, quem o atualiza e quem responde por um incidente. A resposta varia de ferramenta para ferramenta. É por isso que a lista das ferramentas autorizadas faz as vezes de regra. ## O que fazer - Utilize apenas as ferramentas de IA autorizadas pela Brain, quer assentem num modelo aberto, quer num modelo proprietário. - Não instale um modelo descarregado num posto de trabalho sem validação da equipa de segurança. - Não introduza dados sensíveis num serviço não aprovado: dados de clientes, de colegas, de saúde, segredos da empresa. - Para um teste, prefira dados fictícios, isto é, com a mesma estrutura dos verdadeiros mas sem ligação a nenhuma pessoa. A CNIL cita os testes com dados fictícios para determinar os dados necessários a um sistema de IA [5]. - Em caso de dúvida sobre uma ferramenta, pergunte antes de a utilizar. - Se já introduziu dados num serviço não aprovado ou instalou um modelo, comunique-o de imediato. ## As armadilhas ### «Aberto» não quer dizer sem licença O Mistral 7B é publicado sob licença Apache 2.0 [2]. Um modelo aberto é, pois, publicado com uma licença, que fixa as suas condições de utilização. As fontes aqui citadas não detalham as licenças dos outros modelos: não parta do princípio de que qualquer utilização é permitida. ### Um modelo descarregado pode estar manipulado ou enviesado A OWASP inclui entre os dez riscos de 2025 para as aplicações de IA generativa a cadeia de abastecimento dos modelos, exposta a diversas vulnerabilidades, e o envenenamento de dados e de modelos [6]. Inclui também a desinformação, desta vez como fragilidade central das aplicações que assentam em modelos [6]. Um ficheiro de modelo obtido num sítio qualquer não foi controlado pela Brain. O NCSC inclui, aliás, a segurança da cadeia de abastecimento nos pontos a tratar desde o desenvolvimento de um sistema de IA [4]. ### Um modelo pode ter memorizado dados pessoais A CNIL observa que numerosos estudos mostraram que os modelos de linguagem de grande dimensão tendiam a «memorizar» elementos dos seus dados de treino: nome, apelido, morada, número de telefone, número de cartão bancário [5]. Um ataque bem-sucedido à confidencialidade de um modelo pode constituir uma violação de dados [5]. Isto é verdade tanto para um modelo aberto como para um modelo proprietário. ### Um modelo que continua a aprender Alguns sistemas reutilizam os dados introduzidos para melhorar, o que o NCSC designa por aprendizagem contínua [7]. A CNIL assinala que este modo de funcionamento levanta questões de proteção de dados, pois os dados servem então duas finalidades distintas [5]. O que um serviço faz com o que lhe é introduzido faz parte das condições a conhecer antes de o autorizar. ### Um referencial que muda O quadro de gestão dos riscos da IA do NIST, de utilização voluntária, foi publicado a 26 de janeiro de 2023 e depois complementado, a 26 de julho de 2024, por um perfil dedicado à IA generativa [8]. A página do NIST indica que a versão 1.0 está em revisão [8]. As recomendações evoluem: as regras da Brain, essas, continuam a ser as da empresa. ## Casos reais ### 27 de fevereiro de 2023: LLaMA Uma equipa de investigadores apresenta o LLaMA, uma coleção de modelos de 7 a 65 mil milhões de parâmetros, treinados apenas com conjuntos de dados públicos, e publica todos os seus modelos para a comunidade de investigação [1]. ### 10 de outubro de 2023: Mistral 7B O Mistral 7B v0.1, um modelo de 7 mil milhões de parâmetros, é publicado sob licença Apache 2.0, com uma versão afinada para seguir instruções [2]. ### 31 de julho de 2024: Llama 3 A família Llama 3 é apresentada, com um modelo de 405 mil milhões de parâmetros e uma janela de contexto até 128 000 tokens. As versões pré-treinada e pós-treinada do maior modelo são publicadas. As versões que acrescentam imagem, vídeo e voz não são amplamente divulgadas, porque ainda estão em desenvolvimento segundo os autores [3]. ## Fontes 1. arXiv, «LLaMA: Open and Efficient Foundation Language Models», 27 de fevereiro de 2023. https://arxiv.org/abs/2302.13971 (consultado em 3 de novembro de 2026) 2. arXiv, «Mistral 7B», 10 de outubro de 2023. https://arxiv.org/abs/2310.06825 (consultado em 3 de novembro de 2026) 3. arXiv, «The Llama 3 Herd of Models», 31 de julho de 2024. https://arxiv.org/abs/2407.21783 (consultado em 3 de novembro de 2026) 4. NCSC (Royaume-Uni), «Guidelines for secure AI system development», 27 de novembro de 2023. https://www.ncsc.gov.uk/collection/guidelines-secure-ai-system-development (consultado em 3 de novembro de 2026) 5. CNIL, «IA : comment être en conformité avec le RGPD ?», 5 de abril de 2022. https://www.cnil.fr/fr/intelligence-artificielle/ia-comment-etre-en-conformite-avec-le-rgpd (consultado em 3 de novembro de 2026) 6. OWASP, «LLMRisks Archive». https://genai.owasp.org/llm-top-10/ (consultado em 3 de novembro de 2026) 7. NCSC (Royaume-Uni), «Principles for security of Machine learning ML», 22 de maio de 2024. https://www.ncsc.gov.uk/collection/machine-learning-principles (consultado em 3 de novembro de 2026) 8. NIST, «AI Risk Management Framework». https://www.nist.gov/itl/ai-risk-management-framework (consultado em 3 de novembro de 2026) --- Fonte original: Cyberpedia, a enciclopédia pública de cibersegurança e IA publicada pela Brain. Versão canónica: https://startbrain.io/cyberpedia/pt/articles/modelos-abertos-vs-proprietarios-ia/ Pode reutilizar livremente este texto sob a licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/), desde que cite «Brain, Cyberpedia» com uma ligação para o endereço acima.