Checklist confidencialidade

#O que 'local' garante e o que não garante

Para verificar se um LLM local mantém a confidencialidade, é necessário verificar cinco pontos: a ferramenta que você usa, sua telemetria e suas chamadas para serviços remotos, o tráfego real da máquina, a origem dos modelos e extensões e, por fim, as pastas onde suas conversas ficam armazenadas. Um modelo executado em sua máquina não envia nada por si só: os vazamentos vêm quase sempre do que o cerca, como uma opção de nuvem ativada, um ping de biblioteca, um plugin ou uma sincronização. O método mais confiável continua sendo o teste de rede: desconectar a internet, repetir uma sessão normal e observar o que ainda tenta sair. O restante desta página detalha cada verificação, com as variáveis de ambiente, os comandos e as configurações a verificar.

#Qual nível de controle de acordo com seus dados

Nem todo mundo precisa do mesmo nível de rigor. Para uso pessoal sem dados sensíveis, os primeiros pontos bastam; um dossiê de cliente ou um prontuário médico exige isolamento completo, e um segredo industrial ou um contexto sujeito a um NDA exige comprovar o que sai. A tabela a seguir relaciona o nível de exigência aos controles a marcar.

As duas últimas linhas estão detalhadas nos guias sobre isolamento de uma máquina de inferência e criptografia do disco.

#1. Verificar a própria ferramenta

Cada aplicação de inferência tem sua própria política. O que segue reúne o que os fornecedores indicam em sua documentação ou política de privacidade, consultadas em 30 de setembro de 2026; uma atualização pode alterar essas configurações, por isso verifique novamente após cada atualização para uma nova versão principal.

Duas correções sobre ideias amplamente difundidas. Primeiro, a menção "telemetria opt-in", frequentemente associada ao LM Studio, está desatualizada: sua política atual informa que o aplicativo não inclui telemetria. Segundo, dizer que o Ollama não tem "nenhuma função remota" é incorreto desde a chegada dos modelos na nuvem e da pesquisa na web. Essas funções são opcionais, mas estão presentes.

#Ollama : desativar as funções de nuvem

Se Ollama for seu motor, desative explicitamente os recursos que podem enviar dados para fora. A FAQ indica que, ao desativar a nuvem, você perde a possibilidade de usar os modelos na nuvem e a pesquisa na web do Ollama. É exatamente o efeito desejado para uma estação de trabalho que lida com informações confidenciais.

sudo systemctl edit ollama
# Ajouter dans l'éditeur :
# [Service]
# Environment="OLLAMA_NO_CLOUD=1"
sudo systemctl restart ollama

No macOS, ao usar o aplicativo, as variáveis são definidas com launchctl setenv antes de reiniciar o aplicativo, conforme descrito na FAQ; a alternativa é adicionar a chave disable_ollama_cloud com valor true no arquivo ~/.ollama/server.json. Após o reinício, os logs exibem « Ollama cloud disabled: true », o que fornece uma prova simples para guardar.

• Ollama Cloud: preços, avaliações e limitações

#2. Telemetria e coleta de dados analíticos pelas bibliotecas

A ferramenta pode respeitar sua privacidade, enquanto as bibliotecas que ela incorpora enviam dados. No ecossistema Python do Hugging Face, a documentação indica que alguns dados são coletados por padrão para monitorar o uso e priorizar funcionalidades, com a implementação central em huggingface_hub. Uma única variável desativa toda essa coleta.

export HF_HUB_DISABLE_TELEMETRY=1
# Équivalent reconnu par tout l'écosystème (transformers, diffusers, gradio) :
export DO_NOT_TRACK=1

# À placer dans ~/.zshrc ou ~/.bashrc pour la rendre persistante

A variável HF_HUB_DISABLE_IMPLICIT_TOKEN, frequentemente citada junto com as anteriores, não é uma variável de telemetria: ela impede o envio automático do seu token do Hugging Face em requisições que não precisam dele, o que limita o que você expõe quando está conectado. Ela é útil, mas por outro motivo, e a documentação alerta que pode ter efeitos colaterais (modelos privados deixam de aparecer em certas listas).

export HF_HUB_OFFLINE=1
# Aucun appel HTTP vers le Hub ; seuls les fichiers du cache sont lus

Este último ajuste é o mais poderoso para uma estação de trabalho sensível: transforma um vazamento silencioso em um erro visível. Se um script falhar informando a ausência de cache, é porque estava tentando se conectar ao Hub, o que você queria saber. A variável antiga TRANSFORMERS_OFFLINE foi usada por muito tempo para o mesmo propósito, mas HF_HUB_OFFLINE é a que a documentação atual do Transformers destaca.

#Open WebUI e suas dependências

O Open WebUI inclui componentes de terceiros, entre eles uma base vetorial e um módulo de estatísticas de instalação. Seu arquivo de exemplo de configuração reúne três linhas em uma seção « DO NOT TRACK » que desativam esses envios. Essas linhas são passadas como variáveis de ambiente, no arquivo de configuração ou no comando docker run.

SCARF_NO_ANALYTICS=true
DO_NOT_TRACK=true
ANONYMIZED_TELEMETRY=false

Verifique também se você não adicionou ali uma chave de provedor remoto: recorrer a um serviço hospedado como alternativa quando o modelo local está indisponível envia silenciosamente seus prompts para fora. O guia Open WebUI com Ollama mostra onde essas conexões são configuradas.

• Open WebUI com Ollama: guia completo

#3. Monitoramento de rede: ver o que realmente sai

As declarações dos fornecedores de software podem ser lidas; o tráfego pode ser medido. Um firewall de aplicativos lista cada programa que tenta estabelecer uma conexão de saída e permite que você decida caso a caso, revelando em poucos dias o que nenhuma documentação diz.

Little Snitch (macOS)

Firewall por aplicação: você vê quem chama qual domínio e decide para cada caso.

GlassWire (Windows)

Histórico visual do tráfego por processo, com alertas para novas conexões

OpenSnitch (Linux)

Firewall interativo de aplicativos para GNU/Linux, inspirado no Little Snitch, de código aberto (licença GPL-3.0).

ufw ou iptables

Bloqueiam por padrão e permitem apenas o necessário; o guia sobre air-gap detalha o procedimento.

#Listar as conexões e as portas em escuta

Dois comandos distintos respondem a duas perguntas. O primeiro mostra em qual endereço o serviço aceita conexões; o segundo, as conexões abertas para o exterior.

# Qui écoute, et sur quelle adresse ?
lsof -nP -iTCP -sTCP:LISTEN | grep -i ollama

# Quelles connexions sortantes sont ouvertes ?
lsof -nP -i | grep -i ollama | grep ESTABLISHED

Interprete o resultado assim: um serviço escutando em 127.0.0.1:11434 é o comportamento padrão, documentado pela FAQ do Ollama, e só é acessível a partir da própria máquina. Um serviço escutando em * ou 0.0.0.0 significa que ele é acessível a partir da rede local, o que acontece quando a variável OLLAMA_HOST foi modificada. Isso não é um vazamento para a Internet, mas é uma exposição que precisa ser tratada: veja o guia sobre como proteger um servidor Ollama. O ponto frequentemente confundido: 0.0.0.0 não significa “apenas localhost”.

Uma linha ESTABLISHED para um endereço público durante uma inferência é um sinal a investigar. Observe que o download de um modelo gera conexões legítimas; é a inferência, depois que o modelo já está disponível, que deve permanecer silenciosa. As atualizações do aplicativo também podem se conectar à empresa responsável por ele, como o LM Studio reconhece em sua política: decida se você as aceita.

• Proteger seu servidor Ollama
• Isolar sua máquina de inferência da rede

#4. Modelos: de onde vêm e o que contêm

O primeiro download de um modelo exige conexão: é normal, e o que passa então é o modelo, não seus dados. Após o arquivo estar instalado, um modelo é um conjunto de pesos: ele próprio não abre conexão. O ponto de atenção está no formato e no que o executa.

Formato dos pesos

Os formatos GGUF e safetensors contêm apenas tensores. O formato pickle, usado por padrão para os pesos do PyTorch, é diferente: a documentação da Hugging Face alerta que carregar um arquivo pickle pode executar código arbitrário.

Origem

Prefira os repositórios dos desenvolvedores (Mistral AI, Meta, Qwen, Google) ou as bibliotecas de uma ferramenta que verifica seus modelos. Um repositório anônimo no formato pickle deve ser evitado.

O que executa

O risco vem da aplicação e de suas ferramentas: se o modelo pode acionar uma pesquisa na web, um servidor MCP ou um script, são essas ferramentas que acessam a rede, não os pesos.

#5. Extensões, plugins e ferramentas conectadas

É aí que se esconde a maioria dos vazamentos reais. Uma extensão de editor de código, um plugin de anotações, uma ferramenta declarada no Open WebUI ou um servidor MCP é executado com suas permissões e pode fazer chamadas a qualquer domínio. Quando um plugin promete « IA local », essa promessa é de responsabilidade apenas de seu autor.

Ler antes de ativar

Procure no código as chamadas de rede (requisições HTTP, bibliotecas de rastreamento) e o endpoint realmente configurado: muitas vezes, basta alterar uma linha para apontar para o Ollama em vez de um serviço hospedado.

Preferir o código aberto

Um código que você pode ler é verificável; um assistente com backend proprietário não é.

Limitar as permissões

Uma ferramenta que não precisa ler todo o disco não deve ter acesso a ele; dê a ela uma pasta de trabalho dedicada.

Observar com o firewall

Após a instalação, deixe o firewall por aplicativo aprender os domínios acessados pela extensão durante uma semana.

• MCP e LLM local: conectar servidores MCP ao Ollama
• OWASP Top 10 LLM: segurança de sua IA local

#6. Armazenamento, backups e sincronização

Seus diálogos e seus documentos indexados são arquivos. Seu destino depende do local onde a aplicação os armazena e do que monitora esse diretório: sincronização em nuvem, backup online, indexador de pesquisa.

Onde estão os modelos Ollama

De acordo com a FAQ: ~/.ollama/models no macOS, /usr/share/ollama/.ollama/models no Linux, C:\Users\%username%\.ollama\models no Windows. O local de armazenamento pode ser alterado com OLLAMA_MODELS. São arquivos de vários gigabytes: excluí-los da sincronização também economiza largura de banda.

Onde estão as conversas

No diretório de dados da interface que você está usando (LM Studio, Jan, GPT4All, Open WebUI), não no de Ollama. Localize esse diretório nas configurações da aplicação, depois verifique se nenhum serviço da nuvem o monitora.

Sincronização

Muitos softwares armazenam seus dados na pasta Documents, que o iCloud, o OneDrive ou o Dropbox replicam automaticamente. Uma conversa confidencial armazenada ali passa a ter uma cópia em um servidor de terceiros.

Backups

Um backup fora do local ou em um disco externo não criptografado copia o histórico. Criptografe o destino ou exclua a pasta.

Disco

Um disco não criptografado torna todas as conversas legíveis em caso de roubo: FileVault, BitLocker ou LUKS, com uma frase-senha forte.

• Criptografar o disco dos modelos

#Auditoria em 15 minutos: o procedimento

Este procedimento executa os controles na ordem em que revelam mais com menos esforço. Mantenha uma captura ou uma linha de log por etapa: serve de prova diante de um cliente.

1. 01
   Listar a cadeia

   Liste cada programa que tem acesso aos seus prompts: mecanismo (Ollama, LM Studio), interface (Open WebUI, Jan), extensões do editor, scripts Python. O que não está listado não é controlado.
2. 02
   Desativar funções remotas

   Desative os modelos de nuvem e a pesquisa web (OLLAMA_NO_CLOUD=1), remova as chaves de API remotas e verifique se Datalake está em Off no GPT4All.
3. 03
   Definir as variáveis

   Coloque HF_HUB_DISABLE_TELEMETRY=1, DO_NOT_TRACK=1 e, depois que os modelos estiverem no cache, HF_HUB_OFFLINE=1 no perfil do shell; adicione as três linhas que desativam a coleta de dados analíticos ao Open WebUI.
4. 04
   Verificar a rede

   Instale um firewall de aplicação, inicie uma sessão normal de dez minutos e depois revise os domínios acessados. Execute também os dois comandos lsof.
5. 05
   Mover as pastas

   Mova as conversas e os modelos para fora das pastas sincronizadas, criptografe o disco e o destino dos backups.
6. 06
   Repetir a sessão em modo avião

   Desconecte a conexão e repita a mesma sessão. Tudo o que falhar indica um vazamento ou uma função de nuvem a ser removida; corrija e repita até que o teste passe.

#Checklist resumida

☐ Funções de nuvem desativadas

OLLAMA_NO_CLOUD=1, nenhum modelo hospedado, nenhuma chave de API remota, Datalake em Off.

☐ Telemetria desativada

HF_HUB_DISABLE_TELEMETRY=1 e DO_NOT_TRACK=1; três variáveis para desativar a coleta de dados analíticos no Open WebUI.

☐ Firewall de aplicativo ativo

Little Snitch, GlassWire, OpenSnitch ou ufw com regra rigorosa, log revisado.

☐ Escuta verificada

127.0.0.1 para o Ollama, salvo se a exposição for intencional e estiver protegida.

☐ Modelos off-line

Após o download, HF_HUB_OFFLINE=1; pesos em GGUF ou safetensors, sem pickle desconhecido.

☐ Extensões revisadas

Código lido, endpoints verificados, permissões limitadas.

☐ Pastas excluídas da sincronização

Conversas e modelos excluídos de iCloud, OneDrive, Dropbox e backups não criptografados.

☐ Disco criptografado

FileVault, BitLocker ou LUKS.

☐ Teste em modo avião bem-sucedido

Uma sessão completa sem internet.

#Perguntas frequentes sobre a privacidade de um LLM local

• Fonte: FAQ do Ollama (confidencialidade, nuvem, exposição à rede)
• Fonte: variáveis de ambiente do huggingface_hub
• Fonte: política de privacidade de LM Studio
• Fonte: arquivo .env.example de Open WebUI
• Fonte: Hugging Face, análise de arquivos pickle

• LLM local e RGPD: a conformidade em empresas