LLM local e RGPD: a conformidade relativa a dados privados em empresa

#Por que um LLM local é nativamente compatível com o RGPD

O RGPD não diz "você não pode usar IA". Ele diz que todo tratamento de dados pessoais deve ter uma base legal, ser documentado, minimizado e realizado com segurança, e que as transferências para fora da UE devem estar sujeitas a regras e salvaguardas. O problema com um LLM na nuvem não é a IA — é o tratamento por um terceiro contratado, muitas vezes americano, com uma cadeia contratual complexa e riscos de transferência nos termos do capítulo V do RGPD.

Um LLM executado localmente inverte a equação. Os pesos do modelo são baixados uma vez a partir do Hugging Face ou Ollama, e a inferência é feita 100% no seu hardware. Nenhum prompt é enviado para a internet. Nenhuma resposta é registrada por terceiros. O "processamento" permanece interno, sob seu controle efetivo.

Sem transferência para fora da UE

Artigo 44 e capítulo V do RGPD: nenhum dado sai dos seus servidores, portanto não há necessidade de Standard Contractual Clauses, de Transfer Impact Assessment nem de questionamentos sobre o Cloud Act dos EUA.

Sem subcontratante no sentido do artigo 28

Nenhum acordo de subcontratação a negociar, nenhum anexo 7 a atualizar a cada evolução do produto do fornecedor, nenhum fornecedor que altere unilateralmente seus termos de uso.

Minimização nativa

Artigo 5.1.c: você não pode enviar dados em excesso por acidente a um terceiro, pois não há terceiros. A minimização se torna uma propriedade da arquitetura, e não uma política cujo cumprimento precisa ser imposto.

Apagamento real

Artigo 17 (direito à eliminação): apagar um registro em sua própria base é trivial. Pedir à OpenAI que apague um prompt enviado há 6 meses é um procedimento contratual, não uma garantia técnica.

#O quadro legal em maio de 2026: RGPD + AI Act

Dois textos se sobrepõem agora na Europa para regulamentar o uso de LLMs em empresas. O RGPD abrange dados pessoais, o AI Act abrange sistemas de IA em si — independentemente de tratarem ou não dados pessoais.

#RGPD: o que se aplica aos LLM

Base legal (art. 6)

Interesse legítimo, execução de um contrato, consentimento: todo tratamento por LLM deve se apoiar em uma dessas bases. Um LLM local não elimina essa obrigação, mas simplifica a documentação.

Informação às pessoas (art. 13-14)

Suas políticas de privacidade devem mencionar o uso de um LLM, mesmo local. Não é necessário nomear o modelo, mas sim a finalidade.

AIPD (art. 35)

Uma análise de impacto é exigida para o tratamento de dados de alto risco. Com um LLM na nuvem, a AIPD deve abranger o prestador que processa os dados; localmente, ela se limita à sua própria infraestrutura.

Segurança (art. 32)

Criptografia dos discos que contêm os modelos e logs, controle de acesso aos servidores de inferência, registro de eventos. Padrão para infraestrutura interna.

#Lei da IA: prazo de agosto de 2026

A Lei da IA (Regulamento UE 2024/1689) entrou em vigor em 1º de agosto de 2024. Suas disposições se aplicam em etapas. A etapa mais significativa para os LLM gerais — as obrigações para modelos de uso geral (GPAI) — entrou em vigor em 2 de agosto de 2025. As obrigações para sistemas de IA de alto risco entram em vigor em 2 de agosto de 2026, ou seja, em aproximadamente três meses quando você ler este guia.

GPAI (modelos de fundação)

As obrigações recaem sobre os fornecedores (OpenAI, Anthropic, Mistral, Meta...). Se você usar Mistral, Qwen ou Granite localmente, o fornecedor do modelo já tem a responsabilidade de fornecer documentação técnica em conformidade.

Sistemas de alto risco

Anexo III: RH, pontuação de crédito, educação, serviços públicos essenciais, infraestruturas críticas. Se o seu LLM estiver integrado a um desses fluxos, você é "responsável pela implantação" nos termos do AI Act e tem obrigações próprias.

Transparência

Todo conteúdo gerado por IA deve ser identificável como tal. Todo sistema que interage com uma pessoa física deve informá-la — incluindo um chatbot interno.

Sanções

Até 35 milhões de euros ou 7% do faturamento mundial para as violações mais graves (uso proibido). Para as obrigações GPAI, até 15 milhões de euros ou 3% do faturamento.

#Riscos concretos com ChatGPT, Claude ou Gemini

Esses fornecedores agora oferecem planos empresariais (ChatGPT Enterprise, Claude for Work, Gemini for Workspace) que preveem em contrato a não utilização dos dados para treinamento e, em alguns casos, hospedagem na Europa. Isso é melhor do que uma API para o público em geral. Não resolve tudo.

O Cloud Act dos EUA

Uma entidade constituída sob o direito dos EUA (OpenAI Inc., Anthropic PBC, Google LLC) continua juridicamente obrigada a cooperar com as autoridades dos EUA, mesmo no caso de dados armazenados na UE. O Tribunal de Justiça da União Europeia lembrou isso no caso Schrems II em 2020.

O DPF sob ameaça

O Data Privacy Framework UE-EUA (julho de 2023), que fundamenta a maioria das transferências, está sendo contestado perante o Tribunal de Justiça da União Europeia (TJUE). Um Schrems III invalidaria milhares de avaliações de impacto sobre a proteção de dados (AIPD) de um dia para o outro.

A opacidade do modelo

Você não sabe exatamente o que o modelo viu durante o treinamento, nem como os filtros de moderação registram seus prompts. No ChatGPT, logs de "abuse" são mantidos por pelo menos 30 dias, mesmo no Enterprise.

O Shadow IT

O risco #1 na prática não é o contrato, é que um colaborador copie e cole um arquivo de RH na versão gratuita do ChatGPT. Nenhuma política escrita consegue resistir a uma aba do navegador.

#A stack recomendada para um DPO em 2026

Não existe uma stack única, mas um conjunto de combinações comprovadas que os DSI e DPO franceses vêm implantando há 18 meses. Três perfis típicos cobrem 90% das necessidades.

#Perfil 1 — Equipe pequena, computadores individuais

Hardware

Estações de trabalho equipadas com RTX 4070 de 12 GB, RTX 4080 de 16 GB ou Mac M4 Pro de 24 a 48 GB. Sem servidor central.

Software

Ollama (daemon local em cada computador) + LM Studio ou Open WebUI como interface. Nenhum dado sai do computador.

Modelo recomendado

Mistral Small 24B Q4 (14 GB, nativo em francês, excelente generalista) ou Qwen 3.8 27B em plena qualidade se VRAM ≥ 40 GB (262k ctx, visão, Apache 2.0).

Alvo

Escritórios de advocacia, escritórios de contabilidade, equipes de RH de PMEs, jornalistas. Qualquer organização com menos de 30 pessoas, com uso individual.

#Perfil 2 — Servidor de inferência interno

Hardware

Servidor com GPU dedicada: RTX 4090 24 GB, A6000 48 GB ou 2× RTX 3090 24 GB. Hospedado no sistema de informação (SI) ou em um provedor de nuvem soberana (OVH, Scaleway, Outscale).

Software

vLLM ou Ollama expõe uma API compatível com a OpenAI na rede interna. Open WebUI ou LibreChat no frontend, atrás do IdP da empresa (Keycloak, Azure AD).

Modelo recomendado

Mistral Small 24B, Qwen 3.6 35B-A3B ou Granite 4.2 30B, dependendo da VRAM (os modelos MoE do tipo Qwen 3.6 35B-A3B utilizam apenas 3B de parâmetros ativos, portanto são rápidos mesmo em uma GPU de 24 GB). Modelo de embeddings BGE-M3 ou Solon para o RAG documental.

Alvo

Empresas de porte intermediário (ETI), departamentos jurídicos internos, equipes de dados com 30 a 500 pessoas. Permite o compartilhamento de recursos e o controle de acesso centralizado.

#Perfil 3 — Air-gap para dados sensíveis

Hardware

Servidor fisicamente isolado da rede pública. Discos criptografados com LUKS. Modelos baixados por meio de mídia física em um computador de trânsito.

Software

vLLM compilado localmente, llama.cpp compilado a partir do código-fonte. Sem contêiner público, sem imagem Docker baixada durante a execução.

Modelo recomendado

Modelos validados com licença permissiva (Mistral, Qwen, Granite ou Gemma 4 sob a licença Apache 2.0, com auditoria dos pesos). Idealmente, um modelo do qual você tenha arquivado uma cópia local do tarball.

Alvo

Saúde (DMP, relatórios), defesa, segredos comerciais altamente sensíveis, OIV/OSE. Tudo o que envolveria uma AIPD com risco residual elevado em nuvem.

#Implementação: as 5 etapas estruturantes

1. 01
   Mapear os usos

   Antes de escolher um modelo, liste os casos de uso reais: redação, tradução, resumo de contratos, análise de logs, suporte N1. Para cada caso, anote a sensibilidade dos dados tratados (públicos, internos, confidenciais, sujeitos a sigilo profissional). Esse mapeamento se torna o anexo de usos da sua AIPD.
2. 02
   Escolher o perfil e o modelo

   A partir do mapeamento e do inventário de hardware, escolha um dos três perfis acima. Para o modelo, comece com Mistral Small 24B em Q4_K_M se você tiver 16 a 24 GB de VRAM — é a opção mais equilibrada para o francês em 2026. Q4_K_M continua sendo a quantização recomendada por padrão (perda de qualidade < 2% em comparação com FP16).
3. 03
   Instalar o servidor de inferência

   O Ollama escuta por padrão em http://localhost:11434. Para expô-lo na rede interna, defina OLLAMA_HOST=0.0.0.0:11434 e coloque a API atrás de um proxy reverso (Caddy, Traefik) que gerencie a autenticação. Ative os logs de acesso e mantenha-os por 6 meses para garantir a rastreabilidade.
4. 04
   Documentar no registro

   Crie ou atualize a ficha de tratamento "Assistência por IA generativa interna" no seu registro de atividades de tratamento (artigo 30 do RGPD). Finalidades, categorias de dados, prazos de conservação, medidas técnicas. O fato de a IA ser local deve constar explicitamente nessa ficha.
5. 05
   Capacitar e comunicar

   Uma política de uso da IA, assinada por cada colaborador, que relembra: (1) uso exclusivo da instância interna, (2) proibição de ferramentas de nuvem não validadas, (3) tipos de dados autorizados por caso de uso. Anexe-a ao regulamento interno após consulta ao CSE.

# Sur Linux (systemd)
sudo systemctl edit ollama.service

# Ajouter :
[Service]
Environment="OLLAMA_HOST=0.0.0.0:11434"
Environment="OLLAMA_ORIGINS=https://chat.interne.entreprise.fr"
Environment="OLLAMA_KEEP_ALIVE=24h"

# Recharger et redémarrer
sudo systemctl daemon-reload
sudo systemctl restart ollama

# Vérifier
curl http://serveur-ia.interne:11434/api/tags

#Checklist de auditoria de conformidade

Essa tabela cobre os pontos que uma auditoria de conformidade com o RGPD e o AI Act verificaria em uma implantação de LLM local em uma empresa. Imprima-a, marque os itens e arquive-a.

#Governança e documentação

Registro do art. 30

Ficha de tratamento "IA generativa interna" atualizada, com finalidades, dados, prazos, destinatários (apenas internos) e medidas técnicas.

AIPD

Realizada se o tratamento de dados apresentar alto risco (RH, saúde, definição de perfis). Atualizada a cada mudança importante de modelo ou de caso de uso.

Termo de uso da IA

Divulgada, assinada e integrada ao regulamento interno após consulta ao CSE.

Mapeamento dos usos

Lista atualizada de casos de uso validados e dados autorizados por caso.

Designação do responsável por IA

Um responsável identificado (DPO, RSSI ou DSI, dependendo da organização), com mandato formalizado.

#Segurança técnica

Criptografia em repouso

Disco(s) do servidor de inferência criptografado(s) (LUKS, BitLocker, FileVault). Isso inclui os modelos baixados e os eventuais caches de prompts.

Autenticação

Acesso à API filtrado por OIDC ou mTLS. Nenhuma instância do Ollama deve ficar acessível sem autenticação, mesmo internamente.

Registro

Logs de acesso (quem, quando, modelo consultado) mantidos por 6 a 12 meses. Sem registro do conteúdo dos prompts, salvo em um caso de uso explícito e documentado.

Isolamento de rede

O servidor de inferência não tem acesso de saída à internet em produção. Para implantações sensíveis, isolamento completo da rede (air-gap).

Backup e recuperação

PRA documentado: os modelos podem ser reinstalados a partir de um arquivo interno, sem dependência imediata do Hugging Face.

#Conformidade com o AI Act

Classificação do sistema

Você determinou a classificação: uso de risco limitado, elevado ou mínimo. Se for de alto risco (anexo III), existe um dossiê de conformidade específico.

Informação aos usuários

Cada interface exibe "conteúdo gerado por IA" ou um aviso equivalente. Artigo 50 da Lei de IA, aplicável a partir de agosto de 2026.

Rastreabilidade do modelo

Versão exata do modelo usado, origem dos pesos, data de download e hash SHA256 arquivados. Isso permite responder, em uma auditoria, à pergunta "qual modelo gerou determinada resposta em determinada data".

Supervisão humana

Para usos de alto risco, um procedimento documentado de revisão humana antes de qualquer decisão que afete uma pessoa (recrutamento, pontuação, sanção).

#Armadilhas frequentes

"Local", mas com telemetria

Algumas interfaces (versões antigas do LM Studio, alguns plugins do VSCode) enviam dados de telemetria. Verifique com um sniffer (Wireshark, Little Snitch) se nada está saindo. Nosso guia com checklist de privacidade cobre essa etapa.

Modelos com licença ambígua

Codestral 22B, por exemplo, está sob uma licença que não permite uso em produção: seu uso é proibido em empresas. Llama mantém, por sua vez, uma licença comunitária que restringe o uso por empresas muito grandes (> 700 milhões de usuários ativos mensais). Verifique a licença antes de implantar em produção — prefira modelos com licença Apache 2.0 (Mistral Small, Qwen 3.5/3.8, Granite 4.2, Gemma 4) — especialmente se você representa uma organização de grande porte ou uma empresa que publica software.

Confusão entre modelo e fine-tuning

Fazer fine-tuning com dados internos de RH cria um novo tratamento de dados, com sua própria AIPD. O modelo submetido ao fine-tuning pode revelar dados de treinamento (memorização). Para dados sensíveis, prefira o RAG ao fine-tuning.

Subestimar a rastreabilidade

Se, daqui a 18 meses, alguém pedir a você: "Mostre-me o que a IA respondeu sobre meu arquivo em março", você deve conseguir responder. Pense em logs de auditoria desde o dia 1, não depois do primeiro incidente.

Acreditar que um LLM local resolve tudo

O LLM local resolve a questão da transferência, não a do uso. Um modelo local usado para atribuir pontuações automaticamente em RH continua sendo um sistema de alto risco nos termos da Lei da IA. Local ≠ isento.

#Para se aprofundar

Uma vez estabelecida a conformidade, há três caminhos naturais para aprofundar a implantação:

Garantir a confidencialidade técnica

A checklist de privacidade detalha as verificações de rede e sistema que complementam o enquadramento legal do ponto de vista do DPO. Indispensável antes da entrada em produção.

Construir um RAG com seus documentos internos

Para passar de um assistente genérico para uma ferramenta de negócio, o RAG (Retrieval-Augmented Generation) permite consultar contratos, procedimentos e bases internas sem fine-tuning. O guia de introdução ao RAG local estabelece as bases.

Escolher a interface de usuário

Open WebUI cobre 80 % das necessidades em empresas: suporte a múltiplos usuários, OIDC, RAG integrado, logs. O guia dedicado descreve a implantação com Docker atrás de um proxy reverso.