Soberania em IA, para uma empresa, é uma lista de dependências que se pode precificar

Em 10 de fevereiro de 2026, o Centro Nacional de Inteligência Artificial do Chile, o CENIA, apresentou o Latam-GPT num evento em Santiago, um modelo de linguagem construído para a América Latina. Os relatos divergem nos detalhes, e a descrição mais comum fala de um modelo de cerca de 70 bilhões de parâmetros, construído sobre a arquitetura Llama 3.1 da Meta, treinado principalmente em texto em espanhol e português, com planos de acrescentar línguas indígenas depois. O financiamento foi de cerca de US$ 550 mil, do CENIA e do Banco de Desenvolvimento da América Latina, e o treino inicial rodou na Amazon Web Services. Um projeto lançado em nome da soberania regional em IA começou, portanto, sobre uma base de pesos abertos americana e uma nuvem americana. Não apresento isso como crítica. Mostra que a soberania vem em graus, e que uma discussão útil começa perguntando qual dependência, exatamente, uma empresa quer reduzir.

O governo brasileiro fixou metas maiores. O Plano Brasileiro de Inteligência Artificial, apresentado em julho de 2024 para o período de 2024 a 2028, prevê cerca de R$ 23 bilhões em investimentos em infraestrutura, capacitação, inovação empresarial, serviços públicos e regulação. Inclui um modelo de linguagem em português e a expansão do supercomputador Santos Dumont, no LNCC. Reportagens de agosto de 2026 descrevem novos anúncios, entre eles a compra de um supercomputador de IA por cerca de R$ 1 bilhão e uma parceria para um modelo em português e espanhol, e eu os trataria como planos noticiados até que sejam entregues. Programas públicos entregam em calendários públicos. Uma empresa que precisa entregar neste ano tem de raciocinar sobre a própria exposição.

O discurso de marketing sobre soberania tende a juntar coisas que são separadas. Meu argumento é que uma empresa ganha mais com uma lista: as maneiras distintas pelas quais sua capacidade de IA depende de partes e condições que ela não controla, cada uma com um custo mensurável e uma possível cobertura.

Seis dependências que podem ser separadas

A primeira é a jurisdição legal. As autoridades de qual país podem exigir acesso aos dados, e com base em qual lei? Um provedor constituído nos Estados Unidos pode estar sujeito a processo legal americano quanto aos dados que controla, inclusive os armazenados no exterior, pelo CLOUD Act de 2018, ao passo que a empresa que trata dados pessoais de brasileiros está sujeita à LGPD. A LGPD regula as transferências internacionais nos artigos 33 a 36, e em agosto de 2024 a ANPD publicou a Resolução CD/ANPD nº 19/2024, que estabeleceu cláusulas-padrão contratuais e deu às organizações que se apoiavam em transferências contratuais doze meses, até 23 de agosto de 2025, para adotá-las. Uma empresa que envia dados de clientes a uma API de modelo estrangeira faz uma transferência internacional no sentido jurídico e precisa de uma base documentada.

A segunda é a localização. Onde os dados são armazenados e onde roda a inferência? Algumas implantações de modelos estrangeiros podem ser fixadas numa região como São Paulo, e outras não. Latência, compromissos contratuais e expectativas regulatórias em setores como o bancário podem fazer da localização uma exigência e não uma preferência. Os fatos diferem por provedor e por modelo, mudam com frequência e precisam ser conferidos por escrito.

A terceira é o controle do modelo. Uma API fechada pode mudar por baixo de você, como mostram as aposentadorias publicadas e as mudanças silenciosas de comportamento de modelos hospedados, e pode ser retirada ou reprecificada. Pesos abertos podem ser hospedados por você, ao custo de manter o hardware ocupado, contratar a equipe para operá-lo e adotar as melhorias mais devagar.

A quarta é o suprimento de computação. Aceleradores avançados são fabricados em poucos lugares, as regras sobre sua exportação mudaram mais de uma vez nos últimos anos, e países sem fabricação doméstica ou sem grandes clusters nacionais dependem da alocação em nuvem. Para a maioria das empresas isso importa de modo indireto, pelos preços e pela disponibilidade dos serviços que alugam.

A quinta é a adequação à língua e à cultura, e a sexta são as habilidades. A sexta é a mais subestimada. Uma empresa cuja equipe não consegue avaliar um modelo, ajustá-lo ou trocá-lo terceirizou o julgamento junto com a computação e aceitará o que o fornecedor disser sobre qualidade. Uma medida simples é o número de pessoas que conseguem rodar a suíte de avaliação num modelo novo e ler os resultados, e numa equipe pequena a resposta pode ser uma. O remédio é treinamento e o hábito de avaliar, e custa muito menos do que qualquer dos projetos de infraestrutura que estão nas notícias.

A língua e o prêmio de tokens são as mais mensuráveis dessas dependências, então a próxima seção cuida delas.

O prêmio do português

Os modelos de linguagem leem e cobram em tokens, e os tokenizadores foram construídos sobretudo sobre texto em inglês. Aleksandar Petrov e colegas, num artigo do NeurIPS 2023, compararam 17 tokenizadores e constataram que o mesmo texto pode diferir em comprimento em até 15 vezes entre línguas, com disparidades que persistem até em tokenizadores projetados para uso multilíngue. Observaram que isso produz custos, latência e limites de contexto desiguais.

O português fica na ponta suave dessa faixa, e o prêmio ainda é mensurável. Testei com material à mão: dez dos ensaios deste site, cada um escrito em inglês e em português com o mesmo conteúdo, sem as tabelas. Com o tokenizador atual da OpenAI (o200k), a versão em português usou em média 17,7% mais tokens que a em inglês, com variação de 16,6% a 19,8% entre os pares. Com o tokenizador mais antigo usado pelo GPT-4 (cl100k), o prêmio médio foi de 41%, com variação de 36% a 45%. Parte da diferença vem de os textos em português terem mais palavras que os em inglês, já que a tradução expande o texto, e o restante de o tokenizador quebrar as palavras em português em mais pedaços. Nos dois casos, o número que importa para uma fatura é o medido: o mesmo significado, em tokens.

O resultado é uma sobretaxa em toda chamada. Um pipeline que usaria um bilhão de tokens por mês em inglês usa cerca de 1,18 bilhão em português no tokenizador mais novo, de modo que a conta fica 18% maior ao mesmo preço por token, e a janela de contexto comporta cerca de 15% menos conteúdo. Os tokenizadores de outros provedores serão diferentes, e só consegui medir os da OpenAI, então a resposta sensata é medir o seu: pegue cem documentos representativos, passe-os pelo contador de tokens do seu provedor nas duas línguas onde houver versão paralela e use a razão no modelo de custos.

A moeda acrescenta outra camada. A maioria das APIs de fronteira é precificada em dólares. Uma fatura de US$ 50.000 por mês a uma taxa de câmbio de R$ 5,50 é de R$ 275.000. A R$ 6,50, que uso apenas como ilustração, o mesmo uso custa R$ 325.000, um aumento de cerca de 18% sem mudança de volume nem de preço. Um modelo de custos que ignora o câmbio subestima o risco de qualquer empresa brasileira com uma conta grande de IA. Alguns provedores locais faturam em reais, o que remove essa exposição e a substitui por outra.

O que as opções regionais oferecem

A Maritaca AI, empresa brasileira, vende a família de modelos Sabiá por uma API precificada em reais. Sua lista de preços publicada mostra o Sabiazinho-4 a R$ 1 por milhão de tokens de entrada e R$ 4 por milhão de tokens de saída, e o Sabiá-4 a R$ 5 e R$ 20, cada um com janela de contexto de 128.000 tokens. A empresa informa que seu modelo de raciocínio, o Sabiá-4 Thinking, marca em média 90,8% numa suíte que cobre chamadas de função e agentes, tarefas jurídicas e tarefas gerais, contra cerca de 92,4% a 92,8% dos principais modelos globais que testou, e mais que esses modelos num teste brasileiro de redação jurídica. São benchmarks da própria empresa, e não encontrei avaliação independente. Vale levá-los a sério o bastante para rodar nos seus próprios casos.

O propósito desses modelos é o encaixe com a linguagem jurídica e administrativa em português, a precificação em moeda local e a possibilidade de manter os dados no país. Se superam um modelo global numa dada tarefa é uma questão empírica, e a resposta pode variar por tarefa: um modelo pode ser melhor em ler peças processuais brasileiras e pior em escrever código. Modelos abertos treinados ou ajustados para a região oferecem outro pacote: você pode hospedá-los por conta própria, a seu custo, com controle total. O Latam-GPT é um deles. Outro é a família Tucano, cuja segunda geração (Nicholas Kluge Corrêa e colegas, março de 2026) é um conjunto totalmente aberto de modelos em português de 0,5 a 3,7 bilhões de parâmetros, com variantes base, de seguimento de instruções e de raciocínio, um corpus de pré-treinamento liberado abertamente e as receitas de treino. Modelos desse tamanho são pequenos, e o atrativo é que rodam barato em hardware modesto e podem ser adaptados a uma tarefa estreita, como classificar documentos em português, em que um grande modelo geral seria um excesso caro.

A adequação à língua é uma dependência por si só, e os benchmarks genéricos a escondem. O português do Brasil tem vocabulário jurídico e administrativo próprio, do direito do trabalho aos documentos fiscais e aos nomes dos formulários que um banco precisa enviar, e modelos globais treinados sobretudo com texto em inglês podem lidar bem com isso num documento e escorregar para o português europeu ou inventar uma regulamentação plausível no seguinte. A única verificação confiável é testar os candidatos nos seus próprios documentos, corrigidos por quem sabe como é uma resposta certa.

Como é um mapa

Para tornar o exercício concreto, tome uma seguradora, um exemplo inventado para ilustração, com cinco usos de IA. Um modelo de triagem de sinistros roda numa API global hospedada, trata dados pessoais e de saúde, roda na região de São Paulo do provedor, é cobrado em dólares e poderia migrar para uma alternativa em cerca de seis semanas. Um assistente de atendimento usa um modelo regional cobrado em reais, sem dados sensíveis e com troca em uma semana. A geração de textos de marketing usa uma API global numa região dos EUA, sem dados pessoais, e poderia ser trocada em um dia. A análise de subscrição roda em pesos abertos auto-hospedados, com todos os dados dentro da conta de nuvem da empresa e troca em dois meses. O resumo de documentos para o jurídico usa uma API global com cláusula contratual de proibição de treino e troca em três semanas.

Postos lado a lado, o mapa mostra que o modelo de sinistros carrega a maior exposição: dados pessoais de saúde, uma fatura em dólares e o maior tempo de troca entre os usos baseados em API. É ali que pertencem a revisão jurídica da base da transferência, uma alternativa regional e uma proteção cambial. A ferramenta de marketing, que parece a dependência mais "estrangeira", não precisa de nada.

Uma carteira, não uma bandeira

Eu organizaria as escolhas pela classe de dados e de tarefa, com um padrão para cada uma.

Tarefa e dados	Abordagem padrão	Por quê	Verificação
Não sensível, raciocínio difícil ou programação	API global de fronteira, na região se disponível	Melhor capacidade por unidade de esforço	Termos escritos sobre retenção e uso para treino, plano de saída
Dados pessoais ou regulados, dificuldade moderada	Implantação na região de um modelo capaz, ou um provedor regional	Regras de transferência e expectativas setoriais	Base legal para qualquer transferência internacional, avaliação nos seus casos
Tarefas de alto volume em português com requisitos estáveis	Modelo menor, regional ou aberto, possivelmente auto-hospedado	O prêmio de tokens e a exposição cambial se somam em volume	Ponto de equilíbrio contra o preço da API, utilização
Dados estratégicos ou sigilosos	Hospedado no seu próprio ambiente com pesos abertos	O controle é a exigência	Equipe e segurança da pilha

Em torno da tabela ficam dois hábitos. Mantenha uma alternativa testada para todo uso crítico, de modo que uma mudança de termos, de preço ou de disponibilidade custe dias e não meses. E mantenha habilidade interna suficiente para rodar as próprias avaliações, porque a capacidade de julgar um modelo nas suas tarefas é a única capacidade soberana que nenhum provedor pode vender.

Desconfie dos projetos estatais como dependências

Projetos públicos como o plano nacional são valiosos, e uma empresa deve acompanhá-los e usá-los onde ofereçam algo concreto, como infraestrutura de pesquisa compartilhada, conjuntos de dados ou um modelo que possa avaliar. Não deve depender deles para planos com data de entrega. Os cronogramas de programas públicos de tecnologia se movem, um modelo em português descrito em parte da cobertura como previsto para 2026 está num plano que vai até 2028, e o modo sensato de tratar esses projetos é como opções. Se um for entregue e passar na sua avaliação, você ganha uma escolha. Se atrasar, você não perdeu nada de que dependia.

Quando a soberania não vale o custo

Uma objeção justa é que tudo isso é luxo, e que a melhor estratégia para a maioria das empresas é comprar o modelo mais forte disponível e seguir em frente. Para trabalho não sensível, a objeção está em grande parte certa. O prêmio de uma opção regional ou auto-hospedada é um custo real, e pagá-lo numa tarefa que não trata dados protegidos e não tem risco de continuidade é desperdício. A soberania pertence à margem: onde a lei exige controle, onde a perda de acesso pararia o negócio e onde a dependência é grande o bastante para que mudanças de preço doam.

Comece por um mapa

O primeiro passo custa um dia. Liste todo caso de uso de IA e registre, para cada um, o provedor e o modelo, onde roda a inferência, a classe de dados envolvida, a base legal de qualquer transferência para o exterior, a moeda da fatura e quanto tempo levaria para migrar para uma alternativa. O mapa mostrará quais dependências estão concentradas e quais usos carregam a exposição. E fornecerá o denominador da decisão, já que uma empresa que sabe que 80% do gasto está em dois casos de uso não sensíveis pode relaxar quanto a eles e gastar esforço onde o mapa mostra vermelho.

Fontes

1. CENIA, Chile. Latam-GPT, apresentação em 10 de fevereiro de 2026; cobertura da AP, Intellinews e AI Business (fevereiro de 2026). Os relatos divergem sobre o tamanho do modelo e a participação.
2. Ministério da Ciência, Tecnologia e Inovação (2024). Plano Brasileiro de Inteligência Artificial 2024-2028. mcti.gov.br; cobertura dos anúncios de agosto de 2026 pela imprensa especializada.
3. Maritaca AI. Lista de preços da API Sabiá e anúncios de modelos, maritaca.ai (consultada em outubro de 2026); os números de benchmark são informados pela empresa.
4. Petrov, A., La Malfa, E., Torr, P. H. S., Bibi, A. (2023). Language Model Tokenizers Introduce Unfairness Between Languages. NeurIPS 2023. arXiv:2305.15425.
5. Brasil. Lei nº 13.709/2018 (LGPD), arts. 33 a 36; ANPD, Resolução CD/ANPD nº 19/2024 (Regulamento de Transferência Internacional de Dados), 23 de agosto de 2024.
6. Estados Unidos. Clarifying Lawful Overseas Use of Data (CLOUD) Act, 2018.
7. Medição de tokens: dez pares de ensaios em inglês e português deste site, tokenizados com as codificações o200k_base e cl100k_base da OpenAI (outubro de 2026); as taxas de câmbio do exemplo são ilustrativas.
8. Corrêa, N. K., Sen, A., Fatimah, S., Falk, S., Landgraf, L., Kastner, J., Flek, L. (2026). Tucano 2 Cool: Better Open Source LLMs for Portuguese. arXiv:2603.03543.