Modelos de IA abertos ou proprietários: como escolher

Quem começa a usar inteligência artificial em um projeto logo esbarra numa escolha: usar um modelo oferecido como serviço por uma empresa, acessado pela internet, ou baixar um modelo e rodá-lo nos próprios servidores.

O debate costuma ser apresentado como “open source contra proprietário”. O rótulo ajuda pouco. Há modelos com graus muito diferentes de abertura, e licenças com regras bem distintas. Este texto organiza essas diferenças e propõe critérios para decidir. Se quiser revisar o que é um modelo de linguagem, veja o que são LLMs.

Três graus de abertura

Um modelo de linguagem é, no fim, um arquivo com bilhões de números, chamados parâmetros ou pesos, ajustados durante o treinamento. Para entender a abertura, vale separar três coisas: os pesos, o código usado para treinar e rodar o modelo, e os dados de treinamento.

Com essa separação, dá para distinguir três situações:

• Modelo proprietário (fechado): você não recebe os pesos. Usa o modelo por um aplicativo ou por uma API, que é a interface pela qual um programa envia pedidos ao servidor da empresa e recebe respostas.
• Modelo de pesos abertos (open weights): os pesos podem ser baixados e executados por você, sob uma licença. Os dados de treino e parte do código, em geral, não são publicados.
• Modelo aberto de forma ampla: além dos pesos, são publicados o código de treino e informações detalhadas, ou os próprios dados, sobre o que foi usado para treinar.

O que a definição de “open source” exige

A Open Source Initiative (OSI), entidade que mantém a definição de software de código aberto, publicou a Open Source AI Definition, versão 1.0. Pelo texto, um sistema de IA de código aberto precisa garantir quatro liberdades: usar para qualquer finalidade sem pedir permissão, estudar como funciona, modificar e compartilhar.

A definição diz que, para exercer essas liberdades, é preciso ter acesso à “forma preferida” para fazer modificações. Isso inclui três elementos:

• informação suficientemente detalhada sobre os dados de treino, para que uma pessoa capacitada consiga construir um sistema substancialmente equivalente;
• o código completo usado para treinar e executar o sistema;
• os parâmetros do modelo.

Por esse critério, muitos modelos divulgados como “open source” são, mais precisamente, de pesos abertos. Neste texto, usamos “pesos abertos” quando o que está disponível são os parâmetros, e “aberto de forma ampla” quando também há código e dados.

Exemplos reais de licenças

As licenças são o que define, na prática, o que você pode fazer. Alguns exemplos, conforme os documentos oficiais consultados em 08/10/2026:

• gpt-oss (OpenAI). O repositório oficial traz dois modelos, gpt-oss-120b e gpt-oss-20b, sob a licença Apache 2.0, considerada permissiva. Segundo a OpenAI, o maior cabe em uma única GPU de 80 GB, e o menor roda com 16 GB de memória.
• DeepSeek-R1. O cartão do modelo informa licença MIT para o código e para os pesos, com uso comercial permitido, inclusive para destilação (usar as respostas do modelo para treinar outro).
• Mistral Small 3. No anúncio de 30 de janeiro de 2025, a Mistral AI informou licença Apache 2.0 e disse que, quantizado (com números de menor precisão, para ocupar menos memória), o modelo roda em uma única placa RTX 4090 ou em um Macbook com 32 GB de RAM.
• Llama 3.1 (Meta). A Llama 3.1 Community License, de 23 de julho de 2024, permite uso comercial, mas tem uma condição: se, na data de lançamento da versão, os produtos do licenciado tinham mais de 700 milhões de usuários ativos mensais, é preciso pedir uma licença à Meta, que pode concedê-la ou não, a seu critério. É uma licença com restrições, diferente das permissivas.
• Olmo 3 (Ai2). O Allen Institute for AI publica o Olmo 3 sob Apache 2.0 e, segundo o cartão do modelo, libera código, checkpoints (versões intermediárias do treino) e detalhes de treinamento, além de indicar o conjunto de dados Dolma 3. É um exemplo de abertura ampla.

Licenças mudam entre versões. Antes de usar qualquer modelo, leia a licença da versão exata que você vai baixar.

Desempenho: a distância diminuiu

Por muito tempo, a vantagem dos modelos fechados em qualidade era clara. O relatório AI Index 2025, do Instituto de IA Centrada no Humano da Universidade Stanford, mediu essa diferença no Chatbot Arena, um ranking baseado em comparações feitas por usuários. No início de janeiro de 2024, o melhor modelo fechado superava o melhor de pesos abertos em 8,04%. Em fevereiro de 2025, a diferença havia caído para 1,70%.

Dois cuidados. Primeiro, esses números são de fevereiro de 2025, e o ranking muda a cada mês. Segundo, um ranking geral não diz como o modelo vai se sair na sua tarefa. Para isso, é preciso testar com exemplos reais, como explicamos em como avaliar respostas de IA.

Critérios para escolher

Na avaliação da redação, a decisão fica mais clara quando você responde a seis perguntas.

1. Para onde vão os seus dados?

Num modelo proprietário, o texto que você envia trafega até os servidores da empresa. As condições de uso dizem o que ela pode fazer com isso. Os termos comerciais da Anthropic, em vigor desde 17 de junho de 2025, por exemplo, afirmam que a empresa não pode treinar modelos com o conteúdo enviado pelos clientes desses serviços. Termos de consumidor podem ser diferentes, e cada fornecedor tem os seus.

Com pesos abertos rodando na sua infraestrutura, os dados não precisam sair dela. Para setores com regras rígidas de sigilo, isso pode pesar mais do que qualquer diferença de qualidade.

2. Quem vai operar o modelo?

Rodar um modelo exige servidores com GPU, atualização, monitoramento e segurança. Com uma API, isso fica com o fornecedor. Com pesos abertos, fica com você, ou com um provedor de nuvem que você contratar para hospedar o modelo.

3. Qual é o custo total?

Na API, você paga por uso, normalmente por token (as unidades de texto que o modelo processa; veja tokens em modelos de IA). Com pesos abertos, o modelo pode ser gratuito, mas o hardware, a energia e as horas de engenharia não são. Na avaliação da redação, volume baixo ou variável tende a favorecer a API; volume alto e estável pode compensar a infraestrutura própria. Faça a conta com os seus números, como sugerimos em ROI de IA nas empresas.

4. Você precisa ajustar o modelo?

Com os pesos em mãos, é possível fazer ajuste fino (fine-tuning), isto é, continuar o treinamento com seus próprios exemplos para especializar o modelo. Também é possível rodá-lo sem internet ou em equipamentos locais. Alguns serviços fechados oferecem ajuste fino, mas dentro dos limites que o fornecedor define.

5. O que acontece se o fornecedor mudar?

Um serviço fechado pode alterar preços, aposentar versões ou mudar regras. Com pesos abertos, a versão que você baixou continua com você. Em contrapartida, as correções de segurança e as melhorias passam a depender da sua equipe.

6. O que a licença permite?

Confira se a licença permite uso comercial, se impõe limite de usuários, se exige atribuição e se há uma política de uso aceitável. O caso do Llama 3.1 mostra que “pode baixar” não é o mesmo que “pode usar de qualquer forma”.

Riscos e o debate sobre segurança

Na avaliação da redação, distribuir pesos abertos tem uma consequência que não volta atrás: depois que os arquivos circulam, o autor não consegue recolhê-los nem controlar como serão modificados.

O artigo On the Societal Impact of Open Foundation Models, de Sayash Kapoor, Rishi Bommasani e coautores (2024), lista benefícios dos modelos abertos em inovação, concorrência, distribuição de poder de decisão e transparência. O mesmo texto aponta propriedades, como a maior capacidade de personalização e o monitoramento limitado do uso, que geram tanto benefícios quanto riscos. Os autores propõem avaliar o risco marginal, ou seja, quanto risco o modelo aberto acrescenta em relação ao que já existe, como buscadores e ferramentas disponíveis. Para usos indevidos como ciberataques e armas biológicas, eles concluem que a pesquisa disponível ainda é insuficiente para medir esse risco.

O governo dos Estados Unidos chegou a uma posição parecida. O relatório da NTIA, de 30 de julho de 2024, concluiu que as evidências da época não bastavam para justificar restrições a modelos de pesos abertos e recomendou monitorar ativamente os riscos, sem descartar medidas futuras.

Para quem usa, na avaliação da redação, os riscos são mais concretos. Um modelo baixado de fonte não oficial pode ter sido alterado. Um modelo sem atualização pode manter falhas conhecidas. E qualquer modelo, aberto ou fechado, pode errar com confiança, como mostramos em alucinações de IA.

E a regulação?

Na União Europeia, o Artigo 53 do AI Act trata dos fornecedores de modelos de IA de finalidade geral. Os modelos publicados sob licença livre e aberta, com pesos, arquitetura e informações de uso disponíveis ao público, ficam dispensados de duas obrigações de documentação técnica. Continuam valendo a política de respeito a direitos autorais e o resumo público do conteúdo usado no treino. A dispensa não vale para modelos considerados de risco sistêmico.

Ou seja: mesmo onde há regra específica, “aberto” não significa “sem obrigações”. E quem usa o modelo num produto continua responsável pelo que o produto faz.

O que levar deste texto

“Open source” em IA é um rótulo usado de forma frouxa. O que importa é o que foi publicado (pesos, código, dados) e o que a licença permite. Pela definição da OSI, um modelo de código aberto precisa liberar código, parâmetros e informação detalhada sobre os dados.

Modelos fechados entregam conveniência, operação terceirizada e, muitas vezes, o melhor desempenho do momento. Modelos de pesos abertos entregam controle sobre dados, possibilidade de ajuste e independência do fornecedor, em troca de mais trabalho técnico. A diferença de qualidade entre os dois grupos diminuiu, segundo o AI Index 2025.

Na avaliação da redação, o melhor caminho é testar dois ou três candidatos com as suas tarefas reais, ler a licença de cada um e fazer a conta do custo total antes de decidir.