Self-hosting (modelos de IA)
Fazer self-hosting (hospedagem própria) de um modelo de IA significa rodá-lo em hardware que você controla, como seus próprios servidores, GPUs alugadas ou um notebook, em vez de chamar a API de um provedor. Você escolhe o modelo e fica com os dados, mas opera a infraestrutura.
Também chamado: self-hosted, self-hosted LLM, on-premises AI
Por Divya Sharma · Verificado em 15 de nov. de 2026 · Como analisamos
Com uma API hospedada, um provedor roda o modelo e você envia seus dados a ele. O self-hosting inverte isso: você baixa os pesos do modelo, geralmente de um modelo open-weight, e os serve por conta própria.
Por que as equipes fazem isso
Os principais motivos são controle e privacidade. Prompts e saídas nunca saem do seu ambiente, o que ajuda com a residência de dados e com dados que você não pode enviar a terceiros. Você também fixa a versão exata do modelo, para que ela não mude sem aviso, e pode fazer fine-tuning. Em volume alto e constante, alugar ou ter GPUs pode custar menos que pagar por token.
Como é feito
Em uma única máquina, o Ollama, o llama.cpp e o LM Studio rodam LLMs locais e oferecem uma API em localhost. Para tráfego de produção, servidores como vLLM e SGLang adicionam continuous batching e uma API compatível com a OpenAI, para que o código cliente existente continue funcionando. O hardware pode ser seu ou alugado de uma GPU cloud. A calculadora de GPU estima o que um modelo precisa.
Os custos
Você fica responsável por disponibilidade, escalonamento, patches de segurança, monitoramento e planejamento de capacidade. As GPUs ficam ociosas e continuam custando dinheiro quando o tráfego é baixo. Os melhores modelos abertos podem ficar atrás dos principais modelos fechados em algumas tarefas, e alguns modelos fechados simplesmente não estão disponíveis para self-hosting. A licença de cada modelo também define termos de uso.
Meio-termo
Deployments dedicados de provedores de inferência, ou plataformas gerenciadas como a Modal, rodam um modelo da sua escolha em hardware reservado sem que você gerencie servidores. Eles dão parte do controle com menos custo operacional, mas os dados ainda saem da sua rede.
Termos relacionados
- Model serving
- Model serving (servir modelos) é rodar um modelo treinado como um serviço que as aplicações chamam pela rede, com um software que carrega os pesos nas GPUs, enfileira e agrupa requisições, gerencia a memória e retorna os resultados.
- Residência de dados
- Residência de dados (data residency) é um controle que mantém os dados de um cliente armazenados, e muitas vezes processados, em uma região geográfica escolhida, como a UE, para que uma equipe possa cumprir suas próprias regras legais, contratuais ou de clientes sobre onde os dados ficam.
- LLM local
- Um LLM local é um modelo de linguagem que roda no seu próprio computador, celular ou servidor em vez da API em nuvem de um provedor, então prompts e dados ficam no seu hardware e ele funciona sem conexão com a internet.
- Modelo open-weight
- Um modelo open-weight (modelo de pesos abertos) é um modelo cujos pesos treinados são publicados para qualquer pessoa baixar e rodar, muitas vezes sem o código de treinamento ou os dados completos, então ele não é necessariamente open source.
- Nuvem de GPU
- Uma nuvem de GPU (GPU cloud) é um serviço que aluga máquinas com GPU por hora ou por segundo para treinamento, fine-tuning e inferência de IA. Provedores especializados, às vezes chamados de neoclouds, focam em GPUs e muitas vezes cobram menos do que as grandes nuvens generalistas.