Usar IA por API é prático — até você perceber que está pagando por token, que seus dados passam pelo servidor de terceiros e que os termos mudam quando eles querem. Rodar modelos de linguagem no seu próprio servidor virou uma alternativa real: privacidade total, custo fixo e controle. Este guia mostra o que é possível hoje — e, com honestidade, o que exige hardware que uma VPS comum não tem.
O que é IA self-hosted
É rodar modelos de IA — principalmente LLMs (modelos de linguagem, como os que respondem perguntas e escrevem texto) — na sua própria infraestrutura, em vez de chamar uma API na nuvem. Ferramentas como o Ollama tornaram isso quase tão simples quanto instalar qualquer app: um comando baixa o modelo e você já conversa com ele.
Os modelos são abertos (Llama, Mistral, Gemma, Qwen, Phi e outros) e gratuitos para baixar. Você paga apenas pela infraestrutura que os roda.
Por que rodar IA localmente
- Privacidade total — os prompts e documentos não saem do seu servidor. Nada de enviar dados sensíveis para terceiros. Veja mais em por que rodar IA localmente.
- Custo fixo — sem cobrança por token. Você processa o quanto quiser dentro do seu servidor.
- Sem limites de uso nem censura de API — você define as regras.
- Offline e sob seu controle — funciona sem depender da disponibilidade de um provedor externo.
- Integrações — conecte a automações (veja IA + n8n) e aos seus próprios documentos (veja RAG).
A verdade sobre o hardware (sem enrolação)
Este é o ponto onde muito conteúdo te engana. A real:
| O que você quer rodar | Precisa de |
|---|---|
| Modelos pequenos (1B–8B) quantizados, para texto, resumo, chat simples | CPU + bastante RAM — funciona, mais lento |
| Modelos médios/grandes (13B–70B+) com boa velocidade | GPU dedicada com bastante VRAM |
| Geração de imagem (Stable Diffusion) em tempo hábil | GPU |
Traduzindo: uma VPS comum (CPU) roda muito bem modelos pequenos quantizados para tarefas de texto — chat, resumo, classificação, automações. É mais lento que uma GPU, mas totalmente utilizável para muitos casos, e privado. Já modelos grandes e geração de imagem em produção pedem GPU, que é outra categoria de hardware e custo. Entenda a diferença no guia de CPU vs GPU para IA.
O papel da quantização
A quantização é o que torna a IA em CPU viável: ela comprime o modelo (reduzindo a precisão dos números) para ocupar muito menos memória, com perda pequena de qualidade. Um modelo de 7–8 bilhões de parâmetros quantizado cabe em poucos GB de RAM e roda numa VPS. Veja qual modelo cabe na sua VPS.
Como começar (o caminho mais fácil)
- Uma VPS com bastante RAM (a IA em CPU é faminta por memória) e Docker.
- Ollama — instala e roda modelos com um comando. Veja o guia do Ollama.
- Open WebUI — uma interface parecida com o ChatGPT para conversar com seus modelos pelo navegador. Veja o guia do Open WebUI.
- Escolha um modelo pequeno quantizado compatível com a RAM da sua VPS e comece a testar.
Casos de uso realistas em CPU
O que uma VPS de CPU com um modelo pequeno faz bem:
- Resumir textos e documentos.
- Classificar e organizar (tickets, e-mails, leads).
- Chat interno e assistentes de nicho.
- Extrair e transformar dados em automações.
- RAG — responder com base nos seus documentos.
Para geração de texto em alto volume, redação criativa longa ou imagem, aí sim a GPU faz diferença.
IA privada começa numa VPS com RAM
Se o seu caso é texto — chat, resumo, automação, RAG — uma VPS com bastante RAM roda modelos pequenos localmente, com privacidade total e custo fixo. A VittHost tem VPS com root e IP dedicado para você montar sua stack de IA privada:
Comece pela ferramenta que destrava tudo: o Ollama.
