Uma plataforma de IA para a empresa toda: fornecedor único, workspace multimodelo, gateway, catálogo em nuvem ou solução própria

Muitas empresas chegam ao mesmo ponto. Os funcionários já usam o ChatGPT ou o Microsoft Copilot, e agora alguém pede um modelo diferente, um assistente compartilhado para uma equipe ou um registro de quem perguntou o quê. Um modelo é o programa treinado que escreve as respostas, e um modelo de linguagem de grande porte (LLM) é um modelo que trabalha com texto. Você pode ficar com o produto de um único fornecedor, comprar um workspace com vários modelos ou colocar um gateway na frente de vários provedores. Um gateway é um ponto de controle entre o seu software e os modelos. Também é possível alugar modelos de um catálogo em nuvem ou construir os seus. A maioria das empresas de médio porte deveria começar pelo produto que os funcionários já usam e só acrescentar peças quando surgir uma necessidade concreta.

Por que uma empresa iria querer mais de um modelo de IA, e quando um só basta?

Os modelos diferem no que fazem bem e no que custam, e os fornecedores mudam seus portfólios com frequência. Até um único produto mistura modelos. A página da Microsoft sobre o Copilot diz: “Por padrão, o Copilot usa um roteador em tempo real para ajustar o modelo subjacente que utiliza com base no seu prompt.”

Três motivos justificam escolher os modelos você mesmo. Uma equipe pode precisar de um modelo que o seu produto não tem. Uma tarefa de rotina pode ser atendida por um modelo menor e mais barato. Ou você quer um segundo provedor pronto para uma queda. Um fornecedor basta quando os funcionários usam IA para redigir e buscar, ninguém incorpora IA ao seu software e os controles de administração atendem às suas regras.

O que o ChatGPT Enterprise e o Microsoft 365 Copilot nos dão, e onde eles terminam?

Para um workspace ChatGPT Enterprise, peça à OpenAI por escrito os controles de administração, os termos de dados e a lista de modelos atuais. A documentação da API da OpenAI diz que “os dados enviados à API da OpenAI não são usados para treinar nem melhorar os modelos da OpenAI (a menos que você opte explicitamente por compartilhar dados conosco)”, mas essa página trata da API, não dos aplicativos do ChatGPT.

Um GPT personalizado é um assistente que um funcionário configura dentro do ChatGPT, com instruções escritas e documentos anexados. A OpenAI o descreve como uma forma de personalizar o ChatGPT “fornecendo instruções, anexando documentos como conhecimento”.

A Microsoft diz: “A Microsoft oferece modelos de IA de terceiros no Microsoft Copilot, como os modelos da Anthropic e da OpenAI.” E acrescenta: “Como administrador, você pode decidir se usa esses modelos para alimentar as suas experiências, e podem se aplicar termos adicionais.”

Os limites aparecem quando você constrói assistentes. A Microsoft diz que os agentes declarativos “usam a infraestrutura de IA, o modelo e o orquestrador do Copilot”, então você define instruções, conhecimento e ações, mas mantém as escolhas de modelo da Microsoft. Um agente de motor personalizado, em que você “traz o seu próprio orquestrador e os seus próprios modelos”, pode “exigir hospedagem adicional fora do Microsoft 365”. A Microsoft diz que a configuração “varia de configurações simples no Copilot Studio a implementações avançadas em pro-code”, e a ponta pro-code desse caminho já é uma construção própria.

O que é um workspace multimodelo, e do que abrimos mão?

Um workspace multimodelo é um aplicativo de chat para os funcionários que oferece modelos de vários provedores com um único login. Dois exemplos que você roda nos seus próprios servidores: a documentação do Open WebUI menciona “suporte a Ollama e a APIs compatíveis com OpenAI”, e o LibreChat se define como “uma aplicação web auto-hospedada”. Existem também produtos hospedados desse tipo.

O que você perde é profundidade. A Microsoft diz que o Copilot “só traz à tona dados organizacionais aos quais cada usuário tenha, no mínimo, permissão de visualização”, porque lê diretamente as suas permissões do Microsoft 365. Um workspace separado precisa de conexões próprias com os seus arquivos e sistemas, e você precisa mapear quem pode ver cada arquivo. A auto-hospedagem exige alguém para operá-la, e um produto hospedado acrescenta outra empresa que trata os seus prompts.

O que um gateway de LLM faz, e quem precisa de um?

Um gateway é um serviço entre o seu software e os provedores de modelos. Seu software envia todas as requisições a um único endereço, e o gateway as encaminha ao modelo escolhido. Um token é a pequena unidade de texto que um modelo lê e escreve e que os provedores contam e cobram. O glossário da Anthropic diz que os tokens “podem corresponder a palavras, subpalavras, caracteres ou até bytes”.

O projeto open source LiteLLM descreve o seu gateway como “um servidor auto-hospedado” que oferece “um endpoint compatível com OpenAI para mais de 100 provedores de LLM, ferramentas MCP e agentes A2A”. Ele diz para “dar a cada usuário, equipe e projeto uma chave virtual”, cada uma com “modelos, orçamentos e limites de taxa”. As chaves reais dos provedores ficam então em um só lugar.

Outros cobrem terreno parecido. A Portkey diz que tornou o seu gateway “open source”. O Cloudflare AI Gateway, um serviço hospedado, diz que você pode “ver métricas como o número de requisições, de tokens e o custo de executar a sua aplicação”. A Kong diz que o seu AI Gateway pode “fazer failover automático para outro provedor ou modelo quando um estiver lento ou indisponível”.

Você precisa de um gateway quando várias equipes ou produtos chamam modelos por código e você quer um único lugar para chaves, orçamentos, roteamento e logs. Funcionários que só usam aplicativos de chat não precisam de um. Um gateway não lhes dá janela de chat, e os logs dele podem conter prompts (o texto que os funcionários digitam), conforme a configuração, então proteja-os.

O que o catálogo de modelos de um provedor de nuvem acrescenta?

Três exemplos são o Microsoft Foundry (antes Azure AI Foundry), o Amazon Bedrock e o Gemini Enterprise Agent Platform do Google (antes Vertex AI). Eles permitem que os seus engenheiros chamem modelos de muitos provedores pela conta de nuvem que você já tem. A Microsoft diz que o catálogo do Foundry “inclui mais de 10.000 modelos”, e a AWS diz que o Bedrock oferece suporte a “mais de 100 modelos de base”. O Google diz que o Model Garden reúne modelos “do Google e de parceiros do Google”.

Os ganhos são a sua configuração de segurança existente, uma única fatura e a escolha do local de processamento. A Microsoft diz: “você pode escolher processamento global, por zona de dados ou regional, conforme os seus requisitos de conformidade.” Isso vale para implantações serverless. Para modelos Claude hospedados na infraestrutura própria da Anthropic, a Microsoft diz que os dados “podem ser processados fora do Azure, inclusive fora da sua geografia do Azure selecionada”. O custo é que isso é uma caixa de ferramentas para quem constrói. Qualquer tela de chat no console serve para testes de quem constrói, então os funcionários não recebem um produto de chat pronto, e você continua responsável pelos testes e pela escolha de modelos. A Microsoft diz também que modelos mais antigos “podem ser aposentados do catálogo de modelos do Foundry”.

Como migramos nossos GPTs personalizados, prompts e arquivos de conhecimento, e o que fica para trás?

Veja primeiro o cronograma da OpenAI. Reportagens da imprensa do outono de 2026 dizem que a OpenAI planeja aposentar os GPTs personalizados em dezembro de 2026 e migrá-los para plugins, com datas posteriores para alguns workspaces Enterprise. Siga o aviso do seu próprio workspace. Liste cada assistente com seu responsável e seu uso. Reconstrua primeiro os mais usados e teste cada cópia com as mesmas perguntas. Três coisas migram bem: o texto das instruções, os documentos-fonte, se você ainda tiver os originais, e as suas perguntas de teste. Quatro coisas ficam para trás. O histórico de conversas fica na plataforma antiga, e o quanto dá para exportar depende das ferramentas de administração dela. As configurações de compartilhamento precisam ser refeitas. As ações, as chamadas de um assistente para os seus outros sistemas, precisam ser configuradas de novo em cada plataforma. Uma descrição OpenAPI da API pode ser reaproveitada onde a plataforma a aceitar. E as respostas vão mudar, porque cada plataforma divide e pesquisa os arquivos do seu jeito e o modelo por baixo é diferente.

Quem pode ver o quê, e como cada caminho trata os nossos dados?

Pergunte a cada caminho se os seus dados treinam os modelos do provedor e onde são processados. Os fornecedores dizem:

• API da OpenAI: “os dados enviados à API da OpenAI não são usados para treinar nem melhorar os modelos da OpenAI (a menos que você opte explicitamente por compartilhar dados conosco)”.
• Microsoft 365 Copilot: os prompts, as respostas e os dados lidos pelo Microsoft Graph (o serviço de dados do Microsoft 365) não são usados para treinar os seus modelos de base. “O tráfego da UE permanece dentro do EU Data Boundary, enquanto o tráfego mundial pode ser enviado à UE e a outros países ou regiões para processamento de LLM”, e “os modelos fornecidos pela Anthropic como subprocessadora estão, atualmente, excluídos do EU Data Boundary.”
• Amazon Bedrock: “A AWS e os provedores de modelos de terceiros não usarão nenhuma entrada nem saída do Amazon Bedrock para treinar o Amazon Nova, o Amazon Titan ou quaisquer modelos de terceiros.” O FAQ geral de privacidade da AWS acrescenta: “Você escolhe a(s) Região(ões) da AWS em que o seu conteúdo é armazenado.” Com um perfil de inferência global entre regiões, o Bedrock pode processar uma requisição em “qualquer Região comercial da AWS compatível em todo o mundo”.
• Gemini Enterprise Agent Platform (antes Vertex AI): o Google afirma que não treina modelos com os seus dados sem a sua permissão ou instrução prévia. Diz que os dados em repouso ficam no local que você seleciona, mas que requisições a um endpoint global “podem ser processadas em qualquer local do Google Cloud no mundo”.
• Um workspace ou gateway que você hospeda: os dados ficam no seu ambiente até serem encaminhados, e depois valem os termos do provedor do modelo. Um gateway hospedado acrescenta mais uma empresa.

Para dados pessoais, o GDPR usa o termo operador (processor) para uma empresa que trata dados em nome da sua. Em termos simples, o artigo 28 exige um contrato escrito e que a empresa aja somente conforme as suas instruções documentadas, a menos que a lei exija o contrário. Outro operador só pode ser incluído com a sua autorização prévia por escrito. Essa autorização pode ser geral, e nesse caso o operador deve avisar você das mudanças para que possa se opor. A página do Foundry da Microsoft diz que o serviço Azure Machine Learning “atua como operador de dados para os prompts enviados e o conteúdo gerado em implantações serverless”. Para os modelos Claude no Foundry, a Microsoft diz que a Anthropic “atua como operadora de dados independente”, portanto verifique quem é o operador de cada modelo. Peça ao seu próprio advogado que leia cada contrato.

Dentro da empresa, um assistente deve mostrar a uma pessoa apenas o que ela já poderia abrir. Em qualquer caminho, inclusive o Copilot, teste isso com um único login em uma pasta que essa pessoa não deve ver.

O que a governança exige na prática?

Os papéis vêm primeiro: quem é o responsável por cada assistente, quem aprova um novo e quem pode trocar um modelo. O AI Risk Management Framework do NIST diz: “Os papéis, as responsabilidades e as linhas de comunicação relacionados ao mapeamento, à medição e ao gerenciamento dos riscos de IA estão documentados e são claros para indivíduos e equipes em toda a organização.”

As aprovações vêm em segundo lugar. Enviar um e-mail, alterar um registro ou pagar uma fatura deve esperar por uma pessoa, como explica o artigo sobre aprovação humana, linkado acima. Os logs vêm em terceiro: quem perguntou, qual modelo respondeu, qual versão do assistente rodou e quanto custou. Um gateway pode gravar a maior parte desse registro para todos os modelos que você chama, se o seu software enviar a pessoa e a versão do assistente a cada requisição.

O quarto item é um registro de casos de uso. O playbook do NIST diz: “Existem mecanismos para inventariar os sistemas de IA, e eles recebem recursos de acordo com as prioridades de risco da organização.” Uma planilha compartilhada basta para começar. Dê a cada linha um caso de uso, um responsável, o modelo, os dados que ele toca e uma data de revisão.

Qual é a diferença entre o preço por usuário e o preço por token?

O preço por usuário cobra um valor fixo por usuário nomeado. O preço por token cobra pelo texto que o seu software envia e recebe. Peça a cada fornecedor, por escrito, o preço atual por usuário, com todos os mínimos e adicionais.

Para tokens, a Anthropic publica uma tabela de preços em dólares americanos. Ela mostra o Claude Sonnet 5.5 a 2 dólares por milhão de tokens de entrada e 10 por milhão de tokens de saída. O Claude Haiku 5.5 custa 0,10 e 0,50 dólar para prompts de até 100.000 tokens.

Tome uma carga inventada de 1.000 requisições por dia, cada uma enviando 3.000 tokens e recebendo 500, o que dá 3 milhões de tokens de entrada e 0,5 milhão de saída. No Sonnet 5.5, o custo é de 6 dólares de entrada mais 5 de saída, 11 dólares por dia. No Haiku 5.5, é 0,30 mais 0,25, 55 centavos por dia. A carga é uma suposição, e os revendedores de nuvem podem cobrar de forma diferente.

Tokens de saída custam mais que tokens de entrada, a escolha do modelo move a conta por um fator grande e documentos longos anexados aumentam o lado da entrada. Defina um orçamento no gateway desde o primeiro dia.

Como é a dependência de fornecedor, e o que devemos guardar para poder sair?

A dependência de fornecedor fica onde o esforço foi gasto: em assistentes criados no editor de um fornecedor, em arquivos guardados e preparados para busca no sistema dele, em ações escritas no formato dele e em um histórico que só ele guarda. Um gateway também pode virar dependência se as suas regras de roteamento estiverem em um formato que só ele lê.

Guarde o texto de instruções de cada assistente em um repositório, junto com os documentos-fonte, as suas perguntas de teste e uma exportação dos logs. Chame os modelos por um endpoint compatível com OpenAI (um formato de requisição que muitas ferramentas copiam) e construa as ações sobre formatos abertos, como uma descrição OpenAPI (uma descrição padrão de uma API) ou o Model Context Protocol, que se define como “um padrão de código aberto para conectar aplicações de IA a sistemas externos”. Combine no contrato os termos de exportação, exclusão e aviso de aposentadoria de modelos.

Quando se justifica construir a nossa própria plataforma?

Construir se justifica quando a IA faz parte do produto que você vende, porque então os seus clientes são os usuários e nenhuma licença para funcionários os cobre. Também se justifica quando um processo precisa de uma lógica que nenhum produto oferece, como o roteamento por contrato de cliente. Regras sobre onde os dados podem ser processados também podem excluir todas as opções hospedadas.

É difícil justificar só para um chat de funcionários. Os produtos acima já fazem isso, e você assumiria atualizações, controle de acesso, logs e plantão.

O que perguntar a um fornecedor?

• Quais modelos podemos escolher, e quem decide quando um deles é substituído ou aposentado?
• Nossos dados são usados para treinamento em algum plano, e onde o contrato diz isso?
• Em qual região os dados são processados, e isso muda conforme o modelo que escolhermos?
• O fornecedor é o nosso operador no sentido do GDPR, e quais suboperadores ele usa?
• Um administrador pode ver e exportar os logs de prompts e respostas?
• Quanto custa um mês do nosso uso real, com todos os mínimos e adicionais incluídos?
• O que podemos levar conosco se sairmos, e em que formato?

O que devemos perguntar a uma empresa que o construiria?

• Quais partes vocês vão construir, e quais vão configurar a partir de produtos existentes?
• Ele vai rodar na nossa conta de nuvem, e quem guarda as chaves?
• Como vocês vão testar cada assistente antes do lançamento, e quem do nosso lado dá a aprovação?
• O que recebemos no final: código, configuração, conjuntos de teste, logs, guias de operação?
• Quem opera depois do lançamento, e quanto isso custa por mês?

Onde a amBrain se encaixa?

A amBrain publica este blog. Sobre o próprio produto, ela diz: “Nosso produto próprio, o shyash.ai, roda em agentes de IA que pesquisam, escrevem, verificam e medem a partir de uma memória compartilhada dos fatos da empresa. Uma pessoa aprova tudo o que sai.”

Este artigo não é um estudo de caso e não descreve trabalho para clientes. Ele não afirma que a amBrain tenha construído uma plataforma multimodelo ou um gateway para algum cliente. A frase acima trata do produto próprio da amBrain, e os exemplos são gerais.

As empresas e os projetos citados aqui vêm das suas páginas publicadas, lidas em 10 de novembro de 2026. O artigo não afirma nenhuma relação entre a amBrain e qualquer um deles e não traz preços nem prazos da amBrain.

A amBrain constrói software desde 2019. Sobre como trabalha com os clientes, ela diz: “Três formatos: entrega completa, time dedicado ou engenheiros embarcados no seu time.” A frase dela sobre propriedade é: “O cliente mantém a propriedade integral do produto e do código, exceto dos nossos componentes reutilizáveis.” Peça a lista desses componentes, nome por nome, antes de assinar.

Se a amBrain estiver na sua lista de candidatas, faça a ela as mesmas perguntas que faria a qualquer outra empresa.