O dado sai a cada pergunta
Cada consulta à IA externa leva contrato, laudo ou chamado para fora. Sem resposta para isso, o projeto para no DPO.
Por que um modelo próprio
O piloto de IA funciona. Aí o compliance pergunta para onde vai o dado. E o financeiro pergunta quanto custa no volume real.
Em setor regulado, mandar dado de cliente, paciente ou operação para o servidor de terceiros trava o projeto no jurídico. E a conta por uso cresce junto com o sucesso da IA.
A conta cresce com o sucesso
Cobrança por uso sobe com o volume. Quando a IA dá certo e escala, o custo vem maior que o planejado, e o preço muda quando o fornecedor quer.
Benchmark de vitrine, não do seu caso
O fornecedor mostra o modelo dele ganhando em teste público. Ninguém mostra se ele acerta o seu contrato, o seu laudo, o seu chamado.
O que você leva
Uma decisão com prova, e um modelo sob o seu controle.
O ganho não vem do maior modelo. Vem de escolher o certo para a tarefa, provar nos seus casos e operar com as mesmas regras de segurança que o resto da sua casa já segue.
01
O dado sensível não sai de casa
Preparação, ajuste e resposta do modelo acontecem no seu data center ou na sua nuvem privada. Um time com segurança e privacidade da informação certificadas cuida do processo.
ISO/IEC 27701privacidade certificada
02
Decisão com resultado na mão
Antes de investir no ajuste, comparamos modelos pequenos e a API nos seus casos reais, com o custo estimado de cada caminho. Se a API ganhar, a recomendação é a API.
03
Revisão humana onde o erro custa caro
Cada etapa tem aprovador nomeado, e as decisões críticas do modelo em produção passam por uma pessoa. É o mesmo método das nossas entregas com agentes.
97%de acerto de primeira
04
Custo que você prevê
Um modelo pequeno rodando na sua infraestrutura tem custo por tarefa que não sobe a cada pergunta. Você planeja o orçamento sem depender da tabela de preço de terceiros.
05
Sem dono além de você
Modelo ajustado, dados preparados, banco de casos e playbook ficam com você. Quando sair um modelo melhor, você troca com base no teste, não na promessa.
Como trabalhamos
Cinco etapas. Um gate humano em cada uma.
Cada etapa gera o insumo da próxima, e nada avança sem a aprovação de quem responde pelo resultado no seu negócio. O dado não sai do seu ambiente em nenhuma delas.
Tarefa e critério de acerto
Uma tarefa específica, o custo de um erro e a régua que diz se a IA acertou, escrita antes de qualquer teste.
Gate · Critério de aceite assinado pelo negócioDados no seu ambiente
Dados organizados, limpos e anonimizados onde a LGPD pede, com regra de acesso e origem registrada.
Gate · Liberação do DPO ou complianceBanco de casos reais
Situações da sua operação, com a resposta certa conhecida, para testar qualquer modelo do mesmo jeito.
Gate · Casos validados pelos especialistasAjuste e comparação
O modelo pequeno ajustado e a API respondem os mesmos casos. Comparamos acerto, tempo de resposta e custo.
Gate · Decisão: modelo próprio, API ou nenhumProdução e operação
Modelo no seu ambiente, com monitoramento de qualidade, revisão humana nas decisões críticas e reavaliação a cada versão nova.
Gate · Revisão periódica de desempenho
O que muda na sua operação de IA
DadoPara de viajar. Fica no seu ambiente, com acesso controlado e registrado.
CustoDeixa de acompanhar o volume de perguntas e vira custo de infraestrutura que você planeja.
AuditoriaTem resposta: onde o dado está, como o modelo foi ajustado e como ele é testado.
Troca de modeloVira decisão sua, com o banco de casos dizendo se o modelo novo é melhor.
ErroPara de ser surpresa. Queda de qualidade gera alerta antes de chegar ao cliente.
Como o mercado vende
Todo mundo promete IA sob controle. Pouca gente prova no seu caso.
Quem vende modelo pequeno costuma ser dono do modelo ou da plataforma, e prova com teste público. Nós não temos modelo para vender, então o teste é com os seus casos.
Como contratar
Três formatos. Todos começam pela prova.
Você pode parar depois de qualquer um deles. Cada formato entrega uma decisão ou um modelo que fica com você.
Comece aqui
Avaliação de viabilidade
Para quem: Quem tem uma tarefa candidata e precisa decidir entre modelo próprio e API.
Formato de 3 a 4 semanas
- Uma tarefa escolhida com o negócio e o critério de acerto escrito
- Banco de casos reais validado pelos seus especialistas
- Comparação de modelos pequenos e da API nos mesmos casos
- Custo estimado de operação nos dois caminhos
- Recomendação por escrito, inclusive quando ela é usar a API
Mais pedido
Piloto em uma tarefa
Para quem: Quem já tem a tarefa definida e quer ver o modelo ajustado rodando no próprio ambiente.
Formato de 8 a 12 semanas
- Preparação e anonimização dos dados no seu ambiente
- Ajuste do modelo para a tarefa
- Avaliação lado a lado com a API no banco de casos
- Uso controlado com usuários reais e revisão humana
- Dossiê para compliance: dado, acesso, ajuste e testes
Operação contínua
SLM em produção
Para quem: Quem vai colocar o modelo no processo e precisa dele estável, auditável e atualizado.
Contrato contínuo, com revisão trimestral
- Implantação no seu data center ou nuvem privada
- Monitoramento de qualidade, uso e custo
- Reavaliação a cada versão nova de modelo
- Reajuste com dado novo quando a operação muda
- Controle de acesso e trilha de auditoria
Escopo e preço saem da conversa sobre a sua tarefa e, depois, da avaliação de viabilidade. Os prazos acima são o formato que propomos, não promessa de resultado.
26 anos de software crítico, com segurança e privacidade da informação certificadas por auditoria externa.
Combina com
Do processo ao agente, com o seu dado protegido.
Perguntas frequentes
Antes de começar.
O que é um SLM?
Small Language Model: um modelo de linguagem pequeno, que entende e escreve texto como os mais conhecidos, só que menor e especializado. Por ser menor, roda em servidores da própria empresa, custa menos para operar e pode ser ajustado para o vocabulário e as regras do seu negócio.
Um modelo pequeno é bom o suficiente?
Para uma tarefa bem definida, um modelo pequeno ajustado costuma chegar perto dos grandes, e o Gartner prevê que, até 2027, as empresas vão usar modelos pequenos e específicos três vezes mais que modelos grandes de uso geral (Gartner, 2025). Para tarefas abertas e variadas, o grande pode ser melhor. Por isso testamos os dois com os seus casos antes de recomendar.
Quando vocês recomendam não usar SLM?
Quando o dado não é sensível, o volume é baixo ou a tarefa exige conhecimento amplo. Nesses casos, um modelo grande por API costuma ser mais simples e mais barato, e é isso que a recomendação diz.
Onde o modelo roda e o que preciso de infraestrutura?
No seu data center (on-premise) ou na sua nuvem privada. A inferência acontece no seu ambiente. Modelos pequenos, com quantização, costumam rodar em uma ou poucas GPUs, e a avaliação de viabilidade já dimensiona o hardware.
Como isso ajuda com LGPD e com as regras do meu setor?
O dado fica no seu ambiente, com controle de acesso e trilha de auditoria, e entregamos um dossiê com onde o dado está, quem acessa, como o modelo foi ajustado e como ele é testado. É o tipo de resposta que reguladores como Banco Central, ANS e ANEEL costumam pedir. A DB1 é certificada ISO/IEC 27001 e ISO/IEC 27701.
O modelo ajustado é meu?
O ajuste, os dados preparados, o banco de casos e o playbook ficam com você. O modelo base segue a licença do fornecedor original, e por isso a licença entra como critério de escolha logo na primeira etapa.