Escolher entre um modelo de pesos abertos, um projeto de IA open source e uma API fechada é uma decisão de licença, controle e risco — não de rótulo de marketing. Pesos abertos entregam os parâmetros finais do modelo, mas não incluem o código de treinamento nem o conjunto de dados usado no treino, portanto não equivalem a IA open source. O caminho prático é sempre o mesmo: leia a licença inteira, confira o que de fato foi publicado e só então compare custo, desempenho e controle. Se o seu objetivo é apenas usar assistentes no cotidiano, um guia prático de IA no dia a dia resolve; a análise abaixo é para quem decide qual modelo uma empresa ou projeto vai adotar.
O que pesos abertos significam
Pesos abertos são os números que definem o comportamento de uma rede neural depois do treinamento. Com eles, você pode baixar o modelo, rodar na própria infraestrutura, ajustar com seus dados e distribuir internamente — sem pagar por token e sem enviar dados sensíveis para o servidor de terceiros. É daí que vem o apelo para empresas com restrições de privacidade, contratos públicos ou volumes altos de chamadas.
O limite aparece quando algo dá errado ou quando você precisa provar de onde vem um resultado. Sem o código e os dados de treinamento, ninguém de fora consegue reproduzir o processo, auditar vieses introduzidos no treino ou explicar em profundidade uma decisão do modelo. A transparência existe, mas para no produto final — e isso muda o tipo de pergunta que você consegue responder em uma auditoria.
Quatro liberdades que importam
A Open Source Initiative publicou uma definição estável para IA open source seguindo a lógica do software livre: usar para qualquer fim, estudar como o sistema funciona, modificar e compartilhar. Modelos como OLMo e Pythia passaram pela fase de validação da Open Source Initiative; outros muito populares ficaram de fora por falta de componentes exigidos ou termos legais incompatíveis. No teste da própria OSI, Llama 2, Grok, Phi-2 e Mixtral não passaram — alguns por licenças com restrições de uso, outros por não publicar componentes obrigatórios.
Essa distinção importa na prática: usar, estudar, modificar e compartilhar são liberdades verificáveis, não adjetivos de material de vendas. Quando um fornecedor chama o modelo de aberto, procure a lista do que foi publicado — pesos, código de treino, dados, checkpoints intermediários — e compare com a promessa. Quando o rótulo não corresponde à prática, o nome disso é openwashing, e a consequência aparece depois, na hora de auditar ou escalar.
A licença decide, não o marketing
A pergunta certa não é se o modelo é aberto, e sim o que a licença permite e obriga. Licenças permissivas de software têm obrigações concretas de redistribuição. A licença Apache exige que qualquer redistribuição de obra derivada conserve, no código-fonte, todos os avisos de copyright, patente, marca e atribuição da obra original. Já licenças de modelos ditos abertos costumam travar uso acima de certo número de usuários ativos, proibir setores inteiros ou condicionar melhorias à devolução para o fornecedor — cláusulas que podem inviabilizar exatamente o seu caso de uso.
Trate a licença como requisito de projeto: leia o texto completo antes do benchmark. Um modelo marginalmente melhor perde para um modelo que você pode usar legalmente no seu segmento, na sua escala, com o seu volume de dados.
Comparação antes de escolher
A tabela resume o que cada categoria entrega de fato:
| Critério | Pesos abertos | IA open source | API fechada |
|---|---|---|---|
| Pesos do modelo | Publicados | Publicados | Não |
| Código de treinamento | Não publicado | Publicado | Não |
| Dados de treino | Parcial ou nada | Detalhado quando possível | Não |
| Rodar localmente | Sim | Sim | Não |
| Auditoria independente | Limitada ao produto final | Ampla | Depende do fornecedor |
| Custo dominante | Hardware e engenharia | Hardware e engenharia | Preço por token |
Nenhuma coluna é universalmente melhor. API fechada ganha em velocidade de início e ausência de manutenção; pesos abertos, em custo marginal e privacidade; open source completo, em auditabilidade e colaboração. A decisão errada mais comum é escolher por hype de rótulo e descobrir a restrição da licença depois do piloto.
Regulação muda o cálculo
Regras do AI Act europeu para modelos de IA de uso geral, incluindo obrigações de transparência e direitos autorais, entraram em vigor em agosto de 2025. Regras adicionais de transparência, como a identificação de conteúdo gerado por IA, aplicam-se a partir de agosto de 2026. Se o seu produto atinge usuários na Europa, a escolha de modelo deixou de ser apenas técnica: provedores de modelos de uso geral já têm deveres legais, e quem integra o modelo precisa documentar proveniência e versões em produção.
Modelos com licença clara e histórico público facilitam essa documentação; pesos baixados de repositórios sem procedência dificultam qualquer resposta a uma autoridade ou a um cliente. Para uso individual, os riscos principais são outros — vale revisar quais dados os assistentes coletam antes de adotar qualquer ferramenta na sua rotina.
Checklist antes de adotar o modelo
- Leia a licença inteira e procure limites de usuários, receita, setor e território.
- Confirme o que é publicado: só pesos, ou também código e dados de treinamento.
- Calcule o custo real: GPU, engenharia de inferência e manutenção versus preço por token da API.
- Teste o modelo no seu domínio antes de migrar; benchmarks genéricos não preveem o seu caso.
- Defina como atualizar versões e como reverter se uma nova versão piorar resultados.
- Documente versão, licença e proveniência de cada modelo em produção para auditoria.