Em 1 de setembro de 2026, a Perplexity lançou um recurso chamado Hybrid Compute no Mac. A ideia, em resumo: uma única tarefa é dividida entre dois lugares. As etapas pesadas — busca na web, planejamento, raciocínio de longo prazo — rodam em modelos de fronteira na nuvem. As etapas que tocam seus dados sensíveis são repassadas a um modelo pequeno que roda dentro da sua própria máquina, e esses dados nunca saem do dispositivo.

À primeira vista, é uma notícia de produto para usuários de Mac. Mas o que merece a atenção de um empresário não é o produto, e sim o padrão de arquitetura por trás dele: classificar os dados antes de enviá-los, não depois que chegam. E esse padrão é algo que você pode aplicar nos seus próprios sistemas, independentemente da Perplexity e independentemente do Mac.

O que foi de fato anunciado

Antes de qualquer análise, vale separar o que foi anunciado do que é interpretação:

  • Data: 1 de setembro de 2026.
  • Como funciona: toda tarefa começa na nuvem e depois repassa as etapas sensíveis a um modelo local no meio da tarefa, sem perder o contexto.
  • O filtro de privacidade: um classificador no dispositivo lê cada tarefa antes do envio, troca nomes, endereços e números de conta por substitutos e os restaura quando a resposta volta.
  • Requisitos: um Mac com Apple silicon, macOS 15 ou posterior e no mínimo 24GB de memória unificada, sendo 32GB o recomendado.
  • Assinatura: disponível para assinantes Pro e Max e para clientes corporativos.
  • Custo: o trabalho feito pelo modelo local não consome créditos de nuvem.
  • Modelos locais: várias opções no lançamento, incluindo o Gemma 4 E4B do Google, o Qwen3.6 35B-A3B da Alibaba e um modelo treinado pela própria Perplexity.

O que não foi anunciado — e não deve ser presumido — é qualquer compromisso contratual de conformidade com a Lei de Proteção de Dados Pessoais saudita, nem qualquer auditoria independente que certifique o desempenho do filtro. O que foi anunciado é um mecanismo técnico e números de desempenho que a empresa publicou sobre si mesma.

Por que isso é diferente da "IA local" de que você já ouviu falar

O enquadramento de sempre era binário: ou você manda tudo para a nuvem e tem um modelo poderoso, ou roda um modelo pequeno localmente e aceita qualidade menor em troca de privacidade. Na prática, na maioria das organizações, a privacidade perdeu essa disputa, porque as equipes precisam de respostas de qualidade para fazer seu trabalho.

O que essa arquitetura faz é recusar o binário. Uma mesma tarefa roda nos dois lugares: o raciocínio acontece na nuvem, e a etapa que toca os dados acontece no dispositivo. Mais importante ainda, a decisão não é manual nem depende da atenção de um funcionário: ela é tomada por um classificador automático que lê o texto antes que ele saia.

E aqui está o detalhe que merece uma pausa: a Perplexity publicou os números de desempenho desse classificador com uma franqueza incomum, incluindo seus pontos fracos. Afirmou que o recall cai de forma perceptível quando o texto passa de cerca de dez mil caracteres e que resolveu isso com uma técnica de decodificação, em vez de retreinar o modelo. Também liberou o classificador como código aberto.

A lição para o seu negócio, mesmo que você nunca use a Perplexity

A maioria das organizações sauditas que usam IA hoje faz isso sem filtro nenhum. Um funcionário copia a mensagem de um cliente, uma cláusula de contrato ou um extrato de conta e cola em uma ferramenta pública para pedir um resumo ou um rascunho de resposta. Os dados saíram da organização naquele momento, sem nenhum registro e sem que nenhuma decisão fosse tomada.

Quando a diretoria percebe, a reação costuma ser uma de duas, e as duas perdem. Proibir as ferramentas de vez, e os funcionários contornam a proibição em dispositivos pessoais. Ou fazer vista grossa até acontecer um incidente. O terceiro caminho é o que este anúncio ilustra: parar de perguntar se você usa IA e começar a perguntar o que pode sair dos seus sistemas, quem decide e onde essa decisão fica registrada.

Como incorporar esse filtro aos seus próprios sistemas

Na prática, o que implementamos nos sistemas de clientes se apoia em quatro camadas, e todas funcionam independentemente do fornecedor:

  • Classifique os campos antes de criar a funcionalidade. Antes de conectar qualquer modelo ao seu sistema, classifique os campos do seu banco de dados: o que é público, o que é comercialmente sensível, o que é dado pessoal. Essa classificação é uma decisão de gestão, não técnica, e tudo o que vem depois depende dela.
  • Uma camada de anonimização na fronteira do sistema. Crie um único ponto por onde passa toda requisição de saída para um fornecedor externo, onde os identificadores pessoais são substituídos por tokens provisórios e restaurados depois que a resposta volta. O essencial é que seja um ponto só, e não uma lógica repetida em cada tela.
  • Processamento local para o que não pode sair. Nem toda tarefa precisa de um modelo de fronteira. Classificar uma mensagem, extrair um número de uma nota fiscal, ordenar pedidos de manutenção por prioridade: um modelo pequeno no seu próprio servidor dá conta disso com qualidade suficiente e custo quase zero.
  • Um registro que permanece. Qual requisição saiu, quais campos foram mascarados, quem pediu e quando. Sem registro, você não consegue responder à pergunta de um auditor nem à de um cliente.

Repare que nenhuma das quatro camadas cita um fornecedor específico. Isso é proposital: os modelos mudam a cada poucas semanas, como vimos o ano inteiro, e o filtro que você constrói hoje precisa continuar válido quando o modelo por trás dele mudar.

O que isso significa no contexto da Lei de Proteção de Dados Pessoais

A Lei de Proteção de Dados Pessoais da Arábia Saudita, supervisionada pela Autoridade Saudita de Dados e Inteligência Artificial, se baseia em princípios que incluem especificar a finalidade do tratamento e limitar os dados coletados ao necessário. A organização continua responsável pelos dados pessoais que trata, mesmo quando contrata um terceiro para tratá-los.

Uma arquitetura como a descrita atende diretamente aos dois princípios: os dados pessoais não são enviados ao terceiro quando a tarefa não exige, e o que é enviado é o mínimo necessário para concluir o trabalho. Mas tecnologia sozinha não é conformidade: você ainda precisa de uma base legal para o tratamento, de uma política de privacidade e de procedimentos para atender às solicitações dos titulares dos dados. Um filtro técnico facilita a conformidade; não a substitui, e a única referência antes de qualquer compromisso é a lei e seu regulamento de aplicação.

Três passos para começar esta semana

Nada disso exige um grande projeto para começar:

  • Faça uma única pergunta à sua equipe: quando foi a última vez que você colou conteúdo de um sistema de trabalho em uma ferramenta pública de IA? As respostas vão dimensionar o problema real para você em uma hora.
  • Escreva uma página definindo três categorias: o que nunca pode sair, o que pode sair depois de anonimizado e o que pode sair como está. Uma página que é de fato aplicada vale mais que uma política de vinte páginas que ninguém lê.
  • Escolha uma tarefa recorrente que envolva dados pessoais — resumir conversas com clientes, por exemplo — e aplique as quatro camadas a ela como protótipo. O que você aprender com uma tarefa se transfere para as demais.

Conclusão

O anúncio da Perplexity é sobre usuários de Mac, mas a ideia por trás dele diz respeito a toda organização que usa IA com dados reais: a decisão certa não é entre nuvem e dispositivo, e sim se existe um filtro que decide o que sai antes que saia. As empresas que construírem esse filtro agora poderão adotar qualquer modelo novo com segurança em poucos dias. As que adiarem vão descobrir que precisam dele no pior momento possível: depois do incidente, não antes.

Fontes