Quanto custa rodar IA no seu próprio hardware?

Empresários vivem nos perguntando a mesma coisa: nossos dados são sensíveis e a conta de uso cresce todo mês, então podemos rodar o modelo nós mesmos em vez de depender de um serviço externo?

Uma resposta honesta começa com uma correção: os pesos do Claude e do GPT não são publicados, então ninguém os roda em casa, seja qual for o hardware. O que você realmente pode rodar são modelos de pesos abertos que hoje chegam a 200 bilhões de parâmetros ou mais, e que em muitas tarefas práticas se aproximam do que os serviços pagos entregam: resumir documentos, responder perguntas sobre os seus próprios dados, escrever código, traduzir. A diferença diminui a cada poucos meses.

Então a pergunta real não é se é possível, mas quantos parâmetros a sua máquina comporta. Isso leva à única regra que decide tudo.

A regra que decide: memória antes de velocidade

Para rodar, um modelo precisa caber inteiro na memória. A conta é mais simples do que parece:

• Em precisão total: dois bytes por parâmetro.
• Com quantização de 8 bits: um byte por parâmetro.
• Com quantização de 4 bits: meio byte por parâmetro, a escolha prática para a maioria dos usos.

Depois some aproximadamente de 20 a 30% para o contexto e a sobrecarga de execução. O resultado é esta tabela de estimativa, com a qual você pode avaliar qualquer máquina:

Os números incluem folga para a execução e são estimativas; variam um pouco conforme o método de quantização e o tamanho do contexto.

Só essa tabela já resolve a maioria das comparações: olhe primeiro a capacidade de memória, porque ela decide o que você pode rodar. A largura de banda e o tipo de processador decidem com que velocidade.

As opções disponíveis hoje

Apple: o novo Mac Studio

Em 25 de agosto de 2026 a Apple anunciou uma nova geração do Mac Studio, enviada a partir de 22 de setembro, com a configuração de 512GB chegando no fim de outubro. Hoje é a opção mais ampla em capacidade:

• M5 Max: CPU de 18 núcleos, GPU de até 40 núcleos com Neural Accelerators integrados em cada núcleo, e até 128GB de memória unificada com até 614GB/s de largura de banda.
• M5 Ultra: CPU de até 36 núcleos, GPU de até 80 núcleos e até 512GB de memória unificada, o suficiente para rodar modelos enormes inteiramente no próprio dispositivo.
• O Thunderbolt 5 permite agrupar várias unidades em cluster, chegando a até 3x o desempenho de um único sistema em inferência distribuída.

A sua vantagem real é que a memória é unificada entre CPU e GPU, então você não precisa de uma placa separada com memória própria. Ele vem com dois frameworks para desenvolvedores: o novo Core AI e o MLX, de código aberto.

AMD: o Ryzen AI Max+ 395

Ele chega em pequenas máquinas de mesa com 128GB de memória unificada, roda Windows ou Linux e custa menos que o rival direto da Nvidia. É a escolha prática para quem quer 128GB pelo menor custo, ou cuja equipe prefere um ambiente Linux conhecido.

Nvidia: DGX Spark

Uma caixa de mais ou menos um litro com um chip Grace Blackwell e 128GB, e o produto que criou esta categoria. A sua vantagem mais importante não são as especificações, mas o ecossistema CUDA: a maioria das ferramentas de IA e dos frameworks de treinamento foi escrita primeiro para ele. Se a sua equipe vai treinar ou ajustar modelos em vez de apenas rodá-los, esse é um fator decisivo.

O caminho tradicional: um servidor com GPUs dedicadas

Continua sendo a resposta certa quando você atende vários usuários ao mesmo tempo. As placas de servidor entregam uma largura de banda muito maior que as máquinas de memória unificada, e isso aparece nas requisições simultâneas, não no tamanho do modelo. As desvantagens: custo maior, além de consumo de energia, calor e ruído que exigem uma sala adequada.

As máquinas, lado a lado

Preços exatos e onde comprar

Pegamos os preços da Apple diretamente das suas próprias lojas dos Estados Unidos e da Arábia Saudita na data de publicação deste artigo:

Compre na loja da Apple na Arábia Saudita ou na loja da Apple nos EUA. Estes são preços iniciais por configuração; levar a memória ao máximo os eleva consideravelmente, e a opção de 512GB chega no fim de outubro, não no lançamento. Note que o preço saudita inclui o IVA, enquanto o preço americano é sem impostos.

AMD e Nvidia não vendem essas máquinas diretamente por um preço único: o chip da AMD vem dentro de máquinas de diferentes fabricantes por aproximadamente US$ 1.500 a US$ 4.000, conforme o fabricante e a configuração, e o DGX Spark foi lançado perto de US$ 4.000 e subiu no varejo. Não encontramos nenhuma oferta oficial de varejo na Arábia Saudita para nenhum dos dois na data de publicação, então comprar significa passar por um distribuidor ou importar; nesse caso, some IVA, alfândega e frete. As páginas oficiais: NVIDIA DGX Spark e AMD Ryzen AI Max+ 395.

Qual modelo aberto rodar, e em quê?

A máquina é metade da decisão; a outra metade é o próprio modelo. Estes são os principais modelos de pesos abertos que você pode baixar e rodar hoje, com a máquina que comporta cada um em 4 bits e uma estimativa da sua capacidade prática:

O que significa aqui a porcentagem de capacidade? O quanto o modelo se aproxima, no trabalho empresarial do dia a dia (resumir, responder perguntas sobre documentos, escrever código, traduzir), dos modelos fechados pagos mais fortes. É uma estimativa editorial da Origami baseada nas especificações publicadas e nos números divulgados pelos próprios fornecedores, e não o resultado de um único teste neutro. O motivo é simples: cada laboratório publica os seus números com um ambiente de testes e configurações diferentes, então hoje nenhum benchmark neutro classifica todos esses modelos. Trate isso como um guia, não como um veredito, e teste o modelo nas suas próprias tarefas antes de se comprometer.

Duas observações que resumem a tabela inteira: os modelos marcados como "ativos" usam apenas uma pequena parte dos seus parâmetros a cada requisição, então são mais rápidos do que o tamanho sugere, mas ainda precisam da memória inteira. E a diferença entre 72% e 90% desaparece totalmente na maior parte do trabalho de escritório, enquanto aparece claramente em tarefas longas e complexas. Não pague por 512GB para ganhar uma margem que você nunca vai notar.

Como escolher, na prática

• Um ou dois usuários? Uma máquina de memória unificada basta e economiza muito.
• Uma equipe usando o sistema simultaneamente? Você vai precisar de GPUs dedicadas, porque o problema agora são as requisições simultâneas, não o tamanho do modelo.
• Treinamento ou ajuste fino? Prefira CUDA.
• Quer o maior modelo possível com a menor complexidade? A maior capacidade hoje é a da Apple.
• Orçamento limitado? 128GB cobrem modelos de até 200 bilhões de parâmetros em 4 bits, o que realmente atende à maioria das necessidades das empresas.

O trade-off a entender antes de comprar: as máquinas de memória unificada oferecem grande capacidade com largura de banda menor que as placas de servidor. Elas carregam o modelo grande sem problemas, mas geram texto mais devagar. Em chat e resumos você mal vai perceber; em processamento pesado em lote, vai.

Quando um servidor privado é a decisão errada

Dizemos isso com franqueza porque vemos com frequência: o hardware não é o fim do projeto, mas o começo. Você também está comprando a responsabilidade por atualizações, backups, monitoramento e por quem conserta quando ele para numa quinta-feira. Se o seu uso é intermitente e pequeno, a conta mensal de um serviço externo sai mais barata que a máquina, a sua eletricidade e o tempo de quem a opera.

Um servidor privado se justifica quando três coisas se encontram: dados que não podem sair, uso intenso e constante, e uma pessoa ou parte que vai operá-lo. Se faltar uma das três, refaça a conta.

A visão da Origami

Achamos que a pergunta importante não é qual máquina comprar, mas o que você vai rodar nela. A maioria das pessoas que nos perguntam sobre um servidor privado precisa, na verdade, de um modelo de porte médio que responda perguntas sobre os documentos da empresa, e isso roda com folga em 128GB, às vezes em menos. Comprar 512GB para rodar um modelo de 70 bilhões de parâmetros é gastar sem retorno.

O nosso conselho prático: defina a tarefa, depois escolha o modelo que a cumpre, depois compre a máquina que comporta esse modelo com folga. Ajudamos nessa ordem: definir a tarefa, selecionar o modelo e construir a camada que o conecta aos seus dados e sistemas, porque um modelo sem conexão com os seus dados continua sendo uma ferramenta genérica, e não um sistema a serviço da sua empresa. Você nos encontra na página de contato.

Conclusão

Você não vai rodar o Claude em casa, mas vai rodar modelos abertos capazes que cobrem a maior parte do trabalho empresarial. Dimensione primeiro a sua necessidade em parâmetros: meio byte por parâmetro em 4 bits, mais folga. Depois escolha entre memória unificada, que compra capacidade a um custo razoável, e placas dedicadas, que compram velocidade e simultaneidade. A decisão mais importante ainda vem antes do hardware: o que você vai rodar, e por quê.

Fontes

• Comunicado de imprensa da Apple, 25 de agosto de 2026: especificações do Mac Studio com M5 Max e M5 Ultra, capacidades e largura de banda da memória unificada, clusters via Thunderbolt 5 e os frameworks Core AI e MLX.
• Análises independentes do StorageReview e do HotHardware sobre o AMD Ryzen AI Max+ 395 e o Nvidia DGX Spark, incluindo as suas comparações de capacidade e preço.
• O cálculo de memória segue a regra padrão para rodar modelos: dois bytes por parâmetro em precisão total, diminuindo com a quantização.
• Fichas oficiais dos modelos no Hugging Face para Qwen3.8, Llama 4, Mistral, gpt-oss, DeepSeek V4, GLM-5.3 e Kimi K3: a fonte do número de parâmetros e das licenças. As porcentagens de capacidade são uma estimativa editorial da Origami, como explicado acima.