Montei meu próprio "assistente pessoal" de IA local — sem depender de nuvem, sem expor meus dados
Trabalho o dia inteiro cuidando de infraestrutura dos outros: Active Directory, Exchange, Azure, tickets, automações corporativas. Faz um tempo decidi aplicar o mesmo raciocínio de "automação de infra" na minha vida pessoal — só que com um requisito inegociável: nada de prompt meu, pergunta de casa ou rotina diária indo para servidor de terceiros sem eu saber. Esse artigo é o resumo prático de como cheguei a uma arquitetura simples, replicável por qualquer pessoa, usando apenas peças open-source.
O problema que eu queria resolver
Eu já usava assistentes de IA em nuvem (ChatGPT, Gemini) para quase tudo: organizar a semana, resumir e-mails, tirar dúvida rápida, revisar texto. Funciona bem, mas três coisas me incomodavam:
- Dados pessoais (rotina, finanças, anotações) trafegando e sendo processados fora de casa.
- Dependência de internet e de um serviço que pode mudar de preço, política ou modelo do dia para a noite.
- Nenhum controle sobre onde exatamente minha conversa fica armazenada.
A resposta não foi "abandonar IA", foi trazer o processamento para dentro de casa sempre que o assunto é sensível, e só usar nuvem para o que realmente exige um modelo gigante (pesquisa complexa, por exemplo).
Peça 1: um modelo de linguagem rodando na minha própria máquina
A ferramenta mais simples para isso hoje é o Ollama. Ele empacota o modelo (pesos, configuração, prompt de sistema) em um único arquivo e expõe uma API REST local, por padrão só em 127.0.0.1:11434 — ou seja, nada sai da máquina a não ser o download inicial do modelo.[4] O próprio fabricante afirma que, ao rodar localmente, "não vemos seus prompts ou dados" — o que não acontece com os modelos marcados como :cloud, que de fato processam na infraestrutura deles.[3]
Instalação é literalmente um comando:
curl -fsSL https://ollama.com/install.sh | sh
ollama pull llama3.2
ollama run llama3.2
A partir daí você tem um endpoint compatível com a API da OpenAI (/v1/chat/completions) rodando localmente, que qualquer script, bot de Telegram ou automação pode consumir sem nenhum dado saindo para fora.
Um ponto de atenção real, que vi documentado e que levei a sério: a API do Ollama não tem autenticação própria. Se você expõe a porta para a rede (mudando o bind de 127.0.0.1 para 0.0.0.0) sem firewall ou proxy reverso com autenticação na frente, qualquer dispositivo que alcançar aquela porta consegue usar seu modelo.[3] Na minha instalação deixei a porta só acessível localmente — e se um dia eu precisar acessar de outro dispositivo em casa, a recomendação é colocar um proxy (nginx/Caddy) com token na frente, nunca abrir a porta crua.[3]
Peça 2: dar "corpo" ao modelo — automações que decidem e agem
Um modelo de linguagem sozinho só responde texto. O que torna isso um "assistente" de verdade é conectar esse modelo a gatilhos e ações. Aqui entram ferramentas de automação com nós de IA, como o n8n: você monta um fluxo onde um agente recebe uma mensagem (de um chat, de um webhook, de um agendamento), decide qual ferramenta chamar — conferir uma agenda, puxar uma planilha, disparar uma mensagem — e devolve uma resposta.[2] A diferença entre um "workflow determinístico" (você define cada passo) e um "agente autônomo" (o modelo decide o próximo passo dentro de limites que você configura) é exatamente o que separa um script de automação de algo que parece ter iniciativa.[2]
Na prática, minha rotina pessoal ficou assim:
- Um cron dispara uma automação de manhã.
- A automação pergunta ao modelo local (via Ollama) o que está pendente no meu dia, cruzando com notas e lembretes salvos localmente.
- O resultado vira uma mensagem simples no meu celular.
Nada disso depende de um serviço de IA em nuvem para funcionar — e se a internet cair, o modelo local continua respondendo.
Peça 3: colocando "ouvidos" em casa — voz local de verdade
Outra peça que uso é o Assist, o assistente de voz embutido no Home Assistant. Ele funciona no app companion, em hardware de voz dedicado (como o Home Assistant Voice Preview Edition) ou em dispositivos construídos com ESPHome.[1] O pulo do gato é que todo o pipeline de voz — reconhecimento de fala, interpretação de intenção e resposta — pode rodar inteiramente no seu próprio hardware, sem depender de nuvem, combinando motores locais de transcrição com um modelo conversacional local (por exemplo, apontando o Assist para o Ollama como "cérebro" da conversa).[1]
Ou seja: é possível ter "Alexa sem a Amazon" — um comando de voz que aciona automação da casa e só processa dentro da própria rede.
O que eu aprendi montando isso
- Local não é sinônimo de seguro por padrão. O fato de o processamento ficar na sua máquina resolve o problema de dados saindo para terceiros, mas não resolve configuração de rede, autenticação de API ou atualização de versão — isso continua sendo responsabilidade de quem monta.[3]
- Você não precisa trocar tudo de uma vez. Comecei só com o modelo local respondendo perguntas simples via um bot de mensagens, e fui adicionando automação e voz depois, em etapas que eu conseguia validar uma por uma.
- O ganho real não é "ter IA em casa" por status — é previsibilidade. Nenhuma mudança de política de um provedor vai quebrar meu fluxo, e eu sei exatamente que dado passou por onde.
Conclusão
Dá para montar, com peças gratuitas e bem documentadas, um assistente pessoal que roda localmente, entende comandos de voz e automatiza pequenas decisões do dia a dia — sem assinatura mensal e sem mandar sua rotina para um servidor de terceiros. Não é sobre desconfiar de toda IA em nuvem (eu ainda uso bastante para tarefas pesadas), é sobre escolher, com intenção, o que fica em casa e o que vai para fora. Se você também trabalha com infraestrutura o dia inteiro, essa é uma forma de aplicar o mesmo cuidado de "dados sob meu controle" na própria vida pessoal — e, de bônus, aprender na prática coisas que depois acabam ajudando no trabalho.
Sources
[1] https://www.home-assistant.io/voice_control — Assist - Home Assistant
[2] https://docs.n8n.io/build/build-and-manage-agents — Build and manage agents - n8n Docs
[3] https://pulpaistudio.com/blog/is-ollama-safe — Is Ollama Safe? - PulpAI Studio
[4] https://cohorte.co/blog/run-llms-locally-with-ollama-privacy-first-ai-for-developers-in-2025 — Run LLMs Locally with Ollama
Top comments (0)