IA & Tecnologia 17 Jul 2026 6 min de leitura

IA nos teus dados: personalização sem vigilância

Queremos uma IA que nos conheça — mas conhecer não devia obrigar a vigiar. Há uma diferença técnica, e não filosófica, entre um modelo treinado com os dados de toda a gente e um modelo que aprende só contigo. Esta é essa diferença, contada pelas fontes.

Por Breno Nico Revisto por Claudivania Studart

Inteligência Artificial
Privacidade
Machine Learning
Federated Learning
Proteção de Dados

A promessa da inteligência artificial moderna é sedutora: um assistente que te percebe. Que sabe como escreves, o que procuras, aquilo de que precisas antes de o pedires. Mas há uma pergunta desconfortável escondida debaixo dessa promessa. Para uma máquina te conhecer assim tão bem, quem é que teve de olhar para os teus dados — e o que fica lá guardado, para sempre, depois de olhar?

A resposta habitual da última década foi construir modelos globais: um único cérebro artificial, treinado com montanhas de dados recolhidos de milhões de pessoas, alojado num centro de dados algures. É poderoso. Mas não é neutro do ponto de vista da privacidade — e a razão é técnica, não ideológica.

O modelo que se lembra demais

Ao contrário do que a intuição sugere, um modelo de linguagem não "resume" os dados de treino e deita fora o original. Uma parte fica memorizada — e, com o estímulo certo, o modelo devolve-a tal e qual. Numa investigação de referência sobre o tema, uma equipa liderada por Nicholas Carlini mediu esse fenómeno e concluiu que "a memorização cresce significativamente à medida que aumentam (1) a capacidade do modelo, (2) o número de vezes que um exemplo foi duplicado e (3) o número de tokens de contexto usados para o estimular" (tradução livre) [1]. Por outras palavras: quanto maior e mais treinado o modelo, mais dados verbatim consegue reproduzir. Um endereço, um número, uma frase que só existia num sítio — podem sair de novo.

Os reguladores europeus perceberam a implicação. No parecer que emitiu em dezembro de 2024, o Comité Europeu para a Proteção de Dados (EDPB) foi claro: um modelo de IA treinado com dados pessoais não pode, em todos os casos, ser considerado anónimo [2]. A anonimização tem de ser avaliada caso a caso, e só se sustenta quando é "muito improvável identificar, direta ou indiretamente, as pessoas cujos dados foram usados para criar o modelo" e igualmente improvável "extrair esses dados pessoais do modelo através de consultas" (tradução livre) [2]. É um limiar alto. E muitos modelos globais não o atingem.

O falso dilema: personalizar OU proteger

Daqui costuma nascer um dilema preguiçoso: ou tens uma IA útil, que aprende contigo, ou tens privacidade — escolhe. É falso. A engenharia já resolveu o essencial deste problema há anos, e chama-se aprendizagem federada (federated learning).

A ideia é uma inversão elegante. Em vez de levar os teus dados até ao modelo, leva-se o modelo até aos teus dados. Os investigadores da Google Brendan McMahan e Daniel Ramage descreveram-na assim: "O teu dispositivo descarrega o modelo atual, melhora-o aprendendo com os dados no teu telemóvel e depois resume as alterações numa pequena atualização focada" — e apenas essa atualização, cifrada, sai do aparelho; "todos os dados de treino permanecem no teu dispositivo" (tradução livre) [3]. O modelo aprende o teu padrão sem que o teu padrão saia de casa.

Isto muda a natureza da personalização. Deixa de ser um modelo único que sabe um pouco de toda a gente — e passa a ser, no limite, um modelo teu, afinado ao teu comportamento, que não precisa de te comparar com estranhos para te compreender. Personalizar e centralizar deixaram de ser a mesma coisa.

Um modelo pessoal aprende dentro do dispositivo do utilizador, com os dados a permanecer dentro de um perímetro de privacidade

Porque é que isto importa (sobretudo) no teu dinheiro

Nenhum dado é tão revelador como o financeiro. O extrato conta onde estás, o que consomes, com quem vives, se estás doente, se estás em dificuldades. É por isso que a desconfiança sobe de tom quando a IA se aproxima da carteira — e os números confirmam-no. Uma sondagem da Cisco em 2024 mostrou que 30% dos utilizadores de IA generativa já introduziram informação pessoal ou confidencial nessas ferramentas, ao mesmo tempo que 84% receiam que os dados que partilham acabem por se tornar públicos [4]. Queremos a conveniência; tememos o preço.

No terreno específico do dinheiro, a fronteira é ainda mais nítida. Um inquérito do TD Bank revelou que, embora 78% dos americanos usem já ferramentas de IA no dia a dia, apenas 18% confiariam na IA para fazer recomendações financeiras por si só [5]. As pessoas não rejeitam a tecnologia — rejeitam a opacidade. Kiran Vuppu, Chief Information Officer do TD nos EUA, resumiu-o assim: "Os consumidores estão claramente a sinalizar que a transparência, a segurança e a responsabilização humana não são funcionalidades opcionais; são requisitos fundamentais" (tradução livre) [5].

E a confiança não é um extra decorativo — é o que destrava a adoção. Harvey Jang, Vice-Presidente e Chief Privacy Officer da Cisco, notou que "cerca de 60% dos consumidores conscientes das leis de privacidade sentem-se confortáveis a usar IA", e que "ampliar essa consciência e educar os consumidores sobre os seus direitos vai capacitá-los a tomar decisões informadas" (tradução livre) [4]. Traduzindo para o essencial: quem entende como os seus dados são protegidos usa a tecnologia com menos medo.

Como o AtivaMoney encara isto

O AtivaMoney nasceu do lado certo deste dilema. A filosofia é privacy-first e self-hosted: os teus dados financeiros são teus, não são o nosso produto. Não vivemos de os vender nem de os oferecer a um modelo global para treinar o cérebro de outra empresa. Vivemos da tua subscrição. É uma diferença de modelo de negócio — e o modelo de negócio é que decide, no fim, o que acontece aos teus dados.

Na prática, isso traduz-se em escolhas concretas:

Categorização individualizada: a organização das tuas transações aprende com o teu histórico e as tuas correções — não com um perfil-tipo montado a partir de milhões de estranhos. O padrão que interessa é o teu.
Minimização, não acumulação: recolhemos o que é preciso para a app funcionar, não tudo o que seria possível recolher "por via das dúvidas". Menos dados guardados é menos superfície de risco.
Controlo e portabilidade: exportas o que é teu (CSV/PDF) quando quiseres. E no roteiro está a caminho a opção de teres o AtivaMoney na tua nuvem — sem intermediários. É um compromisso de futuro, não uma promessa já cumprida, e dizemo-lo com honestidade.
Sem conflito de interesses: uma app que lucra com os teus dados tem um incentivo silencioso para recolher mais. Uma app que lucra com a tua subscrição tem o incentivo oposto: proteger-te para que fiques.

Não te prometemos um oráculo que decide por ti. Prometemos-te uma ferramenta que aprende contigo e que trabalha para ti — que é, afinal, o que uma IA pessoal devia ser.

5 perguntas a fazer a qualquer IA que toque no teu dinheiro

Onde é que os meus dados são processados? No meu dispositivo, ou enviados para um modelo central de terceiros? Se saem, para onde vão e por quanto tempo ficam.
Os meus dados são usados para treinar modelos partilhados? Se a resposta não for um "não" claro, assume que sim — e vê se podes recusar.
Qual é o modelo de negócio? Pago com dinheiro ou pago com dados? Uma das duas coisas está sempre a acontecer.
Consigo exportar e apagar tudo? Portabilidade (RGPD, art. 20.º) e eliminação real são o teste de fogo de quem respeita que os dados são teus.
A personalização precisa mesmo da nuvem? Se um modelo pode aprender no dispositivo, exigir centralização é uma escolha — não uma inevitabilidade.

A boa notícia deste tema é que a tecnologia para uma IA privada já existe. O que falta, muitas vezes, é a vontade de a usar — e a exigência, do teu lado, de que a usem. Não troques o controlo por conveniência sem perguntar o preço. Pergunta primeiro. Decide depois.

Perguntas frequentes

Os modelos de IA memorizam dados pessoais?

Em parte, sim. Um modelo de linguagem não se limita a resumir os dados de treino: uma parte fica memorizada e, com o estímulo certo, pode ser devolvida tal e qual. Uma investigação liderada por Nicholas Carlini concluiu que a memorização cresce com a capacidade do modelo, com o número de vezes que um exemplo foi duplicado e com o contexto usado para o estimular.

Um modelo de IA treinado com dados pessoais é anónimo?

Nem sempre. Num parecer de dezembro de 2024, o Comité Europeu para a Proteção de Dados (EDPB) afirmou que um modelo de IA treinado com dados pessoais não pode, em todos os casos, ser considerado anónimo. A anonimização tem de ser avaliada caso a caso e só se sustenta quando é muito improvável identificar as pessoas ou extrair os seus dados do modelo através de consultas.

O que é a aprendizagem federada (federated learning)?

É uma técnica em que, em vez de levar os teus dados até ao modelo, se leva o modelo até aos teus dados. O dispositivo descarrega o modelo atual, melhora-o com os dados locais e envia apenas uma pequena atualização cifrada; os dados de treino permanecem no dispositivo. Foi descrita pelos investigadores da Google Brendan McMahan e Daniel Ramage.

As pessoas confiam na IA para decisões financeiras?

Pouco. Um inquérito do TD Bank revelou que, embora 78% dos americanos já usem ferramentas de IA no dia a dia, apenas 18% confiariam na IA para fazer recomendações financeiras por si só. Uma sondagem da Cisco de 2024 mostrou ainda que 30% dos utilizadores de IA generativa já introduziram informação pessoal ou confidencial nessas ferramentas e que 84% receiam que os dados que partilham acabem por se tornar públicos.

Que perguntas fazer antes de usar uma IA que mexe no meu dinheiro?

Pergunta onde são processados os teus dados e se saem do dispositivo, se são usados para treinar modelos partilhados e qual é o modelo de negócio: pagas com dinheiro ou com dados. Confirma se consegues exportar e apagar tudo, ao abrigo do direito de portabilidade do RGPD (artigo 20.º), e se a personalização precisa mesmo da nuvem.