Resumo

O uso de ferramentas de inteligência artificial generativa em ambientes corporativos tem crescido de forma acelerada, porém frequentemente sem padronização ou governança. Este artigo — o primeiro de uma série denominada "O Maestro" — identifica e examina o problema que motivou a implantação de um orquestrador de IA em uma empresa com aproximadamente 120 colaboradores. Descreve-se o padrão de adoção bottom-up típico de ferramentas de IA em organizações, no qual colaboradores incorporam plataformas como ChatGPT, Gemini e Claude a seus fluxos de trabalho antes que a organização estabeleça qualquer diretriz formal. As consequências documentadas desse padrão incluem dispersão do conhecimento, retrabalho por perda de histórico, ausência de controle de custos e riscos à segurança da informação com o uso de contas pessoais para dados corporativos. O artigo apresenta ainda os conceitos fundamentais de orquestração de modelos de linguagem — a camada de proxy que permite centralizar o acesso a múltiplos provedores — e discute como a reutilização de hardware ocioso pode viabilizar economicamente essa solução. Ao final desta parte, o leitor compreenderá com clareza o problema que motivou o projeto e o diagnóstico que levou à decisão de centralizar, preparando o terreno para as decisões arquiteturais descritas na Parte 2.

Palavras-chave: inteligência artificial; governança de IA; LLM; uso corporativo; orquestrador; fragmentação.

1. Introdução

Este artigo é a primeira parte de uma série denominada "O Maestro", que documenta a concepção e a implantação de um orquestrador de inteligência artificial em ambiente corporativo. As partes publicadas até o momento cobrem, em sequência: o diagnóstico do problema e a motivação para centralizar; a arquitetura escolhida e o plano de implantação; os problemas encontrados entre o runbook e a primeira resposta real; a expansão do cardápio de modelos, a investigação de geração de imagem e o estado atual do projeto.

A popularização de modelos de linguagem de grande porte (LLMs — Large Language Models, ou modelos de linguagem de grande porte) transformou a forma como profissionais de diversas áreas executam tarefas cotidianas. Ferramentas como ChatGPT (OpenAI), Gemini (Google) e Claude (Anthropic) passaram a ser incorporadas a fluxos de trabalho para geração de textos, análise de dados, criação de código e apoio à tomada de decisão. Na experiência documentada nesta série, bem como em relatos de profissionais, observa-se que a adoção dessas ferramentas em ambientes corporativos tem crescido de forma significativa nos últimos anos, muitas vezes sem o acompanhamento de políticas formais de governança.

Essa adoção frequentemente ocorre de maneira orgânica e não planejada. Colaboradores criam contas individuais em diferentes plataformas, utilizam versões gratuitas com limitações ou recorrem a contas pessoais para atividades profissionais. O resultado é um cenário que, à primeira vista, parece produtivo — afinal, as ferramentas estão sendo usadas —, mas que esconde problemas concretos de eficiência e segurança.

Este artigo está organizado da seguinte forma: a Seção 2 apresenta o referencial teórico sobre fragmentação do uso de IA e os conceitos de orquestração e reutilização de hardware; a Seção 3 descreve o diagnóstico do problema encontrado na empresa; e a Seção 4 apresenta as conclusões desta parte e aponta o que será abordado na Parte 2.

2. Referencial teórico

2.1 A fragmentação do uso de IA em ambientes corporativos

A adoção de ferramentas de IA generativa em empresas segue, com frequência, um padrão bottom-up: colaboradores descobrem e começam a utilizar ferramentas por conta própria antes que a organização estabeleça diretrizes formais (ENHOLM et al., 2022). Esse modelo de adoção, embora favoreça a inovação e a experimentação, gera desafios significativos em termos de governança.

Entre os problemas mais recorrentes, destacam-se quatro categorias principais. A primeira é a dispersão do conhecimento: prompts refinados e fluxos de trabalho otimizados ficam confinados em contas individuais, sem possibilidade de compartilhamento com a equipe. A segunda é o retrabalho, decorrente da impossibilidade de recuperar conversas anteriores em contas compartilhadas — um colaborador começa do zero o que outro já havia desenvolvido. A terceira é a ausência de controle de custos: múltiplas assinaturas individuais ou o uso de APIs sem monitoramento dificultam a previsibilidade orçamentária, e o custo total com ferramentas de IA pode ser simplesmente desconhecido pela gestão. A quarta é o risco à segurança da informação, quando dados corporativos sensíveis são processados em contas pessoais sem qualquer auditoria ou mecanismo de controle.

Cada um desses problemas, isoladamente, já seria motivo de atenção. Em conjunto, eles descrevem um cenário onde a adoção de IA produz valor para o colaborador individual, mas gera riscos e custos ocultos para a organização.

2.2 Orquestração de modelos de linguagem

O conceito de orquestração de LLMs refere-se à utilização de uma camada intermediária — denominada proxy — capaz de rotear requisições para diferentes provedores de modelos de linguagem a partir de uma interface unificada. Em vez de cada colaborador acessar diretamente ChatGPT, Gemini ou Claude com suas credenciais individuais, todos passam pelo mesmo ponto de entrada, que distribui as requisições conforme configurado.

Essa abordagem permite que a organização mantenha controle centralizado sobre quais modelos são utilizados, por quem e com qual frequência, sem restringir a diversidade de opções disponíveis aos usuários. Do ponto de vista do colaborador, a experiência pode ser idêntica à de qualquer interface de chat moderna. Do ponto de vista da gestão, toda interação passa por um registro central.

O LiteLLM é uma ferramenta de código aberto que implementa essa camada de proxy, oferecendo uma interface de programação (API) compatível com o padrão estabelecido pela OpenAI para mais de 100 provedores de LLMs (LITELLM, 2024). Entre suas funcionalidades, destacam-se o gerenciamento de chaves de API, o controle de orçamento por usuário ou equipe, o registro de logs de todas as requisições e o balanceamento de carga entre modelos.

O Open WebUI é uma interface web de código aberto projetada para interação com LLMs, oferecendo histórico de conversas, gerenciamento de usuários, compartilhamento de prompts e suporte a múltiplos modelos (OPEN WEBUI, 2024). Quando combinado ao LiteLLM, o Open WebUI funciona como a camada de apresentação do orquestrador, proporcionando uma experiência familiar a quem já utiliza interfaces como o ChatGPT. Os detalhes técnicos de como esses dois componentes se integram serão abordados na Parte 2 desta série.

2.3 Reutilização de hardware e sustentabilidade em TI

Em empresas que atuam com produção de conteúdo visual, é comum a presença de estações de trabalho com alto poder de processamento gráfico para tarefas de edição de imagens e vídeos. O avanço tecnológico, porém, torna esses equipamentos obsoletos para suas funções originais em ciclos cada vez mais curtos. Máquinas que há poucos anos atendiam plenamente às demandas de renderização passam a ser insuficientes diante de softwares mais exigentes e resoluções mais altas, resultando no acúmulo de hardware subutilizado.

Esse cenário representa uma oportunidade. Embora esses computadores não atendam mais aos requisitos de aplicações gráficas intensivas, suas especificações — processadores multicore, armazenamento em SSD e conectividade de rede — são mais do que suficientes para hospedar serviços web internos, como proxies, interfaces de acesso e bancos de dados leves.

A reutilização de equipamentos de TI para novos propósitos é uma prática alinhada aos princípios de TI Verde (Green IT) e economia circular (MURUGESAN, 2008). Em vez de adquirir servidores dedicados ou descartar prematuramente máquinas funcionais, organizações podem redirecioná-las para funções de infraestrutura interna, reduzindo simultaneamente custos de aquisição e o impacto ambiental do descarte de eletrônicos. No caso descrito nesta série, a convergência entre a disponibilidade de hardware ocioso e a necessidade de um servidor para centralizar o uso de IA tornou a reutilização uma escolha natural e economicamente vantajosa.

3. Diagnóstico do problema

3.1 O cenário encontrado

O projeto teve origem a partir de demandas recebidas pela liderança técnica da empresa. Colaboradores relatavam dificuldades recorrentes na recuperação de conversas anteriores com ferramentas de IA, especialmente em contas compartilhadas. A investigação inicial revelou um quadro mais amplo do que o relatado.

Ao mapear o uso de IA na organização, foram identificadas as seguintes condições:

• Diferentes equipes utilizavam diferentes ferramentas de IA sem qualquer padronização: parte do time usava Gemini, parte usava ChatGPT, outros alternavam conforme a tarefa;
• Alguns colaboradores possuíam contas individuais (como no Gemini), enquanto outros compartilhavam credenciais de acesso (como no ChatGPT), dificultando o isolamento de histórico e a responsabilização;
• Não havia registro centralizado das interações, impossibilitando a reutilização de prompts eficazes ou a auditoria do uso em caso de necessidade;
• O custo total com assinaturas e APIs era desconhecido pela gestão — pagamentos ocorriam de formas variadas, sem consolidação;
• Dados corporativos eram inseridos em plataformas externas sem avaliação de risco ou qualquer política que orientasse o que podia ou não ser compartilhado com ferramentas de terceiros.

Cada item dessa lista representava, individualmente, um problema gerenciável. Em conjunto, configuravam um risco organizacional que tendia a se agravar conforme o uso de IA aumentasse — o que, dado o ritmo de adoção observado, era apenas uma questão de tempo.

3.2 A motivação para centralizar

A decisão de centralizar não partiu de uma política top-down de proibição ou restrição. Partiu do reconhecimento de que o uso de IA já estava acontecendo, e que a organização precisava de uma estrutura que tornasse esse uso mais organizado, mais seguro e mais aproveitável como ativo coletivo, sem comprometer a experiência dos colaboradores que já dependiam das ferramentas no dia a dia.

A hipótese central era simples: se todas as requisições passassem por um único ponto de controle, seria possível resolver os quatro problemas identificados. O histórico de conversas ficaria centralizado e acessível. O custo seria visível e controlável por equipe. O risco à segurança seria reduzido com políticas claras de uso. E o conhecimento acumulado em prompts e fluxos de trabalho deixaria de ser patrimônio individual para se tornar patrimônio da organização.

A pergunta que se seguiu não era "se" centralizar, mas "como". Essa questão, com as alternativas avaliadas e a decisão tomada, é o tema da Parte 2 desta série.

4. Conclusão

Esta primeira parte da série "O Maestro" documentou o problema que motivou o projeto: o uso fragmentado e sem governança de ferramentas de inteligência artificial por aproximadamente 120 colaboradores. O diagnóstico revelou um cenário típico de adoção bottom-up — onde a inovação ocorre organicamente, mas sem a estrutura necessária para transformá-la em valor organizacional sustentável.

O referencial teórico apresentado indica que essa situação não é exclusiva da empresa descrita: a fragmentação do uso de IA é um padrão documentado em organizações de diferentes portes e setores (ENHOLM et al., 2022). As ferramentas de orquestração como o LiteLLM e o Open WebUI surgem como resposta a esse padrão, oferecendo uma camada de governança sem exigir que os colaboradores abandonem as interfaces às quais já estão habituados.

A decisão de reutilizar hardware ocioso para hospedar o orquestrador adiciona uma dimensão de viabilidade econômica ao projeto: não é necessário investir em servidores dedicados para começar. O servidor reutilizado, por não executar modelos localmente — apenas rotear requisições para provedores externos —, precisa apenas processar tráfego HTTP e manter um banco de dados, tarefas para as quais hardware modesto é mais do que suficiente.

A Parte 2 desta série descreve o passo seguinte: a avaliação de três cenários arquiteturais distintos, a decisão tomada, a arquitetura dos cinco serviços que compõem "O Maestro" e o plano de implantação faseado que guiou a execução.

Referências

ENHOLM, I. M. et al. Artificial intelligence and business value: a literature review. Information Systems Frontiers, v. 24, n. 5, p. 1709–1734, 2022.

LITELLM. LiteLLM Documentation. Disponível em: https://docs.litellm.ai/. Acesso em: 11 ago. 2026.

MURUGESAN, S. Harnessing green IT: principles and practices. IT Professional, v. 10, n. 1, p. 24–33, 2008.

OPEN WEBUI. Open WebUI Documentation. Disponível em: https://docs.openwebui.com/. Acesso em: 11 ago. 2026.