Monte o seu próprio ChatGPT (1/9): o que existe dentro dessas plataformas

Quase toda pessoa que decide "criar o meu próprio ChatGPT" começa pelo lugar errado: escolhendo o modelo. Passa duas semanas comparando avaliações, escolhe um, sobe numa GPU, conecta numa telinha de conversa — e descobre que o que construiu não se parece nada com o que queria copiar.

Falta contexto de arquivos. Não lê a foto que o usuário manda. Não sabe o que aconteceu ontem. Não gera imagem. Não fala. Inventa números com uma confiança assustadora.

Não faltou modelo. Faltou entender que ChatGPT, Claude, Gemini e Grok não são um modelo. São dez peças diferentes, costuradas por um orquestrador, e a caixinha de conversa é só a fachada.

A ilusão da caixa única

A interface engana de propósito. Um campo de texto, uma resposta, tudo saindo do mesmo lugar. Por baixo, uma única mensagem sua pode acionar quatro modelos distintos, rodando em máquinas diferentes, com custos que diferem em três ordens de grandeza entre si.

Mande "resuma este PDF e me faça um gráfico disso" e o caminho é mais ou menos este: um modelo pequeno classifica a intenção, um extrator lê o PDF, um modelo de texto resume, um interpretador roda o código do gráfico, um modelo de moderação confere a saída. Cinco peças. Uma frase.

As dez peças

1. O orquestrador (o maestro)

Não é um modelo — é código. Recebe a mensagem, decide o que fazer com ela, chama as peças na ordem, junta os pedaços e devolve. É a peça que ninguém vê e a que mais separa um produto bom de um ruim.

2. O cérebro: o modelo de texto

O que conversa, raciocina, resume, escreve código. É a única peça acionada em 100% das interações — guarde isso, é o fio de toda esta série.

3. Os olhos: visão e OCR

Quando você joga uma foto de nota fiscal, um print de erro ou um PDF escaneado, quem lê aquilo não é o modelo de texto. É um modelo de visão que transforma pixel em texto, e só então o texto vai para o cérebro.

4. A memória: busca em documentos

"Baseado nos arquivos que subi" não é mágica nem memória infinita. É um sistema de busca: os documentos são fatiados, indexados, e a cada pergunta os trechos relevantes são recuperados e colados no prompt. O modelo continua sem lembrar de nada.

5. A informação de hoje: busca na web

Todo modelo tem data de corte. Perguntar a cotação de hoje a um modelo puro produz um número inventado com toda a convicção do mundo. A plataforma resolve isso buscando o dado atual antes de chamar o modelo.

6. As mãos: ferramentas e execução de código

Rodar Python, chamar uma API, consultar um banco, clicar num site. É o que separa "assistente que fala" de "assistente que faz".

7. O pincel: geração de imagem

Outro modelo, outra arquitetura, outra máquina. O modelo de texto não desenha — ele reescreve o seu pedido num prompt melhor e passa adiante.

8. A câmera: geração de vídeo

A peça mais cara de todas, por uma margem enorme. Segundos de vídeo custam o que milhares de mensagens de texto custam.

9. Os ouvidos e a boca: voz

São dois modelos, não um: transcrição (áudio para texto) e síntese (texto para áudio). O modelo de texto fica no meio, sem nunca ouvir nada.

10. O segurança: moderação e guardrails

Um modelo pequeno e barato que lê tudo que entra e boa parte do que sai. Custa quase nada e evita a manchete.

O equivalente aberto de cada peça

Todas as dez têm substituto aberto maduro em 2026. Esta é a tabela que vale imprimir:

A pergunta que decide o seu custo

Aqui está o ponto que quase ninguém faz antes de montar a infraestrutura, e que custa caro depois: com que frequência cada peça é realmente chamada?

Os números abaixo vêm do padrão de uso típico de um assistente corporativo. A sua distribuição vai variar, mas a forma não muda:

Por que o cérebro é diferente de todas as outras peças

É contraintuitivo, então vale a conta explícita. Um assistente interno com 40 pessoas usando gera algo como 2.000 mensagens por dia. Numa conversa típica, cada mensagem consome uns 3.000 tokens de entrada (o histórico e o contexto recuperado) e 500 de saída.

Isso dá 6 milhões de tokens de entrada e 1 milhão de saída por dia. Parece muito. Em custo de GPU, não é quase nada — uma placa de 24 GB dá conta com folga. O problema é que essas 2.000 mensagens não chegam distribuídas: chegam entre 9h e 18h, com picos no meio da manhã e depois do almoço.

Ou seja: você paga 24 horas de placa para usar de verdade umas 3. E se o pico dobrar num dia de fechamento, a placa não dá conta e a fila cresce.

A ordem certa de construir

Ninguém monta as dez peças de uma vez. A ordem que funciona:

1. Dia 1 — o cérebro. Uma chave de API, uma chamada, uma tela de conversa. Você tem um produto que responde. Se parar aqui, já resolveu 70% dos casos de uso reais.
2. Semana 1 — a memória. Os seus documentos indexados. É o que transforma "mais um chat" em "o assistente da nossa empresa".
3. Semana 2 — os olhos. Se o seu negócio recebe PDF, nota, contrato ou foto, essa é a peça que mais gera valor por hora de trabalho.
4. Depois, conforme a demanda pedir. Ferramentas, imagem, voz, vídeo. Nessa ordem, quase sempre.

E um conselho que economiza meses: não construa a peça antes de alguém pedir. Geração de vídeo é a peça mais divertida de montar e a que menos gente usa.

O que vem nas próximas oito partes

Cada parte pega uma peça, explica em linguagem direta como ela funciona por dentro, mostra qual opção aberta usar e quanto custa rodar. Sem enrolação e com números conferíveis:

• Parte 2 — o cérebro: como escolher o modelo, o que é contexto, por que a resposta é cobrada mais caro que a pergunta.
• Parte 3 — os olhos: OCR de verdade, o que quebra em documento brasileiro, o custo por página.
• Parte 4 — a memória: por que "mandar o PDF inteiro" não escala, e como se faz busca em documento.
• Parte 5 — imagem · Parte 6 — vídeo · Parte 7 — voz · Parte 8 — ferramentas e agentes.
• Parte 9 — juntando tudo: a arquitetura completa, o roteador de modelos e a conta final de três produtos reais.

Próxima parte: o cérebro — escolher e pagar o modelo de texto.

Continue: parte 2: o cérebro · plataforma de IA como SaaS · modelos abertos em 2026