Perplexity Portable Computer Chega ao Windows, mas 24GB de VRAM Mantêm a Porta Estreita

A Perplexity lançou o Perplexity Portable Computer para Windows, mas o agente de IA local exige uma GPU Nvidia com pelo menos 24GB de VRAM. A expansão leva o produto além de sua implantação original no Linux e do DGX Spark da Nvidia. Ainda assim, ela exclui a maioria dos notebooks e desktops Windows comuns.

O lançamento importa porque o Portable Computer faz mais do que gerar respostas em chat. Ele planeja tarefas em várias etapas, pesquisa arquivos locais, aciona ferramentas e mantém trabalhos em execução por meio de um agendador local. A Perplexity afirma que o trabalho concluído localmente não consome créditos do Computer.

Esse design desafia o modelo centrado na nuvem usado pela maioria dos agentes de IA de uso geral. Ele dá aos PCs Windows compatíveis um papel maior no processamento de documentos privados e fluxos de trabalho recorrentes. No entanto, a exigência de hardware transforma um lançamento potencialmente amplo no Windows em um teste mais restrito para desenvolvedores, criadores e empresas bem equipadas.

Perplexity Portable Computer Chega aos PCs Windows RTX

O suporte ao Windows remove uma barreira de sistema operacional, enquanto mantém intacta a barreira de hardware, muito maior.

A Perplexity adicionou o Portable Computer ao seu aplicativo Windows existente em 15 de setembro de 2026. A empresa desenvolveu o agente local com a Nvidia e o lançou inicialmente para Linux em 25 de agosto.

Segundo o lançamento para Windows, os usuários precisam de uma GPU GeForce RTX ou RTX PRO com pelo menos 24GB de memória de vídeo. Também precisam de uma assinatura elegível da Perplexity.

VRAM é a memória dedicada disponível para um processador gráfico. Modelos de linguagem locais a usam para armazenar pesos do modelo, dados de trabalho e informações geradas durante a inferência.

A exigência torna a capacidade de memória mais importante do que a idade de uma placa compatível. Entre os modelos desktop citados como exemplos compatíveis estão RTX 3090, RTX 3090 Ti, RTX 4090 e RTX 5090. Diversas placas profissionais RTX PRO também superam o limite.

Muitos computadores gamer mais novos ainda têm menos de 24GB de VRAM. Suas GPUs podem acelerar modelos locais menores, mas não atendem à exigência declarada para este lançamento.

O Perplexity Portable Computer já funcionava no DGX Spark, o sistema compacto de IA da Nvidia baseado em sua plataforma Grace Blackwell GB10. O dispositivo combina um processador Arm de 20 núcleos com uma GPU Nvidia e 128GB de memória unificada.

O suporte ao Windows muda a decisão de compra para quem já possui um desktop ou workstation compatível. Essas pessoas agora podem instalar o agente pelo aplicativo da Perplexity, em vez de manter uma máquina Linux ou adquirir hardware DGX dedicado.

O software inclui um seletor de modelos que pode baixar um modelo local compatível pelo aplicativo. A Perplexity identificou Qwen 3.8 27B e PPLX 27B, sua variante pós-treinada do Qwen, como opções disponíveis.

Nvidia Nemotron 3.5 Lightning está planejado para o seletor de modelos. A Nvidia também afirma que o suporte ao DGX Station virá depois, embora não tenha informado uma data firme de lançamento.

A versão para Windows adiciona agendamentos recorrentes e suporte a servidores locais do Model Context Protocol. MCP é uma interface padrão que permite que aplicativos de IA se conectem a ferramentas e fontes de dados estruturadas.

Essas capacidades aproximam o Portable Computer de um trabalhador de desktop persistente. Um usuário pode atribuir uma tarefa contínua, permitir que o sistema acesse ferramentas especificadas e receber um artefato concluído em vez de outra resposta conversacional.

Essa distinção é importante. Softwares de chat tradicionais aguardam cada prompt. Um agente precisa preservar o estado, decidir entre ações, recuperar-se de erros e determinar quando uma tarefa foi concluída.

O lançamento da Perplexity reúne esses componentes em um único aplicativo Windows. O público imediato continua pequeno, mas o produto agora alcança o sistema operacional usado em grande parte da computação empresarial.

Por que o Perplexity Portable Computer Funciona Localmente

A decisão central de produto não é simplesmente executar um modelo de linguagem localmente; é transferir o sistema de controle do agente para o PC.

Um chatbot local pode responder a perguntas sem contatar um servidor remoto. Um agente local precisa de uma infraestrutura consideravelmente maior, pois deve planejar o trabalho, chamar ferramentas, gerenciar arquivos e acompanhar o progresso.

A Perplexity afirma que o Portable Computer coloca seu orquestrador, planejador, roteador de ferramentas, agendador, fila de tarefas durável e índice de pesquisa no dispositivo do usuário. O orquestrador decide quais componentes devem lidar com cada parte de uma tarefa.

O planejador divide uma solicitação em etapas. O roteador de ferramentas escolhe o aplicativo ou serviço apropriado. A fila de tarefas preserva trabalhos que continuam além de uma única interação.

Essa estrutura permite que o agente analise dados locais e produza entregáveis por meio de várias ações. Ele pode examinar uma pasta, combinar descobertas de vários documentos e preparar um relatório sem enviar todos os arquivos.

A visão geral local-first da empresa descreve um exemplo de análise financeira envolvendo demonstrativos privados e registros fiscais. O agente local reconcilia os documentos, calcula resultados e mantém o material de origem na máquina.

Se a tarefa exigir informações atuais de mercado, o agente pode pedir permissão para enviar essa etapa específica à nuvem da Perplexity. O resultado externo então retorna ao fluxo de trabalho local.

Isso cria uma fronteira híbrida, e não uma fronteira offline absoluta. A execução local é o padrão, mas pesquisa na web, atividade no navegador, aplicativos conectados e raciocínio avançado ainda podem envolver sistemas remotos.

A etapa de aprovação é, portanto, uma parte crítica do design de privacidade. Os usuários precisam entender quais informações acompanham uma solicitação escalonada, não apenas que um modelo de nuvem será envolvido.

A Perplexity afirma que o trabalho concluído localmente não usa créditos do Computer. Consequentemente, fluxos de trabalho recorrentes podem ser executados no hardware que o cliente já possui, sem cobrar por cada ação do modelo local.

Esse arranjo muda a economia de tarefas de longa duração. Um agente pode inspecionar arquivos recebidos a cada hora, classificá-los, atualizar um resumo local e escalar apenas os casos incomuns.

Ele também cria novos custos operacionais que um contador de créditos não mostra. A inferência local consome eletricidade, ocupa memória da GPU, produz calor e pode competir com renderização ou outras cargas de trabalho.

O benefício prático depende da utilização. Uma GPU cara parada representa capacidade não utilizada. O mesmo sistema, executando fluxos de trabalho frequentes com documentos ou software, pode distribuir seu custo de hardware por mais tarefas concluídas.

O anúncio de IA local da Nvidia apresenta exemplos envolvendo Microsoft Word, Google Drive, Gmail, Slack e GitHub. Um cenário pede que o agente compare issues do GitHub com relatórios de bugs noturnos e compartilhe descobertas priorizadas.

Esse fluxo de trabalho revela o escopo pretendido do produto. O Portable Computer não é apenas um leitor de documentos privados. Ele foi projetado para transitar entre conteúdo local e sistemas conectados do ambiente de trabalho.

Um segundo exemplo envolve analisar dados de funil de uma startup e publicar as descobertas no Slack. O agente pode identificar em que ponto os usuários abandonam um processo de configuração e então comunicar o resultado sem exigir trabalho manual em planilhas.

São demonstrações fornecidas pela empresa, não uma prova independente de confiabilidade em todos os ambientes. Ainda assim, elas ilustram por que a Perplexity precisa de mais do que um modelo baixado e uma caixa de chat.

O modelo local realiza a inferência, mas a estrutura ao redor transforma previsões em um fluxo de trabalho durável. A aposta da Perplexity é que essa estrutura importará tanto quanto o modelo subjacente.

A Promessa da IA Local Encontra uma Realidade de 24GB

O agente de IA local da Perplexity oferece maior controle sobre os dados, mas apenas para clientes com hardware Nvidia de memória excepcionalmente ampla.

O Windows roda em uma enorme variedade de computadores. Atualmente, o Portable Computer atende uma pequena parcela dessa base instalada, porque placas gráficas de 24GB continuam incomuns fora de desktops para entusiastas e workstations.

Um notebook com o rótulo RTX não se qualifica automaticamente. Os nomes dos produtos podem abranger configurações com capacidades de memória, limites de energia e sistemas de refrigeração muito diferentes.

A restrição também exclui PCs Windows baseados em gráficos AMD ou Intel. A Perplexity e a Nvidia apresentaram o lançamento como uma implementação conjunta para a pilha de IA local da Nvidia.

Isso cria a principal troca abordada no artigo. Agentes locais prometem controle pessoal e uso previsível em alto volume, enquanto suas exigências de memória concentram o acesso entre usuários bem equipados.

Os modelos de 27 bilhões de parâmetros indicados para o Portable Computer ajudam a explicar o limite. A compressão de modelos pode reduzir o uso de memória, mas a inferência também precisa de espaço para contexto, cálculos intermediários e processos do agente.

Um modelo caber na VRAM não garante uma experiência responsiva. Comprimento de contexto, chamadas de ferramentas, trabalhos simultâneos e tamanho da saída podem afetar a pressão sobre a memória e o tempo de conclusão.

O desempenho local também pode variar entre sistemas compatíveis. Uma workstation com maior largura de banda de memória e capacidade térmica pode se comportar de forma diferente de um PC compacto operando com uma faixa de energia menor.

A Perplexity não publicou testes independentes suficientes no Windows para estabelecer um tempo normal de conclusão entre as placas compatíveis. A elegibilidade inicial, portanto, diz mais sobre compatibilidade do que sobre desempenho consistente.

O posicionamento da empresa também depende da seleção de tarefas. Um modelo local pode ser bem adequado para extração de arquivos, classificação, resumo e transformações rotineiras.

Raciocínio complexo ou pesquisa atualizada podem levar o fluxo de trabalho a uma escalada para a nuvem. Escaladas frequentes enfraqueceriam tanto a vantagem de privacidade quanto a promessa de trabalho local sem cobrança por uso.

A métrica principal não é se o Portable Computer consegue concluir uma demonstração. É a proporção de fluxos de trabalho úteis concluídos localmente, com precisão e sem correção manual substancial.

A Perplexity afirma ter desenvolvido o PPLX 27B para concluir o máximo possível de trabalho localmente. O modelo ainda pode buscar ajuda de modelos de nuvem maiores quando seu sistema de orquestração identifica uma etapa mais difícil.

Esse mecanismo de roteamento apresenta outro problema de medição. Um resultado aparentemente bem-sucedido pode combinar processamento local, pesquisa na web, aplicativos conectados e raciocínio de modelos de ponta.

Os usuários precisarão de registros claros de execução para entender essa combinação. Um registro de atividades deve mostrar quais arquivos foram acessados, quais ferramentas foram executadas e quais informações cruzaram a fronteira do dispositivo.

A exigência de 24GB pode diminuir com o tempo, à medida que os modelos se tornam menores ou a compressão melhora. A Nvidia também está desenvolvendo sistemas Windows voltados especificamente para agentes locais, incluindo sua categoria RTX Spark.

Por enquanto, a exigência traça uma linha visível entre PCs de IA comuns e máquinas capazes de hospedar fluxos de trabalho autônomos maiores. Unidades de processamento neural em notebooks convencionais não eliminam essa distinção.

O lançamento pressiona os fabricantes de PCs a definir o que “PC de IA” significa na prática. Recursos como transcrição e efeitos de imagem exigem muito menos memória do que um agente persistente de várias etapas.

Portanto, os compradores devem avaliar cargas de trabalho em vez de se basear no rótulo. Um computador otimizado para assistência em videoconferências talvez não suporte um agente de 27 bilhões de parâmetros com várias ferramentas ativas.

Essa distinção pode influenciar futuras configurações de hardware. Se os agentes locais ganharem adoção, a capacidade de memória poderá se tornar um fator de compra mais relevante, ao lado do desempenho em jogos e da duração da bateria.

Até lá, Portable Computer para Windows continua sendo um produto voltado aos primeiros adotantes. Seu alcance se expandiu, mas sua base de hardware endereçável permanece deliberadamente restrita.

A propriedade local desafia os agentes cloud-first

Portable Computer testa se os usuários trocarão o acesso universal por maior controle sobre onde o trabalho dos agentes acontece.

Os agentes em nuvem têm uma vantagem direta. Seus provedores podem executar grandes modelos em infraestrutura centralizada, atualizá-los com frequência e atender usuários sem exigir hardware local especializado.

Eles também geram preocupações recorrentes com dados sensíveis, limites de uso, latência e dependência de um serviço remoto. Essas preocupações se tornam mais agudas quando um agente acessa pastas inteiras, caixas de entrada ou repositórios de desenvolvimento.

Perplexity Computer representa o lado da nuvem nessa comparação. Seu agente de uso geral pode pesquisar, navegar, programar, monitorar tarefas e conectar-se a serviços de trabalho.

Portable Computer mantém o mesmo objetivo amplo, mas muda o local de execução. Raciocínio rotineiro, pesquisa local, agendamento e manipulação de arquivos podem ocorrer em hardware controlado pelo usuário.

Esta não é uma disputa puramente entre local e nuvem, porque a Perplexity combina as duas rotas. O sistema pode manter material sensível no dispositivo enquanto envia uma etapa de pesquisa aprovada para outro ambiente.

Essa abordagem reconhece uma lacuna de capacidade. Modelos locais compactos continuam úteis, mas os maiores modelos hospedados conseguem lidar de forma mais eficaz com raciocínios difíceis e tarefas amplas na web.

A estratégia da Perplexity transforma essa limitação em uma decisão de roteamento. O usuário não precisa escolher um único modelo para uma tarefa inteira, embora a escolha do agente ainda exija supervisão significativa.

A pressão competitiva vai além do produto em nuvem da Perplexity. OpenAI, Anthropic, Google, Microsoft e projetos independentes de agentes estão todos explorando softwares capazes de navegar, programar e operar ferramentas.

A maioria dos agentes em nuvem compete em inteligência de modelo e integrações de serviço. Um agente com prioridade local acrescenta compatibilidade de hardware, limites de dados, gestão de recursos e segurança de endpoints à comparação.

Projetos independentes como Hermes Agent e OpenClaw mostram outra rota. Os usuários podem montar modelos e ferramentas locais com mais controle, mas a configuração e a manutenção podem exigir conhecimento técnico substancial.

A Nvidia afirmou que uma instalação local simplificada também está a caminho para Hermes Agent e OpenClaw. Esse trabalho sugere que a Nvidia quer que os sistemas RTX se tornem uma base comum, e não um dispositivo de fornecedor único.

A vantagem da Perplexity está no empacotamento. O baixador de modelos, planejador, conectores, agendamento e escalonamento híbrido aparecem dentro de um aplicativo que assinantes existentes talvez já usem.

Sua desvantagem é a dependência da pilha compatível da Perplexity e do acesso por assinatura. Um usuário tecnicamente experiente pode preferir uma estrutura aberta que ofereça mais controle sobre modelos, logs e permissões.

As empresas enfrentam uma escolha mais complicada. O processamento local pode ajudar com materiais-fonte privados, mas os administradores ainda precisam de políticas para conectores, escalonamento remoto, atualizações de modelos e ações geradas.

Uma empresa também pode preferir infraestrutura em nuvem gerenciada centralmente, pois ela simplifica a implantação e a auditoria. Agentes locais distribuem a computação e a responsabilidade operacional entre endpoints individuais.

Essa tensão lembra mudanças anteriores da computação centralizada para dispositivos pessoais. A propriedade local adiciona flexibilidade, enquanto serviços centralizados simplificam a manutenção e a aplicação de políticas.

O design mais sólido no longo prazo provavelmente combinará os dois. Modelos locais podem lidar com etapas sensíveis ou repetitivas, enquanto sistemas em nuvem fornecem informações atualizadas e raciocínio adicional quando autorizados.

Perplexity Portable Computer é uma implementação concreta dessa tese híbrida. Seu lançamento para Windows testa se esse arranjo se sustenta fora de configurações controladas de Linux e DGX.

O resultado importa para trabalhadores do conhecimento que gerenciam pesquisas privadas, contratos, documentos de produtos ou código. Esses usuários já enfrentam a difícil escolha entre assistência de IA e ampla exposição de dados.

Um agente local pode reduzir essa exposição, especialmente quando combinado com uma base de conhecimento pessoal bem organizada. No entanto, o local de execução, por si só, não estabelece confiança.

A confiança também depende de limites de acesso, logs transparentes, comportamento previsível e confirmação confiável antes de ações consequentes. Isso leva diretamente à questão de segurança mais difícil.

Manter dados locais não torna um agente seguro

A execução local pode melhorar a privacidade, mas um agente com acesso a arquivos e aplicativos ainda cria riscos significativos de segurança e governança.

A Perplexity afirma que a execução de código e ferramentas ocorre em ambientes isolados de sandbox. Um sandbox restringe o acesso de um programa ao restante do sistema operacional e limita danos decorrentes de comportamentos inesperados.

Essa proteção importa porque Portable Computer pode ler arquivos, conectar-se a serviços e executar ações. Cada permissão adicional amplia tanto sua utilidade quanto sua superfície potencial de falha.

Uma instrução maliciosa pode chegar por meio de conteúdo, e não pelo prompt do usuário. Por exemplo, um agente pode encontrar orientações ocultas dentro de uma página da web, e-mail, documento ou issue de repositório.

Essa técnica é chamada de injeção indireta de prompt. O conteúdo não confiável tenta redirecionar o agente, fazer uso indevido de suas ferramentas ou expor informações que o usuário nunca pretendeu compartilhar.

Executar o modelo localmente não elimina esse risco. Um fluxo de trabalho comprometido ainda pode alterar arquivos, enviar mensagens, usar credenciais de forma indevida ou divulgar dados por meio de um conector autorizado.

O AI Agent Index documentou preocupações de segurança relatadas em diversos agentes de navegador e corporativos já implantados. Seus pesquisadores também encontraram divulgação pública limitada de avaliações de segurança específicas para agentes.

Pesquisas separadas sobre segurança de agentes identificam superfícies de ataque em ferramentas, conectores, limites de hospedagem e coordenação multiagente. Esses problemas se tornam mais importantes à medida que os agentes executam por mais tempo e recebem permissões mais amplas.

O sandbox local e o mecanismo de aprovação para a nuvem do Portable Computer abordam partes desse problema. Eles não comprovam resistência a todos os documentos maliciosos, respostas de ferramentas comprometidas ou ações equivocadas.

Os usuários devem distinguir três afirmações. Os dados podem permanecer locais, a execução pode ser isolada e o comportamento do agente pode ser seguro. Cada afirmação exige evidências separadas.

A primeira diz respeito a onde as informações são processadas. A segunda diz respeito aos limites do sistema operacional. A terceira diz respeito a se o modelo e a estrutura tomam decisões seguras sob condições adversariais.

O prompt de aprovação para a nuvem da Perplexity só é valioso quando comunica detalhes relevantes. Um pedido vago para “continuar online” não informa ao usuário qual conteúdo deixará a máquina.

O aplicativo deve identificar o destino, os campos de dados, a finalidade e o resultado esperado. Também deve permitir a recusa sem destruir todo o fluxo de trabalho.

Servidores MCP locais adicionam outra camada de governança. Eles podem conectar o agente a ferramentas de desktop, mas suas permissões e procedência exigem revisão cuidadosa.

Um servidor comprometido ou mal projetado pode expor mais capacidades do que o usuário espera. A conveniência da instalação não deve substituir a verificação do que cada integração pode ler ou alterar.

Tarefas recorrentes merecem atenção especial porque são executadas quando o usuário pode não estar observando. Um agente agendado pode encontrar repetidamente novos e-mails, arquivos e conteúdo externo.

Os administradores precisam de trilhas de auditoria que capturem decisões e chamadas de ferramentas ao longo do tempo. Também precisam de controles para revogar acessos, limitar diretórios e pausar trabalhos ativos.

A confiabilidade apresenta um risco relacionado. Uma tarefa concluída localmente ainda pode conter conclusões falsas, arquivos não encontrados ou cálculos incorretos.

A saída do agente deve permanecer revisável, especialmente em mudanças financeiras, jurídicas, de segurança ou de produção. A privacidade não compensa um resultado impreciso.

O lançamento do Portable Computer para Windows é, portanto, tanto um teste operacional quanto uma expansão de produto. A Perplexity precisa demonstrar que usuários comuns conseguem administrar permissões sem se tornarem especialistas em segurança de endpoints.

Testes independentes devem examinar documentos maliciosos, falhas de ferramentas, escalonamento para a nuvem, recuperação após interrupções e conflitos entre tarefas agendadas. Esses casos revelam mais do que demonstrações selecionadas.

A empresa descreveu seus controles, mas evidências amplas de implantações reais no Windows ainda são limitadas. Essa incerteza deve orientar as decisões de adoção durante o lançamento inicial.

Três sinais decidirão se o Windows muda o mercado

A próxima fase depende do alcance do hardware, da conclusão local observável e da transparência de segurança, e não de mais uma lista de recursos de agentes.

O primeiro sinal é a expansão abaixo do limite de 24GB de VRAM. O suporte a modelos menores ou a inferência mais eficiente levaria Portable Computer a uma gama muito maior de sistemas Windows.

Se a Perplexity preservar um desempenho útil do agente em GPUs com menos memória, o lançamento atual parecerá uma base para adoção em massa. Se o limite permanecer fixo, o produto continuará concentrado entre entusiastas e equipes especializadas.

O segundo sinal é a porcentagem de fluxos de trabalho reais concluídos sem escalonamento para a nuvem. A Perplexity deveria divulgar esse dado em tarefas de análise de documentos, programação, pesquisa e aplicações conectadas.

Uma alta taxa de conclusão local reforçaria suas alegações de privacidade e uso. Escalonamentos frequentes mostrariam que o agente local ainda depende fortemente da inteligência em nuvem para trabalhos exigentes.

A conclusão, por si só, é insuficiente. Os relatórios devem incluir precisão, duração das tarefas, frequência de intervenção e a quantidade de informações enviada a serviços externos.

O terceiro sinal é a avaliação independente de segurança. Pesquisadores devem testar Portable Computer contra injeção indireta de prompt, conectores maliciosos, permissões excessivas e solicitações enganosas de nuvem.

Resultados sólidos sustentariam a alegação da Perplexity de que agentes com prioridade local podem lidar responsavelmente com trabalhos sensíveis. Falhas graves enfraqueceriam a premissa de que a execução local cria um assistente de desktop mais seguro.

Os planos de hardware da Nvidia para outubro também merecem atenção. Novos PCs RTX Spark para Windows da Lenovo e da Acer devem ter como alvo cargas de trabalho de agentes pessoais, segundo o roadmap da Nvidia.

Esses produtos podem esclarecer se o mercado quer hardware dedicado a agentes. Suas configurações de memória, desempenho térmico, suporte de software e adoção empresarial importarão mais do que rótulos de marketing.

O suporte ao DGX Station fornecerá outro ponto de comparação. Sistemas com mais memória podem executar modelos maiores ou vários trabalhos, mas atendem a um cliente diferente dos PCs Windows convencionais.

A concorrência pressionará ainda mais a Perplexity. Estruturas abertas de agentes podem reduzir sua vantagem de empacotamento, enquanto grandes provedores de nuvem podem adicionar processamento local mais robusto a seus aplicativos de desktop.

A disputa provável não é uma corrida simples pelo modelo mais inteligente. É uma disputa sobre quem consegue dividir o trabalho entre dispositivos e nuvens com os controles mais claros.

Perplexity Portable Computer oferece a essa disputa uma implementação visível no Windows. Ele coloca planejamento local, acesso a arquivos, agendamento e execução de modelos por trás de um único aplicativo.

O lançamento não coloca inteligência local sem medição em todos os computadores Windows. Ele coloca um agente local ambicioso em um conjunto limitado de máquinas Nvidia com muita memória.

Essa realidade mais restrita não torna o lançamento menos importante. Ela faz do Portable Computer um teste inicial do que os usuários valorizam quando a IA deixa de responder a perguntas e passa a operar seus computadores.

Os desenvolvedores devem acompanhar a confiabilidade das ferramentas e os registros de execução. Compradores corporativos devem examinar permissões, gestão de atualizações e limites da nuvem. Profissionais do conhecimento devem testar se o processamento local melhora fluxos de trabalho sensíveis sem adicionar atrito operacional excessivo.

A questão decisiva agora é prática: a Perplexity consegue transformar uma configuração RTX especializada em um agente no qual as pessoas confiem para o trabalho cotidiano? Leitores que exploram fluxos de trabalho semelhantes também podem analisar como a combinação de conhecimento conecta informações privadas a pesquisas assistidas por IA, preservando um contexto útil.