Infra AI-ready para clínica médica: LGPD + prontuário sem dor

“A Resolução CFM 2.454 entra em vigor em agosto e meu prontuário roda num SaaS que guarda tudo em servidor fora. Se eu ligar um agente de IA em cima, onde é que o dado do meu paciente vai parar?” Essa é a pergunta real que dono de clínica médica está mandando pro ChatGPT nas últimas semanas. E é uma pergunta boa — porque a resposta determina se a clínica vai estar adequada ou exposta em 26 de agosto.

Esse post é a resposta sem marketing. O que significa infra AI-ready numa clínica, o que a LGPD e a Resolução CFM 2.454/2026 exigem de verdade, quando montar infra própria faz sentido e quando é melhor ficar no SaaS. Com caso hipotético, conta de payback e três cenários honestos em que a resposta é “não faça”.

O que é infra AI-ready numa clínica médica

Infra AI-ready é uma infraestrutura preparada pra rodar cargas de IA com o dado do paciente sob controle da clínica. Containers, segregação de rede, observabilidade, logs de auditoria e integração direta com o prontuário — tudo rodando sob o CNPJ da clínica, não sob o CNPJ de um fornecedor.

A parte que confunde: infra AI-ready não significa “só modelo local” nem “nunca use API paga”. Significa que a infra fica no seu controle. O modelo pode ser OpenAI, Anthropic, Google ou Ollama rodando localmente — o que importa é que o dado sensível do paciente não vaza pra um servidor estrangeiro sem contrato e sem log.

Na prática, numa clínica isso vira uma arquitetura híbrida. Pergunta genérica de horário e valor pode ir pra API paga (não tem dado sensível envolvido). Qualquer interação que toque sintoma, histórico ou conteúdo de prontuário roda em modelo local dentro da rede da clínica. A infra sabe separar os dois caminhos e registra tudo num log auditável.

Por que 2026 é o ano em que isso deixou de ser teoria

A Resolução CFM 2.454/2026 foi publicada em 11 de fevereiro de 2026 e entrou em vigor em 27 de fevereiro. Tem 180 dias de prazo pra implementação completa, o que significa que toda clínica médica brasileira que usa ou planeja usar IA precisa estar adequada até 26 de agosto de 2026.

O que a resolução exige na prática é quatro coisas concretas:

1. Registro no prontuário — toda vez que IA foi usada como suporte relevante pra decisão clínica, isso vira entrada no prontuário do paciente com rastreabilidade
2. Avaliação de impacto — sistemas de IA classificados como alto ou médio risco precisam de AIA (Avaliação de Impacto de IA) documentada
3. Contratos com fornecedores revisados — contratos com quem fornece IA precisam incluir cláusulas de compliance, responsabilidade e tratamento de dado
4. Consentimento atualizado — o paciente tem direito de ser informado de forma clara quando IA é usada como suporte no atendimento dele

Isso casa diretamente com o que a LGPD já exige pra dado de saúde, que é dado sensível e pede consentimento explícito, finalidade específica e minimização. A diferença é que agora tem um conselho profissional (o CFM) auditando também, não só a ANPD.

LGPD + prontuário: o problema real que ninguém quer encarar

A LGPD classifica dado de saúde como sensível desde 2020. O que mudou com a Resolução CFM 2.454 não é o nível de proteção — é o nível de fiscalização. A partir de agosto de 2026, o CFM pode abrir processo ético contra médico responsável por clínica que não se adeque.

E o ponto mais espinhoso é onde o dado fica processado. Hoje, uma clínica típica tem o prontuário num SaaS brasileiro (que ao menos já tem contrato de operador assinado) e, em paralelo, atendimento via WhatsApp Web automatizado ou um chatbot que o fornecedor configurou e ninguém sabe exatamente onde roda. Esse segundo braço é o problema: toda conversa que menciona sintoma, histórico ou medicamento passa por um servidor que a clínica não controla, muitas vezes fora do Brasil, sem DPA formal, sem log acessível. Se o paciente pedir revisão dos dados dele via LGPD, a clínica precisa responder em 15 dias — e frequentemente não consegue.

Infra AI-ready resolve isso por arquitetura. O dado sensível não sai da rede da clínica porque a rede da clínica é onde ele é processado. Modelo de linguagem mais forte roda em Ollama com Llama 3.1 ou Qwen 2.5 em container na própria infra. Quando precisa de API externa, só vai o que é genérico — e o log prova.

Stack nominal pra clínica média (o que eu monto em projeto real)

A stack é deliberadamente chata. Dado de saúde não é lugar pra experimento novo a cada mês.

• Docker pra containerizar tudo e garantir reprodutibilidade do ambiente
• n8n orquestrando o fluxo (recebe mensagem do WhatsApp, classifica intenção, decide se rota pra API pública ou pra modelo local, consulta prontuário, responde, agenda)
• PostgreSQL ou Supabase auto-hospedado pra histórico de conversa, contexto do paciente, base de conhecimento da clínica e log de auditoria
• Ollama rodando Llama 3.1 ou Qwen 2.5 em container isolado — modelo local pra toda interação que toca dado sensível, zero chamada externa
• Integração direta com o prontuário via API interna (Amplimed, Clinicorp, iClinic, Clínica nas Nuvens e similares oferecem API; se o prontuário é próprio, a integração é direta)
• WhatsApp Business API oficial via BSP homologado (360dialog, Twilio ou Meta direto — nunca “WhatsApp Web automatizado”, que além de violar termos de uso queima o número e não sobrevive à primeira auditoria)
• Cloudflare na frente do webhook pra HTTPS, rate limit, proteção básica e observabilidade de rede

Isso tudo roda em servidor dedicado ou VPS com SLA brasileiro, a partir de uma máquina de R$8 a R$15 mil pra clínica de médio porte. Pra quem está começando, CPU aguenta bem até umas 300 conversas por dia; volume maior pede GPU dedicada pro Ollama.

Pra contexto de mercado, vale saber com quem você compara preço. Cloudia é secretária virtual SaaS focada em clínica, cobre WhatsApp e triagem — resolve rápido, mas o dado passa pelo servidor do fornecedor. Amplimed e Clinicorp são prontuários brasileiros sólidos, com camada de chatbot crescente, modelo assinatura mensal. A diferença do setup próprio com infra AI-ready não é “mais inteligente” — é controle do dado, customização por especialidade e flexibilidade pra evoluir sem ficar refém de roadmap de fornecedor.

Quando vale a pena infra própria vs SaaS pronto

A resposta honesta depende de três variáveis: volume de pacientes, sensibilidade do dado que vai circular e maturidade operacional da clínica.

SaaS pronto compensa quando:

• Clínica tem 1 ou 2 médicos, volume abaixo de 80 pacientes por semana
• O caso de uso é só agendamento, confirmação e pergunta genérica (sem sintoma, sem histórico circulando)
• Não há ninguém na clínica disposto a cuidar de governança contínua
• O fornecedor tem contrato de operador LGPD bem assinado e responde pedido de revisão em prazo

Infra própria começa a valer quando:

• Clínica tem 3 médicos ou mais e volume acima de 80 pacientes por semana
• Há interações que tocam dado sensível (triagem por sintoma, pergunta sobre medicação, laudo, imagem)
• O dono ou administrador topa cuidar de governança (revisar log semanal, responder pedido de LGPD, documentar mudança no fluxo)
• A clínica planeja evoluir pra triagem por imagem, transcrição de consulta ou relatório automatizado nos próximos 12 meses

A conta de equilíbrio funciona assim. SaaS brasileiro cobra entre R$1.200 e R$3.500 por mês pra chatbot clínico. Infra própria custa entre R$15 mil e R$25 mil de setup mais R$700 a R$1.200 por mês depois. Dependendo do porte, o ponto de equilíbrio cai entre o mês 6 e o mês 10, com duas vantagens: o custo fixo não escala com volume e o dado fica sob controle — o que importa muito mais quando o CFM começar a fiscalizar.

Caso hipotético realista: clínica de otorrinolaringologia em Campinas

Cenário plausível pro setor, com base em projetos desse perfil. Clínica de otorrinolaringologia em Campinas, 4 otorrinolaringologistas, 2 secretárias, 120 pacientes por semana, faturamento anual em torno de R$3,2 milhões. Mix de convênio e particular, integração com Amplimed pro prontuário eletrônico.

Ponto de partida: clínica já usava Amplimed há 2 anos e tinha um chatbot terceirizado no WhatsApp cobrando R$2.400 por mês. O chatbot agendava consulta e respondia pergunta de horário, mas não conversava com o Amplimed — toda agenda era manual. Pior, o fornecedor do chatbot não conseguia fornecer log de auditoria em formato exportável, o que travava qualquer resposta a pedido de LGPD.

O que foi montado: infra AI-ready num servidor dedicado dentro da rede da clínica. Docker com n8n orquestrando, PostgreSQL pra contexto e log, Ollama rodando Qwen 2.5 pra qualquer interação que mencionasse sintoma ou histórico, API paga da OpenAI pra pergunta pública. Integração direta com o Amplimed via API pra consulta e atualização de agenda. WhatsApp Business API via 360dialog.

Números depois de 8 semanas: 68% das conversas no WhatsApp resolvidas pelo agente sem intervenção humana. Tempo médio de resposta caiu de 22 minutos pra 40 segundos. Agendamento automático sincronizado em tempo real com o Amplimed. Log completo e exportável de toda conversa, tokenizado e com marcação de quando dado sensível foi processado — direto pronto pra auditoria.

Investimento: R$18.500 de implementação, R$950 por mês de infra e API somadas.

Economia mensal combinada: R$2.400 do SaaS antigo que saiu + R$3.200 em tempo de secretária recuperado pra atendimento presencial + R$4.800 estimados em no-show reduzido com lembrete automático 24h e 2h antes = R$10.400 por mês. Payback em torno do mês 2. E a clínica passa a ter infra preparada pra plugar transcrição automática de consulta, triagem por imagem e relatório automatizado sem refazer nada.

Quando NÃO vale a pena (três cenários honestos)

Nem toda clínica deveria montar infra própria. Três cenários em que eu desaconselho diretamente e sugiro outra coisa.

Cenário 1: clínica pequena, volume baixo, caixa apertado. Clínica com 1 ou 2 médicos, menos de 60 pacientes por semana e margem operacional apertada. O setup próprio de R$15 mil a R$25 mil demora 10 a 14 meses pra pagar nesse cenário, e a clínica tem coisa mais urgente pra resolver primeiro. Nesse caso, o caminho é contratar um prontuário brasileiro sólido (Amplimed, Clinicorp, iClinic) que já tenha contrato de operador LGPD bem assinado e usar a camada de chatbot deles. Ganha 70% do resultado com 10% da complexidade. Volta a pensar em infra própria quando dobrar o volume.

Cenário 2: não há ninguém pra cuidar da governança. Infra AI-ready exige pelo menos uma pessoa (dono, administrador ou encarregado de dados) disposta a revisar log de auditoria toda semana nos primeiros 2 meses, responder pedido de revisão quando aparecer e documentar qualquer mudança no fluxo. Se ninguém vai fazer isso, não compre o problema. Um chatbot SaaS com contrato ruim e sem log auditável é problema — mas infra própria sem governança é problema maior, porque a responsabilidade é 100% da clínica.

Cenário 3: processo interno bagunçado. Se a recepção não sabe de cabeça qual convênio a clínica atende, qual o preço de cada procedimento ou onde está a agenda atualizada, nenhum agente de IA vai saber. IA não conserta processo bagunçado — amplifica. Organize a base de conhecimento primeiro (um documento vivo com todos os procedimentos, valores, convênios, horários, observações por especialidade), valide com o time, e só depois pluga IA em cima. Isso não é opcional — é o que separa projeto que funciona de POC fracassada.

Como começar sem virar mais uma POC fracassada

A regra é uma: pilot curto, escopo único, número antes e depois. Escolha um processo só (agendamento, lembrete ativo ou triagem por especialidade). Mede o número antes: conversas por dia, tempo médio, no-show, ligação perdida — num documento simples com data. Roda 14 a 21 dias cobrindo só aquele processo, com log de auditoria ativo desde o primeiro dia. Compara o número novo com o antigo. Se cobriu o que prometeu, expande. Se não cobriu, geralmente é base de conhecimento incompleta — conserta e roda de novo.

Documentação mínima desde o dia 1: quem é o encarregado, onde está o log, qual é o fluxo de escalonamento pra humano, como o paciente consente, como a clínica responde pedido de revisão. Isso não é detalhe — é exatamente o que o CFM vai pedir quando fiscalizar.

Conclusão

Infra AI-ready pra clínica médica não é moda nem hype. É a resposta estrutural pra um cenário onde LGPD já exigia controle de dado sensível e a Resolução CFM 2.454/2026 agora exige registro, consentimento, avaliação de impacto e contrato de fornecedor revisado — tudo até agosto de 2026.

A clínica que já tem volume e sensibilidade de dado pra justificar ganha controle, flexibilidade e economia no médio prazo. A clínica pequena ganha mais contratando bem um SaaS brasileiro sólido. Em ambos os casos, o erro é o mesmo: fingir que o problema não existe e esperar a fiscalização bater na porta pra correr. Agosto chega rápido.

Perguntas frequentes sobre infra AI-ready em clínica médica

As dúvidas que mais aparecem quando dono de clínica começa a montar a conta entre SaaS e infra própria sob a ótica da LGPD e da Resolução CFM 2.454/2026.