The map of 5 types of AI that every manager needs to understand before paying for the next license.

By Ricardo Segura · OPEX Consultoria · May 2026

I sit in a meeting with the CEO. It shows me the screen: ChatGPT open. Smile.

“Ricardo, we’ve finally entered the age of AI.”

I take a deep breath. I choose my words carefully. It's not the first time we've talked about AI — in previous diagnoses, the topic had already appeared. But saying it there, in a formal meeting, with the board present and the budget for the next cycle on the agenda, has another weight.

“Maybe not yet, in the way you're thinking.  You have 30 uncoordinated ChatGPTs — what the technology market calls today to 30 personal agents without organizational coordination. It’s not exactly the same thing as having AI in the company.”

This CEO is not naive. On the contrary — he founded a medium-sized company that has been growing for fifteen years. What happened to him happens to most executives I know: the technology market has trained everyone to treat “buying AI” as a single decision, when in fact they are five distinct decisions, on distinct scales, with distinct consequences. And the menu that arrived at his desk only has ChatGPT Enterprise.

So he bought it. Distributed access. Each manager started to use it in his own way. Each one discovered their own trick, built their library of prompts, adjusted their collection of instructions which took six months to get good. Each one became a little expert of their own tool — silent, isolated, valuable individually.

None of this returns to the company. When the manager leaves, he takes everything. And then the company doesn’t have AI: it pays for 30 personal tool licenses. The entire industry, from big techs to consultants, sold this as digital transformation — and almost no one stopped to say that one basic thing was missing before.

The numbers show that this scene is today the photo of the majority of Brazilian companies.

A CGI.br, in the ICT Companies 2024 survey, measured: only 13% of Brazilian companies have structured adoption of AI. The same percentage as 2021 and 2023. Three years after ChatGPT, GPT-4, Claude, Gemini — the same number.

In the same period, Sebrae registered that 44% of Brazilian entrepreneurs already use some form of AI. And Microsoft has shown that 75% of the micro, small and medium-sized enterprises in the country are “optimistic” about the impact of technology on their businesses.

Three numbers, three official sources. Seventy five percent want it. Forty four tried it. Thirteen organized it. The immense majority of companies Brazilians live today exactly in the middle of these numbers — between the real will and the absent method. While the majority is in this middle of the way, a small group of companies that mapped early is already gaining distance.

Lu do Magalu, equipped with generative AI in partnership with Google, converts three times more that the company's own application and resolves 70% of the demands of WhatsApp alone. Itaú placed 150 generative AI solutions in production until the beginning of 2026 — and launched Itaú Emps, an application that replaces human managers in serving micro and small businesses. The Brazilian industry, which had 16.9% of companies using AI in 2022, reached a 41.9% in 2024 — jumped 25 points in two years, according to IBGE.

It's not magazine hype. It's IBGE, it's CGI.br, is the financial balance of listed company.

The question that CEO asked me — “do I need to buy AI?” — is the question the market has trained every executive to ask. It's a binary question, yes or no. And that's precisely why it holds: because AI is not binary, and any answer that comes from this question unlocks at most one movement.

The question that unlocks is another: what step of AI is each part of my company at today, and what is the next move — by area?

Sales can be in one place. Tax in another. HR in another. Service in another. And the manager of each area — no The CEO alone — is the one who needs to understand the map to answer this question from his own chair.

This article is the map that that CEO didn't have when he showed me ChatGPT open, smiling. It's the map that I also didn't have when I started helping give companies on the subject, years ago— I got put it  together while observing what worked and what didn’t work in client after client.

The next acts describe five types of AI that coexist in any company that is taking the subject seriously. Each with a distinct function. Each with a distinct cost. Each c at the limit — and with a clear signal of when your area needs to go up a step.  Along the way, I’ll share three things I had to learn in practice and that few people talk about: that this ladder is not a mandatory trail, that the biggest risk of implementation is not technical (it’s human and silent), and that there is a way — the last — that is not “the top of the ladder,” but an architectural decision that can be made since the first day.

Before you pay for the next license of ChatGPT Enterprise, read the map.

The five types of AI in your company

Before describing the five types, three important warnings.

First: I'll use two names for each. An editorial name, based on human hierarchy — Intern, Expert, Trained Employee, Autonomous Executor, Second Brain. And a technical name, which is like the market in general, Anthropic, OpenAI, Salesforce and Brazilian suppliers call these categories — Conversational Agent, Specialized Agent, Custom Agent, Standalone Agent, Organizational Memory Agent. They both talk about the same thing. Use whatever comes more natural to you — and in internal conversations, they both serve you.

Second: this list is map, not ladder. You don't have to climb all five. Your area can stop at one of them and be great at it. Another area from the same company You can skip straight to the fourth without going through the second. I'll come back to this uncomfortable truth in the next act. Third: none of the five overrides the others. In a company that is taking AI seriously, all five coexist. The question isn't “which to choose”. With the caveats made, let's go to the types.

Step 1 — The Intern (Conversational Agent)

It's the generic, one-to-one, context-free enterprise conversational AI tool. ChatGPT, Claude Desktop, Gemini, Micro soft Personal Copilot — everyone enters here. Typical cost in Brazil: R$ 100 to R$ 150 per user, per month.

The function is individual productivity in administrative tasks — writing, summarizing, brainstorming, translation, quick analysis. The available literature (Mic rosoft Work Trend Index, McKinsey research) shows a gain of 20% to 40% in time freed on these tasks, when the user knows ask.

Why Intern: it's like having a brilliant recent graduate in the room. Knows a lot in thesis, but doesn't know the company, doesn't know the client, forgets everything between one conversation and another. You need to give context every time.

Structural limit: zero company memory, zero coordination among users, knowledge is lost when the manager leaves. It's exactly the CEO's scene from the beginning of this article.

Sign that your area needs to rise: “everyone here uses ChatGPT, but each one does it differently, and nothing we learn is recorded to the team”.

When you don't need to move: if your area uses the Intern only for individual productivity in tasks that do not require standardization — write ema il personal, individual creative brainstorm, exploratory research — Step 1 is enough.  Don’t force up unnecessarily.

Illustrative case: widespread casual use is the case. Sebrae recorded in 2025 that 44% of Brazilian entrepreneurs already use some the AI, and the overwhelming majority of them use exactly this. It's what makes Step 1 invisible — everyone uses it, no one notices.

Step 2 — The Expert (Expert Agent)

It's AI with deep expertise in a single domain — code, design, writing, research, sales, service, data. Examples: GitHub Copilot and Cursor (code), Midjour ney (design), Jasper (marketing), Perplexity Pro (research), Microsoft 365 Copilot (writing). The function is categorically different productivity in a specific domain — it's not "20% faster", it's typically 5 a 10 times faster. Programmer with Cursor or Copilot builds in days what previously took weeks.

Why Expert: it's like hiring a senior professional from a single field — they know a lot of what they do, it's expensive, they don't know anything beyond that.

Structural boundary: function silo. The Code Specialist knows nothing about marketing, or the company. Each Specialist in your organization is an independent silo.

Sign that your area needs to rise: “paid AI Specialist for ten professionals, I see a clear individual gain, but there's nothing organizational coming out of there — each one has become a silo better than it was, without this becoming the standard of the house. And when one of these leaves, it takes the gain with it”.

When you don't need to move up: if your area is highly specialized (engineering, design, R&D) and the technical gain is your biggest productivity factor, the Degra u 2 may be where your area remains in the long term. Moving up only makes sense when you need to mix the domain with the context of the company.

Illustrative case: RD Station launched at the end of 2024 the AI Mentor within RD Station Conversas — a layer of AI specialized in marketing and sales embedded in the product. It works because it serves marketing professionals in a single domain, with its own vocabulary and its own metrics.

Step 3 — The Trained Employee (Custom Agent)

It is the agent configured with company specific instructions, curated knowledge base (selected and organized), persona Defined. Examples: Custom GPTs (OpenAI), Claude Projects (Anthropic), Microsoft Copilot Studio, agents configured by the p for internal tasks. Cost: setup time plus usage, usually included in the enterprise plan. Realistic estimate: 20 to 4 0 hours to set up a Custom GPT that replaces 10 hours week of repetitive work by a team.

The role is to standardize recurring tasks of the company. The Trained Employee has partial knowledge of the organization — you taught what he knows.

Why Trained Employee: It's like hiring a person, teaching them to do a specific task, and that person now does that thing well, always the same. But it only does that. And if the rule changes, you need to retrain.

Structural limit: knowledge frozen at the time of configuration. It doesn't learn itself. If the company's policy changes, someone has to update manually — and usually no one knows for sure what is outdated within the bot.

Sign that your area needs to rise: “I created a Custom GPT that answers HR questions, but every time policy changed, someone had to update it by hand, and no one can tell for sure what is outdated in there today”.

Illustrative case: Conta Azul launched in August 2025 the financial assistant of the SME accountant — spent six months testing With a hundred accounting firms before releasing it to the base of more than a hundred thousand clients. assistance to the accountant), curated base (a knowledge base selected and organized by experts — not everything thrown in, but filtered, structured and validated to have quality in the response), trained with real cases before going to production.

Step 4 — The Autonomous Executor (Autonomous Agent)

It's the agent that acts in the background, executes decisions, monitors processes, integrates with systems, does things without you clicking. Examples: Devin (Cognition Labs), Claw, Hermes, Microsoft Copi lot Studio Agents, Salesforce Agentforce, agents built on n8n with LLM. Cost: R$500 to R$10,000 per month, depending on scale and integration with internal systems. The function is to execute decisions already made. When client X does Y, he does Z — automatically. Monitors processes, acts within predefined rules, frees human team from repetitive coordination work.

Why Standalone Executor: is an employee who runs in the background without direct supervision, but only within the defined scope. Salesforce, at the launch of Age ntforce in 2024, proposed a direct analogy with the autonomous car levels — from 0 to 5 — to describe this type of agent.

Structural limit: execute very well what they order, but doesn't decide what should be done. And without a layer of organizational memory (which is Step 5), you forget the history between sessions — each time starts from conceptual scratch.

Sign that your area needs to rise: “I need something to happen every time customer X does Y, without someone clicking — and the volume is big enough that this manual coordination is consuming people good at repetitive work”.

Illustrative case: Stone Pagamentos was the first Brazilian acquirer to build its own antifraud system with AI. The system assigns a risk score in five levels to each trans action — and autonomously decide to approve or block. Critical decision, at scale (millions of transactions per day), but within clear and audited rules. Critical counterexample: Klarna announced in February 2024 that it had replaced 700 human attendants with AI. Technology. I have skipped the previous step of internal selling and the organizational memory layer.  I will return to this in detail in Act 3, when we talk about the biggest silent risk of AI deployment. 

Step 5 — The Second Brain (Organizational Memory Agent)

Here is not “more advanced tool”. It is distinct category. The Second Brain does not replace the four previous types: orchestra. It is the base on which the others begin to really multiply.

Four components make up this architecture — this is the thesis of OPEX, developed in the manifesto Memory before Intelligence (May 2026):

• Memory — single, living, indexed truth of the company. Not in the Drive, not in the CRM, not in the manager's head.
• Policy — explicit, versioned, rules outside the leader's head.
• Decision — immutable event with why, context, alternatives. Not revisitable by guesswork.
• Cadence — audible ritual of perceiving, planning, acting, reflecting.

There's no off-the-shelf product ready for Step 5. It's architecture — combines tools (that change over time) with curation h umana and organizational discipline.  OPEX OS is the name of our approach; there are variations in companies that have built their own path. cost: initial investment in architecture plus ongoing curation.  Not monthly license per user — it’s structural project. For medium-sized company: R$ 50,000 to R$ 500,000 of setup, plus operation cost proportional to size.

The role is simple to describe and difficult to deploy: the company remembers. Remembers decisions with the why. Applies policy consistently nte.  Record each relevant movement.  Learn from your own history — and stop repeating the same mistakes from two years ago.

Why Second Brain: It's the organizational memory living outside people's heads. As the human brain remembers for the individual, the Second Brain remembers for the enterprise.

Structural limit: requires discipline and time. It doesn't yield on the first day — it starts yielding in 60 to 90 days and grows with the company. It's the only one of the five with relevant implementation cost.

But it's the only one that. And it's the only one that can be constructed since the first day of the company's AI journey, instead of being the arrival point. I'll return to this difference in depth in Act 5 — because that's where the blind spot of almost every discussion about enterprise AI lies.

Signal your business needs: “we repeat mistakes from two years ago”, “when someone critical leaves, they take with knowledge that I can’t recover”, “decisions become the rule s ghost that no one knows how to explain”, “I can’t prove to a new member why we do what we do the way we do it”.

Illustrative case: there are still few public cases in Brazil — the architecture is recent. OPEX OS, with manifesto published in May 2026, is the reference I defend. I dive deeper into Act 5.

Five types. Five distinct functions. Five distinct costs. None replaces the other — they all coexist in any company that is taking AI seriously.

The question isn't “which to choose.” It “what's my next move in each area of my company”.

The track is not linear

The popular expectation about AI in the enterprise is the expectation of any technological wave: let's advance all together, area by area, in a coordinated plan. That's not how it works. It has never worked — not with the ERP, not with the CRM, not with the BI, not with the cloud migration. And IA is not going to be an exception.

The practical truth is uncomfortable: in the same company, at the same moment, different areas are at different steps. And that's normal — it's what to expect, not what to avoid.

The data from IBGE shows this dispersion from above. Brazilian industry jumped from 16.9% from AI adoption in 2022 to 41.9% in 2024 — 25 points in two years. In the same period, the general average of Brazilian companies, measured by CGI.br, was in 13%. In other words: the industry is three times ahead of the country's average. And within the industry itself, manufacturing d iscreta advances at a different pace than a continuous process, which advances differently from extractive.

Each sector follows its own pace. Those who have greater pain, available data and ability to apply, advance faster. Those who do not have any of them s three, it stays still — and that explains why the national average remains at 13%, even with so much headlines about digital transformation.

The same dispersion appears when looking by port. According to CGI.br, in 2024, 38% of large Brazilian companies already used structured AI, contra 29% of averages and only 10% of the small ones. Almost four times as much in the large ones than in the small ones.

But the most revealing data isn't this. It's that within the same company, the dispersion among areas is even greater than between sizes. In any organization of a reasonable size that I've met in the recent years, sales can be on Step 3, service on Step 3. 4, tax still on Step 1, and HR navigating between 1 and 2 — all at the same time, under the same CEO. It's not a lack of coordination. The visible case of this in Brazil today is Itaú. Until the beginning of 2026, according to the specialized publication TI Inside, the bank had 150 generative AI solutions in production simultaneous — in distinct areas, at distinct maturities, with distinct governance. Generative AI investment, for example, has been scaled in five waves over the course of fifteen months: initial testing with 250 employees in November 2024, enlargement to 2,500 employees in February 2025, product release for 10 thousand customers in June 2025, and expanding to 100 thousand customers in second semester. O Itaú Emps — the application launched in July 2025 that replaces human managers in service to micro and small businesses — is Autonomous Agent (Step 4) in full production a. Risky areas of the bank have been using classic machine learning models since before the generative wave. Other areas are still experimenting.

There is not a single “Itaú step”. There are areas on Step 1, on 2, on 3, on 4 — and continuous investment in architecture of organizational memory that orchestrates the ensemble. It's the real photo of a company that is taking AI seriously.

And the most important lesson for the reader of this article is the way in which Itaú advances: didn't try to upload everything together. Each area advanced in its time, with its own governance, under its responsible person. What coordinates the set is not a single schedule — it is A common architecture (memory, politics, decision, cadence) under which each area builds its own path.

The same dynamics happen on a smaller scale, and become even more evident. A Blue Account, a technology company for small and medium-sized businesses with around 100 thousand customers on base, took six months testing generative AI with a hundred offices accounting itories before releasing to the market, in August 2025. It started small, with tight governance, in a specific area — the assistant financial of the accountant. Meanwhile, other areas of the company itself rotated on other steps, with other dynamics. tion;  it's design.  The company that recognizes that each area advances at its own pace is organized for this. The practical consequence for the manager who is reading is straightforward. The question “what step is my company at in AI?” is the wrong question — there is no answer. The right question is: “what step is each area of my company on, and what is the next move for each one?”

Sales might be in one place. Tax in another. HR still in another. And that's exactly what you expect.

Your company isn't on an AI rung. It's on five — one per area. And that's not a problem. It's how it's done.

Before getting to the practical matrix that helps you make this diagnosis — which comes in Act 4 — I need to go through the most important truth of this article. The one that destroys it. the return of any implementation when ignored. The one that costs jobs when addressed poorly. 

The invisible layer: the silent risk that destroys the ROI

Conversation with the director of operations of a medium-sized industry. Asks for help — implemented generative AI eight months ago, zero ROI. The numbers are hard: productivity hasn't gone, process time It didn't drop, quality didn't change.  He invested around R$180 thousand in licenses, plus R$400 thousand in consulting.  For him, the conclusion is obvious: the technology doesn't work for his company. I ask for permission to talk to the team directly, without him in the room. He authorizes.

Conversation with a — senior manager, fifteen years of work. I ask how he uses the tool. Dry answer: “I don’t use it much. She doesn’t understand our way of doing things.” Push a little more. In a lower, full voice: “Look, if this thing really worked, in two years I wouldn't be here.”

The tool works. What doesn't work is what is being fed into it.

The senior manager knows the customer, knows the process, knows the way of the house. But when he sits down to set up it agent — to teach the AI to do what it does — gives generic response.  It is not conscious bad faith. a. If you describe in detail how you qualify a lead, how you negotiate an exception, how you decide when to accept an order after the deadline, you are literally writing the document that can replace it.  not correct — why would she? The more she makes mistakes, the more the company will conclude that “that doesn’t work”.

This has a name. I call it silent sabotage — not in the sense of bad faith, but of rational behavior of those who feel their job threatened by a technology that the whole market is seeing nding as a replacement.  It is the biggest invisible risk of any AI implementation today, at any size of company.

Silent sabotage happens in four modes, all observable with some field effort.

Subnotification is the first way. The professional records less than he does — only the result, without the path. Seller closes deal and records “sale closed, R$ X”, without the history of objections overcome, without the trigger that made it work, without the exception granted. Without the path, I There is nothing to learn — and critical knowledge continues to live only in the head of whoever made it.

Evasive answer is the second. When asked to describe a process to configure an agent, the professional gives superficial description. “How do you qualify a lead?” — “Oh, I’ll see if it makes sense, then I’ll call.” Without the real detail, AI can't replicate — and the overall impression comes out that “our process is too complex for the AI to grasp”. It isn't. It's missing the description.

Non-correction is the third, and perhaps the most corrosive. The AI generates bad output. The professional knows it is wrong. E not correct. Let the agent make mistakes day after day, week after week — because with each accumulated error, the probability of the company concluding that “this doesn’t work”. It's rational, and investment devastating behavior.

Shadow AI is the fourth. The professional uses personal ChatGPT on the cellphone, outside the corporate system, for tasks that should go through the company's agent. The gain in productivity stays with the person (who will use it as an individual differentiator). Sensitive data from the company is leaked to a system that the company does not control. “little used” — which reinforces the argument that it doesn't work.

Each of these four ways is understandable. They are rational reactions of those who feel their own job threatened. The solution It's not requiring more professionalism from the employee — it's addressing the perception that drives the behavior.

And this perception is not addressed by the tool. Not by the big tech that sold the license. Nor by the consultant that implemented it. It is addressed by the direct manager. Internal selling is a track parallel to technical implementation, independent, and non-delegable. The professional will only truly collaborate when the direct manager has answered — in a reliable, repeated, demonstrated way — three questions that he has in his head but rarely verbalizes: “will this replace me?”, “what do I gain from this?”, “how will they evaluate me from forward?”.

Three practical moves answer these questions and disable the four sabotage modes.

First: position IA as amplifier, not substitute. The sentence is simple: “let's free you from repetitive work so you do what only humans do— relationship, judgment, creativity”. But there is a non-negotiable condition: the sentence must be true. If the real intention is staff reduction, the internal sale will fail — and deserves to fail. Deliberate lying at this point destroys the team's trust with the leadership permanently.

Second: involve the team in configuring the agent. Whoever teaches, feels mastery. He who feels mastery, does not fear. It's an ancient principle of change management — John Kotter, in the 1995 classic published in Harvard Business Review, “Leading Change: Why Transformation Efforts Fail”, it was already called “empower others to act”. Applied here, it becomes something concrete: the senior manager who silently sabotaged the agent above becomes the curator of the agent's own team. The relationship with technology changes from day to night.

Third: Show individual gain before organizational. The team only buys change when it wins. “The company will gain 20% efficiency” doesn't move anyone. “You'll get 5 hours a week to do the work that matters” move. Quantify the individual gain first, in each person's head. Organizational gain comes as a consequence — not as a sales argument.

The most publicly known case of those who ignored this entire layer is a Klarna. In February 2024, the Swedish fintech announced it had replaced 700 human attendants by AI. In May of the same year — three months later — announced review and returned to hiring humans for part of the volume. The CEO admitted u publicly that the aggressive replacement had degraded the quality of service and the customer experience. What failed.  Klarna's AI works to this day. What failed was skipping the internal sales layer and skipping the organization memory layer tional (which I will address in Act 5) Leadership decision to transform IA into a substitute, without mediating the transition.

The biggest risk of AI in your company isn't technical. It's human. And it's not overt resistance — it's silent resistance, which destroys ROI without you ever knowing why.

If you understand why this matters, you're ready for the practical map that comes now — the one that helps the manager to diagnose, area by area, what step it is at today and what is the next movement of each one.

The role of the manager: the matrix that guides the decision by area

The area manager does not need to be an AI specialist. He needs to know, at each step, four practical things:

• What changes in my area when the team uses this level.
• What decision can I delegate to this level.
• What is the risk if I jump this step.
• What's the clear sign that my area has rose — and is ready for the next.

This is what makes the manager lead adoption from his own chair, without becoming an AI engineer. The matrix below is the visual version of this vocabulary — each column is a common area of the company, each line is a step, each cell translates what that combination means in practice.

Matrix: what each step means in each area

How to read the array

The reading is simple: take your column, find the line that describes where your area is today, and look at the line immediately above — that's your next move.

Example: You are a sales director. Your column is the first. If your salespeople today use ChatGPT only to draft proposals (Step 1 , first cell of the column), the next natural move is Step 2 — adopt AI embedded in the CRM. It's Not Step 5. It's Not Step 4. It's next. If you already have CRM with AI (Step 2), the next one is Step 3 — Custom GPT pricing. And so on.

And the rule of Act 2 remains valid: each area can be in a different place. Sales can be on Step 3 en how much tax is on Step 1 and service on Step 4. That's not a problem — it's what you'd expect.

Important: The examples listed in each cell are representative of the type, not exhaustive. Each step has dozens of variations by industry, size, and maturity. In Step 2, for example, tools for technical sales are different from consultative sales; what is suitable for an industry may not make sense in retail; M&A legal platforms are different than tax litigation.  motion type that each step represents, do not memorize the brand of the tool — because the brand changes every semester.

What decision can I delegate to the AI?

The question that comes next is practical: what kind of decision can I delegate to the AI in this area of mine? The answer goes by four criteria which must be answered before any delegation.

Codifiability. Can the decision rule be written in a clear way, with objective criteria? The more codifiable, the more the AI can perform. The more nuance and unique context it requires, the more the decision remains human — with AI preparing the material.

Volume. How many times does this decision happen per day, per week, per month? High volume justifies the investment in automation Low volume no. Single strategic decision — merger, partnership, critical layoff — is never AI. Reversibility. If the AI errors, is the decision repairable? Wrong transaction approval is reversed in minutes. Decision to abandon strategic customer no.  The more reversible, the more autonomy one can delegate. The less reversible, the more human supervision. Auditability. Can you inspect later what the AI decided and why? Without audible trace, no delegation makes sense — because you will never know whether it's calibrated or not.

Stone, cited in Act 1, is the example of Step 4 calibrated on these four criteria: the rule is codifiable (risk score in five levels), the volume justifies (millions of transactions per day), each individual decision It is reversible (wrong blocked transaction undoes within minutes), and the trace of each decision is auditable on the dashboard. Critical decision in aggregate, within the range where AI performs better than human.

Klarna, of Act 3, failed on at least two of the four criteria: the rule for “generic human service” is not easily codifiable (each case has unique emotional nuance), and the error has limited reversibility (customers lost to poor service come back with friction). It wasn't the technology that failed — it was the caliber that was wrong. The rule of thumb for the manager: always start with decisions that score well on the four criteria. Move up to bigger decisions only when hen you have an auditable track established. And never delegate to IA what your area takes as a single strategic decision.

Why the manager is the key

Whoever understands the line of their own area does not need to understand the others in depth. But they need to understand the whole matrix to know Where your area connects with others — and where the company, as a whole, is ready for the next coordinated move.

And here we come to the most important of this article. The step that appears as the last line of the matrix, the Second Brain, is not simple nte “the top” — it’s a different category. And it’s the piece that makes all the previous ones really multiply the value they promise.

The path itself: organizational memory

Different in nature, not in degree

Look at the array we just finished describing. The Rungs 1, 2, 3, and 4 have one thing in common: all acceleram processes that already existed in the company before AI arrived. ChatGPT accelerates writing that humans already did. CRM with AI accelerates sales than humans They already did. Custom GPT accelerates responses that humans already made. The 5 step is different. It doesn't accelerate anything that existed — constructs something that didn't exist. The living organizational memory of the company. The decisions recorded with the why. The versioned policy with trace. The audible cadence of learning from what you do.

This is not “more advanced AI”. It’s another category of thing. It’s organizational architecture — sustained by AI, but which would exist as a management concept Not even if the AI wasn't good enough to implement it. Today it's good enough. The two valid paths

And here's the part that changes everything about how you think about this step: it can be constructed like arrival point or as starting point.

Path A — arrival point: the company climbs the ladder step by step. At some point — usually between the third and fourth year using AI — someone realizes that the memory layer is missing. That each previous step is poor nte, but it doesn't accumulate.  That knowledge continues to escape out the front door when the critical talent leaves. Path B — starting point: the company understands the destiny from the beginning. Usually because the founder has already experienced, elsewhere, the pain of losing critical knowledge . Decides to build Step 5 on day one, and uses it as the spine that receives Steps 1, 2, 3, and 4 as each area enters.

Both paths are legitimate. The second saves two to three years of expensive learning — but requires a combination of technological maturity (understand clearly what AI can and what it still can't do well) and previous organizational implementation experience (have already conducted a similar structural transformation before, in any technological wave) that not every company has at the start. Knowing this choice is the first step to making it consciously.

What delivers, in three horizons

Unlike other steps — which deliver immediate and relatively clear gain — the Second Brain delivers in three horizons Knowing what gain to expect in which horizon is what avoids the frustration that kills implementations.

Short term (3 to 6 months) — immediate operational gain. New employee onboarding shortens from months to weeks because the context is available, not in the minds of the one who needs to be in the meeting. Meetings get shorter — no one needs to “remember” in their head the why From an old decision, the system shows.  Decision stays consistent because the rule is written and applied the same by everyone. Maria, hired as sales manager, joins on a Monday. Instead of six meetings to understand the history the main client of the house, consults the system. In half an hour you have the complete context: why this client is with the company for seven years, what is the pricing rule agreed upon, what exceptions have already been granted and why. When you sit down with him in the first meeting, you speak as someone who knows the relationship — because you know, even without having experienced it.

Medium term (6 to 24 months) — structural gain. Quotable Culture under pressure: In internal conflict, someone opens the original decision and undoes the debate. Brutal reduction in rework — the company stops repeating mistakes from two years ago. Real standardization: rule applied consistently, no depending on the mood of the manager. Succession with reduced risk: departure of critical talent doesn’t empty the company. 4 gain a context to work — they stop being generic tools and become extensions of the house.

Beginning of 2027. New team wants to give 20% discount to win big client. System shows the decision recorded one year earlier: “discounts above 15% require validation from the CFO. Reason: Three deals in 2025 with aggressive discounting lost margin for eighteen months.” Conflict that would last the whole meeting is resolved in a few minutes — based on a recorded decision, not on the opinion of who speaks loudest.

Long term (2 to 5 years or more) — nature gain. The company learns from its own history, and stops repeating the mistake of three years ago. Speed of organizational change: changing a policy propagates in days, not in months, with a trace of who did it, when, why.  Immunity to critical turnover: founder can leave without disrupting the business.  Culture as defensible architecture, not as folklore that only survives as long  auditable — relevant in M&A, in fundraising, in regulatory governance. Strategic decision time drops 50% to 70% because the context is ready available.

2031. Founder leaves the company after twenty years. Successor takes over with access to every registered strategic decision — why every important client is with us, what is the reason for each exception, what The old rule is still valid, which has become a legacy to revisit. 

Each line of this table is a concrete operational measure. Company that is on the right side is cheaper to operate, more resilient to exits, more valuable in transaction o, quicker in decision. Left side company pays again — in hours of meetings, in remade decisions, in valuation lost in due diligence.

The margin that goes from your company to big tech

One last point, perhaps the most important for those thinking AI from the side of financial risk and governance: company with Step 5 implemented transforms the relationship with any AI provider.

Today, anyone who becomes dependent on a single supplier faces the same pattern that we saw with ERP in the 2000s and with platforms of cloud in 2010: annual price increase without proportional adjustment of value, increasing exit costs, progressive capture of m appear through the platform.  It’s an old, known model — and that many companies have experienced in previous technological waves. ça, in AI, is the speed at which lock-in forms and the impact it has on critical business decisions.

Company with Step 5 breaks this pattern at the origin. The knowledge stays in company, in audible and exportable format. Swapping the underlying model — from Claude to GPT-5, from OpenAI to Anthropic, from vendor X to vendor Y — does not destroy n ada from what it was built.  The Second Brain is proprietary architecture of the house, powered by tools that come in and out over the years.

The practical result inverts the power relationship: the supplier starts to compete for your business, you do not compete to change suppliers. And the margin that today leaves your company, month after month, to big tech — starts to stay inside home, where it should always be.

Knowing the destination, however, is not the same as knowing how to get there. The next act — the last one of practical purpose before the closing — is the implementation plan. Three concrete paths to start Monday, in any of the real scenarios of a Brazilian company.

Implementation plan: three paths to start Monday

Knowing the map is one thing. Implementing it within the company is another. This penultimate act is the operational plan: three concrete paths, each suited to a type of company, with a real beginning and defined turning point.

Path A — Structured (top-down, with Board approval)

Path A is for company with formal governance — family company with active board, listed S/A, group with private equity y, multinational.  The starting point is a decision by the Council or Board, and the typical sequence is:

1. Management, HR and technology area conduct mapping of areas and maturity (using the matrix from Act 4).
2. Structured plan is drawn with horizon of 12 to 24 months.
3. Plan is presented to the Board with budget, KPIs and aligned cultural change plan.
4. Formal executive approval.
5. Implementation phased by area, with responsible person and calendar.
6. Monthly monitoring, quarterly adjustment, scaling according to result.

Time to first measurable result: 6 to 9 months. Cost: structural investment that varies a lot by size — typically from R$ 100 thousand to R$ 1 million in initial implementation, plus transformation consulting.

Where an external consultancy helps: structure the mapping, write the executive plan for the Council, model KPIs comparable to industry benchmarks, sustain the pace of implementation over the 12-24 months.

Path B — Educational (bottom-up via leaders)

Path B is for a company that wants to start before deciding everything at once — medium-sized company, startup with 30 to 500 employees, areas of innovation within large companies. The typical sequence is:

1. Management training on the map (this article is a reasonable start; it can be supplemented by structured workshop).
2. Each manager diagnoses its own area using the step × area matrix.
3. Pilots per area — fast, cheap, measurable in 30 to 90 days.
4. Cross-learning between areas (internal case presented to other areas).
5. Eventually, consolidates into organizational architecture (and migrates to Path A).

Time to first result: 30 to 90 days per area. Cost per initial pilot: typically between R$ 20 thousand and R$ 100 thousand, plus investment in leadership training.

Where an external consultancy helps: training management to understand the map in depth, designing low risk and high signal pilots, mentoring managers in driving adoption within each area.

Path C — Hybrid (recommended for most)

Path C combines the two previous two and is the one that makes the most sense for the majority of Brazilian companies between 50 and 5,000 employees. It starts with Path B (management training o and rapid pilots per area) and, when a critical mass of areas shows measurable result, migrates to Path A (formalizing the plan and presentation to the Council).

The decisive advantage is that the plan presented to the Council not theoretical: comes with real pilots, field data, documented lessons learned. Executive approval has low political risk, because there is already internal precedent rno. It is the most robust pathway in practice — it reduces approval risk, reduces implementation risk, and maintains momentum from the first month.

In any of the three paths: three non-negotiable guarantees

The three paths are distinct in as, but identical in that needs to be standing on any of them. Three non-negotiable guarantees. Failing in any one defeats the plan, in any way.

Warranty 1 — Internal sale as parallel track. In any path, the Act 3 internal sale layer runs in parallel to technical implementation — never in series afterwards. The three moves described there apply continually: positioning AI as amplifier, involving the team in configuration, showing off individual gain before organizational. Skipping this layer is the fastest path to silent sabotage destroying the ROI six months after the approved investment.

Warranty 2 — Clear Ownership: three defined roles. Without clarity of who owns what, the project dies in the first territorial dispute. Three roles must be defined from day one:

• Executive Sponsor — C-level that defends the budget, prioritizes, accounts for aggregate impact.
• Strategic Operator — manager or director who conducts the adoption in their own area, measures, adjusts on a day to day basis.
• Memory Curator — new, specific role of Step 5. Records decisions, keeps policy up-to-date, sustains the organizational memory alive over time.

In a small company, these roles can be fulfilled by one or two people. In a larger company, there are three distinct chairs — and the confusion among them is the main reason for institutional paralysis in AI projects.

Guarantee 3 — Security and LGPD addressed: three questions. For any Brazilian company, three questions must be answered before adopting any of the five steps:

1. Where will the data end up? Provider, geographic region, encryption in transit and at rest.
2. Who has access? Audible logs, segregation by function, output and copy control.
3. How do we fulfill LGPD requests? Right of revocation, portability, forgetfulness.

The ANPD has published specific guidelines on the use of AI with personal data — it's worth following. For Step 5, this point is especially critical: organizational memory can include sensitive data and the enterprise is responsible for controlling what is inside it. Compliance is not a technical detail — it is part of the architectural design from the first stroke.

Where OPEX comes in

If your company wants practical help to conduct this journey in any of the three paths, a OPEX Consultoria  

The map and the manifesto

This article is the map — describes how it works, what step each area of your business is on today, what changes when you move up, how to start Monday on any of the three paths.

The question it doesn't answer is the most important: why this architecture matters in the long term, beyond the immediate operational gain. Why organizational memory is not “advanced tool” — it is the only way for a company to learn from its own history in an era where everything accelerates. Why without it a, AI disappoints.  Because with it, culture stops being folklore and becomes defensible architecture, quotable under pressure, transmissible between generations of leadership.

This question is the basis of everything that is described here. And it has an answer in a sister piece that I wrote a few months before this article: o manifest Memory before Intelligence. Seven acts, seven thousand words, one thesis — memory before intelligence, that's the order. The manifesto develops in depth why this order is the only one that works in any company, in any sector, of any size.

If you want:

• Understand the practical map and use with your team — this article is the piece. It can be a starting point for internal discussion with the board or for workshop with area managers.
• Understand the philosophical why of all this — the manifest Memory before Intelligence develops the background thesis, in seven acts with cases and field proof.
• Practical support for your business at any part of the journey — a OPEX Consultoria operates on three fronts: strategic advice of adoption (planning, area mapping, plan for Council), organizational memory architecture (deployment of Step 5 customized for your industry and size), and management training (empowering leaders to drive adoption in their areas, without having to become AI engineers).

The CEO's question from the opening — “have we finally entered the age of AI?” — had a longer answer than he wanted to hear at that meeting. I hope that you, now, have the vocabulary, the map and the roadmap to answer this same question in your company, in your area, in your next move.

Memory before intelligence. That's the order — and that's the piece that shows the map of how to get there, area by area.

Ricardo Segura is founder of OPEX Consultoria. Manifesto “Memory before Intelligence” v1 published in May 2026. Professional contact via LinkedIn.