OKF: el formato abierto que redefine las bases de conocimiento para agentes IA

Introducción

En junio de 2026, Google presentó el Open Knowledge Format (OKF), una especificación abierta diseñada para cómo los agentes de IA organizan e intercambian conocimiento. OKF no es una nueva base de datos ni un SDK; es un formato ligero: archivos Markdown, metadatos YAML sencillos y enlaces explícitos entre conceptos.

Para organizaciones en Latinoamérica que ya manejan documentación en texto y flujos de trabajo en Git, OKF propone aprovechar esas prácticas para construir bases de conocimiento versionables y navegables, en lugar de depender únicamente de embeddings y bases de datos vectoriales.

Por qué los pipelines tradicionales RAG tienen limitaciones

Retrieval-Augmented Generation (RAG) se volvió la técnica estándar para dar contexto externo a modelos de lenguaje: en tiempo de inferencia se recuperan fragmentos relevantes desde colecciones externas usando embeddings. Esto funciona excelente cuando hay millones de documentos no estructurados, como PDFs, artículos o tickets históricos.

Sin embargo, RAG exige fragmentar documentos en “chunks” antes de indexarlos. Ese proceso, aunque mejora la eficiencia de búsqueda, puede romper la estructura lógica original de un documento. Relaciones y conexiones naturales entre secciones pasan a estar dispersas en trozos independientes, y el modelo debe reconstruir esas relaciones en cada consulta.

Considérese un protocolo hospitalario con su política de admisión, requisitos, registro en el sistema EHR y reglas de asignación de camas. Al dividirlo en fragmentos separados, la relación entre triage, registro y asignación de camas se pierde visualmente en la base vectorial: se recuperan piezas, pero no el mapa de relaciones.

Para conocimientos organizacionales curados—políticas, procedimientos, APIs, runbooks—ese mapa de relaciones es esencial. Reconstruirlo en cada consulta añade complejidad innecesaria; ahí es donde OKF propone una alternativa.

¿Qué es el Open Knowledge Format (OKF)?

La idea de OKF se inspira en un concepto anterior: a comienzos de 2026, Andrej Karpathy propuso la noción de una “LLM Wiki”: una base de conocimiento curada que los agentes pueden leer, actualizar y mejorar continuamente. Su analogía fue clara: Obsidian es el IDE; el LLM es el programador; la wiki es el codebase.

Google formalizó esta idea como una especificación abierta. OKF define cómo almacenar conocimiento como archivos Markdown sencillos, cada uno representando un concepto (una política, un procedimiento, un API, una métrica), con metadatos ligeros en YAML y enlaces entre conceptos mediante el estándar de Markdown.

Al preservar explícitamente las relaciones entre conceptos, OKF permite que un agente recorra la base siguiendo vínculos en lugar de depender exclusivamente de la similitud semántica de embeddings.

Estructura de un bundle OKF

En su forma más simple, un bundle OKF es un directorio con archivos Markdown. Cada archivo contiene:

• Metadatos YAML ligeros al inicio (identificadores, etiquetas mínimas, tal vez versión).
• Contenido en Markdown que describe el concepto de forma clara y estructurada.
• Enlaces Markdown a otros conceptos relacionados.

Porque todo es texto plano, el bundle encaja en flujos de trabajo existentes: puede almacenarse en Git, revisarse con pull requests, auditarse por cambios y buscarse con herramientas estándar.

Ejemplo ilustrativo: cómo RAG rompe relaciones (resumen)

Imagine un protocolo de admisión de pacientes: requisitos de admisión, proceso de triage, registro en el EHR y criterios de asignación de camas. Un pipeline RAG típico lo dividirá en varios fragmentos antes de indexarlo. Si un clínico pregunta “¿Cuál es el proceso de admisión?”, la base vectorial puede devolver los fragmentos que parecen relevantes, pero las conexiones lógicas entre triage, registro y asignación de camas no vienen explícitas: el modelo debe recomponer la narrativa.

Con OKF, cada uno de esos conceptos sería un documento conectado por enlaces: “Política de admisión” enlaza con “Triage inicial”, “Registro EHR” y “Asignación de camas”. Un agente puede seguir esos vínculos y aprovechar la estructura explícita.

Cómo recorren los agentes IA un bundle OKF

Los agentes diseñados para OKF no dependen de una sola búsqueda por similitud semántica; leen documentos, siguen enlaces y actualizan contenidos. En la práctica, un agente puede:

• Cargar el concept principal (por ejemplo, la política que el usuario consultó).
• Leer bloques vinculados directamente y evaluar cuáles son relevantes para la tarea.
• Actualizar resúmenes, crear nuevas conexiones o proponer cambios que se versionan en Git.

Ese patrón reduce la necesidad de reconstruir relaciones desde fragmentos y facilita trazabilidad: los agentes pueden documentar por qué siguieron ciertos enlaces o realizaron cambios.

Dónde OKF tiene ventaja

OKF brilla cuando el conocimiento es curado y tiene una estructura inherente: políticas internas, runbooks operativos, esquemas de datos, documentación API, métricas de negocio y playbooks de incidentes. Sus principales beneficios son:

• Relacionamiento explícito entre conceptos.
• Fácil integración con control de versiones y procesos de revisión.
• Lectura y edición continua por parte de agentes, manteniendo la base actualizada.
• Menor dependencia de infraestructuras de vectores para dar coherencia a la información.

Para muchas empresas latinoamericanas que ya usan Git y flujos de documentación en texto, OKF ofrece un camino pragmático para evolucionar hacia agentes IA sin desplegar inmediatamente infraestructura de bases vectoriales.

Dónde RAG sigue siendo imprescindible

RAG sigue siendo la mejor herramienta para buscar y recuperar información de grandes colecciones no estructuradas o semi-estructuradas: PDFs, artículos científicos, registros históricos, bases de tickets o repositorios de soporte al cliente con miles o millones de documentos. Cuando la escala y la variedad predominan, los embeddings y la búsqueda vectorial mantienen su ventaja.

Arquitectura híbrida: combinar OKF y RAG

No se trata de elegir uno u otro. Las organizaciones pueden combinar OKF y RAG: mantener un bundle OKF para conocimiento curado y relaciones explícitas, y usar un índice vectorial para colecciones grandes y menos estructuradas. Un agente puede primero consultar el OKF para conocer políticas y enlaces clave, y luego recurrir a RAG para extraer evidencia puntual de documentos externos.

Recomendaciones prácticas para adopción (en Latinoamérica)

• Empiecen por lo crítico: conviertan políticas, runbooks y APIs en conceptos OKF para validar beneficios.
• Mantengan metadatos YAML mínimos: identificador, etiquetas y versión.
• Integren bundles OKF en repositorios Git existentes para revisiones y auditoría.
• Diseñen agentes que prioricen la lectura de enlaces y la escritura controlada (pull requests) en lugar de cambios directos sin trazabilidad.

Las organizaciones con marcos regulatorios estrictos o necesidades de auditoría encontrarán especialmente valioso el historial y la trazabilidad que ofrece una base en texto plano bajo control de versiones.

Conclusión

OKF no reemplaza a RAG, pero plantea una alternativa poderosa para los casos donde las relaciones entre conceptos importan tanto como el contenido mismo. Al estandarizar el conocimiento como Markdown enlazado con metadatos YAML, OKF permite que los agentes IA lean, recorran y mantengan una base de conocimiento coherente y versionable. Para empresas en Latinoamérica que ya trabajan con Git y documentación en texto, OKF es una opción práctica para avanzar hacia agentes más confiables y gobernables.

Preguntas frecuentes (breve)

• ¿OKF elimina la necesidad de vectores? No necesariamente; reduce la dependencia para conocimiento curado, pero RAG sigue útil para colecciones extensas.
• ¿Es compatible con flujos de Git? Sí: el diseño en texto plano facilita control de versiones, PRs y revisiones.
• ¿Qué tipo de documentos son mejores para OKF? Políticas internas, runbooks, esquemas de datos, APIs y cualquier contenido que tenga relaciones explícitas.

Adoptar OKF implica más que tecnología: es una forma de pensar el conocimiento organizacional como una red explícita que los agentes pueden entender y mejorar.