Google et l'Open Knowledge Format : une mémoire IA unifiée

Google révolutionne la mémoire d'entreprise avec l'Open Knowledge Format

Google a récemment introduit un nouveau standard ouvert, l'Open Knowledge Format (OKF), qui vise à structurer les connaissances internes des entreprises sous forme de fichiers Markdown. Ces fichiers sont conçus pour être facilement lisibles par tous les agents d'intelligence artificielle (IA). L'objectif est de fournir un cadre unifié permettant aux IA de mieux comprendre et utiliser les informations spécifiques à chaque entreprise. Voici un guide en quatre étapes pour adopter ce format.

Dans de nombreuses entreprises, les agents IA doivent accéder à des connaissances internes pour répondre efficacement à des questions spécifiques au métier. Par exemple, un agent IA pourrait être chargé d'expliquer les conditions de remboursement d'une entreprise à un client, en utilisant des informations précises plutôt que des réponses génériques.

Cependant, ces connaissances sont souvent éparpillées dans divers formats et sources, tels que des catalogues de métadonnées, des wikis ou du code. Les agents IA doivent naviguer à travers des systèmes qui ne sont pas toujours compatibles entre eux, chaque fournisseur ayant son propre format.

Pour résoudre ce problème, Google a annoncé le 12 juin 2026 le lancement de l'Open Knowledge Format (OKF). Ce standard ouvert permet de représenter les connaissances d'une organisation dans un format commun, accessible à tous les agents. Les informations sont stockées dans des fichiers texte simples (Markdown), qui peuvent être lus par n'importe quel éditeur et indexés par n'importe quel outil de recherche.

Chaque fichier commence par un bloc de métadonnées en YAML, délimité par trois tirets (---). Ce bloc contient des informations structurées qui définissent des propriétés sur le contenu qui suit. Les métadonnées incluent obligatoirement le type, et peuvent également inclure le titre, la description, la ressource, les tags, et l'horodatage. Le corps du fichier en Markdown suit immédiatement après la fermeture du bloc YAML. Le format de sérialisation des données est conçu pour être facilement lisible par les humains tout en étant exploitable par les machines. Voici un exemple de métadonnées :

type: BigQuery Table
description: One row per completed customer order.
resource: https://console.cloud.google.com/bigquery?p=acme&d=sales&t=orders
tags: [sales, revenue]
timestamp: 2026-05-28T14:30:00Z

Il existe également quelques règles communes simples concernant le naming des fichiers, la structure des métadonnées, et la manière de créer des liens entre les pages. L'ensemble de ces fichiers est regroupé dans un dossier de fichiers Markdown, appelé bundle OKF. Chaque fichier représente un concept, tel que des tables, des jeux de données, des métriques, ou des playbooks. Le chemin d'accès sert d'identifiant unique.

Voici un exemple de bundle OKF :

│   ├── index.md
│   └── orders_db.md
│   ├── index.md
│   ├── orders.md
│   └── customers.md
└── weekly_active_users.md

L'OKF présente un avantage significatif par rapport au RAG (Retrieval-Augmented Generation). Alors que le RAG traite les données comme un texte à découper mécaniquement, l'OKF gère les données comme une bibliothèque bien organisée. Il propose des dossiers clairs, des étiquettes, et des liens entre les sujets, permettant à l'IA de "comprendre" mieux les informations, car elles sont déjà organisées, plutôt que de traiter du texte brut découpé au hasard.

Exemple pour regrouper les données

Pour illustrer l'utilisation de l'OKF, prenons l'exemple d'une PME cherchant à centraliser ses connaissances.

Étape 1 : préparation du "Bundle" de connaissances

La première étape consiste à créer un "bundle" de connaissances, un environnement qui accueillera les données. Pour ce faire, nous créons un nouveau dossier sur notre ordinateur, nommé connaissances-pme/. À l'intérieur de ce dossier, nous créons un fichier texte nommé okf.yaml. Ce fichier servira de "carte d'identité" pour notre catalogue global. Il est important de noter que .yaml et .yml sont deux extensions valides pour le format YAML (Yet Another Markup Language). Voici un exemple de ce que pourrait contenir ce fichier :

name: "Bundle de Test PME - OKF"
description: "Exemple de structure de connaissances pour tester l'interopérabilité avec les agents IA."
maintainer: "Service Client - PME Exemple"
last_updated: "2026-07-02"
tags: ["test", "tutoriel", "e-commerce"]

Étape 2 : organisation par domaines

Le dossier racine est ensuite divisé en sous-dossiers thématiques, chacun correspondant à un domaine métier. Cette structure permet à l'IA de localiser l'information pertinente en fonction du type de question posée. Par exemple, nous pourrions avoir les sous-dossiers suivants :

• processus/ contient le fichier gestion-retours.md.
• produits/ comporte le fichier aspirateur-z500.md.
• culture/ aborde les valeurs et la vision de l'entreprise, avec le fichier valeurs.md.

Étape 3 : conversion des documents en Markdown

Chaque document, qu'il s'agisse de procédures, de fiches produits ou de notes, est converti en un fichier .md avec un en-tête YAML en haut. Cet en-tête est délimité par --- . Voici un exemple avec le fichier produits/aspirateur-z500.md :

title: "Fiche Technique : Aspirateur Z500"
author: "Équipe Produit"
category: "Électroménager"
tags: ["aspirateur","technique","z500"]
status: "commercialisé"

Aspirateur Robot Z500 - Spécifications

Le Z500 est notre modèle phare pour le nettoyage autonome des surfaces dures et tapis.

Caractéristiques Techniques

• Puissance d'aspiration : 4000 Pa.
• Autonomie : 150 minutes.
• Capacité du bac : 600 ml.
• Connectivité : Wi-Fi 2.4 GHz, compatible Alexa et Google Home.
• Vider le bac après chaque cycle.
• Nettoyer les brosses latérales une fois par semaine.
• Remplacer le filtre HEPA tous les 6 mois.

Étape 4 : tester avec un agent IA

Nous vérifions que chaque fichier .md possède bien son en-tête YAML, incluant le champ type, et que le fichier okf.yaml est présent à la racine. Ensuite, nous compressons le dossier en un fichier .zip et l'importons dans une conversation avec une IA (Claude, ChatGPT, Gemini, etc.). Nous posons alors une question précise, telle que :

"En te basant sur mon bundle OKF, explique-moi les conditions de retour d'un aspirateur Z500 pour un client non-Premium."

L'IA utilise le fichier okf.yaml pour comprendre le contexte global et croise cette information avec les en-têtes YAML des fichiers processus/gestion-retours.md et produits/aspirateur-z500.md. Elle fournit ainsi une réponse précise, sans avoir besoin de deviner le contexte.

Structurer les fichiers Markdown et métadonnées YAML dans un dossier compressé

De manière générale, pour déployer l'OKF, il est nécessaire de créer un dossier racine qui servira de point central. À la racine, on place un fichier okf.yaml qui décrit le contenu global. Chaque document doit débuter par un bloc de métadonnées YAML pour être interrogeable par l'IA.

Pour une mise en œuvre rapide, il est conseillé d'identifier les connaissances critiques, telles que les schémas de données, les procédures, et les fiches produits. Transformez vos documents (Word, PDF, Excel) en fichiers texte Markdown (.md). Rangez-les dans une arborescence logique, où le chemin d'accès sert d'identifiant unique. Compressez ensuite le dossier en .zip pour l'importer dans vos outils d'IA (ChatGPT, Claude, etc.) ou connectez-le à votre agent interne.