Google Cloud ha presentado Open Knowledge Format, una especificación abierta que intenta ordenar uno de los problemas más repetidos en los proyectos con agentes de Inteligencia Artificial: el contexto. Los modelos pueden escribir código, resumir documentos, consultar datos o ayudar en tareas de operación, pero su utilidad baja mucho cuando no saben cómo se organiza el conocimiento real de una empresa, un proyecto o un equipo.
La propuesta, publicada el 12/06/2026 por el equipo de Data Cloud de Google Cloud, no llega como una nueva plataforma cerrada ni como otro servicio SaaS para documentarlo todo. OKF plantea algo bastante más sencillo: representar conocimiento en una carpeta de archivos Markdown con metadatos YAML, enlaces internos, índices opcionales y registros de cambios. Una wiki viva, legible por humanos y manejable por agentes.
Una especificación pequeña para un problema grande
El punto de partida de OKF es fácil de reconocer para cualquier equipo técnico. La información importante suele estar repartida en demasiados sitios: wikis internas, comentarios de código, notebooks, catálogos de datos, hojas de cálculo, documentos de producto, runbooks, tickets antiguos o directamente en la cabeza de dos o tres personas veteranas.
Cuando un agente necesita responder a una pregunta práctica, como “cómo se calcula el usuario activo semanal”, “qué tabla contiene los pedidos válidos”, “qué API está deprecada” o “qué pasos seguimos ante una alerta de frescura de datos”, tiene que reconstruir el contexto desde fuentes dispersas y con formatos incompatibles. Cada herramienta tiene su API, su forma de exportar, su estructura interna y sus permisos.
OKF intenta ofrecer un contrato común. No define una taxonomía rígida ni obliga a usar una base de datos concreta. Tampoco pretende sustituir formatos especializados como Avro, Protobuf u OpenAPI. Su idea es más modesta y, por eso mismo, interesante: que cualquier sistema pueda producir o consumir una base de conocimiento mínima, portable y entendible.
En la práctica, un “bundle” OKF es un directorio de archivos Markdown. Cada archivo representa un concepto: una tabla, un dataset, una métrica, un playbook, un endpoint, una referencia técnica, un proceso de negocio o cualquier unidad de conocimiento que merezca existir por separado. El identificador del concepto es su ruta dentro del directorio, sin necesidad de un registro central.
Cada documento incluye un bloque de YAML frontmatter al principio. El único campo obligatorio es type, que indica el tipo de concepto. Otros campos recomendados son title, description, resource, tags y timestamp. El cuerpo del archivo queda en Markdown estándar, con secciones como esquema, ejemplos, citas o notas operativas cuando resulten útiles.
| Elemento de OKF | Función |
|---|---|
| Archivo Markdown | Representa un concepto individual |
| YAML frontmatter | Guarda metadatos consultables por agentes y herramientas |
Campo type | Identifica la clase de conocimiento descrito |
index.md | Permite navegar por una carpeta sin abrir todos los documentos |
log.md | Registra cambios cronológicos |
| Enlaces Markdown | Conectan conceptos entre sí |
# Citations | Recoge fuentes externas que respaldan afirmaciones |
La elección de Markdown no es casual. Es un formato que se puede leer en cualquier editor, versionar con Git, revisar en pull requests, renderizar en GitHub y procesar con herramientas sencillas. Para los agentes, además, evita una capa de traducción innecesaria: el mismo archivo que lee una persona puede ser leído por un modelo.
Por qué puede interesar a desarrolladores y sysadmins
La parte más atractiva de OKF no está solo en los catálogos de datos, aunque Google lo presente desde ese entorno. Su utilidad puede extenderse a muchos flujos de trabajo donde la Inteligencia Artificial necesita contexto fiable y persistente.
Un equipo de desarrollo podría mantener una carpeta OKF con decisiones de arquitectura, convenciones de código, dependencias críticas, endpoints internos, módulos heredados y patrones de despliegue. Un administrador de sistemas podría usarlo para documentar runbooks, alertas, procedimientos de recuperación, inventario de servicios, reglas de firewall, configuraciones sensibles o relaciones entre componentes de infraestructura.
Para agentes como Claude Code, Gemini, Cursor u otros asistentes orientados al desarrollo, el valor está en que la documentación no sea solo texto para humanos, sino una base navegable. Un agente podría leer el index.md de un proyecto, descubrir qué conceptos existen, abrir el playbook adecuado, seguir enlaces hacia una tabla, una API o una métrica, y proponer cambios con más contexto.
Esto conecta con una tendencia que se está acelerando: los equipos ya no quieren que los agentes busquen una y otra vez en los mismos documentos, sino que trabajen sobre una memoria compartida y mantenida como código. El conocimiento deja de ser una colección informal de notas y empieza a comportarse como un repositorio versionado.
OKF no elimina la necesidad de una buena documentación. Tampoco garantiza que el conocimiento sea correcto. Lo que aporta es una forma común de empaquetarlo. Eso puede parecer poco, pero en sistemas técnicos la portabilidad importa. Si una wiki, un catálogo de datos o un agente exportan conocimiento en un formato común, otro agente o herramienta puede consumirlo sin empezar desde cero.
Un ejemplo sencillo ayuda a entenderlo. Una empresa puede tener una métrica llamada “ingresos netos recurrentes”. El cálculo puede depender de varias tablas, exclusiones, reglas de negocio y decisiones históricas. En OKF, esa métrica podría tener su propio archivo Markdown con descripción, etiquetas, referencias a tablas, ejemplos SQL, citas internas y enlaces a conceptos relacionados. Un agente que necesite crear un informe o modificar una consulta no tendría que adivinar la definición ni depender de una búsqueda vaga.
No es Notion ni Obsidian, aunque se parece
La comparación con Notion u Obsidian es inevitable. OKF usa Markdown, enlaces y una estructura de wiki que recuerda a las bases de conocimiento personales. También encaja con patrones que ya se están usando en repositorios para agentes, como archivos AGENTS.md, CLAUDE.md, index.md, logs de decisiones o carpetas de notas que los asistentes leen antes de tocar el código.
Pero conviene no exagerar. OKF no es una aplicación de notas, no ofrece interfaz visual completa, permisos avanzados, sincronización, edición colaborativa en tiempo real, bases de datos con vistas, plantillas ricas ni experiencia de usuario final. Es una especificación. Su fuerza no está en competir directamente con Notion u Obsidian como producto, sino en definir unas reglas mínimas para que ese tipo de conocimiento pueda moverse entre herramientas.
En ese sentido, puede complementar a esas plataformas más que sustituirlas. Un equipo podría exportar parte de su documentación a OKF, generar bundles desde un catálogo de datos, crear una vista HTML estática, montar un buscador interno o permitir que un agente actualice documentos concretos bajo control de Git. La interfaz puede cambiar; el formato permanece.
Google también ha publicado implementaciones de referencia para hacer tangible la propuesta. Entre ellas hay un agente de enriquecimiento que recorre datasets de BigQuery y genera documentos OKF para tablas y vistas, una herramienta de visualización HTML estática que convierte un bundle en un grafo interactivo y varios bundles de ejemplo basados en conjuntos de datos públicos como GA4 e-commerce, Stack Overflow y Bitcoin.
Ese enfoque es razonable. Google no está diciendo que todo el mundo tenga que usar su visualizador o su agente. Lo relevante es que el formato pueda producirse y consumirse de muchas formas. Un script interno, una herramienta de documentación, un pipeline de CI, un agente de IA o una exportación desde un catálogo podrían hablar el mismo idioma básico.
La especificación v0.1 también es deliberadamente permisiva. Los consumidores deben tolerar tipos desconocidos, campos adicionales, enlaces rotos o índices ausentes. Este detalle es importante porque las bases de conocimiento reales son imperfectas. Si un formato para agentes se rompe ante cualquier documento incompleto, no servirá para equipos que evolucionan rápido.
Open Knowledge Format llega en un momento en el que la discusión sobre agentes de IA está cambiando. Durante meses, la atención se ha centrado en modelos, ventanas de contexto, herramientas y benchmarks. Pero en entornos reales el cuello de botella suele ser otro: cómo dar al agente conocimiento fiable, actualizado y verificable sin encerrarlo en una plataforma concreta.
OKF no resuelve todo el problema, pero apunta a una pieza necesaria. Igual que el código ganó mucho cuando empezó a tratarse con control de versiones, revisiones y formatos comunes, el conocimiento operativo de una organización puede beneficiarse de vivir en archivos pequeños, enlazados, auditables y fáciles de mover.
Para desarrolladores, administradores de sistemas y equipos de datos, la idea merece atención. No porque Google haya inventado Markdown con YAML, sino porque intenta convertir un patrón disperso en una convención compartida. Si los agentes van a trabajar cada vez más dentro de nuestros repositorios, necesitarán algo parecido a una memoria de proyecto. OKF puede ser una forma sencilla de empezar a construirla.
Preguntas frecuentes
¿Qué es Open Knowledge Format?
Open Knowledge Format es una especificación abierta propuesta por Google Cloud para representar conocimiento en carpetas de archivos Markdown con metadatos YAML. Está pensada para que personas y agentes de Inteligencia Artificial puedan leer, escribir e intercambiar contexto.
¿OKF sustituye a Notion u Obsidian?
No necesariamente. Se parece en el uso de Markdown, enlaces y estructura de wiki, pero no es una aplicación de notas. OKF es un formato, no una plataforma. Puede complementar herramientas como Notion, Obsidian, GitHub o catálogos de datos.
¿Qué información puede guardarse en OKF?
Puede documentar tablas, datasets, métricas, APIs, runbooks, playbooks, decisiones técnicas, procesos internos o referencias de proyecto. Cada concepto vive en un archivo Markdown con metadatos y contenido estructurado.
¿Por qué puede ser útil para agentes de IA?
Porque ofrece una forma sencilla y portable de dar contexto a los agentes. En lugar de buscar en documentos dispersos, un agente puede recorrer índices, abrir conceptos relacionados y trabajar con conocimiento versionado y enlazado.
vía: SPEC.md
