Google Cloud heeft een nieuwe open speci­fi­catie geïn­tro­du­ceerd die een hard­nekkig probleem bij AI-agents ofwel AI-agenten moet oplossen: ze kunnen steeds meer, maar weten vaak nog te weinig over de speci­fieke context waarin ze hun werk moeten doen. OKF isbe­doeld als een nieuwe manier om kennis zo te struc­tu­reren dat AI-agents er direct mee kunnen werken. De kern is opval­lend eenvoudig: geen nieuw plat­form, geen zware data­base en geen gesloten kennis­laag, maar gewone Mark­down-bestanden met een klein beetje gestruc­tu­reerde meta­data.

Dat klinkt misschien bescheiden, maar juist die eenvoud maakt OKF inte­res­sant. Veel orga­ni­sa­ties expe­ri­men­teren op dit moment met agentic AI: systemen die niet alleen antwoorden geven, maar ook taken uitvoeren, data analy­seren, code aanpassen of bedrijfs­pro­cessen onder­steunen. Daarbij lopen ontwik­ke­laars steeds tegen hetzelfde probleem aan. De infor­matie die zo’n agent nodig heeft, zit verspreid over dataca­ta­logi, wiki’s, gedeelde mappen, code­com­men­taar, runbooks, note­books en soms gewoon in het hoofd van een ervaren mede­werker. Een AI-agent kan pas goed werk leveren als hij weet wat een tabel bete­kent, hoe een KPI wordt bere­kend, welke API verou­derd is of welke stappen horen bij een inci­dent­pro­ce­dure.

Context-assembly-probleem

Google noemt dit het context-assembly-probleem. Een model kan tech­nisch gezien een dataset analy­seren, maar zonder kennis van defi­ni­ties, uitzon­de­ringen, afhan­ke­lijk­heden en interne afspraken blijft het resul­taat kwets­baar. Zeker in zake­lijke omge­vingen is dat een belang­rijk punt. Een AI-agent die een vraag krijgt over bijvoor­beeld “weke­lijkse actieve gebrui­kers” moet niet alleen kolommen kunnen vinden, maar ook weten welke events meetellen, welke gebrui­kers uitge­sloten moeten worden en welke interne defi­nitie het bedrijf hanteert. Zonder die context is de kans groot dat de agent een plau­sibel, maar verkeerd antwoord geeft.

Open Know­ledge Format, afge­kort OKF, probeert dit niet op te lossen met weer een nieuwe dienst. Het is nadruk­ke­lijk bedoeld als formaat. Een OKF-bundel bestaat uit een map met Mark­down-bestanden. Elk bestand beschrijft één concept: een dataset, tabel, metric, API, play­book, runbook of een ander stuk kennis dat rele­vant is voor mens en machine. Bovenaan zo’n bestand staat YAML-front­matter met velden als type, title, descrip­tion, resource, tags en time­stamp. Daar­onder volgt gewone tekst in Mark­down. Volgens Google Cloud is OKF v0.1 bewust mini­maal gehouden: het formaat moet lees­baar blijven voor mensen, maar tege­lijk voor­spel­baar genoeg zijn voor AI-agenten en tooling.

Daarmee sluit OKF aan op een ontwik­ke­ling die de laatste tijd al breder zicht­baar is. Ontwik­kel­teams leggen steeds vaker project­kennis vast in Mark­down-bestanden die door coding agents kunnen worden gelezen. Denk aan bestanden als CLAUDE​.md, AGENTS​.md of interne projectwiki’s in Git. Ook tools als Obsi­dian en Notion hebben laten zien dat veel kennis prima in lees­bare docu­menten kan worden beheerd. Het probleem is alleen dat al die aanpakken net anders werken. De ene agent verwacht deze struc­tuur, de andere tool weer een andere. OKF probeert daar een gemeen­schap­pe­lijke laag onder te leggen.

Het idee is dus niet dat alle bedrijfs­kennis voortaan in één Google-systeem moet worden gestopt. Inte­gen­deel: Google presen­teert OKF als vendor-neutraal en over­draag­baar. Omdat het om bestanden gaat, kunnen OKF-bundels in een Git-repo­si­tory staan, als tarball worden gedeeld of op een gewoon bestands­sys­teem worden gemount. Omdat het Mark­down is, kunnen ontwik­ke­laars, data engi­neers en busi­ness­ge­brui­kers de inhoud lezen zonder speciale soft­ware. En omdat de meta­data voor­spel­baar is, kunnen AI-agents, zoekin­dexen, visu­a­li­sa­ties en cata­logi dezelfde bundel gebruiken zonder dat er telkens een nieuwe inte­gratie nodig is.

Voor data­teams is vooral de koppe­ling met meta­data inte­res­sant. Google geeft zelf voor­beelden rond BigQuery, waarbij een agent een dataset door­loopt en voor tabellen en views OKF-docu­menten aanmaakt. Daarna kan een tweede LLM-stap de beschrij­vingen verrijken met schema’s, join­paden, verwij­zingen naar docu­men­tatie en andere context. Ook publi­ceerde Google voor­beeld­bun­dels en een stati­sche HTML-visu­a­lizer die van een OKF-bundel een grafi­sche weer­gave kan maken. Dat zijn volgens Google vooral refe­rentie-imple­men­ta­ties: voor­beelden van hoe het kan, niet de verplichte manier waarop het moet.

Timing

De timing is logisch. AI-agents verschuiven van demo’s naar prak­ti­scher gebruik binnen orga­ni­sa­ties. Daarmee wordt ook duide­lijker waar de beper­kingen zitten. Foun­da­tion models worden krach­tiger, maar ze kennen de interne werke­lijk­heid van een orga­ni­satie niet vanzelf. Retrieval-augmented gene­ra­tion, of RAG, helpt om docu­menten door­zoek­baar te maken, maar lost niet auto­ma­tisch op hoe kennis moet groeien, onder­houden, gekop­peld en herge­bruikt worden. OKF posi­ti­o­neert zich precies in dat gat: niet als vervanger van RAG, dataca­ta­logi of agent­fra­me­works, maar als een eenvou­dige manier om kennis zó vast te leggen dat meer­dere systemen ermee uit de voeten kunnen.

Voor CIO’s en IT-mana­gers is vooral de gover­nance-kant rele­vant. Als AI-agenten in bedrijfs­pro­cessen worden ingezet, moet duide­lijk zijn op basis van welke kennis ze handelen. Een los prompt­do­cu­ment of een verza­me­ling wille­keu­rige exports is dan kwets­baar. Een bestand­struc­tuur in Git biedt versie­be­heer, revie­w­pro­cessen en traceer­baar­heid. Kennis kan worden aange­past via dezelfde werk­wijzen die ontwik­kel­teams al kennen: pull requests, commits, chan­ge­logs en auto­ma­ti­sche vali­datie. Dat maakt OKF niet auto­ma­tisch veilig of fout­loos, maar het biedt wel een prak­ti­scher basis dan losse context die telkens opnieuw in prompts wordt geplakt.

Tege­lijk is OKF nog vroeg. Google spreekt zelf over versie 0.1 en bena­drukt dat het formaat moet meegroeien met prak­tijk­er­va­ring. Dat bete­kent dat orga­ni­sa­ties het voor­lopig vooral moeten zien als een expe­ri­men­tele stan­daard met potentie, niet als een volwassen indu­strie­norm. Er zijn nog vragen genoeg: welke typen worden gang­baar, hoe voorkom je verou­derde kennis, wie is eige­naar van de inhoud, hoe koppel je toegang en secu­rity aan zulke bundels, en hoe zorg je dat agents niet alleen lezen wat er staat, maar ook begrijpen wanneer infor­matie niet meer betrouw­baar is?

Toch is de rich­ting duide­lijk. De volgende fase van AI draait niet alleen om grotere modellen, maar ook om betere kennis­struc­turen rond die modellen. Een agent die taken uitvoert binnen een orga­ni­satie heeft niet genoeg aan alge­mene wereld­kennis. Hij heeft bedrijfs­con­text nodig die actueel, contro­leer­baar en over­draag­baar is. OKF is daarom inte­res­sant omdat het een nuch­tere oplos­sing kiest voor een complex probleem. Geen magi­sche nieuwe AI-laag, maar bestanden, meta­data en links.

Juist daar­door kan Open Know­ledge Format belang­rijk worden. Als AI-agenten straks tussen tools, clouds en orga­ni­sa­ties moeten samen­werken, dan moeten zij niet alleen acties kunnen uitvoeren, maar ook kennis op een begrij­pe­lijke manier kunnen uitwis­selen. OKF is een eerste poging om daar een gemeen­schap­pe­lijke taal voor te maken. Niet spec­ta­cu­lair in vorm, maar moge­lijk wel belang­rijk voor de vraag of agentic AI in bedrijven betrouw­baar genoeg wordt voor serieus gebruik.