Il panorama digitale sta subendo una trasformazione silenziosa ma epocale. Per oltre due decenni, l'ottimizzazione per i motori di ricerca (SEO) è stata dominata da un unico, semplice paradigma: ottimizzare le pagine web per gli occhi umani, indicizzarle tramite web crawler e strutturare i dati utilizzando complessi markup schema affinché le macchine potessero comprendere le entità di base. Ma con il passaggio dall'era dei motori di ricerca all'era degli agenti di intelligenza artificiale autonomi, questo paradigma si sta rapidamente sgretolando.
Oggi le aziende si trovano ad affrontare un grave "deficit di contesto". Sebbene i modelli linguistici complessi (LLM) possano scrivere codice elegante, redigere documenti o analizzare enormi set di dati, rimangono fondamentalmente limitati dalla mancanza di un contesto aziendale strutturato, aggiornato e proprietario. Questa conoscenza, che spazia dagli schemi di database e dalle metriche aziendali personalizzate ai manuali interni e alle intuizioni non scritte degli ingegneri senior, è frammentata in wiki isolati, unità condivise, presentazioni e registri di chat.
Per colmare questo divario, Google Cloud ha recentemente introdotto l'Open Knowledge Format (OKF) v0.1, una specifica aperta e indipendente dal fornitore, progettata per rappresentare la conoscenza organizzativa come un "cervello digitale" interoperabile. Formalizzando quello che è noto come il modello "LLM-Wiki", OKF segna la fine della tradizionale generazione aumentata per il recupero (RAG) senza stato e inaugura un futuro cumulativo e agentivo.
Per le organizzazioni lungimiranti e i pionieri della consulenza come Switas, OKF non è solo un aggiornamento tecnico. È il fondamento di una disciplina commerciale completamente nuova: l'ottimizzazione della ricerca agentica (ASO).
1. La morte del RAG apolide e l'ascesa della conoscenza composita
Per capire perché OKF di Google rappresenti una svolta, dobbiamo prima esaminare perché i nostri attuali metodi di integrazione dell'IA si scontrano con un ostacolo insormontabile.
La maggior parte delle moderne soluzioni di intelligenza artificiale aziendale si basa sulla generazione aumentata tramite recupero (RAG). Quando un utente pone una domanda, un sistema RAG esegue una ricerca di similarità tra frammenti di documento vettorializzati, recupera gli snippet più pertinenti e li inserisce nella finestra di contesto LLM per generare una risposta.
Sebbene il metodo RAG sia molto efficace per le domande e risposte statiche, presenta diverse limitazioni sistemiche:
Assenza di stato: ogni query viene trattata come un evento isolato. Il sistema non "impara" dalle interazioni precedenti né sintetizza nuove connessioni.
Rumore di recupero ed errori di delimitazione dei blocchi: la frammentazione di un PDF di 50 pagine in blocchi da 500 token spesso dimezza il contesto critico, portando a risposte incomplete o fuorvianti.
Mancanza di sintesi: il metodo RAG tradizionale eccelle nel recuperare informazioni grezze, ma fatica a mantenere una "fonte di verità" unica e in continua evoluzione.
Nell'aprile del 2026, il pioniere dell'IA Andrej Karpathy (cofondatore di OpenAI ed ex direttore dell'IA presso Tesla) ha proposto un'alternativa rivoluzionaria: il modello LLM Wiki.
Invece di analizzare documenti grezzi e non strutturati partendo da zero ogni volta, Karpathy ha sostenuto che il modo corretto di utilizzare i LLM è come compilatori. In questo paradigma, quando arriva un nuovo documento, set di dati o brief del cliente, il LLM lo legge una volta, estrae i concetti chiave e li "compila" in modo incrementale in un wiki strutturato, persistente e altamente interconnesso basato su Markdown.
Se emergono nuove informazioni che contraddicono una voce precedente, il LLM non si limita a memorizzarle entrambe; risolve attivamente il conflitto, aggiorna le pagine delle entità, rivede i riepiloghi degli argomenti e rafforza o mette in discussione la sintesi in evoluzione. La conoscenza si consolida nel tempo, esattamente come nel cervello umano.
OKF di Google Cloud è la formalizzazione di questo preciso modello LLM-Wiki in uno standard industriale aperto.
2. Chiarire i segreti del formato Open Knowledge (OKF)
Nella sua essenza, OKF è progettato per essere straordinariamente semplice. Google ha adottato una posizione filosofica ben precisa: non abbiamo bisogno di database complessi, SDK proprietari o runtime pesanti per rappresentare la conoscenza. Al contrario, la conoscenza dovrebbe essere memorizzata in un formato universalmente portatile, di facile lettura per gli esseri umani e comprensibile nativamente dai modelli di apprendimento basati sulla conoscenza (LLM).
Quel formato è Markdown con frontmatter YAML.
Se sai clonare un repository con `git clone`, puoi distribuire un bundle OKF. Se sai usare il comando `cat` su un file di testo, puoi leggerlo. Non richiede database, né un'autorità centrale, né vincoli di piattaforma. Si visualizza perfettamente su GitHub, può essere organizzato con strumenti come Obsidian o Notion e può essere indicizzato istantaneamente da qualsiasi moderno agente di intelligenza artificiale.
Anatomia di un pacchetto di conoscenze OKF
Un bundle OKF è rappresentato strutturalmente come una directory annidata di directory, simile a un wiki progettato da esseri umani. Contiene tre componenti principali:
Punti di ingresso (index.md): Ogni pacchetto OKF richiede un file di punti di ingresso. Questo file indice delinea la struttura della base di conoscenza, indirizzando gli agenti in entrata verso i concetti principali, i set di dati e i playbook disponibili.
Cartelle concettuali: anziché organizzare i file in base ai documenti originali da cui provengono (ad esempio, q4_marketing_report.pdf), OKF riorganizza le informazioni in base ai concetti (ad esempio, /metrics/customer_acquisition_cost.md). Ogni concetto è rappresentato come un singolo documento Markdown atomico.
Il file di registro (log.md): un registro dinamico in cui gli agenti autonomi annotano le proprie attività. Quando un agente aggiorna un concetto, risolve una contraddizione nei dati o acquisisce una nuova fonte, documenta la modifica nel file di registro, creando una traccia cartacea verificabile.
Struttura della pagina concettuale
Ogni singolo file Markdown che rappresenta un concetto in un bundle OKF contiene una struttura rigorosa composta da due parti: il frontmatter YAML e il corpo Markdown.
---
type: concept
title: Customer Acquisition Cost (CAC)
description: The primary financial metric used to evaluate marketing efficiency at Switas.
resource: bigquery://switas-analytics/finance/cac_summary
tags:
- finance
- marketing-efficiency
- saas-metrics
timestamp: 2026-06-18T14:30:00Z
---
After this structured frontmatter, the document opens into a free-form Markdown Body. This is where the magic happens. The body can contain natural language definitions, raw data tables, calculation formulas, playbooks, and—crucially—interlinks using standard markdown bracket notation (e.g., [[LTV_Calculation]]).Questi collegamenti consentono agli agenti di navigare nella directory in modo strutturale, trasformando una semplice cartella di file di testo in un grafo di conoscenza semantica altamente connesso e navigabile.
3. "Decomposizione semantica": La filosofia della conoscenza naturale
Uno dei termini più significativi emersi dalla pubblicazione di OKF è "Decomposizione semantica".
Per anni, l'industria tecnologica ha cercato di forzare la conoscenza umana in schemi rigidi e leggibili dalle macchine (come JSON-LD o microdati). Questo processo era fragile, innaturale e fondamentalmente distante dal modo in cui gli esseri umani esprimono le idee. Era un tentativo di "incorporare" il pensiero umano fluido in fredde e rigide strutture meccaniche.
OKF ribalta completamente questo approccio. Poiché i moderni LLM sono incredibilmente abili nella lettura del linguaggio naturale, OKF agisce come una sorta di "decodifica semantica". Consente alle organizzazioni di documentare le proprie regole aziendali, i processi e le metriche in un linguaggio naturale ed espressivo.
Non è più necessario scrivere un'API complessa per spiegare un calcolo aziendale a un agente di intelligenza artificiale. È sufficiente scrivere un playbook:
# Playbook: Diagnosing Mid-Funnel Conversion Drops
When an analyst agent detects a drop in mid-funnel conversion rate greater than 5% week-over-week, follow these steps:
1. Query the `conversions_db` table to isolate the traffic source.
2. Cross-reference results with our [[Marketing_Campaign_Log]].
3. If the drop is isolated to paid search, trigger the [[Google_Ads_Audit_Playbook]].
This represents a more natural way to structure knowledge. You tell the agent: "Here is where you go in my organization's brain to get this information, and here is how we want you to reason about it."4. L'opportunità offerta da Switas: monetizzare le competenze e guidare la rivoluzione ASO
Con la maturazione dell'IA aziendale, la domanda di dati strutturati aumenterà vertiginosamente. Le aziende non si contenderanno più il mercato solo in base al traffico web, ma anche in base all'accessibilità tramite agenti.
Ciò apre un enorme orizzonte commerciale per Switas su due fronti principali:
I. Consulenza sull'ottimizzazione per i motori di ricerca (ASO) basata su agenti
Stiamo entrando in un mondo in cui i consumatori non effettuano ricerche direttamente sul web; lo fanno i loro assistenti virtuali basati sull'intelligenza artificiale. Quando un utente chiede al proprio assistente personale: "Trova la migliore società di consulenza per ristrutturare la nostra infrastruttura dati secondo le linee guida OKF", l'assistente scansiona il web alla ricerca di informazioni accessibili alla macchina.
Se le competenze della tua azienda sono nascoste dietro PDF a pagamento o siti web non strutturati e ricchi di JavaScript, l'agente ti ignorerà completamente.
Switas può essere all'avanguardia nella transizione dalla SEO tradizionale all'ASO (Agency Search Optimization). I nostri consulenti possono aiutare le aziende a:
- Verificare i loro repository di conoscenza non strutturati esistenti.
- Estrarre la logica aziendale proprietaria, i manuali operativi e gli schemi di dati.
- Raccogli e struttura queste risorse in pacchetti di conoscenze OKF pienamente conformi e facilmente indicizzabili.
- Integrare i percorsi di direzione nei file llms.txt per segnalare agli agenti esterni che un pacchetto OKF verificato è pronto per essere utilizzato.
II. Il mercato dei pacchetti di conoscenze
Attualmente, quando un'azienda necessita di competenze specialistiche, che si tratti di conformità legale, pianificazione fiscale o audit SEO avanzati, si affida a costosi consulenti per eseguire verifiche manuali.
Nel prossimo futuro assisteremo alla nascita di un mercato globale della conoscenza, dove le organizzazioni acquisteranno e venderanno pacchetti OKF verificati ed eseguibili da agenti.
Immaginate Switas che raccoglie i suoi framework proprietari di growth hacking, i playbook di trasformazione digitale o le metodologie di audit dei dati in pacchetti OKF modulari. L'agente AI di un cliente potrebbe acquistare il pacchetto OKF Switas Growth Playbook, montarlo direttamente nel proprio filesystem di sistema e iniziare immediatamente a eseguire audit utilizzando la logica di ragionamento specializzata di Switas.
Inoltre, questi pacchetti non sono statici. Man mano che le condizioni di mercato, gli algoritmi di ricerca o le migliori pratiche di consulenza si evolvono, l'editore aggiorna il pacchetto OKF principale. Questi aggiornamenti si propagano attraverso la rete, garantendo che l'intelligenza artificiale localizzata del cliente venga continuamente aggiornata.
5. FAQ complete: Orientarsi tra le sfumature tecniche e strategiche di OKF
Con la crescente diffusione di OKF, i team aziendali, gli sviluppatori e i responsabili marketing si porranno inevitabilmente domande cruciali. Ecco cosa è necessario sapere:
D1: In che modo gli agenti di intelligenza artificiale esterni scoprono e accedono ai nostri bundle OKF?
La fase di individuazione dei modelli linguistici sarà gestita principalmente tramite lo standard emergente llms.txt. Situato nella directory principale di un sito web (in modo simile a robots.txt), il file llms.txt funge da directory per i modelli linguistici.
Aggiungendo un percorso URI diretto che punta al tuo bundle OKF pubblico all'interno del file llms.txt, segnali agli agenti di crawling (come GPT-Bot, Claude-Bot o Google-Extended) che è disponibile una wiki strutturata e ottimizzata per i motori di ricerca contenente le tue conoscenze aziendali, consultabile direttamente.
D2: OKF può sostituire i database vettoriali (Vector DB) e i database a grafo?
No. OKF non è un database; è una specifica per lo scambio e l'archiviazione dei dati.
A livello personale o per piccole imprese (meno di 100 documenti o circa 80,000 token), un LLM può leggere una directory OKF direttamente da un file system senza alcun intermediario di database.
Tuttavia, a livello aziendale, i bundle OKF fungono da "fonte di verità" pulita e curata manualmente, che alimenta i sistemi di recupero più ampi. In genere, un'azienda acquisisce i propri bundle OKF, li vettorializza in un database vettoriale per la ricerca semantica e li utilizza per costruire un database a grafo a livello aziendale. OKF fornisce input semantici puliti e strutturati che prevengono la contaminazione del database.
D3: In che modo OKF previene le allucinazioni da intelligenza artificiale?
Il metodo RAG tradizionale spesso genera allucinazioni perché costringe un LLM a generare risposte a partire da frammenti di documenti frammentari e talvolta contraddittori.
OKF previene questo problema imponendo una mappatura esplicita delle relazioni, playbook e riferimenti precisi. Poiché i concetti di OKF sono accuratamente selezionati e strutturati da esseri umani (o compilati sotto stretta supervisione umana), l'agente si basa su una logica pre-sintetizzata e verificata, anziché cercare di indovinare le connessioni al volo. Inoltre, il supporto nativo di OKF per le citazioni garantisce che ogni affermazione fattuale fatta da un agente possa essere ricondotta a uno specifico file Markdown o a una risorsa dati verificata.
D4: Dobbiamo scrivere e gestire manualmente questi bundle OKF?
Assolutamente no. Scrivere centinaia di file Markdown e tenere traccia manualmente di schemi YAML complessi rappresenterebbe un collo di bottiglia.
Il processo è invece cooperativo: gli esseri umani apprendono e dirigono; gli agenti di intelligenza artificiale compilano e mantengono.
Utilizzando configurazioni avanzate dell'agente (come Claude Code, Cursor o pipeline Python personalizzate), è possibile immettere nel sistema fonti di dati grezze, come trascrizioni, white paper e schemi di database. L'agente estrae automaticamente i concetti, scrive il frontmatter YAML, crea i collegamenti incrociati e registra le modifiche nel file log.md.
Il ruolo dell'essere umano si trasforma in quello di un editor: revisiona il wiki compilato, aggiunge indicazioni strategiche ed esegue script "linter" automatizzati per verificare la presenza di link non funzionanti, pagine orfane o contraddizioni logiche.
Prepararsi al cambiamento agentico con Switas
Il lancio dell'Open Knowledge Format è un chiaro segnale della direzione in cui si sta muovendo l'economia digitale. Ci stiamo allontanando da un internet di pagine sparse, progettate per lo scorrimento umano, e ci stiamo dirigendo verso un internet di cervelli digitali interconnessi, progettati per l'esecuzione autonoma.
Per le imprese, la scelta è chiara: iniziare oggi a strutturare la propria conoscenza aziendale, oppure rischiare di diventare invisibili agli agenti di intelligenza artificiale che guideranno il commercio di domani.
Noi di Switas siamo nella posizione ideale per aiutare la vostra organizzazione ad affrontare questa transizione. Combinando la nostra profonda esperienza in strategia digitale, ingegneria dei dati e standard emergenti di intelligenza artificiale, possiamo aiutarvi a trasformare le vostre risorse aziendali frammentate in un potente motore di conoscenza OKF in grado di generare valore in modo esponenziale.
Il futuro è decentralizzato, strutturato e basato sull'azione individuale. Costruiamolo insieme.
