Het digitale landschap ondergaat een stille maar tektonische verschuiving. Meer dan twee decennia lang werd zoekmachineoptimalisatie (SEO) gedomineerd door één simpel paradigma: webpagina's optimaliseren voor het menselijk oog, ze indexeren via webcrawlers en data structureren met behulp van complexe schema-opmaak zodat machines basisentiteiten konden begrijpen. Maar nu we de overgang maken van het tijdperk van zoekmachines naar het tijdperk van autonome AI-agenten, brokkelt dit paradigma snel af.
Bedrijven kampen tegenwoordig met een kritiek "contexttekort". Hoewel grote taalmodellen (LLM's) elegante code kunnen schrijven, documenten kunnen opstellen of enorme datasets kunnen analyseren, blijven ze fundamenteel beperkt door het gebrek aan gestructureerde, actuele en bedrijfseigen context. Deze kennis – variërend van databaseschema's en aangepaste bedrijfsstatistieken tot interne handleidingen en ongeschreven inzichten van senior engineers – is gefragmenteerd verspreid over afzonderlijke wiki's, gedeelde schijven, presentaties en chatlogs.
Om deze kloof te overbruggen, heeft Google Cloud onlangs het Open Knowledge Format (OKF) v0.1 geïntroduceerd, een open, leveranciersneutrale specificatie die is ontworpen om organisatorische kennis weer te geven als een interoperabel "digitaal brein". Door het zogenaamde "LLM-Wiki"-patroon te formaliseren, markeert OKF het einde van traditionele, stateless Retrieval-Augmented Generation (RAG) en luidt het een samengestelde, agentische toekomst in.
Voor vooruitstrevende organisaties en toonaangevende adviesbureaus zoals Switas is OKF niet zomaar een technische update. Het vormt de basis van een gloednieuwe commerciële discipline: Agentic Search Optimization (ASO).
1. De ondergang van staatloze RAG en de opkomst van samengestelde kennis.
Om te begrijpen waarom Google's OKF een doorbraak is, moeten we eerst onderzoeken waarom onze huidige methoden voor AI-integratie vastlopen.
De meeste moderne AI-oplossingen voor bedrijven maken gebruik van Retrieval-Augmented Generation (RAG). Wanneer een gebruiker een vraag stelt, voert een RAG-systeem een gelijkeniszoekactie uit in gevectoriseerde documentfragmenten, haalt de meest relevante fragmenten op en voert deze in het LLM-contextvenster in om een antwoord te genereren.
Hoewel RAG zeer effectief is voor statische vraag-en-antwoordsessies, kent het een aantal systemische beperkingen:
Staatloosheid: Elke query wordt behandeld als een geïsoleerde gebeurtenis. Het systeem "leert" niet van eerdere interacties en legt geen nieuwe verbanden aan.
Ruis in zoekresultaten en fouten bij het opdelen van tekstfragmenten: Het fragmenteren van een PDF van 50 pagina's in fragmenten van 500 tokens halveert vaak cruciale context, wat leidt tot onvolledige of misleidende antwoorden.
Gebrek aan synthese: De traditionele RAG-methode blinkt uit in het verzamelen van ruwe informatie, maar heeft moeite om een evoluerende, eenduidige "bron van waarheid" te behouden.
In april 2026 stelde AI-pionier Andrej Karpathy (medeoprichter van OpenAI en voormalig directeur AI bij Tesla) een revolutionair alternatief voor: het LLM Wiki-patroon.
In plaats van telkens opnieuw ruwe, ongestructureerde documenten van de grond af aan te doorzoeken, betoogde Karpathy dat de juiste manier om LLM's te gebruiken, is als compilers. In dit paradigma leest de LLM, wanneer een nieuw document, dataset of klantbrief binnenkomt, dit eenmaal, extraheert de belangrijkste concepten en "compileert" deze stapsgewijs tot een gestructureerde, permanente en sterk onderling verbonden, op Markdown gebaseerde wiki.
Als er nieuwe informatie binnenkomt die een oudere vermelding tegenspreekt, slaat het LLM niet alleen beide op; het lost het conflict actief op, werkt de entiteitspagina's bij, herziet de samenvattingen van de onderwerpen en versterkt of betwist de zich ontwikkelende synthese. Kennis groeit in de loop van de tijd, net als een menselijk brein.
OKF van Google Cloud is de formalisering van dit specifieke LLM-Wiki-patroon tot een open industriestandaard.
2. Het Open Kennisformaat (OKF) ontrafelen
In de kern is OKF ontworpen om buitengewoon eenvoudig te zijn. Google nam een sterk filosofisch standpunt in: we hebben geen complexe databases, eigen SDK's of zware runtime-omgevingen nodig om kennis weer te geven. In plaats daarvan moet kennis worden opgeslagen in een formaat dat universeel overdraagbaar is, gemakkelijk te lezen voor mensen en van nature begrepen wordt door LLM's.
Dat formaat is Markdown met YAML-frontmatter.
Als je een repository kunt klonen met `git clone`, kun je een OKF-bundel implementeren. Als je een tekstbestand kunt openen met `cat`, kun je het lezen. Het vereist geen databases, geen centrale autoriteit en geen platformafhankelijkheid. Het wordt prachtig weergegeven op GitHub, kan worden georganiseerd in tools zoals Obsidian of Notion, en kan direct worden geïndexeerd door elke moderne AI-agent.
De anatomie van een OKF-kennisbundel
Een OKF-bundel is structureel weergegeven als een geneste mapstructuur van mappen, vergelijkbaar met een door mensen ontworpen wiki. Het bevat drie hoofdbestanddelen:
De toegangspunten (index.md): Elk OKF-pakket vereist een toegangspuntbestand. Dit indexbestand beschrijft de structuur van de kennisbank en leidt binnenkomende agents naar de beschikbare kernconcepten, datasets en playbooks.
Conceptmappen: In plaats van bestanden te ordenen op basis van de originele documenten (bijv. q4_marketing_report.pdf), reorganiseert OKF informatie op basis van concepten (bijv. /metrics/customer_acquisition_cost.md). Elk concept wordt weergegeven als een afzonderlijk, atomair Markdown-document.
Het logbestand (log.md): een dynamisch register waarin autonome agenten hun activiteiten vastleggen. Wanneer een agent een concept bijwerkt, een tegenstrijdigheid in de gegevens oplost of een nieuwe bron verwerkt, documenteert hij de wijziging in het logbestand, waardoor een controleerbaar spoor ontstaat.
De structuur van de conceptpagina
Elk afzonderlijk Markdown-bestand dat een concept in een OKF-bundel vertegenwoordigt, bevat een strikte structuur die uit twee delen bestaat: YAML-frontmatter en de Markdown-body.
---
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]]).Deze onderlinge verbindingen stellen agenten in staat om structureel door de map te navigeren, waardoor een platte map met tekstbestanden wordt omgezet in een sterk verbonden, navigeerbare semantische kennisgrafiek.
3. "Semantisch ontbakken": De filosofie van natuurlijke kennis
Een van de meest betekenisvolle termen die voortkwamen uit de publicatie van OKF is "Semantic Unbaking".
Jarenlang probeerde de technologie-industrie menselijke kennis te persen in zeer rigide, machinaal leesbare schema's (zoals JSON-LD of microdata). Dit proces was kwetsbaar, onnatuurlijk en fundamenteel losgekoppeld van de manier waarop mensen ideeën uiten. Het was een poging om vloeiende menselijke gedachten te "bakken" in koude, harde machinestructuren.
OKF draait deze aanpak volledig om. Omdat moderne taalmanagementsystemen (LLM's) buitengewoon goed zijn in het lezen van natuurlijke taal, fungeert OKF als een vorm van "semantische ontrafeling". Het stelt organisaties in staat om hun bedrijfsregels, processen en meetwaarden te documenteren in natuurlijke, expressieve taal.
Je hoeft geen complexe API meer te schrijven om een bedrijfsberekening aan een AI-agent uit te leggen. Je schrijft gewoon een 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. De Switas-kans: expertise te gelde maken en de ASO-revolutie leiden
Naarmate AI in het bedrijfsleven volwassener wordt, zal de vraag naar gestructureerde kennis enorm toenemen. Bedrijven zullen niet langer alleen concurreren op webverkeer, maar ook op de toegankelijkheid van AI via agenten.
Dit opent enorme commerciële mogelijkheden voor Switas op twee belangrijke gebieden:
I. Agentic Search Optimization (ASO) Consultancy
We betreden een wereld waarin consumenten niet langer rechtstreeks op het web zoeken; hun AI-agenten doen dat voor hen. Wanneer een gebruiker aan zijn persoonlijke agent vraagt: "Vind het beste adviesbureau om onze datastructuur te herstructureren volgens de OKF-richtlijnen", zal die agent het web afspeuren op zoek naar machineleesbare kennis.
Als de expertise van uw bedrijf verborgen zit achter beveiligde pdf's of ongestructureerde, JavaScript-rijke websites, zal de makelaar u volledig overslaan.
Switas kan de overgang van traditionele SEO naar ASO (Agentic Search Optimization) begeleiden. Onze consultants kunnen bedrijven helpen met:
- Audit hun bestaande ongestructureerde kennisarchieven.
- Extraheer bedrijfseigen logica, draaiboeken en dataschema's.
- Stel deze gegevens samen en structureer ze tot volledig conforme, goed doorzoekbare OKF-kennisbundels.
- Voeg richtingpaden toe aan hun llms.txt-bestanden om externe agenten te laten weten dat een geverifieerde OKF-bundel klaar is voor gebruik.
II. De kennisbundelmarktplaats
Momenteel huren bedrijven, wanneer ze behoefte hebben aan specialistische expertise – of het nu gaat om naleving van wet- en regelgeving, fiscale structurering of geavanceerde SEO-audits – dure consultants in om handmatige audits uit te voeren.
In de nabije toekomst zullen we de opkomst zien van een wereldwijde kennismarktplaats, waar organisaties geverifieerde, door agents uitvoerbare OKF-bundels kopen en verkopen.
Stel je voor dat Switas zijn eigen growth hacking-frameworks, digitale transformatie-playbooks of data-auditmethodologieën samenvoegt in modulaire OKF-pakketten. Een AI-agent van een klant zou het Switas Growth Playbook OKF-pakket kunnen aanschaffen, direct in zijn eigen systeembestandssysteem kunnen installeren en onmiddellijk audits kunnen uitvoeren met behulp van de gespecialiseerde redeneerlogica van Switas.
Bovendien zijn deze bundels niet statisch. Naarmate de marktomstandigheden, zoekalgoritmes of best practices voor consultancy veranderen, werkt de uitgever de hoofd-OKF-bundel bij. Deze updates worden door het hele netwerk verspreid, waardoor de gelokaliseerde AI-intelligentie van de klant continu wordt vernieuwd.
5. Uitgebreide FAQ: De technische en strategische nuances van OKF begrijpen
Naarmate OKF aan populariteit wint, zullen bedrijfsteams, ontwikkelaars en marketingleiders ongetwijfeld kritische vragen stellen. Dit is wat u moet weten:
Vraag 1: Hoe ontdekken en benaderen externe AI-agenten onze OKF-bundels?
Ontdekking zal grotendeels plaatsvinden via de opkomende standaard llms.txt. Dit bestand, dat zich in de rootmap van een website bevindt (vergelijkbaar met robots.txt), fungeert als een directory voor taalmodellen.
Door een direct URI-pad naar uw openbare OKF-bundel toe te voegen aan uw llms.txt-bestand, geeft u crawlers (zoals GPT-Bot, Claude-Bot of Google-Extended) aan dat een gestructureerde, machine-geoptimaliseerde wiki met uw bedrijfskennis direct beschikbaar is.
Vraag 2: Is OKF een vervanging voor vectordatabases (Vector DB's) en grafdatabases?
Nee, OKF is geen database, maar een specificatie voor gegevensuitwisseling en -opslag.
Op persoonlijk of klein zakelijk niveau (minder dan 100 documenten of ongeveer 80,000 tokens) kan een LLM een OKF-directory rechtstreeks vanuit een bestandssysteem lezen zonder tussenkomst van een database.
Op bedrijfsniveau fungeren OKF-bundels echter als de schone, door mensen samengestelde "bron van waarheid" die de bredere zoeksystemen voedt. Een bedrijf importeert doorgaans zijn OKF-bundels, zet ze om in een vectordatabase voor semantisch zoeken en gebruikt ze om een bedrijfsbrede grafdatabase op te bouwen. OKF levert de schone, gestructureerde semantische input die vervuiling van de database voorkomt.
Vraag 3: Hoe voorkomt OKF AI-hallucinaties?
De traditionele RAG-methode leidt vaak tot hallucinaties omdat een LLM gedwongen wordt antwoorden te genereren uit gefragmenteerde, soms tegenstrijdige documentfragmenten.
OKF voorkomt dit door expliciete relatietoewijzing, playbooks en exacte verwijzingen af te dwingen. Omdat OKF-concepten zorgvuldig worden samengesteld en gestructureerd door mensen (of onder strikt menselijk toezicht), vertrouwt de agent op vooraf gesynthetiseerde, geverifieerde logica in plaats van ter plekke verbanden te raden. Bovendien zorgt de native ondersteuning voor citaties in OKF ervoor dat elke feitelijke bewering van een agent kan worden herleid tot een specifiek, geverifieerd Markdown-bestand of gegevensbron.
Vraag 4: Moeten we deze OKF-bundels handmatig schrijven en onderhouden?
Absoluut niet. Het handmatig schrijven van honderden Markdown-bestanden en het bijhouden van complexe YAML-schema's zou een knelpunt vormen.
Het proces is daarentegen coöperatief: mensen leren en sturen aan; AI-agenten compileren en onderhouden.
Met behulp van geavanceerde agentconfiguraties (zoals Claude Code, Cursor of aangepaste Python-pipelines) kunt u ruwe databronnen – zoals transcripten, whitepapers en databaseschema's – in het systeem invoeren. De agent extraheert automatisch de concepten, schrijft de YAML-frontmatter, maakt de kruisverwijzingen aan en registreert de wijzigingen in log.md.
De rol van de gebruiker verandert in die van een redacteur: het beoordelen van de samengestelde wiki, het toevoegen van strategische richtlijnen en het uitvoeren van geautomatiseerde "linter"-scripts om te controleren op kapotte links, weespagina's of logische tegenstrijdigheden.
Voorbereiding op de Agentic Shift met Switas
De lancering van het Open Knowledge Format is een duidelijk signaal van de richting waarin de digitale economie zich ontwikkelt. We bewegen ons weg van een internet met verspreide pagina's, ontworpen om door mensen te worden doorgebladerd, en naar een internet met onderling verbonden digitale breinen, ontworpen voor actiegericht handelen.
Voor bedrijven is de keuze duidelijk: begin vandaag nog met het structureren van uw bedrijfskennis, of loop het risico onzichtbaar te worden voor de AI-systemen die de handel van morgen zullen aansturen.
Bij Switas zijn we bij uitstek geschikt om uw organisatie te helpen bij deze transitie. Door onze diepgaande expertise in digitale strategie, data-engineering en opkomende AI-standaarden te combineren, kunnen we u helpen uw gefragmenteerde bedrijfsmiddelen om te zetten in een krachtige, exponentieel groeiende OKF-kennisengine.
De toekomst is gedecentraliseerd, gestructureerd en actiegericht. Laten we die samen opbouwen.
