Det digitale landskapet gjennomgår et stille, men tektonisk skifte. I over to tiår har søkemotoroptimalisering (SEO) vært dominert av et enkelt, enkelt paradigme: optimalisere nettsider for menneskelige øyne, indeksere dem via webcrawlere og strukturere data ved hjelp av kompleks skjemamarkering slik at maskiner kan forstå grunnleggende enheter. Men etter hvert som vi går fra søkemotorenes æra til autonome AI-agenter, bryter dette paradigmet raskt sammen.
I dag står bedrifter overfor et kritisk «kontekstunderskudd». Selv om store språkmodeller (LLM-er) kan skrive elegant kode, utkaste dokumenter eller analysere massive datasett, er de fortsatt fundamentalt begrenset av mangelen på strukturert, oppdatert og proprietær forretningskontekst. Denne kunnskapen – som spenner fra databaseskjemaer og tilpassede forretningsmålinger til interne strategier og uskrevne innsikter fra senioringeniører – er fragmentert på tvers av isolerte wikier, delte disker, lysbildesamlinger og chattelogger.
For å bygge bro over dette gapet introduserte Google Cloud nylig Open Knowledge Format (OKF) v0.1, en åpen, leverandørnøytral spesifikasjon som er utformet for å representere organisasjonskunnskap som en interoperabel «digital hjerne». Ved å formalisere det som er kjent som «LLM-Wiki»-mønsteret, markerer OKF slutten på tradisjonell, statsløs Retrieval-Augmented Generation (RAG) og innleder en sammensatt, agentisk fremtid.
For fremtidsrettede organisasjoner og konsulentpionerer som Switas er OKF ikke bare en teknisk oppdatering. Det er grunnlaget for en helt ny kommersiell disiplin: Agentic Search Optimization (ASO).
1. Døden til statsløse RAG og fremveksten av sammensatt kunnskap
For å forstå hvorfor Googles OKF er et gjennombrudd, må vi først undersøke hvorfor våre nåværende AI-integrasjonsmetoder støter på veggen.
De fleste moderne AI-løsninger for bedrifter er avhengige av Retrieval-Augmented Generation (RAG). Når en bruker stiller et spørsmål, kjører et RAG-system et likhetssøk på tvers av vektoriserte dokumentbiter, henter de mest relevante utdragene og mater dem inn i LLM-kontekstvinduet for å generere et svar.
Selv om RAG er svært effektivt for statisk spørsmål og svar, lider det av flere systemiske begrensninger:
Statsløshet: Hver spørring behandles som en isolert hendelse. Systemet «lærer» ikke av tidligere interaksjoner eller syntetiserer nye forbindelser.
Hentingsstøy og feil ved delgrenser: Fragmentering av en 50-siders PDF i deler på 500 tokens deler ofte kritisk kontekst i to, noe som fører til ufullstendige eller misvisende svar.
Mangel på syntese: Tradisjonell RAG utmerker seg ved å hente rå informasjon, men sliter med å opprettholde en utviklende, enestående "sannhetskilde".
I april 2026 foreslo AI-pioneren Andrej Karpathy (medgründer av OpenAI og tidligere direktør for AI hos Tesla) et revolusjonerende alternativ: LLM Wiki-mønsteret.
I stedet for å søke i rå, ustrukturerte dokumenter fra bunnen av hver eneste gang, argumenterte Karpathy for at den riktige måten å bruke LLM-er på er som kompilatorer. I dette paradigmet, når et nytt dokument, datasett eller klientbrief ankommer, leser LLM-en det én gang, trekker ut nøkkelkonsepter og "kompilerer" dem trinnvis til en strukturert, vedvarende og sterkt sammenkoblet markdown-basert wiki.
Hvis ny informasjon dukker opp som motsier en eldre oppføring, lagrer ikke LLM bare begge deler; den løser aktivt konflikten, oppdaterer entitetssidene, reviderer emnesammendrag og styrker eller utfordrer den utviklende syntesen. Kunnskap sammensettes over tid, akkurat som en menneskehjerne.
Google Clouds OKF er formaliseringen av dette eksakte LLM-Wiki-mønsteret til en åpen bransjestandard.
2. Avmystifisering av Open Knowledge Format (OKF)
I kjernen er OKF utformet for å være usedvanlig enkelt. Google inntok et sterkt filosofisk standpunkt: vi trenger ikke komplekse databaser, proprietære SDK-er eller tunge kjøretider for å representere kunnskap. I stedet bør kunnskap lagres i et format som er universelt portabelt, lett for mennesker å lese og naturlig forstått av LLM-er.
Det formatet er Markdown med YAML-frontmatter.
Hvis du kan git-klone et repository, kan du distribuere en OKF-pakke. Hvis du kan cat-ere en tekstfil, kan du lese den. Det krever ingen databaser, ingen sentral autoritet og ingen plattformlåsing. Det gjengis vakkert på GitHub, kan organiseres i verktøy som Obsidian eller Notion, og kan indekseres umiddelbart av enhver moderne AI-agent.
Anatomien til en OKF-kunnskapspakke
En OKF-pakke er strukturelt representert som en nestet katalog med kataloger, som ligner en menneskeskapt wiki. Den inneholder tre hovedkomponenter:
Inngangspunktene (index.md): Hver OKF-pakke krever en inngangspunktfil. Denne indeksfilen skisserer strukturen i kunnskapsbasen og leder innkommende agenter til kjernekonseptene, datasettene og strategibøkene som er tilgjengelige.
Konseptkataloger: I stedet for å organisere filer etter rådataene de kom fra (f.eks. q4_marketing_report.pdf), omorganiserer OKF informasjon etter konsepter (f.eks. /metrics/customer_acquisition_cost.md). Hvert konsept er representert som et enkelt, atomært nedskrivningsdokument.
Loggfilen (log.md): En levende loggbok der autonome agenter registrerer aktivitetene sine. Når en agent oppdaterer et konsept, løser en datamotsigelse eller henter inn en ny kilde, dokumenterer den endringen i loggfilen og oppretter et reviderbart papirspor.
Konseptsidens struktur
Hver individuelle markdown-fil som representerer et konsept i en OKF-bunt inneholder en streng struktur som består av to deler: YAML-frontmatter og Markdown-kroppen.
---
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]]).Disse sammenkoblingene lar agenter navigere strukturelt i katalogen, og transformere en flat mappe med tekstfiler til en svært tilkoblet, navigerbar semantisk kunnskapsgraf.
3. «Semantisk avbaking»: Filosofien bak naturlig kunnskap
Et av de mest dyptgripende begrepene som dukket opp fra utgivelsen av OKF er «Semantic Unbaking».
I årevis forsøkte teknologibransjen å tvinge menneskelig kunnskap inn i svært rigide, maskinlesbare skjemaer (som JSON-LD eller mikrodata). Denne prosessen var skjør, unaturlig og fundamentalt løsrevet fra hvordan mennesker uttrykker ideer. Det var et forsøk på å «bake» flytende menneskelig tanke inn i kalde, harde maskinstrukturer.
OKF snur denne tilnærmingen på hodet. Fordi moderne LLM-er er utrolig flinke til å lese naturlig språk, fungerer OKF som en form for «semantisk avbaking». Det lar organisasjoner dokumentere sine forretningsregler, prosesser og målinger i naturlig, uttrykksfullt språk.
Du trenger ikke lenger å skrive et komplekst API for å forklare en forretningsberegning til en AI-agent. Du skriver ganske enkelt en strategiplan:
# 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. Switas-muligheten: Monetisering av ekspertise og ledelse av ASO-revolusjonen
Etter hvert som bedrifters AI modnes, vil etterspørselen etter strukturert kunnskap skyte i været. Bedrifter vil ikke lenger konkurrere utelukkende på nettrafikk; de vil konkurrere på agentbasert tilgjengelighet.
Dette åpner opp en enorm kommersiell horisont for Switas på tvers av to primære vektorer:
I. Rådgivning innen søkeoptimalisering (ASO) for agenter
Vi går inn i en verden der forbrukerne ikke søker direkte på nettet; deres AI-agenter gjør det for dem. Når en bruker spør sin personlige agent: «Finn det beste konsulentfirmaet for meg for å omstrukturere datastakken vår i henhold til OKF-retningslinjene», vil agenten gjennomsøke nettet på jakt etter maskintilgjengelig kunnskap.
Hvis bedriftens ekspertise er låst bak lukkede PDF-er eller ustrukturerte nettsteder med mye JavaScript, vil agenten omgå deg fullstendig.
Switas kan være pionerer i overgangen fra tradisjonell SEO til ASO (Agentic Search Optimization). Våre konsulenter kan hjelpe bedrifter med å:
- Revider deres eksisterende ustrukturerte kunnskapslagre.
- Hent ut proprietær forretningslogikk, strategier og dataskjemaer.
- Kompiler og strukturer disse ressursene til fullt kompatible, svært gjennomsøkbare OKF-kunnskapspakker.
- Integrer retningsstier i llms.txt-filene deres for å signalisere til eksterne agenter at en verifisert OKF-pakke er klar til bruk.
II. Kunnskapspakkens markedsplass
Når en bedrift trenger spesialisert ekspertise – enten det gjelder samsvar med juridiske regler, skattestrukturering eller avansert SEO-revisjon – ansetter de for tiden dyre konsulenter for å utføre manuelle revisjoner.
I nær fremtid vil vi se fremveksten av en global kunnskapsmarkedsplass, hvor organisasjoner kjøper og selger verifiserte, agentkjørbare OKF-pakker.
Tenk deg at Switas samler sine proprietære veksthacking-rammeverk, digitale transformasjonshåndbøker eller datarevisjonsmetoder i modulære OKF-pakker. En klients AI-agent kan kjøpe Switas Growth Playbook OKF, montere den direkte i sitt eget systemfilsystem og umiddelbart begynne å utføre revisjoner ved hjelp av Switas' spesialiserte resonnementlogikk.
Videre er ikke disse pakkene statiske. Etter hvert som markedsforhold, søkealgoritmer eller beste praksis for rådgivning utvikler seg, oppdaterer utgiveren den overordnede OKF-pakken. Disse oppdateringene spres over hele nettverket, og sikrer at klientens lokaliserte AI-intelligens kontinuerlig oppdateres.
5. Omfattende FAQ: Navigering av de tekniske og strategiske nyansene ved OKF
Etter hvert som OKF får fotfeste, vil bedriftsteam, utviklere og markedsføringsledere garantert stille kritiske spørsmål. Her er hva du trenger å vite:
Q1: Hvordan oppdager og får eksterne AI-agenter faktisk tilgang til OKF-pakkene våre?
Oppdaging vil i stor grad bli håndtert via den nye standarden llms.txt. llms.txt-filen, som ligger i roten av et nettsted (ligner på robots.txt), fungerer som en katalog for språkmodeller.
Ved å legge til en direkte URI-sti som peker til den offentlige OKF-pakken din i llms.txt-filen din, signaliserer du til robotsøkeprogrammer (som GPT-Bot, Claude-Bot eller Google-Extended) at en strukturert, maskinoptimalisert wiki med forretningskunnskapen din er tilgjengelig for direkte bruk.
Spørsmål 2: Er OKF en erstatning for vektordatabaser (vektor-DB-er) og grafdatabaser?
Nei. OKF er ikke en database; det er en spesifikasjon for utveksling og lagring.
På en personlig eller liten bedriftsskala (under 100 dokumenter eller omtrent 80 000 tokens) kan en LLM lese en OKF-katalog direkte fra et filsystem uten noen databasemellommann.
På bedriftsnivå fungerer imidlertid OKF-pakker som den rene, menneskeskapte «sannhetskilden» som mater inn i dine bredere hentesystemer. En bedrift vil vanligvis innta sine OKF-pakker, vektorisere dem til en vektordatabase for semantisk søk og bruke dem til å konstruere en bedriftsomfattende grafdatabase. OKF gir de rene, strukturerte semantiske inndataene som forhindrer databaseforurensning.
Spørsmål 3: Hvordan forhindrer OKF hallusinasjoner med kunstig intelligens?
Tradisjonell RAG hallusinerer ofte fordi den tvinger en LLM til å generere svar fra fragmenterte, noen ganger motstridende dokumentutdrag.
OKF forhindrer dette ved å håndheve eksplisitt relasjonskartlegging, strategier og eksakt referanse. Fordi OKF-konsepter er nøye kuratert og strukturert av mennesker (eller kompilert under streng menneskelig tilsyn), er agenten avhengig av forhåndssyntetisert, verifisert logikk i stedet for å gjette forbindelser på sparket. Videre sikrer OKFs innebygde støtte for sitater at alle faktiske påstander fra en agent kan spores tilbake til en spesifikk, verifisert Markdown-fil eller dataressurs.
Q4: Må vi skrive og vedlikeholde disse OKF-buntene manuelt?
Absolutt ikke. Å skrive hundrevis av markdown-filer og spore komplekse YAML-skjemaer manuelt ville være en flaskehals.
I stedet er prosessen samarbeidende: mennesker lærer og styrer; AI-agenter kompilerer og vedlikeholder.
Ved hjelp av avanserte agentoppsett (som Claude Code, Cursor eller tilpassede Python-pipelines) mater du rådatakilder – som transkripsjoner, whitepapers og databaseskjemaer – inn i systemet. Agenten trekker automatisk ut konseptene, skriver YAML-frontmatteret, oppretter krysskoblingene og logger endringene i log.md.
Menneskets rolle skifter til en redaktørs: gjennomgår den kompilerte wikien, legger til strategisk veiledning og kjører automatiserte "linter"-skript for å se etter ødelagte lenker, foreldreløse sider eller logiske motsetninger.
Forberedelse til agentskiftet med Switas
Lanseringen av Open Knowledge Format er et tydelig signal om hvor den digitale økonomien er på vei. Vi beveger oss bort fra et internett av spredte sider designet for menneskelig rulling, og mot et internett av sammenkoblede digitale hjerner designet for agentisk utførelse.
For bedrifter er valget klart: enten begynn å strukturere bedriftskunnskapen i dag, eller risiker å bli usynlig for AI-agentene som vil drive morgendagens handel.
Hos Switas er vi unikt posisjonert til å hjelpe organisasjonen din med å navigere denne overgangen. Ved å kombinere vår dyptgående ekspertise innen digital strategi, datautvikling og nye AI-standarder, kan vi hjelpe deg med å gjøre dine fragmenterte forretningsressurser om til en kraftig, sammensatt OKF-kunnskapsmotor.
Fremtiden er desentralisert, strukturert og agentisk. La oss bygge den sammen.
