Det digitala landskapet genomgår ett tyst men tektoniskt skifte. I över två decennier dominerades sökmotoroptimering (SEO) av ett enda, enkelt paradigm: optimera webbsidor för mänskliga ögon, indexera dem via webcrawlers och strukturera data med hjälp av komplex schemamarkup så att maskiner kan förstå grundläggande enheter. Men i takt med att vi övergår från sökmotorernas era till autonoma AI-agenters era, bryts detta paradigm snabbt samman.
Idag står företag inför ett kritiskt "kontextunderskott". Även om stora språkmodeller (LLM) kan skriva elegant kod, utarbeta dokument eller analysera massiva datamängder, är de fortfarande fundamentalt begränsade av bristen på strukturerad, aktuell och proprietär affärskontext. Denna kunskap – som sträcker sig från databasscheman och anpassade affärsmätvärden till interna handböcker och seniora ingenjörers oskrivna insikter – lever fragmenterad över isolerade wikier, delade enheter, bildspel och chattloggar.
För att överbrygga denna klyfta introducerade Google Cloud nyligen Open Knowledge Format (OKF) v0.1, en öppen, leverantörsneutral specifikation utformad för att representera organisatorisk kunskap som en interoperabel "digital hjärna". Genom att formalisera det som kallas "LLM-Wiki"-mönstret markerar OKF slutet på traditionell, statslös Retrieval-Augmented Generation (RAG) och inleder en sammansatt, agentmässig framtid.
För framåtblickande organisationer och konsultpionjärer som Switas är OKF inte bara en teknisk uppdatering. Det är grunden för en helt ny kommersiell disciplin: Agentic Search Optimization (ASO).
1. Döden för statslösa RAG och uppkomsten av sammansatt kunskap
För att förstå varför Googles OKF är ett genombrott måste vi först undersöka varför våra nuvarande AI-integrationsmetoder går i konkurs.
De flesta moderna AI-lösningar för företag förlitar sig på Retrieval-Augmented Generation (RAG). När en användare ställer en fråga kör ett RAG-system en likhetssökning över vektoriserade dokumentbitar, hämtar de mest relevanta utdragen och matar in dem i LLM-kontextfönstret för att generera ett svar.
Även om RAG är mycket effektivt för statiska frågor och svar, lider det av flera systemiska begränsningar:
Tillståndslöshet: Varje fråga behandlas som en isolerad händelse. Systemet "lär sig" inte från tidigare interaktioner eller syntetiserar nya kopplingar.
Hämtningsbrus och fel vid chunk-boundary: Att fragmentera en 50-sidig PDF i segment med 500 tokens delar ofta upp kritisk kontext på mitten, vilket leder till ofullständiga eller vilseledande svar.
Brist på syntes: Traditionell RAG utmärker sig på att hämta rå information men kämpar för att upprätthålla en föränderlig, unik "källa till sanning".
I april 2026 föreslog AI-pionjären Andrej Karpathy (medgrundare av OpenAI och tidigare chef för AI på Tesla) ett revolutionerande alternativ: LLM Wiki-mönstret.
Istället för att söka igenom råa, ostrukturerade dokument från grunden varje gång, menade Karpathy att det korrekta sättet att använda LLM:er är som kompilatorer. I detta paradigm, när ett nytt dokument, en dataset eller en klientbrief anländer, läser LLM:en det en gång, extraherar nyckelbegrepp och "kompilerar" dem stegvis till en strukturerad, persistent och starkt sammanlänkad markdown-baserad wiki.
Om ny information anländer som motsäger en äldre post, lagrar LLM inte bara båda; den löser aktivt konflikten, uppdaterar entitetssidorna, reviderar ämnessammanfattningar och stärker eller utmanar den ständigt utvecklande syntesen. Kunskap sammansätts över tid, precis som en mänsklig hjärna.
Google Clouds OKF är formaliseringen av exakt detta LLM-Wiki-mönster till en öppen branschstandard.
2. Avmystifiering av Open Knowledge Format (OKF)
I grund och botten är OKF utformat för att vara utomordentligt enkelt. Google intog en stark filosofisk hållning: vi behöver inte komplexa databaser, proprietära SDK:er eller tunga runtime-processer för att representera kunskap. Istället bör kunskap lagras i ett format som är universellt portabelt, lätt för människor att läsa och förstås av juridiklärare.
Det formatet är Markdown med YAML-frontmatter.
Om du kan git-klona ett repository kan du driftsätta ett OKF-paket. Om du kan cata en textfil kan du läsa den. Det kräver inga databaser, ingen central auktoritet och ingen plattformslåsning. Det renderas vackert på GitHub, kan organiseras i verktyg som Obsidian eller Notion och kan indexeras direkt av vilken modern AI-agent som helst.
Anatomin hos ett OKF-kunskapspaket
Ett OKF-paket representeras strukturellt som en kapslad katalog med kataloger, vilket liknar en mänskligt konstruerad wiki. Det innehåller tre huvudkomponenter:
Startpunkterna (index.md): Varje OKF-paket kräver en startpunktsfil. Denna indexfil beskriver kunskapsbasens struktur och hänvisar inkommande agenter till de centrala koncepten, datamängderna och spelböckerna som finns tillgängliga.
Konceptkataloger: Istället för att organisera filer efter de råa dokument de kommer ifrån (t.ex. q4_marketing_report.pdf), omorganiserar OKF information efter koncept (t.ex. /metrics/customer_acquisition_cost.md). Varje koncept representeras som ett enda, atomärt nedskrivningsdokument.
Loggfilen (log.md): En levande huvudbok där autonoma agenter registrerar sina aktiviteter. När en agent uppdaterar ett koncept, löser en datamotsägelse eller hämtar en ny källa dokumenterar den ändringen i loggfilen och skapar ett granskbart pappersspår.
Konceptsidans struktur
Varje enskild markdown-fil som representerar ett koncept i ett OKF-paket innehåller en strikt struktur som består av två delar: YAML-frontmatter och 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]]).Dessa sammanlänkningar gör det möjligt för agenter att navigera strukturellt i katalogen och omvandla en platt mapp med textfiler till en mycket sammankopplad, navigerbar semantisk kunskapsgraf.
3. "Semantisk uppackning": Den naturliga kunskapens filosofi
En av de mest djupgående termerna som framkommit vid lanseringen av OKF är "Semantic Unbaking".
I åratal försökte teknikindustrin tvinga in mänsklig kunskap i mycket rigida, maskinläsbara scheman (som JSON-LD eller mikrodata). Denna process var spröd, onaturlig och fundamentalt frikopplad från hur människor uttrycker idéer. Det var ett försök att "baka" in flytande mänskligt tänkande i kalla, hårda maskinstrukturer.
OKF vänder på den här metoden. Eftersom moderna juridikexperter är otroligt skickliga på att läsa naturligt språk, fungerar OKF som en form av "semantisk uppklaring". Det gör det möjligt för organisationer att dokumentera sina affärsregler, processer och mätvärden på ett naturligt och uttrycksfullt språk.
Du behöver inte längre skriva ett komplext API för att förklara en affärsberäkning för en AI-agent. Du skriver helt enkelt en handbok:
# 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-möjligheten: Att tjäna pengar på expertis och leda ASO-revolutionen
I takt med att företags-AI mognar kommer efterfrågan på strukturerad kunskap att skjuta i höjden. Företag kommer inte längre att konkurrera enbart om webbtrafik; de kommer att konkurrera om agentbaserad tillgänglighet.
Detta öppnar upp en enorm kommersiell horisont för Switas över två primära vektorer:
I. Konsulttjänster inom agentisk sökoptimering (ASO)
Vi går in i en värld där konsumenter inte söker direkt på webben; deras AI-agenter gör det åt dem. När en användare frågar sin personliga agent: "Hitta det bästa konsultföretaget för mig för att omstrukturera vår datastack enligt OKF-riktlinjerna", kommer agenten att genomsöka webben och leta efter maskintillgänglig kunskap.
Om ditt företags expertis är låst bakom bevakade PDF-filer eller ostrukturerade webbplatser med mycket JavaScript, kommer agenten att kringgå dig helt.
Switas kan vara pionjärer i övergången från traditionell SEO till ASO (Agentic Search Optimization). Våra konsulter kan hjälpa företag att:
- Granska deras befintliga ostrukturerade kunskapsdatabaser.
- Extrahera proprietär affärslogik, playbooks och datascheman.
- Kompilera och strukturera dessa tillgångar till helt kompatibla, mycket crawlbara OKF Knowledge Bundles.
- Integrera riktningsvägar i deras llms.txt-filer för att signalera till externa agenter att ett verifierat OKF-paket är klart för konsumtion.
II. Marknadsplatsen för kunskapspaket
För närvarande, när ett företag behöver specialiserad expertis – vare sig det gäller efterlevnad av juridiska regler, skattestrukturering eller avancerad SEO-revision – anlitar de dyra konsulter för att utföra manuella revisioner.
Inom en snar framtid kommer vi att se framväxten av en global kunskapsmarknadsplats, där organisationer köper och säljer verifierade, agentkörbara OKF-paket.
Tänk dig att Switas sammanställer sina egna ramverk för growth hacking, handböcker för digital transformation eller metoder för datarevision i modulära OKF-paket. En klients AI-agent skulle kunna köpa Switas Growth Playbook OKF, montera den direkt i sitt eget systemfilsystem och omedelbart börja utföra revisioner med hjälp av Switas specialiserade resonemangslogik.
Dessutom är dessa paket inte statiska. Allt eftersom marknadsförhållanden, sökalgoritmer eller bästa praxis för konsulttjänster utvecklas uppdaterar utgivaren huvud-OKF-paketet. Dessa uppdateringar sprids över hela nätverket, vilket säkerställer att klientens lokaliserade AI-information kontinuerligt uppdateras.
5. Omfattande FAQ: Navigera bland de tekniska och strategiska nyanserna i OKF
I takt med att OKF får allt större genomslag kommer företagsteam, utvecklare och marknadschefer att ställa viktiga frågor. Här är vad du behöver veta:
F1: Hur upptäcker och får externa AI-agenter faktiskt tillgång till våra OKF-paket?
Identifiering kommer till stor del att hanteras via den framväxande standarden llms.txt. Filen llms.txt, som finns i rotkatalogen på en webbplats (liknande robots.txt), fungerar som en katalog för språkmodeller.
Genom att lägga till en direkt URI-sökväg som pekar till ditt publika OKF-paket i din llms.txt-fil signalerar du till crawler-agenter (som GPT-Bot, Claude-Bot eller Google-Extended) att en strukturerad, maskinoptimerad wiki med din affärskunskap är tillgänglig för direkt konsumtion.
F2: Är OKF en ersättning för vektordatabaser (vektordatabaser) och grafdatabaser?
Nej. OKF är inte en databas; det är en specifikation för utbyte och lagring.
I personlig skala eller för småföretag (under 100 dokument eller ungefär 80 000 tokens) kan en LLM läsa en OKF-katalog direkt från ett filsystem utan någon mellanhand i databasen.
Men på företagsnivå fungerar OKF-paket som den rena, mänskligt kurerade "källan till sanning" som matar in dina bredare hämtningssystem. Ett företag kommer vanligtvis att mata in sina OKF-paket, vektorisera dem till en vektordatabas för semantisk sökning och använda dem för att konstruera en företagsomfattande grafdatabas. OKF tillhandahåller de rena, strukturerade semantiska indata som förhindrar databasförorening.
F3: Hur förhindrar OKF hallucinationer med AI?
Traditionell RAG hallucinerar ofta eftersom den tvingar en LLM att generera svar från fragmenterade, ibland motsägelsefulla dokumentutdrag.
OKF förhindrar detta genom att tillämpa explicit relationsmappning, spelböcker och exakta referenser. Eftersom OKF-koncept är noggrant utvalda och strukturerade av människor (eller sammanställda under strikt mänsklig övervakning) förlitar sig agenten på försyntetiserad, verifierad logik snarare än att gissa kopplingar i farten. Dessutom säkerställer OKFs inbyggda stöd för citat att varje faktisk påstående som görs av en agent kan spåras tillbaka till en specifik, verifierad Markdown-fil eller dataresurs.
F4: Måste vi skriva och underhålla dessa OKF-paket manuellt?
Absolut inte. Att skriva hundratals markdown-filer och spåra komplexa YAML-scheman manuellt skulle vara en flaskhals.
Istället är processen kooperativ: människor lär sig och styr; AI-agenter sammanställer och underhåller.
Med hjälp av avancerade agentinställningar (som Claude Code, Cursor eller anpassade Python-pipelines) matar du in rådatakällor – som transkript, whitepapers och databasscheman – i systemet. Agenten extraherar automatiskt koncepten, skriver YAML-frontmattern, skapar korslänkarna och loggar ändringarna i log.md.
Människans roll övergår till att vara en redaktörs: granska den sammanställda wikin, lägga till strategisk vägledning och köra automatiserade "linter"-skript för att kontrollera om det finns trasiga länkar, föräldralösa sidor eller logiska motsägelser.
Förberedelser inför agentskiftet med Switas
Lanseringen av Open Knowledge Format är en tydlig signal om vart den digitala ekonomin är på väg. Vi rör oss bort från ett internet av spridda sidor designade för mänsklig scrollning, och mot ett internet av sammanlänkade digitala hjärnor designade för agentmässig exekvering.
För företag är valet tydligt: antingen börja strukturera er företagskunskap idag, eller riskera att bli osynlig för de AI-agenter som kommer att driva morgondagens handel.
På Switas har vi en unik position för att hjälpa er organisation att navigera i denna övergång. Genom att kombinera vår djupa expertis inom digital strategi, datateknik och nya AI-standarder kan vi hjälpa er att omvandla era fragmenterade affärstillgångar till en kraftfull och sammansatt OKF-kunskapsmotor.
Framtiden är decentraliserad, strukturerad och handlingskraftig. Låt oss bygga den tillsammans.
