Google OKF

Google OKF : a-t-on besoin d’un nouveau standard pour donner du contexte aux IA ?

Les modèles d’IA savent écrire du code, analyser des données et utiliser des outils. Ils restent pourtant dépendants du contexte qu’on leur fournit. En juin 2026, Google Cloud a proposé l’Open Knowledge Format, ou OKF, pour rendre cette connaissance portable entre outils et agents. Le format repose surtout sur des fichiers Markdown et du YAML, ce qui pose une question assez légitime : avons-nous besoin d’un nouveau standard pour formaliser des pratiques qui existent déjà ?

OKF veut standardiser le contexte, pas créer une nouvelle base de connaissances

Google présente OKF comme un format ouvert et indépendant des fournisseurs pour représenter les métadonnées, le contexte et les connaissances utilisées par les agents IA.

Le problème visé est concret. Une entreprise peut déjà documenter ses API, ses règles métier ou ses jeux de données dans des README, des wikis, Notion ou GitHub. Ces ressources suivent toutefois leurs propres conventions. Lorsqu’un nouvel agent doit les utiliser, il faut souvent écrire une couche d’adaptation spécifique.

OKF cherche à créer une surface d’interopérabilité minimale : plusieurs outils pourraient produire des connaissances selon les mêmes conventions et plusieurs agents pourraient ensuite les lire sans traduction spécifique.

Le format ressemble volontairement à ce que les développeurs utilisent déjà

La spécification OKF v0.2 décrit un bundle comme un répertoire de fichiers Markdown avec du frontmatter YAML. Chaque fichier représente un concept.

Le champ type est obligatoire. Des champs comme title, description, resource ou tags peuvent ensuite préciser le contenu. La spécification permet aussi d’ajouter ses propres métadonnées.

Il n’y a ni registre central de types, ni serveur obligatoire, ni SDK imposé. Un dépôt Git peut suffire. Google insiste même sur ce point : OKF est un format, pas une plateforme.

À quoi ressemble un fichier OKF ?

Prenons une entreprise qui veut documenter une API de remboursement pour qu’un agent de support ou de développement puisse l’utiliser.

Un fichier remboursement.md pourrait contenir :

yaml
---
type: API Endpoint
title: Rembourser une commande
description: Endpoint permettant de rembourser un paiement client.
tags: [paiement, support, remboursement]
---

# Remboursement

Utiliser POST /payments/{id}/refund.

Un remboursement supérieur à 500 euros nécessite une validation manuelle.


Un humain peut lire ce document comme n’importe quelle documentation Markdown. Un agent peut exploiter le champ type, les autres métadonnées et le corps du document sans dépendre d’un format propriétaire.

Google a-t-il simplement réinventé Markdown avec du YAML ?

Les briques techniques d’OKF n’ont rien de nouveau. Markdown existe depuis longtemps et le frontmatter YAML est déjà courant dans les générateurs de sites statiques, les wikis techniques et de nombreux outils de documentation.

L’intérêt d’un standard ne vient cependant pas toujours d’une invention technique. Une convention commune peut devenir utile lorsque plusieurs outils acceptent de produire et de lire la même structure.

Google décrit d’ailleurs OKF comme la formalisation d’un motif déjà répandu, le LLM-wiki pattern. Le projet cherche moins à inventer une nouvelle manière d’écrire de la documentation qu’à rendre ces wikis compatibles entre eux.

OKF et MCP ne répondent pas au même problème

MCP standardise surtout la manière dont un agent communique avec des outils et des sources externes. OKF cherche à normaliser la représentation d’une partie de la connaissance que l’agent va consommer.

Les deux peuvent donc être utilisés ensemble. Un serveur MCP peut donner à un agent l’accès à une ressource, tandis qu’un bundle OKF peut fournir une structure commune pour la documentation, les définitions métier ou les métadonnées qui décrivent cette ressource.

La différence est importante : OKF ne définit pas comment appeler un outil ni comment exécuter une action.

La version 0.2 ajoute surtout une question de confiance

OKF v0.2, publiée en juillet 2026, ajoute des conventions autour de la provenance, de la confiance, de la fraîcheur, du cycle de vie et de l’attestation.

Cette évolution répond à un problème propre aux systèmes agentiques : les agents ne se contentent plus de lire la documentation, ils peuvent aussi la produire ou la mettre à jour. Un autre agent doit alors pouvoir savoir d’où vient une information, si elle a été vérifiée et si elle est toujours valable.

Le format reste volontairement minimal, mais il commence donc à traiter la qualité du contexte en plus de sa structure.

Google commence déjà à utiliser OKF dans Knowledge Catalog

Google Cloud a intégré OKF à Knowledge Catalog pour permettre l’ingestion et le partage de bundles au sein d’une organisation. L’article publié en août 2026 présente notamment le catalogue comme une couche permettant de rechercher, gouverner et servir ces connaissances aux agents.

Cette intégration illustre aussi la frontière voulue par Google. OKF définit le format portable. Knowledge Catalog fournit ensuite un service pour le stocker, le gouverner et le distribuer à grande échelle.

Un bundle OKF peut donc exister sans Google Cloud, même si Google propose naturellement ses propres outils pour l’exploiter.

Le vrai test sera l’adoption en dehors de Google

Un standard de connaissance n’apporte de valeur que si plusieurs producteurs et consommateurs l’adoptent. Tant qu’un fichier OKF n’est reconnu que par quelques outils, il reste essentiellement un dossier Markdown bien organisé.

Son principal avantage potentiel vient justement de sa banalité technique : fichiers texte, Git, Markdown, YAML et aucune dépendance obligatoire à une infrastructure propriétaire.

OKF rejoint une liste de conventions apparues autour des agents, comme MCP, AGENTS.md ou llms.txt. Le besoin de structurer le contexte existe. Reste à savoir si l’écosystème a besoin d’un standard commun ou s’il continuera à empiler plusieurs conventions spécialisées.

Sources


Qu’est-ce que l’Open Knowledge Format de Google ?

Open Knowledge Format, ou OKF, est une spécification ouverte pour représenter des connaissances destinées aux humains et aux agents IA sous forme de fichiers Markdown accompagnés de métadonnées YAML.

Quelle est la différence entre OKF et MCP ?

MCP définit principalement une manière commune pour les agents de se connecter à des outils et à des sources. OKF définit une manière commune de structurer certaines connaissances et métadonnées que ces agents peuvent lire.

OKF nécessite-t-il Google Cloud ?

Non. OKF est conçu comme un format indépendant des fournisseurs. Un bundle peut être stocké dans un dossier, un dépôt Git ou servi par l’outil de son choix.

Pourquoi créer OKF si Markdown et YAML existent déjà ?

OKF ne remplace pas Markdown ou YAML. Il ajoute des conventions communes afin que plusieurs producteurs et plusieurs agents puissent échanger des connaissances sans définir un format différent pour chaque outil.

Sur le même sujet

Markdown Langage
Le Markdown comme langue de l'IA

Comment et pourquoi le Markdown s'est-il imposé comme la langue de l'IA ?

Dans le monde de l'intelligence artificielle, un langage discret mais puissant a pris une importance considérable : le Markdown. Ce format de balisage léger, créé il y a près de 20 ans, est aujourd'hui au cœur de nos interactions avec les IA comme ChatGPT, Claude ou Gemini. Comment expliquer ce phénomène ? Pourquoi ce langage est-il devenu essentiel dans notre dialogue avec les machines ?

Google Gemini CLI
Gemini CLI remplacé par Antigravity CLI

Google coupe Gemini CLI et pousse les développeurs vers Antigravity

Google a annoncé la transition de Gemini CLI vers Antigravity CLI, avec une date importante pour les développeurs : le 18 juin 2026. Après cette date, l’ancien outil en ligne de commande et certaines extensions liées à Gemini Code Assist ne serviront plus les requêtes des comptes gratuits, Google AI Pro et Google AI Ultra. Cet article fait le point pour les développeurs qui utilisaient Gemini CLI dans leur terminal, souvent avec VS Code, et qui veulent comprendre ce qui change vraiment, ce qui reste possible, et quelles alternatives envisager.

mistral mistral ai
Logo Mistral AI sur fond bleu

Qu’est-ce que Mistral AI ?

Mistral AI est une startup française qui veut jouer dans la cour des grands de l’intelligence artificielle. À travers une approche radicalement ouverte et des modèles performants comme Mistral 7B ou Mixtral, elle ambitionne de concurrencer les géants comme OpenAI ou Meta. Mais que fait vraiment Mistral AI, et pourquoi tout le monde en parle ?

Vibe coding dette technique
Vibe Coding Cleanup Specialist

Vibe Coding Cleanup Specialist : le métier qui nettoie les projets codés par IA

Le vibe coding est redoutablement efficace pour démarrer un projet. Une idée, quelques prompts, et l'application prend forme à une vitesse difficile à obtenir en codant tout à la main. Puis arrive un moment que je rencontre souvent sur mes propres projets : le code grossit, les dépendances se multiplient et l'agent commence à perdre la vision d'ensemble. Il sait encore produire du code. Il peut même réaliser un bon refactoring. Mais pour le faire correctement, il doit relire une partie importante du dépôt, reconstruire les dépendances, retrouver les règles métier et lancer les tests. Le coût en contexte et en tokens augmente fortement. C'est dans cet espace qu'apparaît le terme Vibe Coding Cleanup Specialist : un développeur qui reprend les prototypes générés avec l'IA pour leur redonner une architecture cohérente, des tests et un code maintenable.

Agents Tokens
Coût des tokens agents IA

Agents de code IA : comprendre et contrôler la consommation de tokens

Intégrer un agent de développement comme Cursor ou Claude Code dans un workflow change la productivité. Mais la première facture provoque souvent une sensation de vertige : L'opacité est totale : l'interface ne montre que le résultat, pas la mécanique cachée.
Cet article s'adresse aux développeurs et architectes qui doivent intégrer ces coûts dans leurs budgets, en décortiquant précisément ce qu'est un token, pourquoi une sortie coûte plus cher qu'une entrée, et comment les agents gonflent la facture en silence.

SaaS AaaS
SaaS contre AaaS

SaaSpocalypse : les AaaS vont-ils tuer les petits SaaS ?

Pendant des années, le modèle était simple : vous aviez un problème, vous cherchiez un logiciel et vous payiez un abonnement. Software as a Service : SaaS.

L’arrivée des agents IA fait apparaître une autre logique : Agent as a Service, ou AaaS. Vous ne payez plus forcément pour accéder à un logiciel. Vous demandez un résultat à un agent qui utilise plusieurs outils ou exécute directement le travail.

Pour les petits SaaS, la menace devient alors double. Un agent de code peut reconstruire leur fonction. Un agent autonome peut aussi rendre leur interface inutile.