OKF peut-il remplacer le RAG pour les agents IA ?

OKF ne remplace pas le RAG partout, mais il règle un vrai problème des agents IA : garder une connaissance structurée, lisible et liée. Je vais vous montrer où le chunking casse le contexte, ce qu’apporte l’Open Knowledge Format, et dans quels cas ça vaut le coup.

Pourquoi le RAG bloque parfois ?

Le RAG bloque parfois parce qu’il transforme une connaissance organisée en fragments isolés, puis demande au modèle de reconstruire les liens au moment de répondre.

Le principe est simple. On part de documents source, par exemple des PDF, des pages Notion, des procédures internes ou une base de connaissance. Le système découpe ces contenus en morceaux, qu’on appelle des chunks. Puis il transforme chaque chunk en embedding, une sorte d’empreinte numérique du sens du texte. Ces empreintes sont stockées dans un index vectoriel, qui permet de retrouver les passages les plus proches d’une question. Ensuite, ces passages sont injectés dans le prompt, c’est-à-dire le contexte donné au modèle avant qu’il réponde.

Sur le papier, c’est propre. Dans la vraie vie, le problème vient souvent du découpage. Le chunking peut casser la structure logique d’un contenu. Ce n’est pas dramatique si vous cherchez une citation, une définition ou une phrase précise. Là, le RAG fait très bien le job. Mais dès que la connaissance dépend de relations entre étapes, règles, exceptions ou concepts, ça devient plus fragile.

Prenez une politique d’admission dans un hôpital. Il y a le triage du patient, puis l’enregistrement dans l’EHR, le dossier médical électronique, puis l’attribution d’un lit selon l’état du patient, les disponibilités et parfois des règles de priorité. Si ces éléments finissent dans trois chunks différents, l’agent IA doit refaire le lien à chaque question. Il doit comprendre que le triage conditionne l’enregistrement, que l’enregistrement déclenche certaines validations, et que l’attribution du lit dépend de tout ça. C’est coûteux, incertain, et parfois faux.

J’ai vu ce problème chez des clients avec des bases documentaires propres en apparence. Les pages étaient bien écrites, bien rangées, parfois même validées par les métiers. Mais une fois passées dans un pipeline RAG trop automatique, tout devenait flou. Pas parce que les documents étaient mauvais. Parce que la structure implicite avait disparu.

Situation	Risque
Recherche de citation	Risque faible, le bon fragment suffit souvent.
Procédure métier	Risque moyen à fort, les étapes peuvent être séparées.
Politique interne	Risque fort, les exceptions et conditions sont souvent dispersées.
Documentation technique liée	Risque fort, une réponse correcte dépend souvent de plusieurs concepts connectés.

C’est quoi OKF ?

OKF, ou Open Knowledge Format, est une spécification ouverte pensée pour organiser des connaissances que des agents IA peuvent lire, maintenir et parcourir.

Google a annoncé cette approche en juin 2026, avec une idée assez saine à mon avis : se concentrer sur le format des connaissances, pas sur un SDK, pas sur une plateforme fermée, pas sur un énième outil magique. Le principe est volontairement simple. Des fichiers Markdown pour le contenu, des métadonnées YAML légères pour décrire le contexte, et des liens entre concepts pour aider l’agent à naviguer.

Ce que j’aime là-dedans, c’est que l’agent ne repart pas de zéro à chaque requête. Dans un RAG classique, on récupère souvent des bouts de texte via similarité vectorielle, puis le modèle essaie de reconstruire le sens. Avec OKF, les concepts importants sont déjà nommés, reliés, résumés. La base devient éditable, versionnable, relue par des humains. C’est moins sexy qu’un gros graphe automatique, mais souvent beaucoup plus utile.

Ça rappelle l’idée de LLM Wiki popularisée par Andrej Karpathy : une base de connaissance maintenue pour les modèles, avec des résumés propres, des liens, et des améliorations continues. Je le vois plutôt comme une inspiration conceptuelle, pas comme une dépendance technique. OKF ne dit pas “utilisez tel produit”. Il dit plutôt “structurez mieux ce que vos agents doivent savoir”.

Le choix Markdown + YAML + liens compte vraiment, surtout en équipe :

• Markdown reste lisible par n’importe qui, même sans outil spécialisé.
• YAML permet d’ajouter des tags, une source, un statut, une date, sans alourdir le fichier.
• Les liens entre concepts donnent une carte navigable, pas juste un tas de documents.
• Git permet de suivre les changements, relire les corrections, revenir en arrière.
• La connaissance devient moins opaque qu’un index vectoriel pur, où on ne sait pas toujours pourquoi tel passage remonte.

Un fichier OKF pourrait ressembler à ça :

---
Concept: RAG
Tags: ia, recherche, connaissance
Statut: validé
Source: documentation interne
Liens:
  - OKF
  - Index vectoriel
  - Agent IA
---

Résumé:
Le RAG permet à un modèle de langage de récupérer des documents externes avant de répondre.

Contexte:
Utile quand la connaissance change souvent ou quand elle n’est pas dans les données d’entraînement du modèle.

Notes:
À comparer avec OKF quand les relations entre concepts doivent être explicites et maintenues dans le temps.

J’ai vu des équipes perdre des semaines à “optimiser le RAG”, alors que le vrai problème était plus banal : leurs connaissances étaient mal rangées. OKF attaque justement ce problème-là.

Comment un bundle OKF est structuré ?

Un bundle OKF est une collection de fichiers Markdown enrichis par quelques métadonnées YAML et reliés entre eux par des liens explicites.

Le principe est assez simple. On garde la connaissance dans un format lisible par un humain, modifiable sans outil lourd, mais assez structuré pour qu’un agent IA puisse s’y repérer. L’objectif n’est pas de faire compliqué. L’objectif, c’est de rendre la connaissance navigable.

Je vois trois briques principales dans un bundle OKF.

• Les fichiers Markdown portent le contenu réel : procédures, définitions, règles métier, exemples, cas limites, décisions internes.
• Les métadonnées YAML qualifient cette connaissance. YAML, c’est un format très lisible pour décrire des informations sous forme de clés et de valeurs.
• Les liens connectent les concepts entre eux, un peu comme dans une base documentaire bien tenue, mais avec une structure plus explicite.

Les métadonnées légères peuvent contenir un identifiant, un titre, un type de concept, une date de mise à jour, des tags, des liens entrants ou sortants, voire un niveau de confiance si l’organisation choisit de le gérer. Ces exemples illustrent l’usage possible de métadonnées légères. Ce n’est pas une norme complète gravée dans le marbre.

Git, ou n’importe quel système de versioning, ajoute une couche importante. Versioning veut dire qu’on garde l’historique des changements. On peut tracer les modifications, relire ce qui a changé, revenir en arrière, comprendre qui a modifié quoi. Là, on n’est plus sur une pile de fichiers posés dans un dossier. On se rapproche d’une vraie base de connaissance d’entreprise, avec de la gouvernance, même légère.

Les liens changent aussi le comportement de l’agent IA. Il ne cherche pas seulement le passage le plus proche dans un tas de texte. Il peut suivre une relation entre une procédure, une règle, une exception, une définition ou un système métier. Ça paraît banal, mais dans un projet client, c’est souvent là que la qualité des réponses bascule.

Composant	Rôle	Bénéfice pour l’agent IA
Markdown	Stocker le contenu métier lisible	Comprendre et citer une connaissance claire
YAML	Qualifier les fichiers avec des métadonnées légères	Filtrer, prioriser et contextualiser les réponses
Liens	Relier procédures, règles, exceptions et concepts	Naviguer dans la connaissance au lieu de chercher au hasard
Versioning	Suivre les changements dans le temps	Utiliser une connaissance traçable et plus fiable

Quand garder le RAG ?

Il faut garder le RAG quand le besoin principal est de retrouver vite des informations dans de gros volumes de documents peu structurés.

Le RAG et OKF ne sont pas ennemis. Le RAG, pour Retrieval Augmented Generation, sert à aller chercher des passages pertinents dans une base documentaire avant de répondre. C’est très utile quand le corpus est large, hétérogène, vivant, ou franchement pas encore rangé.

Je le garde sans hésiter pour des archives PDF, des tickets support, une documentation brute, des contenus longs, ou une recherche exploratoire où on ne sait pas encore exactement ce qu’on cherche. Dans ces cas-là, vouloir tout structurer trop tôt peut coûter cher, et parfois ça ralentit juste l’équipe.

OKF devient plus intéressant quand la connaissance doit être fiable, reliée, réutilisable et améliorable. Par exemple, des procédures critiques, des règles métier avec exceptions, des politiques internes, des décisions de conformité, ou une documentation que des agents IA vont utiliser tous les jours. Là, le sujet n’est plus seulement “retrouver un texte”. C’est comprendre quelles règles s’appliquent, dans quel contexte, avec quelles dépendances.

Dans les projets IA, je préfère souvent commencer par cartographier les connaissances critiques avant de brancher des embeddings partout. Les embeddings, c’est la représentation numérique qui permet au RAG de retrouver des textes proches en sens. C’est puissant. Mais si la base est confuse, contradictoire ou obsolète, on automatise surtout le désordre. Je l’ai vu chez un client avec une base support énorme. Le moteur retrouvait bien des réponses, mais parfois trois réponses incompatibles. Le vrai gain est arrivé quand on a stabilisé les règles importantes à part.

L’approche la plus saine est souvent hybride. Le RAG sert à découvrir, retrouver, explorer. OKF sert à stabiliser les connaissances importantes. Une équipe peut utiliser le RAG pour analyser des documents, repérer les concepts récurrents, puis transformer ce qui est validé en fichiers OKF reliés entre eux.

Besoin	Meilleur choix	Raison
Recherche large	RAG	Il retrouve vite des informations dans un corpus volumineux.
Procédure métier	OKF	Il structure les étapes, les règles et les exceptions.
Base documentaire non structurée	RAG	Il fonctionne même quand les documents ne sont pas encore organisés.
Agent autonome	OKF	Il donne une connaissance stable que l’agent peut réutiliser proprement.
Conformité ou traçabilité	OKF	Il rend les règles explicites, vérifiables et maintenables.

Alors on structure avant d’automatiser ?

OKF apporte une réponse simple à un problème que je vois souvent : les agents IA ont besoin de connaissances fiables, pas seulement de fragments retrouvés par similarité. Le RAG reste très utile pour explorer de gros volumes et retrouver vite des passages. Mais dès qu’une connaissance dépend de liens, d’étapes, d’exceptions ou de règles métier, une base structurée devient plus saine. Markdown, YAML, liens et versioning, ce n’est pas spectaculaire, mais c’est solide. Pour vous, le bénéfice est clair : moins de réponses approximatives, plus de traçabilité, et des agents IA qui travaillent sur une connaissance vraiment maîtrisée.

FAQ

• Qu’est-ce que OKF pour les agents IA ?
  OKF, ou Open Knowledge Format, est une manière ouverte d’organiser des connaissances pour les agents IA. L’idée est simple : utiliser des fichiers Markdown, des métadonnées YAML légères et des liens entre concepts pour créer une base lisible, maintenable et versionnable.
• Pourquoi le RAG peut poser problème avec une base de connaissance ?
  Le RAG découpe souvent les documents en fragments avant de les indexer. Ce découpage aide à retrouver des passages, mais il peut casser les relations entre les idées. Pour une procédure métier ou une règle avec plusieurs étapes, l’agent doit reconstruire le contexte à chaque requête.
• OKF remplace-t-il complètement le RAG ?
  Non. OKF est plus adapté aux connaissances organisées, liées et maintenues dans le temps. Le RAG reste pertinent pour chercher dans de gros volumes de documents peu structurés. Dans beaucoup de cas, le bon choix sera hybride : RAG pour explorer, OKF pour stabiliser.
• Pourquoi utiliser Markdown et YAML dans OKF ?
  Parce que ce sont des formats simples, lisibles par les humains et faciles à versionner. Une équipe peut relire les contenus, suivre les changements, corriger les erreurs et organiser la connaissance sans dépendre uniquement d’un index opaque ou d’une base vectorielle.
• Dans quels cas OKF est le plus utile ?
  OKF est utile quand vos agents IA doivent manipuler des procédures, des politiques internes, des règles métier, des concepts liés ou des connaissances qui évoluent. C’est particulièrement intéressant quand la traçabilité, la maintenance et la cohérence comptent autant que la vitesse de recherche.

 

 

A propos de l’auteur

Je suis Franck Scandolera, expert et formateur en tracking avancé server-side, Analytics Engineering, automatisation No/Low Code avec n8n, intégration de l’IA en entreprise et SEO/GEO. Je dirige l’agence webAnalyste et l’organisme Formations Analytics. J’accompagne des équipes comme Logis Hôtel, Yelloh Village, BazarChic, la Fédération Française de Football ou Texdecor sur des sujets data, IA et automatisation. Si vous voulez structurer vos connaissances, fiabiliser vos agents IA ou connecter ça à vos workflows business, contactez-moi.