Vos agents IA oublient tout ? Voici comment leur créer une vraie mémoire d'entreprise
Dans la plupart des organisations, les modèles d'IA ont besoin de connaissances internes à l'entreprise pour fonctionner. Cela permet généralement de répondre correctement à des questions métier spécifiques. Par exemple, un agent IA pourra expliquer à un client les conditions de remboursement spécifiques d’une PME, au lieu de donner une réponse générale ou floue.
Mais ces connaissances sont dispersées dans des sources hétérogènes, à savoir des catalogues de métadonnées, des wikis, ou encore dans le code. Les agents IA cherchent aussi l'information dans des systèmes parfois incompatibles entre eux. Chaque fournisseur possède en effet son propre format.
Pour pallier cela, Google a dévoilé le 12 juin 2026 l’Open Knowledge Format (OKF). Ce standard ouvert permet de représenter les connaissances d’une organisation dans un format commun à tous les agents. La connaissance est stockée dans un simple dossier de fichiers texte (Markdown). Celui-ci est lisible dans n’importe quel éditeur. Il est indexable par n’importe quel outil de recherche.
Chaque fichier commence par un petit bloc de métadonnées en YAML délimité par trois tirets (---). Il est constitué d'informations structurées pour définir des propriétés sur le contenu qui suit. On y trouve obligatoirement le type, puis optionnellement le titre, la description, la ressource, les tags, l’horodatage. Le corps en Markdown suit immédiatement après la fermeture du bloc YAML. Notons que le format de sérialisation de données est conçu pour être facilement lisible par les humains, tout en étant exploitable par les machines. En voici un exemple :
YAML --- type: BigQuery Table title: Orders description: One row per completed customer order. resource: https://console.cloud.google.com/bigquery?p=acme&d=sales&t=orders tags: [sales, revenue] timestamp: 2026-05-28T14:30:00Z --- # Schema
Il existe enfin dans ce fichier quelques règles communes simples : nommage des fichiers, structure des métadonnées, ou encore façon de faire des liens entre pages. L’ensemble de ces fichiers est placé dans un dossier de fichiers Markdown. On parle de bundle OKF pour le désigner. Dans celui-ci, chaque fichier représente un concept. Cela peut être des tables, des jeux de données, des métriques, ou encore des playbooks. Le chemin d'accès sert d'identifiant.
Voici un exemple de bundle OKF :
Plaintext
sales/
├── okf.yaml
├── index.md
├── datasets/
│ ├── index.md
│ └── orders_db.md
├── tables/
│ ├── index.md
│ ├── orders.md
│ └── customers.md
└── metrics/
├── index.md
└── weekly_active_users.md
Notons que l’OKF possède un avantage par rapport au RAG. Si ce dernier traite les données comme un texte à hacher en morceaux mécaniquement, l'OKF gère la data comme une bibliothèque déjà bien rangée. Elle propose des dossiers clairs, des étiquettes et des liens entre les sujets. L'IA "comprend" mieux, parce qu'elle reçoit une information déjà organisée plutôt que du texte brut découpé au hasard.
Exemple pour regrouper les données
Afin de mieux appréhender cela, nous allons créer un cas pratique visant à centraliser les connaissances d’une PME.
Étape 1 : préparation du "Bundle" de connaissances
La première étape consiste à créer un "bundle" de connaissances. Cet environnement accueillera nos données. Nous créons un nouveau dossier sur notre ordinateur, connaissances-pme/. A l'intérieur, nous créons un fichier texte nommé okf.yaml. Ce fichier servira de "carte d'identité" à notre catalogue global. Notons que .yaml et .yml sont deux extensions valides du format YAML pour "Yet Another Markup Language". Nous y notons :
YAML version: "0.1" name: "Bundle de Test PME - OKF" description: "Exemple de structure de connaissances pour tester l'interopérabilité avec les agents IA." maintainer: "Service Client - PME Exemple" last_updated: "2026-07-02" language: "fr" tags: ["test", "tutoriel", "e-commerce"]
Étape 2 : organisation par domaines
Le dossier racine se découpe en sous-dossiers thématiques, un par domaine métier. Cette structure permet à l'IA de localiser la bonne information selon le type de question posée. Ici, nous avons différents sous-dossiers. "processus/" contient le fichier gestion-retours.md. "produits/" comporte le fichier aspirateur-z500.md. "culture/" parle des valeurs et de la vision d'entreprise. Il contient le fichier valeurs.md.
Étape 3 : conversion des documents en Markdown
Chaque document (procédure, fiche produit, note...) devient un fichier .md, avec un en-tête YAML en haut. Il est délimité par ---. Exemple avec produits/aspirateur-z500.md :
YAML --- title: "Fiche Technique : Aspirateur Z500" author: "Équipe Produit" category: "Électroménager" tags: ["aspirateur","technique","z500"] status: "commercialisé" --- Aspirateur Robot Z500 - Spécifications Le Z500 est notre modèle phare pour le nettoyage autonome des surfaces dures et tapis. Caractéristiques Techniques Puissance d'aspiration : 4000 Pa. Autonomie : 150 minutes. Capacité du bac : 600 ml. Connectivité : Wi-Fi 2.4 GHz, compatible Alexa et Google Home. Maintenance Vider le bac après chaque cycle. Nettoyer les brosses latérales une fois par semaine. Remplacer le filtre HEPA tous les 6 mois.
Étape 4 : tester avec un agent IA
Nous vérifions que chaque .md a bien son en-tête YAML incluant le champ type, et que okf.yaml est présent à la racine. Nous compressons le dossier en .zip et l'importons dans une conversation avec une IA (Claude, ChatGPT, Gemini...). Nous posons une question précise, par exemple :
"en te basant sur mon bundle OKF, explique-moi les conditions de retour d'un aspirateur Z500 pour un client non-Premium."
L'IA croise okf.yaml, le contexte global, avec les en-têtes YAML des fichiers processus/gestion-retours.md et produits/aspirateur-z500.md. Elle donne une réponse précise, sans avoir à deviner le contexte.
Structurer les fichiers Markdown et métadonnées YAML dans un dossier compressé
Plus généralement, le déploiement de l'OKF demande de créer un dossier racine qui sert de point central. On doit placer à la racine un fichier okf.yaml qui décrit le contenu global. Chaque document doit commencer par un bloc de métadonnées YAML pour être interrogeable par l'IA.
Pour une mise en œuvre rapide, identifiez les connaissances critiques (schémas de données, procédures, fiches produits). Transformez vos documents (Word, PDF, Excel) en fichiers texte Markdown (.md). Rangez-les dans une arborescence logique. Le chemin d'accès sert d'identifiant unique. Compressez le dossier en .zip pour l'importer dans vos outils d'IA (ChatGPT, Claude…) ou connectez-le à votre agent interne.