A mediados de 2026, Google y sus socios de industria publicaron dos especificaciones abiertas que definen cómo los agentes de IA encuentran, leen y confían en los recursos que un negocio expone en la web: el Open Knowledge Format (OKF) y la especificación Agentic Resource Discovery (ARD). Resuelven problemas distintos, pero juntas forman la base de lo que se está llamando la web agéntica: una internet donde agentes autónomos, y no solo humanos, descubren y usan tu contenido, tus herramientas y tus servicios.
AuraMetrics incluye un generador y un validador de compliance para ambos estándares. Este artículo explica qué es cada uno, por qué Google está detrás, para qué se usan en la práctica y exactamente qué valida AuraMetrics.
Qué es el Open Knowledge Format (OKF)
OKF es una especificación abierta y vendor-neutral publicada por Google Cloud en junio de 2026 (v0.1) para representar el conocimiento de una organización como un directorio de archivos markdown planos con frontmatter YAML. Cada archivo describe un concepto: un dataset, una métrica, una API, una línea de producto, una política, un procedimiento. Los archivos se enlazan entre sí con links estándar de markdown, y el único campo obligatorio del frontmatter es type.
La decisión de diseño que importa: OKF es un formato, no un servicio. No hay SDK, no hay cuenta, no hay plataforma propietaria. Si sabés escribir markdown, podés producir OKF. Cualquier LLM, framework de agentes, índice de búsqueda o humano con un editor de texto puede consumirlo. Un bundle OKF completo puede vivir en un repositorio git, distribuirse como tarball o servirse desde cualquier filesystem.
OKF formaliza un patrón al que muchos equipos de IA ya habían llegado de manera informal: la LLM wiki, un conjunto de documentos markdown interconectados que los agentes leen como contexto. El aporte de Google fue estandarizarlo para que los paquetes de conocimiento sean portables entre herramientas y organizaciones, igual que OpenAPI estandarizó cómo las APIs se describen a sí mismas.
Qué es Agentic Resource Discovery (ARD)
ARD es una especificación abierta en borrador (actualmente v0.9) desarrollada por un grupo de trabajo que incluye a Google, Microsoft, GoDaddy, Hugging Face y otros. Define cómo los agentes de IA descubren capacidades en tiempo de ejecución en vez de tenerlas precargadas.
La arquitectura se apoya en dos piezas:
Catálogos. Una organización publica un manifiesto legible por máquinas, ai-catalog.json, en una ruta conocida de su propio dominio. El catálogo describe las capacidades que la organización expone: servidores MCP, agentes A2A, APIs, skills y herramientas. Como el archivo está alojado en el dominio del publicador, la propiedad del dominio se convierte en la base criptográfica de identidad y confianza. Registries. Los registries son los buscadores de la web agéntica. Rastrean los catálogos publicados, los indexan y exponen una interfaz de búsqueda REST estándar. Un agente pregunta "qué hay disponible para esta tarea" en lenguaje natural, y el registry devuelve resultados rankeados y verificables.
ARD se ubica deliberadamente antes de la invocación. No reemplaza a MCP, A2A ni OpenAPI: es la capa de descubrimiento que ayuda al agente a encontrar el recurso correcto, que después se invoca por su protocolo nativo. La adopción fue rápida: GitHub construyó el agent finder de Copilot sobre ARD, Hugging Face publicó una implementación de referencia sobre su catálogo de Spaces y Skills, y Snowflake anunció soporte enterprise.
Por qué Google los recomienda
Ambas especificaciones atacan el mismo problema estratégico desde ángulos distintos: los modelos de fundación son potentes, pero están limitados por el contexto y las capacidades a las que pueden llegar. La motivación declarada de Google para OKF es que el conocimiento organizacional está disperso en wikis, catálogos, drives y repositorios, en formatos que los agentes no pueden usar de forma confiable. Su motivación para ARD es que el modelo de instalar primero, donde cada herramienta debe estar hardcodeada antes de que un agente pueda usarla, no escala a una web con millones de agentes y capacidades.
Para Google, cuya plataforma Gemini Enterprise Agent depende de que los agentes encuentren recursos confiables, los estándares abiertos hacen crecer el ecosistema más rápido que cualquier catálogo propietario. Para los negocios, el incentivo es simétrico: si los agentes se están convirtiendo en un canal de distribución, ser descubrible y legible para ellos es el nuevo equivalente a ser indexable por un buscador.
Una aclaración honesta, que sale de la propia documentación de Google: OKF no es una señal de ranking. Publicar un bundle OKF no va a mejorar tu posición en la búsqueda clásica de Google. Su valor está en la capa agéntica: hacer que tu conocimiento sea consumible por sistemas de IA, incluidos los que tus clientes usan cada vez más para pedir recomendaciones.
Para qué se usan en la práctica
Para una marca o un e-commerce, los casos de uso concretos son estos:
OKF empaqueta el conocimiento que querés que los agentes manejen bien: especificaciones de producto, tablas de compatibilidad, guías de talles, políticas, cobertura de servicio, estructuras de precios. Cuando un agente (o un asistente interno de IA, o el sistema de un partner) necesita datos de tu negocio, un bundle OKF le da una fuente canónica y versionable en vez de dejarlo scrapear y adivinar. ARD hace que tus capacidades accionables sean encontrables. Si exponés un servidor MCP, una API de reservas, un endpoint de feed de productos o un agente de soporte, ai-catalog.json es la forma en que los servicios de descubrimiento y las plataformas de agentes lo encuentran, verifican que realmente pertenece a tu dominio y se conectan. El campo representativeQueries de la especificación, donde declarás las tareas en lenguaje natural que tu recurso resuelve, es en la práctica el nuevo keyword research: determina para qué intenciones de agente aparecés.
Junto con señales anteriores como llms.txt y los datos estructurados, OKF y ARD completan el stack de preparación agéntica: contenido que los agentes pueden leer, conocimiento en el que pueden confiar y capacidades que pueden descubrir.
Cómo AuraMetrics genera y valida OKF y ARD
AuraMetrics trata ambos estándares como parte de su stack de auditoría determinística. Nada se puntúa por la opinión de un LLM; cada check es un detector real contra las especificaciones publicadas.
Generador OKF. AuraMetrics construye un bundle OKF a partir de los datos existentes de tu sitio y tu catálogo: un documento markdown por concepto, frontmatter YAML válido con el campo obligatorio type, y referencias interconectadas entre documentos. El resultado es un bundle portable que podés alojar en tu repositorio o servir desde tu dominio, listo para cualquier consumidor de OKF. Validación OKF. El auditor verifica la sintaxis del frontmatter, los campos obligatorios y recomendados, la integridad de los links internos del bundle y la conformidad estructural con la especificación v0.1, para que lo que publicás sea exactamente lo que los agentes pueden parsear. Check de compliance ARD. Integrado en el UCP Compliance Auditor, este check verifica si tu dominio publica un ai-catalog.json en la ruta conocida, lo valida contra el esquema ARD, revisa que los media types declarados estén bien formados, confirma que los endpoints y el dominio publicador coincidan (el ancla de confianza de toda la especificación) y evalúa la presencia y calidad de las entradas de representativeQueries. Monitoreo continuo. Como las especificaciones en v0.x cambian, AuraMetrics sigue estos checks en el tiempo como parte de tu GEO Score, para que un catálogo roto o un bundle que quedó fuera de conformidad aparezca en tu próximo reporte en vez de desaparecer en silencio de los registries de agentes.
En resumen
OKF y ARD son estándares jóvenes, pero las firmas detrás (Google, Microsoft, GitHub, Hugging Face, Snowflake) y la velocidad de las implementaciones de referencia sugieren que van a definir cómo la web agéntica encuentra y confía en los negocios. Publicarlos temprano es barato; estar ausente de los registries de agentes cuando tus competidores ya figuran, no.
AuraMetrics te permite generar ambos, validarlos contra las especificaciones reales y monitorearlos de forma continua junto con el resto de tu stack de visibilidad en IA.
Escrito por