Google 오픈 지식 포맷(OKF) vs. RAG: AI 메모리의 미래인가?

요약: Google Cloud는 2026년 6월 오픈 지식 포맷(OKF)을 발표했다—AI 에이전트가 지식을 검색·활용하는 방식에 도전하는 벤더 중립 Markdown 사양이다. RAG와의 비교, 그리고 왜 중요한지를 설명한다.

---

서론

지난 몇 년간 검색 증강 생성(RAG)은 AI 시스템에 외부 지식을 제공하는 표준 솔루션이었다. 그러나 2026년 6월 Google Cloud는 조용히 패러다임 전체를 재편할 수 있는 것을 내놓았다: 오픈 지식 포맷(OKF). 데이터베이스가 아니다. 새 AI 모델도 아니다. 포맷이다—그리고 바로 그것이 이를 강력하게 만드는 이유다.

---

RAG란 무엇이며, 왜 사랑받았는가

RAG(검색 증강 생성)는 대규모 언어 모델(LLM)을 외부 지식 베이스에 연결하는 방식으로 동작한다. 사용자가 질문하면 retriever가 지식 베이스에서 관련 텍스트 조각을 검색하고, 모델의 컨텍스트 윈도우에 주입한 뒤 LLM이 검색된 내용을 바탕으로 응답을 생성한다.

RAG의 강점

• 예 — 재학습 없이 LLM을 최신 상태로 유지
• 예 — 실제 문서에 근거해 답변하여 환각(hallucination) 감소
• 예 — 대규모 비구조화 문서 코퍼스에 적합
• 예 — LangChain, LlamaIndex 등 성숙한 도구로 널리 채택
• 예 — 유연함—거의 모든 벡터 DB에 연결 가능

RAG의 약점

• 아니오 — 같은 사실에 대해 같은 문서를 반복 검색—비효율적이고 느림
• 아니오 — 지식이 호환되지 않는 사일로(Wiki, 카탈로그, 코드 주석, 사람 머릿속)에 분산
• 아니오 — 모든 에이전트 빌더가 같은 컨텍스트 조립 문제를 처음부터 해결
• 아니오 — 검색된 조각에 구조 부족—모델이 메타데이터나 관계 없는 원문만 받는 경우가 많음
• 아니오 — 표준화된 포맷 부재로 벤더 락인과 이식성 제로
• 아니오 — 대규모에서 벡터 검색 오버헤드로 높은 지연

---

Google의 오픈 지식 포맷(OKF)이란

2026년 6월 12일 Google Cloud가 발표한 OKF는 조직 지식을 YAML frontmatter가 있는 Markdown 파일 디렉터리로 저장하는 개방적·벤더 중립 사양이다. AI 지식의 USB-C 케이블이라고 생각하면 된다—독점 SDK, API, 락인 없이 누구나 생산하고 누구나 소비할 수 있는 범용 커넥터.

핵심 아이디어는 AI 연구자 Andrej Karpathy에서 영감을 받았다. 그는 「LLM Wiki」 패턴을 명확히 했다: AI가 원문 문서를 반복 검색(RAG)하는 대신, AI가 지속적이고 살아 있는 Wiki를 점진적으로 구축·유지하도록 하는 것. Karpathy는 이렇게 말했다:

「LLM은 지루해하지 않고, 상호 참조 업데이트를 잊지 않으며, 한 번에 15개 파일을 다룰 수 있다.」

---

OKF의 작동 방식

OKF bundle은 단순히 Markdown 파일 디렉터리다. 각 파일은 하나의 「개념」—테이블 스키마, 지표 정의, runbook, API 엔드포인트, 팀이 기록해야 할 모든 것—을 나타낸다.

그림: OKF bundle은 개념 파일 디렉터리이며—각각 YAML frontmatter와 Markdown 본문을 가짐—링크로 탐색 가능한 지식 그래프를 형성한다.

각 파일은 두 부분으로 구성된다:

YAML frontmatter — 구조화되고 쿼리 가능한 메타데이터:

---
type: BigQuery Table
title: Customer Orders
description: One row per completed order
resource: https://console.cloud.google.com/bigquery?...
tags: [sales, orders, revenue]
timestamp: 2026-05-28T14:30:00Z
---

Markdown 본문 — 자유 형식의 prose, 스키마, 예시, join 경로 등.

파일은 일반 Markdown 링크로 서로 연결되어, 사람과 AI 에이전트 모두 탐색할 수 있는 지식 그래프를 만든다. 필수 필드는 하나뿐: type. 나머지는 모두 선택.

---

OKF의 강점

• 예 — 벤더 중립—SDK, API 키, 독점 런타임 불필요
• 예 — 사람과 AI 모두 읽기 가능—같은 파일이 둘 다에 작동, 변환 계층 불필요
• 예 — 버전 관리—코드와 함께 Git에 저장
• 예 — 지속적·누적적—지식이 매번 재검색되지 않고 시간에 따라 성장
• 예 — 상호운용—한 팀이 쓴 Wiki를 변환 없이 다른 에이전트가 소비
• 예 — 설계상 최소—필수 필드 하나(type), 나머지 유연
• 예 — 컨텍스트 단편화 해결—하나의 표준 포맷이 분산된 카탈로그, Wiki, 공유 드라이브 대체
• 예 — 생산자/소비자 독립—누가 지식을 쓰고 누가 읽는지 완전 분리

OKF의 약점

• 아니오 — 매우 신규(v0.1)—2026년 6월 발표, 생태계·도구 아직 초기
• 아니오 — 사전 큐레이션 필요—누군가(사람 또는 AI)가 Wiki를 구축·유지해야 하며, 원문에서 자동 생성되지 않음
• 아니오 — 비구조화·대규모 코퍼스에 최적 아님—사전 구조 없는 수백만 원문이 있으면 RAG가 여전히 우위
• 아니오 — 내장 검색·검색 메커니즘 없음—OKF는 포맷이지 플랫폼; serving layer는 직접 구축·통합 필요
• 아니오 — 채택 리스크—새 오픈 표준으로, 진정한 상호운용을 위해 커뮤니티·벤더 채택에 의존
• 아니오 — 유지 부담—AI가 도와도 살아 있는 Wiki를 정확·최신으로 유지하려면 지속적 노력 필요

---

OKF vs. RAG: 직접 비교

---

OKF가 RAG를 대체하는가

완전히는 아니다—그것이 정직한 답이다. OKF와 RAG는 다른 계층에서 다른 문제를 해결한다. RAG는 방대한 비구조화 문서 라이브러리를 동적으로 검색해야 할 때 강하다. OKF는 테이블 스키마, 지표 정의, runbook, join 경로 등 에이전트가 반복적·안정적으로 필요로 하는 큐레이션·구조화된 조직 지식에 강하다.

더 정확한 프레이밍은 이것이다: OKF는 많은 일반적인 엔터프라이즈 AI 에이전트 시나리오에서 RAG 필요성을 대체한다. 에이전트가 쿼리를 실행할 때마다 데이터 스키마에 대한 같은 사실을 재검색하는 대신, 읽고·업데이트·탐색할 수 있는 OKF Wiki를 제공한다. 지식은 항상 거기에 있고, 항상 구조화되어 있으며, 항상 최신이다.

도서관(RAG)과 잘 정비된 팀 핸드북(OKF)의 차이라고 생각하면 된다. 둘 다 유용하다. 하지만 일상 업무에는 핸드북이 필요하다.

---

AI 미래에 왜 중요한가

단편화된 컨텍스트 문제는 오늘날 엔터프라이즈 AI의 가장 큰 조용한 병목 중 하나다. 지식은 호환되지 않는 사일로에 존재한다—독점 API를 가진 메타데이터 카탈로그, 로그인 벽 뒤 Wiki, repo에 묻힌 코드 주석, 내일 퇴사할 수 있는 시니어 엔지니어의 머릿속. 모든 AI 에이전트 빌더가 같은 컨텍스트 조립 문제를 처음부터 해결하고 있다.

OKF는 Google의 베팅: 해결책은 또 다른 서비스가 아니라 포맷이라는 것. 지식을 기본적으로 이식 가능하고, 버전 관리되며, 에이전트가 읽을 수 있게 함으로써, OKF는 AI 에이전트가 조직을 이해하는 기반 계층이 될 수 있다—HTTP가 웹의 기반이 된 것처럼.

---

결론

RAG는 실재하는 문제에 대한 훌륭한 해결책이며, 사라지지 않을 것이다. 그러나 OKF는 AI 에이전트가 조직 지식과 어떻게 관련되어야 하는지에 대한 근본적 재고를 나타낸다—검색 문제가 아니라 살아 있는 문서화 문제로. 생태계가 이를 채택하면 OKF는 AI 에이전트를 엔터프라이즈 환경에서 극적으로 더 신뢰할 수 있고, 이식 가능하며, 유용하게 만들 수 있다. 포맷은 단순하다. 그러나 그 함의는 단순하지 않다.