Los formatos de documento tradicionales fueron concebidos para la lectura lineal humana: un lector recorre párrafos, capítulos y notas al pie en un flujo secuencial. Sin embargo, los agentes de inteligencia artificial autónomos no leen, sino que recuperan información de manera fragmentada y contextual. Esta discrepancia fundamental obliga a los sistemas actuales a inyectar documentos completos en la ventana de contexto de los modelos, desperdiciando tokens en contenido irrelevante, acumulando estado en bucles de múltiples turnos y exponiendo datos de forma indiscriminada entre diferentes roles del agente. Este fenómeno no es un problema de ingeniería de prompts, ni de recuperación de información, ni de compresión: es un problema de formato. Frente a ello surge ObjectGraph, una especificación que redefine el documento como un grafo de conocimiento tipado y dirigido, diseñado para ser recorrido en lugar de inyectado. En esta nueva aproximación, cada nodo representa una entidad semántica (un concepto, una cifra, una instrucción) y cada arista una relación con tipo, permitiendo que los agentes naveguen selectivamente por la información relevante sin procesar todo el contenido. Lo interesante es que ObjectGraph es un superconjunto estricto de Markdown: cualquier archivo .md es válido como .og, lo que garantiza compatibilidad con el ecosistema existente y legibilidad tanto para humanos como para máquinas sin necesidad de herramientas especializadas. Para las empresas que ya trabajan con ia para empresas, esta evolución supone un salto cualitativo en eficiencia y seguridad. Los equipos de desarrollo pueden integrar ObjectGraph en sus aplicaciones a medida para reducir drásticamente el consumo de tokens en tareas de extracción, análisis y razonamiento automatizado. Estudios empíricos muestran reducciones de hasta el 95,3% en el uso de tokens sin degradación significativa en la precisión de las tareas, un dato que impacta directamente en los costes operativos de proyectos de inteligencia artificial. Además, el formato incorpora primitivas nativas como el Modelo de Revelado Progresivo, el Protocolo de Acceso por Roles y los Nodos de Aserción Ejecutables, que permiten controlar qué información ve cada agente según su función, reforzando la ciberseguridad en sistemas multiagente. Desde una perspectiva técnica, la implementación de ObjectGraph no requiere infraestructura compleja: basta con un protocolo de consulta de dos primitivas (recuperar nodo y seguir arista), lo que lo hace viable en entornos cloud como servicios cloud aws y azure, donde la eficiencia de recursos es crítica. Las organizaciones que desarrollan agentes IA pueden beneficiarse de esta arquitectura para construir sistemas más ligeros, seguros y escalables. Por otro lado, la posibilidad de enlazar nodos con datos estructurados facilita la integración con plataformas de inteligencia de negocio como power bi, permitiendo que los informes generados por agentes sean directamente consultables sin procesar documentos planos. En resumen, ObjectGraph propone un cambio de paradigma: pasar de inyectar documentos a navegar por el conocimiento. Para las empresas que buscan optimizar sus flujos de automatización, esta aproximación representa una oportunidad para repensar cómo almacenan y exponen su información a los sistemas inteligentes. El software a medida que incorpore este tipo de formatos estará mejor preparado para la era de los agentes autónomos, donde la eficiencia en el uso de tokens y la granularidad del acceso a datos serán factores diferenciales. La transición hacia formatos nativos para agentes no es solo una cuestión técnica, sino una decisión estratégica que impacta en los costes, la seguridad y la capacidad de escalar soluciones de inteligencia artificial en entornos empresariales reales.