Обдумывал, что не так в аналогии с OOXML, и псто вышел чуть длиннее, чем можно было набрать в дороге.
Поднимая дискуссию о применимости стратегии «Поддержать, надстроить и уничтожить» (EEE), стоит учитывать два важных фактора.

Первый — место на рынке ПО применяющей [эту стратегию] компании.
Второй — желаемые задачи.

В ситуации с OOXML разработка и дальнейшая стандартизация формата в ISO была основана на вполне объяснимом желании Microsoft сохранить доходы с крупных инсталляций MS Office в новых требованиях, а именно открытости формата хранения.
Как показало время, даже в случае с OOXML почти классическое применение стратегии EEE ради дальнейшей возможности привязывать к экосистеме гос- и пром. сектор потерпело неудачу. Свидетели тому и постянные трения в ISO, и громкий протест в техкомитете, особенно вкусное вот тут [1] почитать можно.
И это с учетом почти абсолютного доминирования Microsoft времен Балмера в офисном сегменте.

[1] http://web.archive.org/web/20080710014438/https://www.infowo...

Как промежуточный итог: OOXML — разработанный де-факто монополистом формат, открытый постольку поскольку: Microsoft Open Specification Promise предоставляет достаточно патентных рычагов для третьего «E» — Extinguish. Цели разработки — подавить конкуренцию и сохранить существующее положение в уже существующей инфраструктуре.

Теперь ONNX. Понимаю, что сравнивать офисное ПО и специализированное ПО для разработки — как мерять фиолетовое термометром, но, «на пальцах», в экосистеме инструментов машинного обучения со своими наработками и Microsoft, и Facebook не монополисты. Скорее, они, наряду с Google — в раннем большинстве.
С приходом на рынок крупных игроков потребность в стандартизации созрела настолько, что создаются такие стандарты.

И, замечу, ни один из инструментов вышеупомянутых компаний (а есть ещё Google со своим TensorFlow) не имеет доминирующего влияния на рынке, хотя и рынком общность разработчиков назвать трудно.
А сама лицензия MIT как таковая весьма, гм, слабо подходит для патентного давления.

Таким образом, применяя в чистом виде ЕЕЕ в сфере инструментов машинного обучения приходится играть в игру с отрицательной суммой. Напротив, ONNX уменьшает сегментацию аудитории, и декларируемая переносимость для участников инициативы — хорошая такая долгосрочная инвестиция, win-win.

Но, опять-таки, это _пока_. Гораздо интереснее будет посмотреть на состояние инструментов ML после созревания технологии и утихания хайпа, как это уже (почти) случилось с большими данными. Тогда, не отрицаю, может и увидим ЕЕЕ. А может, и нет.