Je ne l'avais pas encore annoncé ici : je suis en train d'écrire un livre sur Contexte.

La couverture du livre en cours d'écriture.

Contexte, c'est la méthode que je construis pour permettre à un humain et une IA de travailler durablement autour d'une mission, sans repartir de zéro à chaque conversation, tout en conservant :

• les sources ;
• la connaissance produite ;
• les décisions ;
• l'état du travail et ce qui permettra de le reprendre plus tard.

Le livre est maintenant presque terminé.

À ce stade, j'aurais pu continuer à le relire, corriger quelques formulations, compléter les exemples et préparer la publication.

À la place, je me suis posé une question assez désagréable :

qu'est-ce que j'ai vraiment inventé là-dedans ?

Pas « inventé » au sens où il faudrait pouvoir revendiquer chaque idée.

La question était beaucoup plus simple :

est-ce que je suis en train de présenter comme une méthode nouvelle quelque chose qui existe déjà et que j'ai simplement réinventé sans le savoir ?

C'est avant tout une question de culture scientifique du doute.

Quand on construit quelque chose pendant des mois, il est très facile de chercher inconsciemment tout ce qui confirme que notre idée est bonne, différente ou originale.

J'ai essayé de faire l'inverse.

Chercher méthodiquement tout ce qui pouvait démonter cette conviction.

Dans tout ce que je présente comme la méthode Contexte : - qu'est-ce qui existait déjà ? - qu'est-ce que j'ai consciemment emprunté ? - qu'est-ce que j'ai adapté ? - qu'est-ce que j'ai redécouvert sans le savoir ? - qu'est-ce qui avait déjà été assemblé ailleurs ? - et qu'est-ce qui reste éventuellement propre à la manière dont j'ai réuni le tout ?

Au départ, je pensais simplement faire une recherche d'antériorité.

En pratique, j'ai surtout appris à démonter progressivement mes propres certitudes.

Je savais déjà que je n'étais pas parti de rien

Certaines influences étaient évidentes.

Le bounded context du Domain-Driven Design est une inspiration assumée.

Les notes atomiques m'ont forcément amené vers Zettelkasten.

PARA et le Second Brain ont influencé ma manière de réfléchir aux espaces de connaissance.

Dans la partie plus technique, j'avais aussi consciemment repris des intuitions venant de Git — notamment autour de la séparation, de la copie et du merge — ainsi que du pattern Observer pour certaines relations entre Contextes.

Donc la question n'était pas :

« Est-ce que toutes mes idées sont nouvelles ? »

Je savais déjà que non.

Ce qui m'intéressait était plutôt l'assemblage.

Un Contexte, dans le livre, est un espace borné par une mission. Il contient des sources, de la connaissance produite à partir de ces sources, un état courant, une histoire, des décisions, des contradictions, des actions, des livrables. Il doit pouvoir être interrompu puis repris. Il doit accumuler de la connaissance au fur et à mesure du travail. Et plusieurs Contextes doivent pouvoir échanger sans perdre leur autonomie.

Je me disais donc : les briques viennent sûrement d'ailleurs.

Mais peut-être que leur combinaison est particulière.

C'est cette hypothèse que j'ai commencé à essayer de faire tomber.

Première erreur : chercher avec mes propres mots

Le premier problème apparaît immédiatement quand on cherche l'antériorité d'une méthode.

Personne n'est obligé d'avoir utilisé votre vocabulaire.

Chercher "Contexte" + IA + mémoire ne vous dit presque rien sur l'existence d'un mécanisme similaire.

Une équipe médicale peut faire depuis cinquante ans quelque chose qui ressemble à votre handoff, sans jamais employer ce mot.

Un système d'archivistique peut avoir formalisé provenance, source et interprétation sans parler de knowledge management.

Un logiciel des années 1990 peut avoir résolu un problème de copie et de dépendance que vous croyez avoir rencontré avec des agents IA en 2026.

Il fallait donc arrêter de chercher Contexte.

J'ai commencé par démonter le livre.

Avec ChatGPT, nous avons extrait 24 concepts et 12 relations structurantes.

L'idée était de transformer le livre en objets suffisamment simples pour pouvoir poser des questions.

Pas seulement :

Est-ce que quelqu'un a déjà imaginé un espace de travail persistant ?

Mais aussi :

Est-ce que quelqu'un a déjà séparé la source brute de la connaissance dérivée ?

Est-ce qu'un système distingue le présent du journal historique ?

Existe-t-il une tradition où le travail sur un problème enrichit une base réutilisable pour les problèmes suivants ?

Que se passe-t-il lorsqu'une connaissance est copiée d'un espace autonome dans un autre ?

Ça change complètement la recherche.

Première surprise : presque toutes les briques étaient déjà là

Une fois le système démonté, les antécédents ont commencé à apparaître partout.

Quelques exemples :

• la provenance avait évidemment toute une littérature derrière elle, jusqu'à des standards comme W3C PROV ; W3C — PROV-O: The PROV Ontology
• Event Sourcing apporte une manière de reconstruire un état courant depuis l'histoire des événements ;
• les Architecture Decision Records conservent une décision, son contexte et sa raison, y compris lorsqu'elle est ensuite remplacée ; Michael Nygard — Documenting Architecture Decisions
• les Truth Maintenance Systems travaillaient déjà dans les années 1980 avec plusieurs ensembles d'hypothèses potentiellement incompatibles. Johan de Kleer — An assumption-based TMS

À ce stade, rien de tout cela ne m'a vraiment surpris.

Une méthode complexe est rarement composée de mécanismes apparus de nulle part.

La première conclusion semblait assez confortable :

les briques ne sont pas nouvelles, mais l'assemblage l'est peut-être.

C'était une conclusion raisonnable.

Elle n'a pas tenu très longtemps.

Deuxième itération : chercher la fonction, pas le concept

Nous avons changé de méthode.

Au lieu de rechercher les concepts du livre, nous avons commencé à rechercher les problèmes auxquels ils répondent.

• Comment reprend-on un travail après une interruption ?
• Comment transmet-on un dossier suffisamment bien pour qu'une autre personne puisse continuer ?
• Comment transforme-t-on des milliers de morceaux d'information en preuves, puis en hypothèses ?
• Comment conserve-t-on plusieurs explications concurrentes sans en choisir une artificiellement ?
• Comment un espace de travail garde-t-il simultanément son état opérationnel et une connaissance réutilisable ?

Cette fois, la recherche est sortie très vite du logiciel.

Elle nous a amenés vers : - le renseignement ; - le droit ; - la médecine ; - la gestion d'incident ; - les sciences cognitives ; - l'archivistique ; - la recherche scientifique.

Le modèle de sensemaking de Peter Pirolli et Stuart Card, par exemple, décrit un processus dans lequel l'analyste part de sources externes, sélectionne les informations pertinentes, constitue des éléments de preuve, construit des schémas et des hypothèses puis produit le résultat de son analyse. Pirolli & Card — The sensemaking process and leverage points for analyst technology

Ce n'est évidemment pas Contexte.

Mais la proximité du mécanisme était intéressante.

Même chose avec l'Activity-Based Computing de Jakob Bardram.

En 2005, Bardram décrit une infrastructure où l'unité centrale n'est plus l'application mais l'activité humaine, avec les tâches et ressources informatiques associées. L'architecture est pensée notamment pour permettre la mobilité, la collaboration et la continuité de l'activité entre environnements. Aarhus University — Activity-Based Computing: Support for Mobility and Collaboration

Autrement dit, l'idée qu'il faut conserver quelque chose de plus riche qu'un document pour permettre la continuité du travail n'avait évidemment pas attendu les agents IA.

La médecine, les centres de commandement et la gestion d'incident ont également leurs propres mécanismes de handoff.

Là, le territoire commençait déjà à rétrécir.

La reprise n'était pas particulière.

Le handoff non plus.

Même la chaîne :

source → interprétation → raisonnement → production

avait des antécédents très solides.

Donc nouvelle hypothèse :

peut-être que la particularité se trouve dans la jonction entre le dossier vivant et le patrimoine de connaissance.

Autrement dit : travailler sur un problème tout en construisant quelque chose qui survivra au problème.

Cette hypothèse a tenu encore moins longtemps.

Le détour qui a le plus changé la recherche : sortir de l'anglais

Jusque-là, même en changeant de discipline, nous restions largement enfermés dans un corpus occidental et anglophone.

Nous avons donc lancé des recherches en japonais, chinois, russe et arabe.

C'est là que la recherche est devenue vraiment intéressante.

Au Japon, je suis tombé sur le KJ法, ou méthode KJ, de Jirō Kawakita.

Kawakita décrit une méthode bottom-up dans laquelle on part de données de terrain, on les inscrit sur des cartes librement manipulables, puis on les rapproche et les combine progressivement en fonction de leur sens pour faire émerger une structure. J-STAGE — Emergence and Essence of the KJ Method, entretien avec Jirō Kawakita

Et là, j'ai eu un moment assez amusant.

Quelques mois auparavant, sans connaître le KJ法, j'avais moi-même commencé à travailler avec ce que j'appelle des cartes piliers.

J'en ai parlé récemment ici : Cartes piliers : entretenir sa mémoire pour continuer à penser

Ce n'est pas la même méthode.

Le KJ法 sert notamment à partir d'un matériau dispersé pour faire émerger progressivement une structure par regroupements et recombinaisons.

Mes cartes piliers ont plutôt pour fonction de maintenir vivantes quelques idées structurantes, de les revisiter et de continuer à les confronter à ce que je lis et expérimente.

Mais il y a tout de même un air de famille qui m'a beaucoup intéressé :

• sortir des unités de pensée de sa tête ;
• les rendre manipulables ;
• les maintenir comme objets relativement autonomes ;
• les rapprocher et les recombiner ;
• utiliser ces rapprochements pour continuer à penser.

Et surtout : j'ai découvert le KJ法 bien après avoir mis en place cette pratique.

C'est exactement le genre de chose que je voulais trouver avec cette recherche.

Pas pour pouvoir dire : « j'avais eu la même idée ».

Au contraire.

Pour constater qu'on peut sincèrement construire quelque chose de son côté et découvrir ensuite qu'une autre tradition a exploré un mécanisme voisin depuis des décennies.

Nous avons également trouvé Tadao Umesao, qui décrit dès 1969 un système de cartes indépendantes destinées à être recombinées, la nouvelle connaissance produite par cette recombinaison pouvant elle-même entrer dans le système.

Autrement dit :

patrimoine existant → recombinaison → nouvelle connaissance → patrimoine enrichi

Ce n'était déjà plus très loin.

Puis nous sommes arrivés en Chine.

Et là, j'ai découvert le Hall for Workshop of Meta-Synthetic Engineering, ou HWMSE.

HWMSE : le moment où l'hypothèse a vraiment commencé à tomber

La Meta-Synthesis est développée autour de Qian Xuesen au début des années 1990 pour traiter des systèmes complexes.

HWMSE devient l'environnement destiné à la mettre en pratique.

Son architecture combine explicitement : - des experts humains ; - des systèmes machines ; - des systèmes de connaissances.

L'objectif n'est pas seulement d'utiliser de la connaissance existante.

Les auteurs parlent également de création de connaissance.

Ils distinguent un système de connaissance générale d'un système de connaissance propre à l'objet étudié, et expliquent que ce dernier doit pouvoir s'accumuler continuellement par son utilisation. Yu, Zhou & Feng — Man-machine collaborated knowledge creation in HWMSE

Ça ressemblait déjà beaucoup à ce que j'essayais de formuler avec Contexte.

Et ce n'était pas uniquement un schéma conceptuel.

Les travaux HWMSE ont donné lieu à des prototypes et à des applications expérimentales, notamment autour de la décision macroéconomique. JAIST — Knowledge System Construction and Knowledge Creation in HWMSE

La distinction confortable :

les systèmes de dossier gèrent le travail, les systèmes de connaissance gèrent le patrimoine, Contexte réunit les deux

ne tenait plus vraiment.

D'autres avaient déjà construit des systèmes réunissant une partie substantielle de ces deux dimensions.

Il fallait encore descendre d'un niveau.

Troisième itération : chercher les concurrents architecturaux

Nous avons arrêté de demander :

« Quel concept ressemble à Contexte ? »

À la place, nous avons défini quelques signatures : - le système gère-t-il un travail situé autour d'un problème ? - transforme-t-il des informations en connaissance ? - cette connaissance peut-elle servir à d'autres cas ? - distingue-t-il plusieurs types de mémoire ? - plusieurs espaces peuvent-ils coopérer tout en restant autonomes ?

Cette recherche a fait apparaître plusieurs systèmes beaucoup plus proches que prévu.

Experience Factory

L'Experience Factory, développée autour des travaux de Victor Basili et de l'expérience du Software Engineering Laboratory de la NASA, sépare explicitement deux fonctions.

D'un côté, l'organisation projet réalise son projet.

De l'autre, l'Experience Factory : - récupère l'expérience produite ; - l'analyse ; - la synthétise ; - la transforme en unités réutilisables ; - la remet à disposition des projets futurs.

Le Software Engineering Laboratory de NASA Goddard était déjà décrit en 1992 comme un exemple opérationnel d'Experience Factory après quinze années de fonctionnement et plusieurs centaines d'études. NASA — The Software Engineering Laboratory: An operational software experience factory

Basili et Caldiera décrivent ensuite explicitement l'Experience Factory comme une organisation distincte des projets, chargée de capitaliser et réutiliser l'expérience. NASA — The Experience Factory: Strategy and Practice

Ça attaquait directement une autre idée que je pensais importante :

le livrable n'est pas le patrimoine ; le travail du projet doit enrichir quelque chose qui lui survivra.

L'Experience Factory disait déjà cela.

Knowledge-Centered Service

Puis Knowledge-Centered Service, ou KCS, a apporté une autre version du même mécanisme.

Dans KCS, la connaissance n'est pas censée être produite dans un processus séparé du travail.

La boucle de résolution consiste notamment à : - rechercher la connaissance existante ; - la réutiliser ; - l'améliorer lorsqu'elle est utilisée ; - capturer de nouvelles connaissances lorsque c'est nécessaire.

Le Consortium for Service Innovation résume l'idée par une formule particulièrement claire : reuse is review. La connaissance est vérifiée et améliorée dans le flux même du travail. Consortium for Service Innovation — The Solve Loop

Nouvelle réduction.

Même :

faire du travail courant une machine à produire et améliorer de la connaissance réutilisable

avait déjà été formalisé.

Quatrième itération : attaquer les derniers détails

À ce stade, continuer à accumuler les grandes analogies n'avait plus beaucoup d'intérêt.

Nous avons donc choisi quelques éléments qui semblaient encore relativement particuliers : - la séparation stricte entre source brute et connaissance dérivée ; - la séparation state / history / synthesis / handoff ; - la note atomique comme proposition sourcée qui peut être soutenue ou contredite ; - la différence entre référencer une information et la copier en assumant ensuite sa maintenance.

Même là, les murs sont tombés les uns après les autres.

Les nanopublications et micropublications représentaient déjà de petites assertions accompagnées de provenance, d'éléments de support et parfois de contestation.

Les systèmes de bases fédérées travaillaient depuis longtemps sur la différence entre une donnée distante et une copie locale susceptible de diverger.

Les architectures cognitives distinguaient mémoire de travail, mémoire épisodique et mémoire sémantique.

Les pratiques de forensic computing conservent l'original et travaillent sur des copies pour préserver la preuve.

Chaque fois, quelque chose qui paraissait encore particulier devenait une recombinaison de mécanismes connus.

La dernière vraie découverte : ScholOnto et SWAN

Il fallait malgré tout savoir si nous étions arrivés au bout ou simplement fatigués de chercher.

Nous avons donc ajouté un critère.

Une nouvelle source ne comptait plus simplement parce qu'elle ressemblait à Contexte.

Elle devait modifier la cartographie.

Par exemple :

• être plus ancienne que ce que nous avions déjà trouvé ;
• être nettement plus proche ;
• réunir plusieurs mécanismes jusque-là séparés ;
• ou nous obliger à modifier notre conclusion.

Cette règle a permis de continuer sans tomber dans le jeu qui consiste à forcer n'importe quelle analogie.

Deux systèmes ont encore passé ce test.

ScholOnto

Le projet ScholOnto, financé dès 2000 et actif au début des années 2000, cherchait à construire une infrastructure permettant aux chercheurs de publier des claims, de les connecter à la littérature et de les contester.

Son système ClaiMaker permettait de construire et parcourir ces réseaux de claims et d'arguments. Knowledge Media Institute — ScholOnto / ClaiMaker

SWAN

Puis SWAN, dans la recherche biomédicale, allait encore plus loin.

SWAN distinguait explicitement les ressources scientifiques externes des éléments de discours produits dans le système.

Un Research Statement pouvait être dérivé d'un article ou d'une autre ressource, garder sa provenance et être relié à d'autres statements par des relations comme supports, refutes ou alternativeTo.

Le système conservait également les versions précédentes lorsqu'un statement évoluait. Ciccarese et al. — The SWAN Scientific Discourse Ontology

À ce moment-là, la proximité avec mes notes atomiques devenait difficile à ignorer : - source distincte ; - interprétation ; - proposition ; - provenance ; - support ; - contradiction ; - réutilisation ; - évolution dans le temps.

Et là encore, il ne s'agissait pas uniquement d'une ontologie théorique : les auteurs décrivent un Workbench et un Browser utilisés pour construire et parcourir cette base de connaissances. PubMed — The SWAN biomedical discourse ontology

La plupart des pièces étaient déjà là.

Et puis les résultats ont cessé de changer la conclusion

C'est probablement la partie la plus importante de la méthode.

À un moment, il faut arrêter.

Pas parce qu'on a prouvé qu'aucune autre antériorité n'existe.

C'est impossible.

Mais parce que les nouvelles recherches commencent à donner toujours les mêmes familles.

Un nouvel article améliore une date.

Une autre source ajoute un exemple.

Un système utilise un vocabulaire différent mais couvre un mécanisme déjà identifié.

Ou pire : il faut commencer à expliquer pendant dix lignes pourquoi quelque chose pourrait vaguement être comparable.

À ce moment-là, il y a un risque.

On ne cherche plus à mettre notre hypothèse à l'épreuve.

On commence à fabriquer la ressemblance que l'on voulait trouver.

Nous avons donc considéré que la recherche avait atteint une saturation raisonnable.

Alors, qu'est-ce qui est original ?

La conclusion n'est pas celle que j'imaginais au début.

Je ne pense plus qu'il soit très utile de chercher « l'idée nouvelle » à l'intérieur de Contexte.

Presque toutes ses briques importantes ont des antécédents.

Beaucoup de relations entre ces briques aussi.

Et plusieurs systèmes antérieurs en assemblent déjà de gros morceaux.

Par exemple : - HWMSE réunit humains, machines, résolution de problème et capitalisation de connaissance ; - Experience Factory sépare le projet du mécanisme organisationnel qui transforme son expérience en patrimoine ; - KCS intègre directement création et amélioration de connaissances au travail courant ; - Project Memory travaille sur l'histoire et le contexte du projet ; - ScholOnto et SWAN structurent propositions, sources, provenance et contradictions ; - les systèmes fédérés travaillent sur autonomie, import, copie et dépendance.

Ça ne signifie pas que Contexte n'apporte rien.

Ça signifie que son apport est ailleurs.

Je le formulerais aujourd'hui comme ceci :

Contexte est une sélection, une combinaison et une normalisation explicites de mécanismes provenant de plusieurs traditions, réunis dans une méthode opérationnelle pour travailler durablement avec une IA.

Le système possède notamment : - son vocabulaire ; - ses objets ; - ses contraintes ; - ses procédures ; - sa manière particulière de séparer source, connaissance, état, histoire, synthèse, décision, contradiction, handoff et livrable ; - ses règles pour faire circuler de l'information entre plusieurs Contextes autonomes.

Je n'ai pas trouvé un système historique qui possède exactement toute cette grammaire.

Mais presque chaque composant de cette grammaire a une histoire avant Contexte.

Et finalement, c'est une réponse qui me convient beaucoup mieux.

La culture scientifique du doute

Au début, la question ressemblait un peu à ça :

Est-ce que mon idée est vraiment originale ?

Avec le recul, ce n'est probablement pas la meilleure question.

La recherche d'antériorité m'a surtout permis de comprendre de quoi mon idée était faite.

Quelles intuitions venaient de traditions que je connaissais.

Lesquelles existaient dans des domaines que je n'aurais jamais pensé à regarder.

Quels morceaux avaient déjà été assemblés.

Et quelle partie de mon travail consistait surtout à traduire, simplifier, recombiner et rendre utilisables des mécanismes dispersés.

C'est surtout une bonne illustration de ce que j'entends par culture scientifique du doute.

J'avais une hypothèse implicite :

peut-être que cette partie de Contexte est nouvelle.

La bonne manière de la tester n'était pas de chercher des raisons de la croire.

C'était de chercher le meilleur contre-exemple possible.

Puis, lorsque nous en trouvions un, de modifier l'hypothèse.

À chaque itération, le territoire que je pouvais raisonnablement présenter comme spécifique a diminué : - d'abord les briques ; - puis certains assemblages ; - puis l'idée de faire du travail un mécanisme de capitalisation ; - puis une partie de la grammaire informationnelle elle-même.

Paradoxalement, la proposition est devenue plus claire.

Je préfère pouvoir dire :

voilà ce que j'emprunte, voilà ce que j'adapte, voilà ce que je combine, et voilà la forme que j'en fais

plutôt que de raconter qu'une idée est nouvelle simplement parce que je n'avais jamais rencontré ses ancêtres.

La méthode que je réutiliserais

Si je devais refaire une recherche de ce type sur une autre idée, je ne recommencerais pas comme cette fois-ci.

Je ferais directement :

• décomposer l'idée en composants et relations ;
• chercher les mécanismes, pas son vocabulaire ;
• comparer séparément composants, relations, assemblages et finalités ;
• sortir rapidement de la discipline d'origine ;
• chercher dans plusieurs langues ;
• regarder les systèmes réellement construits, pas seulement les théories ;
• remonter la bibliographie des meilleures sources puis regarder les travaux qui les citent ;
• chercher volontairement les contre-exemples capables de faire tomber la conclusion actuelle ;
• définir ce qu'une nouvelle découverte doit changer pour être considérée comme importante ;
• arrêter lorsque les nouvelles sources n'apportent plus que des variantes d'antécédents déjà cartographiés.

Le travail qui consiste à remonter les références d'une bonne source puis à suivre les publications qui l'ont citée est parfois appelé snowballing.

Le mot est moins important que le mécanisme.

Une bonne source devient une porte d'entrée vers tout un vocabulaire et toute une tradition qu'une recherche par mots-clés n'aurait peut-être jamais trouvés.

Le dernier point — savoir s'arrêter — est probablement le plus difficile.

Une recherche peut toujours continuer.

Il y aura toujours : - un nouvel article ; - un nouveau brevet ; - une nouvelle discipline ; - une autre langue ; - un nouveau mot-clé.

La question n'est pas de savoir si tout a été trouvé.

La question est :

est-ce que continuer change encore la réponse ?

Les limites

Cette méthode ne démontre évidemment pas l'absence d'une antériorité.

Elle dépend : - des moteurs de recherche ; - des langues auxquelles on pense ; - des documents qui ont été numérisés ; - des publications encore accessibles ; - de leur indexation ; - du vocabulaire choisi par leurs auteurs ; - et de notre propre capacité à reconnaître un même mécanisme derrière deux vocabulaires différents.

Elle dépend aussi du jugement utilisé pour décider que deux mécanismes sont vraiment comparables.

Une ressemblance n'est pas une identité.

Une technique utilisée dans une centrale nucléaire n'est pas l'ancêtre direct d'un système de mémoire pour IA simplement parce qu'elle possède un handoff.

De la même manière, découvrir après coup qu'une méthode japonaise utilise des cartes ne signifie pas que mes cartes piliers sont du KJ法.

Il faut pouvoir dire à la fois :

c'est suffisamment proche pour être intéressant

et :

ce n'est pas la même chose.

C'est aussi pour cette raison qu'une absence de résultat doit rester une absence de résultat.

Pas devenir :

personne ne l'avait jamais fait.

Ce que j'en retiens

J'avais commencé cette recherche en essayant de savoir ce que j'avais inventé.

Je la termine avec une question légèrement différente :

qu'est-ce que j'ai construit à partir de tout ce qui existait déjà ?

La réponse me paraît plus intéressante.

Contexte n'est probablement pas intéressant parce qu'il aurait découvert :

• la provenance ;
• les notes atomiques ;
• le handoff ;
• la mémoire organisationnelle ;
• les espaces bornés ;
• la capitalisation de connaissance.

Tout cela existait.

Il devient intéressant si l'assemblage rend ces mécanismes suffisamment simples et cohérents pour qu'un humain et une IA puissent travailler ensemble pendant des semaines ou des mois sans perdre ce qu'ils apprennent.

Je ne suis donc pas sorti de cette recherche avec un territoire vierge sur lequel planter un drapeau.

Je suis sorti avec une carte.

Et pour comprendre ce que l'on construit, une bonne carte vaut probablement beaucoup plus qu'un drapeau.