Non l'avevo ancora annunciato qui: sto scrivendo un libro su Contexte.

La copertina del libro in corso di scrittura.

Contexte è il metodo che sto costruendo per permettere a un umano e a un'IA di lavorare a lungo attorno a una missione, senza ripartire da zero a ogni conversazione, conservando al tempo stesso:

• le fonti;
• la conoscenza prodotta;
• le decisioni;
• lo stato del lavoro e ciò che permetterà di riprenderlo più tardi.

Il libro è ormai quasi finito.

A questo punto avrei potuto continuare a rileggerlo, correggere qualche formulazione, completare gli esempi e preparare la pubblicazione.

Invece mi sono posto una domanda piuttosto sgradevole:

cosa ho davvero inventato lì dentro?

Non «inventato» nel senso che bisognerebbe poter rivendicare ogni idea.

La domanda era molto più semplice:

sto presentando come un metodo nuovo qualcosa che esiste già e che ho semplicemente reinventato senza saperlo?

È prima di tutto una questione di cultura scientifica del dubbio.

Quando costruisci qualcosa per mesi, è facilissimo cercare inconsciamente tutto ciò che conferma che la tua idea è buona, diversa o originale.

Ho provato a fare il contrario.

Cercare metodicamente tutto ciò che poteva smontare quella convinzione.

In tutto ciò che presento come il metodo Contexte: - cosa esisteva già? - cosa ho preso in prestito consapevolmente? - cosa ho adattato? - cosa ho riscoperto senza saperlo? - cosa era già stato assemblato altrove? - e cosa resta eventualmente proprio del modo in cui ho riunito il tutto?

All'inizio pensavo semplicemente di fare una ricerca di anteriorità.

In pratica, ho soprattutto imparato a smontare progressivamente le mie stesse certezze.

Sapevo già di non essere partito dal nulla

Certe influenze erano evidenti.

Il bounded context del Domain-Driven Design è un'ispirazione dichiarata.

Le note atomiche mi hanno inevitabilmente portato verso Zettelkasten.

PARA e il Second Brain hanno influenzato il mio modo di ragionare sugli spazi di conoscenza.

Nella parte più tecnica, avevo anche ripreso consapevolmente intuizioni provenienti da Git — in particolare attorno alla separazione, alla copia e al merge — oltre che dal pattern Observer per certe relazioni tra Contextes.

Quindi la domanda non era:

«Tutte le mie idee sono nuove?»

Sapevo già di no.

Quello che mi interessava era piuttosto l'assemblaggio.

Un Contexte, nel libro, è uno spazio delimitato da una missione. Contiene fonti, conoscenza prodotta a partire da quelle fonti, uno stato corrente, una storia, decisioni, contraddizioni, azioni, deliverable. Deve poter essere interrotto e poi ripreso. Deve accumulare conoscenza man mano che il lavoro avanza. E più Contextes devono poter scambiare senza perdere la propria autonomia.

Mi dicevo quindi: i blocchi vengono sicuramente da altrove.

Ma forse la loro combinazione è particolare.

È questa l'ipotesi che ho cominciato a cercare di far cadere.

Primo errore: cercare con le mie parole

Il primo problema compare subito quando si cerca l'anteriorità di un metodo.

Nessuno è tenuto ad aver usato il tuo vocabolario.

Cercare "Contexte" + IA + memoria non ti dice quasi nulla sull'esistenza di un meccanismo simile.

Un'équipe medica può fare da cinquant'anni qualcosa che somiglia al tuo handoff, senza aver mai usato quella parola.

Un sistema archivistico può aver formalizzato provenienza, fonte e interpretazione senza parlare di knowledge management.

Un software degli anni Novanta può aver risolto un problema di copia e di dipendenza che credi di aver incontrato con gli agenti IA nel 2026.

Bisognava quindi smettere di cercare Contexte.

Ho cominciato smontando il libro.

Con ChatGPT abbiamo estratto 24 concetti e 12 relazioni strutturanti.

L'idea era trasformare il libro in oggetti abbastanza semplici da poter porre domande.

Non solo:

Qualcuno ha già immaginato uno spazio di lavoro persistente?

Ma anche:

Qualcuno ha già separato la fonte grezza dalla conoscenza derivata?

Esiste un sistema che distingue il presente dal diario storico?

Esiste una tradizione in cui il lavoro su un problema arricchisce una base riutilizzabile per i problemi successivi?

Cosa succede quando una conoscenza viene copiata da uno spazio autonomo in un altro?

Questo cambia completamente la ricerca.

Prima sorpresa: quasi tutti i blocchi c'erano già

Una volta smontato il sistema, gli antecedenti hanno cominciato a comparire ovunque.

Qualche esempio:

• la provenienza aveva ovviamente tutta una letteratura alle spalle, fino a standard come W3C PROV; W3C — PROV-O: The PROV Ontology
• Event Sourcing porta un modo di ricostruire uno stato corrente a partire dalla storia degli eventi;
• gli Architecture Decision Records conservano una decisione, il suo contesto e la sua ragione, anche quando viene poi sostituita; Michael Nygard — Documenting Architecture Decisions
• i Truth Maintenance Systems lavoravano già negli anni Ottanta con più insiemi di ipotesi potenzialmente incompatibili. Johan de Kleer — An assumption-based TMS

A questo punto, niente di tutto ciò mi aveva davvero sorpreso.

Un metodo complesso è raramente composto da meccanismi comparsi dal nulla.

La prima conclusione sembrava abbastanza confortevole:

i blocchi non sono nuovi, ma forse l'assemblaggio lo è.

Era una conclusione ragionevole.

Non ha retto a lungo.

Seconda iterazione: cercare la funzione, non il concetto

Abbiamo cambiato metodo.

Invece di cercare i concetti del libro, abbiamo cominciato a cercare i problemi a cui rispondono.

• Come si riprende un lavoro dopo un'interruzione?
• Come si passa un dossier abbastanza bene perché un'altra persona possa continuare?
• Come si trasformano migliaia di frammenti di informazione in prove, e poi in ipotesi?
• Come si conservano più spiegazioni concorrenti senza sceglierne una artificialmente?
• Come fa uno spazio di lavoro a mantenere insieme il proprio stato operativo e una conoscenza riutilizzabile?

Questa volta la ricerca è uscita molto in fretta dal software.

Ci ha portati verso: - l'intelligence; - il diritto; - la medicina; - la gestione degli incidenti; - le scienze cognitive; - l'archivistica; - la ricerca scientifica.

Il modello di sensemaking di Peter Pirolli e Stuart Card, per esempio, descrive un processo in cui l'analista parte da fonti esterne, seleziona le informazioni pertinenti, costituisce elementi di prova, costruisce schemi e ipotesi e poi produce il risultato della sua analisi. Pirolli & Card — The sensemaking process and leverage points for analyst technology

Non è ovviamente Contexte.

Ma la prossimità del meccanismo era interessante.

Stessa cosa con l'Activity-Based Computing di Jakob Bardram.

Nel 2005, Bardram descrive un'infrastruttura in cui l'unità centrale non è più l'applicazione ma l'attività umana, con i compiti e le risorse informatiche associate. L'architettura è pensata in particolare per permettere la mobilità, la collaborazione e la continuità dell'attività tra ambienti diversi. Aarhus University — Activity-Based Computing: Support for Mobility and Collaboration

In altre parole, l'idea che occorra conservare qualcosa di più ricco di un documento per garantire la continuità del lavoro non aveva certo aspettato gli agenti IA.

La medicina, i centri di comando e la gestione degli incidenti hanno anch'essi i propri meccanismi di handoff.

Lì il territorio cominciava già a restringersi.

La ripresa non era particolare.

Nemmeno l'handoff.

Persino la catena:

fonte → interpretazione → ragionamento → produzione

aveva antecedenti molto solidi.

Quindi nuova ipotesi:

forse la particolarità sta nella giuntura tra il dossier vivo e il patrimonio di conoscenza.

In altre parole: lavorare su un problema costruendo al tempo stesso qualcosa che sopravvivrà al problema.

Questa ipotesi ha retto ancora meno.

La deviazione che ha cambiato di più la ricerca: uscire dall'inglese

Fino a quel punto, anche cambiando disciplina, restavamo largamente chiusi in un corpus occidentale e anglofono.

Abbiamo quindi lanciato ricerche in giapponese, cinese, russo e arabo.

È lì che la ricerca è diventata davvero interessante.

In Giappone mi sono imbattuto nel KJ法, o metodo KJ, di Jirō Kawakita.

Kawakita descrive un metodo bottom-up in cui si parte da dati sul campo, li si trascrive su carte liberamente manipolabili, poi li si accosta e li si combina progressivamente in base al loro senso per far emergere una struttura. J-STAGE — Emergence and Essence of the KJ Method, intervista con Jirō Kawakita

E lì ho avuto un momento piuttosto divertente.

Qualche mese prima, senza conoscere il KJ法, avevo cominciato a lavorare con quelle che chiamo carte pilastro.

Ne ho parlato di recente qui: Carte pilastro: coltivare la memoria per continuare a pensare

Non è lo stesso metodo.

Il KJ法 serve soprattutto a partire da un materiale disperso per far emergere progressivamente una struttura per raggruppamenti e ricombinazioni.

Le mie carte pilastro hanno piuttosto la funzione di mantenere vive alcune idee strutturanti, di rivisitarle e di continuare a confrontarle con quello che leggo e sperimento.

Ma c'è comunque un'aria di famiglia che mi ha molto interessato:

• far uscire dalla testa delle unità di pensiero;
• renderle manipolabili;
• mantenerle come oggetti relativamente autonomi;
• accostarle e ricombinarle;
• usare questi accostamenti per continuare a pensare.

E soprattutto: ho scoperto il KJ法 molto dopo aver messo in piedi questa pratica.

È esattamente il genere di cosa che volevo trovare con questa ricerca.

Non per poter dire: «avevo avuto la stessa idea».

Al contrario.

Per constatare che si può sinceramente costruire qualcosa per conto proprio e scoprire poi che un'altra tradizione esplora un meccanismo vicino da decenni.

Abbiamo trovato anche Tadao Umesao, che già nel 1969 descrive un sistema di carte indipendenti destinate a essere ricombinate, dove la nuova conoscenza prodotta da quella ricombinazione può a sua volta rientrare nel sistema.

In altre parole:

patrimonio esistente → ricombinazione → nuova conoscenza → patrimonio arricchito

Non eravamo già più molto lontani.

Poi siamo arrivati in Cina.

E lì ho scoperto il Hall for Workshop of Meta-Synthetic Engineering, o HWMSE.

HWMSE: il momento in cui l'ipotesi ha davvero cominciato a cadere

La Meta-Synthesis viene sviluppata attorno a Qian Xuesen all'inizio degli anni Novanta per trattare sistemi complessi.

HWMSE diventa l'ambiente destinato a metterla in pratica.

La sua architettura combina esplicitamente: - esperti umani; - sistemi macchina; - sistemi di conoscenza.

L'obiettivo non è solo usare conoscenza esistente.

Gli autori parlano anche di creazione di conoscenza.

Distinguono un sistema di conoscenza generale da un sistema di conoscenza proprio dell'oggetto studiato, e spiegano che quest'ultimo deve poter accumularsi continuamente attraverso il proprio uso. Yu, Zhou & Feng — Man-machine collaborated knowledge creation in HWMSE

Somigliava già molto a quello che cercavo di formulare con Contexte.

E non era soltanto uno schema concettuale.

I lavori su HWMSE hanno dato luogo a prototipi e ad applicazioni sperimentali, in particolare attorno alla decisione macroeconomica. JAIST — Knowledge System Construction and Knowledge Creation in HWMSE

La distinzione confortevole:

i sistemi di dossier gestiscono il lavoro, i sistemi di conoscenza gestiscono il patrimonio, Contexte riunisce i due

non reggeva più davvero.

Altri avevano già costruito sistemi che riunivano una parte sostanziale di queste due dimensioni.

Bisognava scendere ancora di un livello.

Terza iterazione: cercare i concorrenti architetturali

Abbiamo smesso di chiedere:

«Quale concetto somiglia a Contexte?»

Al suo posto abbiamo definito alcune firme: - il sistema gestisce un lavoro situato attorno a un problema? - trasforma informazioni in conoscenza? - questa conoscenza può servire ad altri casi? - distingue più tipi di memoria? - più spazi possono cooperare restando autonomi?

Questa ricerca ha fatto emergere diversi sistemi molto più vicini del previsto.

Experience Factory

L'Experience Factory, sviluppata attorno ai lavori di Victor Basili e all'esperienza del Software Engineering Laboratory della NASA, separa esplicitamente due funzioni.

Da un lato, l'organizzazione di progetto realizza il proprio progetto.

Dall'altro, l'Experience Factory: - recupera l'esperienza prodotta; - la analizza; - la sintetizza; - la trasforma in unità riutilizzabili; - la rimette a disposizione dei progetti futuri.

Il Software Engineering Laboratory della NASA Goddard era già descritto nel 1992 come un esempio operativo di Experience Factory, dopo quindici anni di funzionamento e diverse centinaia di studi. NASA — The Software Engineering Laboratory: An operational software experience factory

Basili e Caldiera descrivono poi esplicitamente l'Experience Factory come un'organizzazione distinta dai progetti, incaricata di capitalizzare e riutilizzare l'esperienza. NASA — The Experience Factory: Strategy and Practice

Questo attaccava direttamente un'altra idea che ritenevo importante:

il deliverable non è il patrimonio; il lavoro del progetto deve arricchire qualcosa che gli sopravvivrà.

L'Experience Factory lo diceva già.

Knowledge-Centered Service

Poi Knowledge-Centered Service, o KCS, ha portato un'altra versione dello stesso meccanismo.

In KCS, la conoscenza non dovrebbe essere prodotta in un processo separato dal lavoro.

Il ciclo di risoluzione consiste in particolare nel:

• cercare la conoscenza esistente;
• riutilizzarla;
• migliorarla quando viene usata;
• catturare nuove conoscenze quando serve.

Il Consortium for Service Innovation riassume l'idea con una formula particolarmente chiara: reuse is review. La conoscenza viene verificata e migliorata nel flusso stesso del lavoro. Consortium for Service Innovation — The Solve Loop

Nuova riduzione.

Persino:

fare del lavoro corrente una macchina per produrre e migliorare conoscenza riutilizzabile

era già stato formalizzato.

Quarta iterazione: attaccare gli ultimi dettagli

A quel punto, continuare ad accumulare grandi analogie non aveva più molto interesse.

Abbiamo quindi scelto alcuni elementi che sembravano ancora relativamente particolari: - la separazione rigorosa tra fonte grezza e conoscenza derivata; - la separazione state / history / synthesis / handoff; - la nota atomica come proposizione documentata che può essere sostenuta o contraddetta; - la differenza tra referenziare un'informazione e copiarla assumendone poi la manutenzione.

Anche lì i muri sono caduti uno dopo l'altro.

Le nanopublications e le micropublications rappresentavano già piccole asserzioni accompagnate da provenienza, elementi di supporto e talvolta di contestazione.

I sistemi di basi federate lavoravano da tempo sulla differenza tra un dato remoto e una copia locale che può divergere.

Le architetture cognitive distinguevano memoria di lavoro, memoria episodica e memoria semantica.

Le pratiche di forensic computing conservano l'originale e lavorano su copie per preservare la prova.

Ogni volta, qualcosa che sembrava ancora particolare diventava una ricombinazione di meccanismi noti.

L'ultima vera scoperta: ScholOnto e SWAN

Bisognava comunque capire se eravamo arrivati in fondo o semplicemente stanchi di cercare.

Abbiamo quindi aggiunto un criterio.

Una nuova fonte non contava più solo perché somigliava a Contexte.

Doveva modificare la cartografia.

Per esempio:

• essere più antica di quanto avevamo già trovato;
• essere nettamente più vicina;
• riunire più meccanismi fino a quel momento separati;
• oppure obbligarci a modificare la nostra conclusione.

Questa regola ha permesso di continuare senza cadere nel gioco che consiste nel forzare qualsiasi analogia.

Due sistemi hanno superato ancora questo test.

ScholOnto

Il progetto ScholOnto, finanziato fin dal 2000 e attivo all'inizio degli anni Duemila, cercava di costruire un'infrastruttura che permettesse ai ricercatori di pubblicare claims, di collegarli alla letteratura e di contestarli.

Il suo sistema ClaiMaker permetteva di costruire e percorrere queste reti di claims e di argomenti. Knowledge Media Institute — ScholOnto / ClaiMaker

SWAN

Poi SWAN, nella ricerca biomedica, andava ancora oltre.

SWAN distingueva esplicitamente le risorse scientifiche esterne dagli elementi di discorso prodotti nel sistema.

Un Research Statement poteva essere derivato da un articolo o da un'altra risorsa, conservare la propria provenienza ed essere collegato ad altri statement con relazioni come supports, refutes o alternativeTo.

Il sistema conservava inoltre le versioni precedenti quando uno statement evolveva. Ciccarese et al. — The SWAN Scientific Discourse Ontology

A quel punto, la prossimità con le mie note atomiche diventava difficile da ignorare: - fonte distinta; - interpretazione; - proposizione; - provenienza; - supporto; - contraddizione; - riutilizzo; - evoluzione nel tempo.

E anche lì non si trattava soltanto di un'ontologia teorica: gli autori descrivono un Workbench e un Browser usati per costruire e percorrere questa base di conoscenze. PubMed — The SWAN biomedical discourse ontology

La maggior parte dei pezzi c'era già.

E poi i risultati hanno smesso di cambiare la conclusione

È probabilmente la parte più importante del metodo.

A un certo punto bisogna fermarsi.

Non perché si sia dimostrato che nessun'altra anteriorità esiste.

È impossibile.

Ma perché le nuove ricerche cominciano a restituire sempre le stesse famiglie.

Un nuovo articolo migliora una data.

Un'altra fonte aggiunge un esempio.

Un sistema usa un vocabolario diverso ma copre un meccanismo già identificato.

O peggio: bisogna cominciare a spiegare per dieci righe perché qualcosa potrebbe vagamente essere comparabile.

In quel momento c'è un rischio.

Non si cerca più di mettere alla prova la propria ipotesi.

Si comincia a fabbricare la somiglianza che si voleva trovare.

Abbiamo quindi considerato che la ricerca avesse raggiunto una saturazione ragionevole.

Allora, cosa c'è di originale?

La conclusione non è quella che immaginavo all'inizio.

Non penso più che sia molto utile cercare «l'idea nuova» dentro Contexte.

Quasi tutti i suoi blocchi importanti hanno antecedenti.

Anche molte relazioni tra questi blocchi.

E diversi sistemi precedenti ne assemblano già grossi pezzi.

Per esempio: - HWMSE riunisce umani, macchine, risoluzione di problemi e capitalizzazione della conoscenza; - Experience Factory separa il progetto dal meccanismo organizzativo che trasforma la sua esperienza in patrimonio; - KCS integra direttamente creazione e miglioramento delle conoscenze nel lavoro corrente; - Project Memory lavora sulla storia e sul contesto del progetto; - ScholOnto e SWAN strutturano proposizioni, fonti, provenienza e contraddizioni; - i sistemi federati lavorano su autonomia, import, copia e dipendenza.

Questo non significa che Contexte non porti nulla.

Significa che il suo apporto è altrove.

Oggi lo formulerei così:

Contexte è una selezione, una combinazione e una normalizzazione esplicite di meccanismi provenienti da più tradizioni, riuniti in un metodo operativo per lavorare a lungo con un'IA.

Il sistema possiede in particolare: - il suo vocabolario; - i suoi oggetti; - i suoi vincoli; - le sue procedure; - il suo modo particolare di separare fonte, conoscenza, stato, storia, sintesi, decisione, contraddizione, handoff e deliverable; - le sue regole per far circolare informazione tra più Contextes autonomi.

Non ho trovato un sistema storico che possieda esattamente tutta questa grammatica.

Ma quasi ogni componente di questa grammatica ha una storia precedente a Contexte.

E alla fine è una risposta che mi soddisfa molto di più.

La cultura scientifica del dubbio

All'inizio la domanda somigliava un po' a questa:

La mia idea è davvero originale?

Col senno di poi, non è probabilmente la domanda migliore.

La ricerca di anteriorità mi ha soprattutto permesso di capire di cosa era fatta la mia idea.

Quali intuizioni venivano da tradizioni che conoscevo.

Quali esistevano in ambiti che non avrei mai pensato di guardare.

Quali pezzi erano già stati assemblati.

E quale parte del mio lavoro consisteva soprattutto nel tradurre, semplificare, ricombinare e rendere utilizzabili meccanismi dispersi.

È soprattutto una buona illustrazione di ciò che intendo per cultura scientifica del dubbio.

Avevo un'ipotesi implicita:

forse questa parte di Contexte è nuova.

Il modo giusto di testarla non era cercare ragioni per crederci.

Era cercare il miglior controesempio possibile.

E poi, quando ne trovavamo uno, modificare l'ipotesi.

A ogni iterazione, il territorio che potevo ragionevolmente presentare come specifico è diminuito: - prima i blocchi; - poi certi assemblaggi; - poi l'idea di fare del lavoro un meccanismo di capitalizzazione; - poi una parte della grammatica informativa stessa.

Paradossalmente, la proposta è diventata più chiara.

Preferisco poter dire:

ecco cosa prendo in prestito, ecco cosa adatto, ecco cosa combino, ed ecco la forma che ne ricavo

piuttosto che raccontare che un'idea è nuova solo perché non avevo mai incontrato i suoi antenati.

Il metodo che riutilizzerei

Se dovessi rifare una ricerca di questo tipo su un'altra idea, non ricomincerei come questa volta.

Farei direttamente:

• scomporre l'idea in componenti e relazioni;
• cercare i meccanismi, non il suo vocabolario;
• confrontare separatamente componenti, relazioni, assemblaggi e finalità;
• uscire rapidamente dalla disciplina d'origine;
• cercare in più lingue;
• guardare i sistemi davvero costruiti, non solo le teorie;
• risalire la bibliografia delle fonti migliori e poi guardare i lavori che le citano;
• cercare volontariamente i controesempi capaci di far cadere la conclusione attuale;
• definire cosa deve cambiare una nuova scoperta per essere considerata importante;
• fermarsi quando le nuove fonti non portano più che varianti di antecedenti già cartografati.

Il lavoro che consiste nel risalire i riferimenti di una buona fonte e poi seguire le pubblicazioni che l'hanno citata è a volte chiamato snowballing.

La parola è meno importante del meccanismo.

Una buona fonte diventa una porta d'ingresso verso tutto un vocabolario e tutta una tradizione che una ricerca per parole chiave non avrebbe forse mai trovato.

L'ultimo punto — saper smettere — è probabilmente il più difficile.

Una ricerca può sempre continuare.

Ci sarà sempre: - un nuovo articolo; - un nuovo brevetto; - una nuova disciplina; - un'altra lingua; - una nuova parola chiave.

La domanda non è sapere se tutto è stato trovato.

La domanda è:

continuare cambia ancora la risposta?

I limiti

Questo metodo non dimostra evidentemente l'assenza di un'anteriorità.

Dipende: - dai motori di ricerca; - dalle lingue a cui si pensa; - dai documenti che sono stati digitalizzati; - dalle pubblicazioni ancora accessibili; - dalla loro indicizzazione; - dal vocabolario scelto dai loro autori; - e dalla nostra capacità di riconoscere uno stesso meccanismo dietro due vocabolari diversi.

Dipende anche dal giudizio usato per decidere che due meccanismi sono davvero comparabili.

Una somiglianza non è un'identità.

Una tecnica usata in una centrale nucleare non è l'antenata diretta di un sistema di memoria per IA solo perché possiede un handoff.

Allo stesso modo, scoprire a posteriori che un metodo giapponese usa delle carte non significa che le mie carte pilastro siano KJ法.

Bisogna poter dire al tempo stesso:

è abbastanza vicino da essere interessante

e:

non è la stessa cosa.

È anche per questo che un'assenza di risultato deve restare un'assenza di risultato.

Non diventare:

nessuno l'aveva mai fatto.

Cosa ne traggo

Avevo iniziato questa ricerca cercando di sapere cosa avessi inventato.

La concludo con una domanda leggermente diversa:

cosa ho costruito a partire da tutto ciò che esisteva già?

La risposta mi sembra più interessante.

Contexte probabilmente non è interessante perché avrebbe scoperto:

• la provenienza;
• le note atomiche;
• l'handoff;
• la memoria organizzativa;
• gli spazi delimitati;
• la capitalizzazione della conoscenza.

Tutto questo esisteva.

Diventa interessante se l'assemblaggio rende questi meccanismi abbastanza semplici e coerenti perché un umano e un'IA possano lavorare insieme per settimane o mesi senza perdere ciò che imparano.

Non sono quindi uscito da questa ricerca con un territorio vergine su cui piantare una bandiera.

Sono uscito con una mappa.

E per capire ciò che si costruisce, una buona mappa vale probabilmente molto più di una bandiera.