20 juillet 2026
Planifier un voyage de 2 semaines en Europe avec un seul prompt
La planification d'un voyage multi-villes bute toujours au même endroit, qu'on interroge un agent IA ou qu'on jongle entre applis de carte et feuilles de calcul : le contexte se perd, les coordonnées sont inventées, et les sources deviennent introuvables. Nous décortiquons, fonctionnalité par fonctionnalité, comment Consilience planifie un itinéraire de deux semaines de Paris à Vienne.
Les voyages multi-villes suivent une loi étrange : votre liste d'envies prend cinq minutes à écrire, mais la transformer en un itinéraire concret — quelle ville en premier, quoi manger, où dormir, comment se déplacer — est repoussé jusqu'à juste avant le départ, avec environ 47 onglets de navigateur ouverts.
J'ai confié ce dilemme humain ultime à Consilience : Paris, Amsterdam, Berlin, Prague, Vienne. Un voyage de 14 nuits partant le 20 juillet 2026 et revenant le 3 août. Suivons comment des notes éparses se transforment en guide jour par jour, et voyons quelle fonctionnalité a fait le travail à chaque étape — et pourquoi les autres outils restent bloqués.
Dernière mise à jour : 2026-07-16
Comment planifie-t-on habituellement des voyages longs et complexes
Il existait jusqu'ici deux façons de planifier un itinéraire de voyage : l'assembler à la main en jonglant entre applis de carte, blocs-notes et feuilles de calcul, ou demander à une IA de tout faire d'un coup. Le côté IA offre aussi plus d'options désormais — des agents IA généralistes comme ChatGPT, Claude et Gemini ; des agents de code locaux comme Claude Code ou Cursor ; et des services RAG traditionnels comme NotebookLM, où l'on téléverse des documents et pose des questions.
Mais aucun de ces outils ne peut mener un plan de voyage jusqu'au bout. L'approche manuelle est précise mais laborieuse — les lieux vivent dans une carte, les notes dans un bloc-notes, les coûts dans une feuille de calcul, et corriger l'un signifie resynchroniser manuellement le reste. Les agents IA généralistes perdent votre liste d'envies initiale à mesure que la conversation s'allonge, et génèrent des coordonnées et des temps de trajet sans vérification. Les sources sont difficiles à retracer. Consilience, à l'inverse, maintient le contexte, suit les sources, et calcule réellement les coordonnées, les itinéraires et les temps de trajet.
| Comparaison | Appli de carte + notes + feuilles de calcul | Agent web généraliste | Agent de code local | RAG traditionnel | Consilience |
|---|---|---|---|---|---|
| Suivi des sources | ✗ Aucun | ▵ Cite uniquement les résultats de recherche web | ▵ Traçable via les journaux de session | ✓ Citation au niveau du fragment | ✓ Source par élément |
| Maintien du contexte multi-villes | ▵ Manuellement, à la main | ✗ Limité par la fenêtre de contexte | ✗ Réinitialisé à chaque session | ✓ Dans le périmètre du document téléversé | ✓ Maintenu par le graphe |
| Coordonnées/temps de trajet | ▵ Séparé par appli, compilé à la main | ✗ Généré sans vérification | ✗ Pas d'outils de carte | ✗ Pas d'outils de carte | ✓ Calculé par des services de géocodage/itinéraire |
| Intégration d'infos affichées à l'écran | ▵ Transcription manuelle | ▵ Capture d'écran (dépend de l'interprétation visuelle) | ▵ Capture d'écran (dépend de l'interprétation visuelle) | ✗ Téléversement de fichier uniquement | ✓ Appshot (image + transcription hiérarchique) |
| Sortie | Plusieurs documents dispersés | Réponse textuelle | Texte/code | Réponse textuelle | Carte + guide (liés) |
Tout cela se passe dans un seul espace de travail. La structure est simple : tous les matériaux se connectent en un seul graphe de connaissances (KG), sur lequel la vue carte et le guide sont générés.
flowchart LR
W["흩어진 위시리스트<br/>(5개국)"] --> G{{"온톨로지 그래프"}}
R["딥리서치<br/>날씨·축제·요금"] --> G
S["Appshot<br/>예약·지도 화면"] --> G
G --> M["지도 캔버스<br/>지오코딩 경로 + 클러스터"]
G --> B["가이드북<br/>Day 1…14, 출처 포함"]
M <--> BDécortiquons maintenant cela fonctionnalité par fonctionnalité.
Une seule ligne récupère exactement le contexte dont vous avez besoin : le graphe d'ontologie
Les agents IA perdent le contexte parce qu'ils traitent les notes comme des « morceaux de texte collés dans une conversation ». Consilience, dès l'importation du matériau, l'atomise en entités et les relie via des relations. Ainsi, une seule ligne comme « planifie le voyage » suffit à récupérer exactement le bon périmètre — le brief, les cinq listes d'envies, l'itinéraire provisoire. Aucun fichier à joindre.
Et chaque relation du graphe porte la phrase source originale dont elle est issue. Survolez une puce de relation et le texte original exact apparaît, montrant de quelle note et de quelle phrase il provient. C'est la différence entre une « réponse plausible » et une « réponse traçable ».
La différence avec les autres outils réside dans l'unité de récupération. Les agents de code locaux accèdent directement aux fichiers, mais une fois la session terminée, le contexte doit être reconstruit à partir de zéro. Le RAG traditionnel effectue une seule recherche de similarité sur des fragments, ce qui le rend faible face aux questions nécessitant une inférence relationnelle, et l'intégrer à un flux de travail comme les cartes demande un développement sur mesure.
| Gestion du contexte | Agent web généraliste | Agent de code local | RAG traditionnel | Graphe d'ontologie |
|---|---|---|---|---|
| Accès au matériau | ✗ Seulement ce qui est téléversé/collé | ✓ Accès direct au système de fichiers | ▵ Index de fragments des documents téléversés | ✓ Tout le coffre pré-indexé en entités/relations |
| Après la fin de la session | ✗ Disparaît avec la fenêtre de contexte | ✗ Re-exploration/reconstruction à chaque session | ✓ L'index du document persiste | ✓ Persiste dans le graphe |
| Questions relationnelles/multi-sauts | ✗ Le plus faible en raisonnement multi-sauts | ▵ Probabiliste (grep + inférence LLM chaînée) | ✗ Limité à une seule recherche de similarité | ✓ Parcours de graphe (zéro token supplémentaire, sous la seconde) |
| Traçabilité des preuves | ▵ Fait confiance à la réponse telle quelle | ▵ Vérification manuelle des journaux de session | ✓ Citation au niveau du fragment | ✓ Citation de source au niveau de la phrase |
Une carte qui construit de vraies coordonnées et itinéraires : le Map Canvas
Demandez à un LLM « donne-moi les coordonnées du Musée d'Orsay » et vous obtiendrez un chiffre d'apparence plausible. Le problème, c'est qu'on ne peut pas savoir s'il est correct sans vérifier. C'est dangereux pour une carte de voyage. Map Canvas utilise une véritable technologie de géocodage pour ce calcul, au lieu du modèle. Coordonnées, distances, temps de trajet et itinéraires sont tous calculés automatiquement. Pour les lieux listés uniquement par leur nom, sans adresse, l'agent les vérifie sur le web avant de les géocoder, et pour ceux qu'il ne parvient toujours pas à localiser, il fait apparaître l'information la plus fiable qu'il puisse trouver.
Voici le résultat : chaque lieu de la liste d'envies atterrit sur la carte de la ville, les itinéraires entre villes sont tracés dans l'ordre provisoire, et à l'intérieur d'une ville, les lieux se regroupent en amas afin que l'itinéraire d'une journée soit visible d'un coup d'œil. Les temps de trajet sont basés sur les routes et le rail réels. Cliquez sur une épingle et « Voir dans le graphe » saute directement à ce nœud dans le graphe.
| Placement des lieux sur une carte | Appli de carte + travail manuel | Demander les coordonnées à un LLM | Map Canvas de Consilience |
|---|---|---|---|
| Coordonnées/temps de trajet | ▵ Précis mais manuel | ✗ Valeur générée (invérifiable) | ✓ Calculé par un service |
| Lieux introuvables | ▵ Laissés de côté en cas d'échec de la recherche | ✗ Généré quand même | ✓ Étayé par une information fiable |
| Lien avec les notes | ✗ Aucun | ✗ Aucun | ✓ Épingle → nœud du graphe |
Les agents IA inventent plausiblement des coordonnées. Consilience ne montre que ce qui est certain.
Les deux fonctionnalités qui rendent Consilience plus proche de la magie : Deep Research et Appshot
Une liste d'envies vous dit seulement « où ». Deux outils remplissent le comment y aller, le temps qu'il fera, et ce qui se passe dans une ville cette semaine-là.
Deep Research est un chercheur que vous déclenchez d'une seule ligne /research. Il parcourt le web pour trouver, pour chaque étape, train contre avion, temps de trajet, tarifs approximatifs, et si un pass rail est rentable. Les résultats se transforment en notes avec sources jointes et dates de récupération, et il gère seul les sources européennes en langue locale. Une découverte qui a bousculé le plan est venue de là aussi : Amsterdam à Berlin en train direct prend environ 6 heures — assez longtemps pour enchaîner Squid Game 3. Pour cette étape en particulier, j'ai comparé train et avion côte à côte.
| Compléter les détails | Recherche web manuelle | Réponse d'un agent IA | Deep Research |
|---|---|---|---|
| Sources | ▵ Compilées à la main | ✗ Généralement aucune | ✓ Attachées à chaque fait |
| Fraîcheur | ✓ Actuelle | ✗ Figée à la date limite d'entraînement | ✓ Actuelle + date « au moment de » |
| Devient-elle une note ? | ▵ Copier-coller | ▵ Copier-coller | ✓ Enregistrée dans l'espace de travail |
Jusqu'ici, il n'existait que deux façons de fournir des informations affichées à l'écran à un LLM : une capture d'écran, ou copier le texte. Les captures d'écran ne laissent qu'une image ; un copier-tout (⌘A) aplatit la hiérarchie. Appshot, à l'inverse, capture n'importe quelle fenêtre d'application ouverte d'un seul raccourci clavier (en appuyant sur les deux touches ⌘ à la fois). Avec l'image de l'écran, il fournit un texte qui transcrit la structure de la fenêtre, hiérarchie intacte :
Window: "Amsterdam → Berlin, Sun 26 Jul - Deutsche Bahn", App: Chrome
표준 윈도우 Deutsche Bahn, URL: https://int.bahn.de/en/…
그룹 (settable, string) 출발편 목록
그룹 (settable, string) 오전 직통편
이미지 요금·소요시간
그룹 (settable, string) 오후 환승편
이미지 노선도Appshot lit directement la structure d'une fenêtre via l'API d'accessibilité du système d'exploitation, sans modèle de vision. L'image et la puce de pièce jointe apparaissent en premier, en environ une demi-seconde, et la transcription hiérarchique d'une page web complexe suit quelques secondes plus tard, ajoutée à la même pièce jointe. Aucun token de vision n'est dépensé. Chaque capture enregistre aussi quelle application, quelle fenêtre et quelle URL en sont la source. Pas besoin d'une longue explication du type « regarde en haut à droite de la capture que je viens de prendre, puis lis le tarif sous le bouton rouge ». « Ajoute ce tarif au tableau comparatif » suffit.
| Fournir des infos écran | Coller une capture d'écran | Copier tout le texte (⌘A) | Appshot |
|---|---|---|---|
| Image | ✓ Incluse | ✗ Aucune | ✓ Incluse |
| Texte/hiérarchie | ✗ Image seule | ▵ Hiérarchie perdue | ✓ Hiérarchie transcrite intacte |
| Coût de lecture de l'écran | ▵ Tokens de vision | ✓ Aucun | ✓ Aucun (API d'accessibilité) |
| Source (appli/fenêtre/URL) | ✗ Aucune | ✗ Aucune | ✓ Incluse |
La météo, les zones d'hébergement, la nourriture et les événements de chaque ville sont complétés via ce même flux. Comme la recherche se fait sur les dates de séjour réelles — Paris 20–22 juillet, Amsterdam 23–25 juillet, Berlin 26–28 juillet, Prague 29–30 juillet, Vienne 31 juillet–2 août — les événements déjà passés ne se glissent pas dans le plan. Seuls les événements dont la date et le lieu correspondent réellement apparaissent sur la carte.
Pas besoin de s'inquiéter quand les plans changent — le graphe de connaissances le reflète automatiquement
Entre le moment où vous décidez de partir en voyage et le moment où vous quittez la maison, le plan est révisé environ 52 fois. Il continue de changer même pendant le voyage. Consilience stocke cet « historique de décisions » de manière intelligente — le même type de technologie que Palantir utilise pour enregistrer des unités de décision à partir de tas de données non structurées éparses et les enchaîner en une filiation. Écrivez « prendre le train d'Amsterdam à Berlin », et c'est enregistré comme une décision. Plus tard, changez pour « en fait, prenons l'avion pour cette étape », et la nouvelle décision remplace l'ancienne — tandis que l'historique de ce remplacement est préservé. Les questions ouvertes issues de vos notes sont aussi capturées comme des questions non résolues, closes une par une. Demandez « qu'avait-on décidé pour l'hébergement, déjà ? » et seule la dernière décision revient. Cela ne repose pas sur le système de mémoire d'un LLM. Consilience ne joue pas aux dés.
On ne peut pas empêcher les plans de changer. Mais on peut empêcher un ancien plan de se faire passer pour le nouveau.
Utiliser la carte et le guide ensemble
« Fais-moi un guide ordonné pour de bons itinéraires à pied. » Une telle demande suffit pour obtenir le Jour 1 du 20 juillet jusqu'au Jour 14 du 2 août. Le 3 août est marqué séparément comme le jour de retour depuis Vienne. Chaque journée parcourt l'amas d'une ville dans l'ordre, les jours de trajet portent le train ou le vol, et chaque élément est accompagné d'une source. Ouvrez une journée et la carte de cette journée apparaît à côté.
Cliquez sur n'importe quelle épingle de la carte. « Voir dans le graphe » saute directement au nœud de ce lieu dans le graphe, et cliquer sur un nom de lieu (un wikilien) à l'intérieur du guide ouvre la note originale. C'est parce que l'itinéraire et la carte lisent et écrivent le même graphe depuis le départ — rien n'a besoin d'être construit séparément et synchronisé manuellement.
L'itinéraire et la carte ne sont pas deux fichiers — ce sont deux vues d'un même graphe.
Ce qui a rendu cela possible
Pas de magie — juste des fonctionnalités combinées sur le même graphe.
- Graphe d'ontologie : récupère automatiquement le contexte épars et attache la phrase source originale comme preuve pour chaque relation.
- Map Canvas : calcule les coordonnées et itinéraires avec un géocodage/routage intégré, et recherche les lieux sans adresse pour les localiser.
- Deep Research (`/research`) : parcourt le web et laisse des notes avec sources et dates attachées.
- Appshot : fait entrer les informations affichées à l'écran à la fois comme image et comme texte transcrit hiérarchiquement, en une seule fois.
- Suivi des décisions : les nouvelles décisions remplacent les anciennes, si bien que le graphe connaît toujours le dernier plan.
- Rédaction : rédige la carte et le guide ensemble à partir du même graphe.
Dans cet article, j'ai utilisé Consilience pour transformer un voyage de deux semaines dans cinq pays en une carte et un guide mis à jour automatiquement. Et ce n'est pas seulement pour les voyages — partout où les matériaux et le contexte s'accumulent, cela fonctionne avec puissance, intelligence et rapidité. Que ce soit pour examiner des articles de recherche ou gérer un produit, êtes-vous encore coincé à expliquer le contexte à un agent, à préciser votre intention, et à répéter vos questions encore et encore ?
FAQ
Dois-je joindre les notes à chaque fois ?
Non. Comme les notes sont connectées via des relations dans le graphe d'ontologie, une seule instruction en une ligne suffit à récupérer automatiquement les notes liées. Vous pouvez retracer exactement quelle preuve a été utilisée grâce à la phrase source originale citée sur chaque relation.
L'IA invente-t-elle les itinéraires ou les temps de trajet ?
Non. Les coordonnées, distances, itinéraires et temps de trajet sont calculés par des services de géocodage/routage, et le modèle utilise seulement les résultats — il ne les génère pas. Pour les lieux qu'il ne peut toujours pas localiser, il affiche « inconnu » plutôt qu'une épingle.
En quoi Appshot diffère-t-il du fait de coller une capture d'écran ?
Une capture d'écran n'est qu'une image, elle dépend donc de l'interprétation d'un modèle de vision. Appshot utilise l'API d'accessibilité du système d'exploitation pour transcrire la structure d'une fenêtre avec sa hiérarchie intacte, en apportant image et texte ensemble. Il enregistre aussi de quelle application, quelle fenêtre et quelle URL cela provient.
Sources : les informations sur les villes et quartiers utilisent WikiVoyage (CC BY-SA 4.0). La météo, les tarifs et les dates d'événements reflètent les valeurs au moment de la récupération, avec la date de récupération indiquée dans le texte.