Les points apparaissent à des positions que je n’ai pas choisies une par une. Pourtant, aucun ne sort du rectangle et tous respectent le nombre prévu. La surprise occupe déjà un champ délimité. Oublier ce champ peut faire paraître le résultat bien plus libre que le procédé qui l’a produit.
Pour observer ce rapport, j’ai préparé deux dessins de quarante points chacun. La séquence initiale reste la même ; la transformation qui place les valeurs dans l’espace change. Dans l’un, les points peuvent occuper le champ sans préférence ajoutée vers le centre ; dans l’autre, ils se concentrent vers le milieu.
Reprendre le même début
Un nombre initial, la graine, permet de reconstituer la séquence lorsque algorithme et paramètres restent identiques. La documentation p5.js de randomSeed présente cette propriété. Le code de la page utilise son propre générateur : la graine seule n’identifie pas un dessin hors de ce procédé.
Une graine, deux distributions
La commande recalcule les deux champs à partir du nombre choisi. Répéter une valeur restitue les mêmes points ; changer de nombre offre une autre séquence à comparer. Sans JavaScript, l’exemple initial de graine 7 reste lisible, avec l’explication des deux transformations.
La graine conserve un départ ; la règle décide de ce qu’il peut devenir. Reprendre un travail demande donc de garder les deux, avec les autres choix qui contribuent au résultat. Un nombre noté sans son programme peut être le souvenir très précis de quelque chose que je ne sais plus reconstruire.
Distribuer est un choix visuel
Le champ concentré vient d’une transformation des coordonnées, pas d’une élimination manuelle des points moins intéressants. La densité vers le centre appartient au procédé. Une sélection ultérieure produirait une autre histoire du résultat, à conserver séparément.

Quarante points restent un petit échantillon. Une composition ne démontre pas toutes les propriétés statistiques du générateur et peut présenter des vides ou concentrations locaux. Le spécimen montre l’effet d’une transformation déclarée, sans certifier une source de hasard ou une qualité cryptographique.
Les illustrations générées par IA matérialisent le récipient et l’ouverture qui oriente la chute. Ce sont des métaphores de la contrainte. Les positions exactes appartiennent aux dessins du document et ne sont pas déduites des illustrations.
Documenter la recherche
Pendant une recherche générative, je garderais quelques résultats voisins de celui retenu. Cela aide à comprendre si une qualité vient du procédé ou d’un exemplaire particulièrement heureux. Ne montrer que la meilleure composition peut faire passer une distribution permissive pour un système produisant toujours la même clarté.
Cette note concerne les paramètres ; l’essai sur qui décide de la forme finale suit plutôt la responsabilité des choix et de la sélection. Les deux problèmes se rencontrent lorsqu’un résultat reçoit sa place dans les archives.
Concevoir le hasard consiste à rendre visibles les contraintes qui méritent d’être gardées. La nouvelle graine peut continuer à surprendre. Sa surprise devient comparable parce que nous savons quelles portes sont restées ouvertes et lesquelles avaient déjà été fermées dans le code.
