Il futuro dell'AI secondo Mozilla antepone il controllo personale alla sostituzione
Mozilla ha delineato un futuro dell'AI diverso, nonostante la corsa del settore a costruire agenti che sanno di più, ricordano più a lungo e agiscono con minore supervisione. La tesi del futuro di Mozilla è che l'AI personale debba rafforzare il giudizio umano senza sottrarre silenziosamente il controllo al proprio utente.
Questa distinzione cambia il significato di “personale”. Non indica un chatbot che ricorda il tuo ristorante preferito o imita il tuo stile di scrittura. Indica un sistema di AI che lavora con le tue conoscenze, si adatta ai tuoi obiettivi e resta responsabile nei tuoi confronti.
Il conflitto è già visibile. OpenAI, Google, Microsoft, Anthropic e Meta stanno inserendo assistenti all'interno di prodotti che contengono messaggi, documenti, ricerche, calendari e attività di navigazione. La loro portata può rendere l'AI più utile, ma può anche rendere la personalizzazione dipendente dall'account, dalle politiche e dall'infrastruttura di un unico fornitore.
Mozilla AI punta su un'altra strada. La sua visione dell'AI personale unisce utilità, apertura, privacy, supervisione umana e possibilità di scegliere la tecnologia sottostante. L'azienda considera il contesto personale come qualcosa che l'AI dovrebbe usare con cautela, non come qualcosa che una piattaforma dovrebbe possedere automaticamente.
Questa è meno una gara su quale modello scriva il paragrafo migliore. È una gara su chi controlla la memoria, le autorizzazioni e le connessioni che circondano quel modello.
Il futuro di Mozilla parte dal controllo, non dall'imitazione
Il ribaltamento centrale di Mozilla è che l'AI personale dovrebbe comprendere il tuo lavoro senza fingere di sostituire il tuo pensiero.
La maggior parte dei prodotti di AI per consumatori è nata come una chat isolata. L'utente inseriva un prompt, riceveva una risposta e ricominciava quando emergeva il compito successivo. Persino le cronologie delle chat salvate offrivano una continuità limitata tra strumenti e progetti.
Gli agenti stanno cambiando questo rapporto. Un agente AI è un software che usa un modello per pianificare passaggi, richiamare strumenti, analizzare risultati e proseguire verso un obiettivo. La memoria e l'accesso agli strumenti gli consentono di operare su attività più lunghe.
Queste capacità creano un'esperienza più personale perché il sistema può conservare il contesto. Può collegare la trascrizione di una riunione a un brief di progetto, individuare decisioni irrisolte e preparare un follow-up sulla base del lavoro precedente.
Tuttavia, il solo accesso non crea una personalizzazione affidabile. Un sistema può sapere molto di una persona lasciandole al contempo scarso controllo pratico sul proprio comportamento.
La posizione di Mozilla AI è che il controllo debba estendersi oltre una casella di consenso alla privacy. Utenti e organizzazioni devono sapere a cosa può accedere un agente, quale modello elabora le informazioni e quali azioni richiedono approvazione.
Questo principio compare nei prodotti attuali e nei progetti aperti di Mozilla AI. L'azienda descrive la propria missione come aiutare le persone a lavorare con l'AI “in modo sicuro, trasparente e alle proprie condizioni”.
Il suo prodotto Octonous collega gli agenti agli strumenti di lavoro mantenendo la revisione umana sulle azioni rilevanti. Mozilla AI sviluppa inoltre componenti aperti per l'accesso ai modelli, l'orchestrazione degli agenti, le valutazioni, le protezioni e l'esecuzione locale dei modelli.
Questi componenti affrontano diversi livelli dello stesso problema. L'AI personale ha bisogno di contesto, ma anche di confini. Ha bisogno di automazione utile, ma deve rendere sufficientemente visibile il proprio funzionamento affinché le persone possano contestarne gli errori.
I più ampi principi sulla privacy di Mozilla rafforzano questo approccio. Sottolineano il controllo dell'utente, la raccolta limitata, aspettative chiare, impostazioni predefinite sensate e più livelli di protezione.
Questo quadro rende il futuro di Mozilla più esigente della normale personalizzazione dei chatbot. Ricordare una preferenza è facile. Rendere la memoria ispezionabile, portabile, limitata e revocabile richiede un'architettura di prodotto più profonda.
Richiede inoltre un diverso criterio di successo. Il sistema vincente non è semplicemente quello che prevede la prossima richiesta dell'utente. È quello che aiuta l'utente a giungere a una decisione ponderata senza nascondere il modo in cui ci è arrivato.
L'AI personale ha bisogno di una memoria che appartenga all'utente
Il prossimo livello competitivo è il contesto personale, e la domanda decisiva è se quel contesto rimanga sotto il controllo dell'utente.
I modelli possiedono già un'ampia conoscenza generale. Ciò che di solito manca loro è una comprensione affidabile delle responsabilità attuali di una persona, delle decisioni precedenti, delle fonti preferite e del lavoro incompiuto.
La memoria persistente può colmare questa lacuna. Può conservare informazioni selezionate tra una sessione e l'altra e consentire a un agente di basarsi sulle interazioni precedenti.
La versione utile della memoria è più di un archivio di trascrizioni. Dovrebbe distinguere un'istruzione temporanea da una preferenza duratura. Dovrebbe inoltre tracciare la provenienza di un fatto e stabilire se quel fatto sia ancora attuale.
Si pensi a un product manager che prepara una revisione settimanale. Un agente personale potrebbe trovare decisioni nelle note delle riunioni, collegarle alle modifiche della roadmap e individuare impegni privi di responsabili.
Questo compito dipende dal contesto privato, non soltanto dall'intelligenza del modello. L'agente necessita di accesso a note, messaggi, documenti e sintesi precedenti. Deve inoltre capire quali fonti hanno autorità.
Un venditore affronta un problema simile. L'agente potrebbe collegare le conversazioni passate a un piano per il cliente e preparare domande per una chiamata imminente. Tuttavia, non dovrebbe esporre i dettagli riservati di un cliente mentre lavora su un altro account.
Questi esempi mostrano perché la conoscenza personale non può trasformarsi in un insieme indifferenziato. Una memoria utile richiede autorizzazioni, provenienza, confini e strumenti per correggere conclusioni inaccurate.
L'iniziativa di Stanford sulla memoria portabile descrive una direzione correlata. Esplora infrastrutture per un contesto personale persistente che possa spostarsi tra strumenti sotto controlli definiti dall'utente.
La portabilità è importante perché la memoria crea costi di cambiamento. Se anni di preferenze, decisioni e cronologia lavorativa esistono solo all'interno di un fornitore, abbandonarlo significa rinunciare a una parte preziosa dell'esperienza AI.
Lo stesso rischio è emerso nelle precedenti transizioni tra piattaforme. Email, contatti, fotografie e grafi sociali sono diventati difficili da spostare quando i servizi usavano formati incompatibili o politiche restrittive.
La memoria AI alza la posta in gioco perché può contenere conclusioni derivate, non soltanto file caricati. Un assistente potrebbe dedurre abitudini lavorative, preoccupazioni ricorrenti o relazioni da molte interazioni separate.
Queste deduzioni possono essere utili, inaccurate, sensibili o tutte e tre le cose. Gli utenti hanno bisogno di un modo per visualizzarle, modificarle, rimuoverle e limitarne la circolazione.
Qui diventa rilevante la gestione della conoscenza personale. Un secondo cervello AI controllato può organizzare il contesto lavorativo attorno all'individuo invece di trattare ogni conversazione con l'AI come una sessione usa e getta.
La distinzione è strutturale. Una memoria posseduta dalla piattaforma migliora principalmente il servizio di quella piattaforma. Una memoria governata dall'utente può migliorare molti strumenti preservando al tempo stesso la capacità dell'utente di cambiare fornitore.
Un approccio credibile all'AI personale di Mozilla deve quindi rendere la memoria comprensibile. Gli utenti dovrebbero sapere cosa è stato salvato, perché è stato recuperato e da quale memoria dipendeva una risposta.
Questa trasparenza talvolta aggiungerà attrito. Una richiesta di conferma richiede più tempo di un'azione invisibile in background. Una schermata di autorizzazione interrompe un flusso di lavoro automatizzato.
Eppure, eliminare ogni interruzione non è una scelta di design neutrale. Trasferisce le decisioni dall'utente al sistema e al suo operatore. La comodità può trasformarsi in dipendenza prima che gli utenti si accorgano dello scambio.
Gli agenti AI aperti mettono in discussione il modello delle piattaforme
Gli agenti di Mozilla AI fanno pressione sulle piattaforme chiuse separando l'automazione utile dalla dipendenza permanente da un unico modello o fornitore.
Le grandi aziende tecnologiche possiedono un vantaggio evidente nell'AI personale. Gestiscono già le applicazioni in cui le persone cercano informazioni, scrivono, comunicano, programmano riunioni e archiviano file.
Google può collegare Gemini a Workspace e Android. Microsoft può collegare Copilot a Microsoft 365 e Windows. Meta può integrare il proprio assistente nei prodotti di messaggistica e social.
Questa integrazione riduce la configurazione necessaria. L'assistente vive già accanto ai dati e alle azioni di cui ha bisogno. Gli utenti non devono assemblare componenti separati né gestire autorizzazioni aggiuntive.
Tuttavia, l'integrazione profonda concentra anche il controllo. La piattaforma sceglie quali modelli vengono offerti, come il contesto si sposta tra i servizi, quali azioni vengono registrate e come le politiche cambiano nel tempo.
L'approccio di Mozilla incentrato sulla scelta sfida questa concentrazione. I suoi strumenti aperti mirano a consentire agli sviluppatori di cambiare modelli, framework di agenti e servizi di supporto senza dover ricostruire l'intera applicazione.
Per esempio, any-llm offre un'interfaccia comune tra i fornitori di modelli. Any-agent crea un livello condiviso per eseguire e confrontare i framework di agenti. Llamafile impacchetta i modelli affinché possano essere eseguiti localmente tramite un singolo eseguibile.
Questi progetti non eliminano la dipendenza. Un'azienda fa comunque affidamento su modelli, infrastrutture, connettori e controlli di sicurezza. I componenti aperti possono anche introdurre attività di manutenzione che una piattaforma gestita assorbe.
La loro importanza risiede nel preservare le opzioni. Uno sviluppatore può indirizzare il lavoro sensibile verso un modello locale, usare un altro fornitore per il ragionamento più impegnativo e sostituire un servizio le cui condizioni non risultano più adatte.
Questa flessibilità conta di più man mano che gli agenti acquisiscono autorità. Cambiare un generatore di testo è relativamente semplice. Sostituire un agente collegato ai sistemi aziendali diventa più difficile dopo che flussi di lavoro, politiche e memoria si sono accumulati attorno ad esso.
Il futuro di Mozilla dipende quindi dall'interoperabilità, ossia dalla capacità di sistemi diversi di scambiare informazioni attraverso interfacce definite. L'interoperabilità riduce il costo del cambio di modello o dello spostamento del contesto.
Rende inoltre possibile la concorrenza su più livelli. Le aziende di modelli competono su intelligenza ed efficienza. I framework di agenti competono sull'orchestrazione. I sistemi di memoria competono su recupero, controllo e portabilità.
Le piattaforme chiuse possono offrire controlli simili, e alcune consentono già agli amministratori di selezionare modelli o limitare l'accesso ai dati. L'apertura non produce automaticamente maggiore privacy o sicurezza.
La differenza sta nel fatto che gli utenti possano ispezionare, modificare e trasferire in modo indipendente le parti essenziali del sistema. La disponibilità del codice sorgente consente inoltre agli sviluppatori esterni di esaminare le scelte di implementazione anziché affidarsi interamente alle descrizioni dei fornitori.
La sfida di Mozilla AI consiste nel trasformare questa flessibilità in un prodotto coerente. La maggior parte degli utenti non vuole selezionare cinque componenti infrastrutturali prima di chiedere a un agente di riassumere un progetto.
Un sistema aperto di successo deve nascondere la complessità non necessaria, esponendo al contempo scelte significative. Dovrebbe rendere comprensibile il percorso sicuro senza richiedere a ogni utente di diventare un ingegnere AI.
Questo equilibrio è difficile. Un'astrazione insufficiente lascia gli utenti a gestire integrazioni fragili. Un'astrazione eccessiva ricrea la piattaforma opaca che Mozilla vuole mettere in discussione.
Il risultato farà pressione sui fornitori chiusi soltanto se gli strumenti aperti diventeranno più facili da implementare e governare. Il solo richiamo ideologico non supererà un prodotto più lento, meno affidabile o più difficile da supportare.
Un contesto più personale crea rischi più seri
Le informazioni che rendono un agente realmente utile aumentano anche il danno derivante da errori, manipolazione o accessi non autorizzati.
Un normale chatbot può produrre una risposta errata. Un agente connesso può agire sulla base di essa. Potrebbe inviare un messaggio, modificare un record, eseguire codice o divulgare informazioni tramite un altro servizio.
Il NIST definisce gli agenti come sistemi che sollecitano ripetutamente i modelli, elaborano gli output e chiamano funzioni. La sua analisi sulla sicurezza degli agenti avverte che l'accesso agli strumenti crea rischi che vanno oltre il testo errato.
Una minaccia importante è l'iniezione indiretta di prompt. Un'istruzione malevola può essere nascosta in una pagina web, un'email, un documento o altro materiale letto dall'agente.
Se l'agente considera attendibile tale istruzione, un aggressore potrebbe reindirizzarne il comportamento. L'agente potrebbe esporre dati, usare impropriamente uno strumento connesso o compiere un'azione che l'utente non aveva mai inteso autorizzare.
Il NIST afferma che le mitigazioni attuali non offrono una protezione completa contro ogni tecnica di prompt injection. Raccomanda di progettare i sistemi assumendo che l'esposizione resti possibile.
Questa incertezza mette in discussione la versione più lineare della narrazione di Mozilla AI. Trasparenza e codice aperto favoriscono l'ispezione, ma non garantiscono che un agente connesso si comporti in modo sicuro.
Anche l'approvazione umana ha dei limiti. Le persone accettano abitualmente le richieste senza esaminarle attentamente, soprattutto quando conferme ripetute interrompono flussi di lavoro familiari.
Un agente può sommergere gli utenti di richieste tecnicamente accurate ma praticamente prive di significato. “Consenti l'accesso al documento” dice poco se la persona non può vedere quale documento, per quale scopo e per quanto tempo.
Un controllo efficace richiede quindi autorizzazioni specifiche. Un agente che redige un'email non dovrebbe ricevere automaticamente l'autorità di inviarla. Un agente di ricerca non dovrebbe ottenere un accesso illimitato ai sistemi di pagamento.
Anche i log sono importanti. Utenti e amministratori necessitano di una registrazione delle informazioni recuperate dall'agente, del modello che le ha elaborate, degli strumenti chiamati e delle azioni che ne sono seguite.
La memoria crea un'altra vulnerabilità. Un contesto errato può persistere e influenzare decisioni future. Dettagli sensibili possono riapparire in attività non correlate se i confini del recupero delle informazioni falliscono.
Le policy sulla privacy non risolvono ogni rischio. Ricercatori di Stanford hanno esaminato la documentazione di sei grandi sviluppatori di IA, riscontrando preoccupazioni relative alla conservazione dei dati, alle pratiche di addestramento e alla trasparenza limitata.
Il conseguente studio sulla privacy dei chatbot ha concluso che gli utenti dovrebbero essere cauti nel condividere informazioni sensibili. Ha inoltre chiesto un consenso esplicito e protezioni della privacy più forti.
Mozilla può differenziarsi con impostazioni predefinite più rigorose, elaborazione locale e memoria visibile all'utente. Tuttavia, queste scelte richiedono prove attraverso prodotti distribuiti, audit e controlli comprensibili.
L'elaborazione locale è particolarmente utile quando i dati rimangono sul dispositivo. Riduce la necessità di trasmettere materiale privato a un servizio remoto.
Tuttavia, locale non significa automaticamente sicuro. Malware, dispositivi condivisi, controlli di accesso deboli e integrazioni vulnerabili possono esporre informazioni archiviate localmente.
I modelli locali possono anche restare indietro rispetto ai sistemi ospitati più grandi nei compiti più impegnativi. Un sistema ibrido potrebbe elaborare localmente il contesto sensibile, usando al contempo modelli remoti per ragionamenti selezionati.
Questo design introduce interrogativi propri. Il sistema deve decidere cosa esce dal dispositivo, cosa viene rimosso da un prompt e quale servizio remoto riceve il risultato.
Il rischio non è un argomento contro gli agenti personali. È un motivo per valutarli in base alla progettazione delle autorizzazioni, alla tracciabilità, alla minimizzazione dei dati e ai meccanismi di recupero.
Gli agenti IA di Mozilla si guadagneranno fiducia solo quando gli utenti potranno comprenderne e annullarne le azioni. Un pulsante di approvazione visibile conta meno se un'azione errata rimane difficile da annullare.
La personalizzazione dovrebbe ampliare il giudizio, non restringerlo
Un agente personale ha successo quando migliora la capacità dell'utente di pensare, confrontare e decidere, anziché far sparire le decisioni.
L'automazione spesso promette di eliminare il lavoro di routine. Questo obiettivo ha senso per la formattazione, il recupero delle informazioni, i promemoria e i trasferimenti ripetitivi tra sistemi.
Eppure il lavoro della conoscenza contiene decisioni che sembrano ripetitive pur comportando un contesto importante. Selezionare prove, risolvere resoconti contrastanti o modificare la priorità di un progetto richiede giudizio.
Un agente può sostenere tali decisioni raccogliendo le informazioni rilevanti. Può mostrare i documenti alla base di un riepilogo, identificare prove mancanti e portare alla luce disaccordi che meritano attenzione.
Non dovrebbe comprimere ogni conflitto in un'unica raccomandazione sicura di sé. Una risposta che nasconde l'incertezza può rendere un utente più veloce, lasciandolo però meno informato.
È qui che la differenza tra assistenza e sostituzione diventa concreta. L'assistenza preserva il punto decisionale e migliora il materiale disponibile in quel momento.
La sostituzione elimina il punto decisionale o rende difficile ispezionare la scelta automatizzata. Può essere appropriata per azioni a basso rischio, ma pericolosa quando le conseguenze sono significative.
Immaginate un ingegnere che indaga su un incidente in produzione. Un agente potrebbe cercare nei log, collegare le modifiche recenti e proporre cause probabili.
Un output utile include prove, timestamp e spiegazioni alternative. Una singola diagnosi priva di supporto incoraggerebbe un'azione prematura e potrebbe prolungare l'interruzione del servizio.
Per un ricercatore, l'agente potrebbe collegare note provenienti da diversi articoli. Dovrebbe preservare le citazioni e separare il risultato di un autore dall'interpretazione dell'agente.
Per un manager, l'agente potrebbe produrre un riepilogo settimanale. Dovrebbe distinguere il lavoro completato dalle affermazioni irrisolte e consentire al manager di ispezionare le fonti sottostanti.
Queste capacità dipendono dalla combinazione della conoscenza, ovvero dall'unione attenta di contesto personale, dati organizzativi e informazioni esterne. Le fonti dovrebbero restare abbastanza visibili da poter essere verificate.
La personalizzazione può anche creare una bolla di filtraggio. Un agente che apprende le preferenze di un utente potrebbe selezionare ripetutamente punti di vista familiari e sopprimere disaccordi utili.
Un sistema progettato per migliorare il giudizio dovrebbe talvolta mettere in discussione l'utente. Può segnalare prove deboli, presentare una controargomentazione credibile o chiedere chiarimenti quando le istruzioni sono in conflitto.
Questo comportamento può sembrare meno immediatamente soddisfacente del consenso costante. È anche più coerente con la preservazione dell'autonomia umana.
L'obiettivo progettuale dovrebbe essere una delega calibrata. Gli utenti assegnano diversi livelli di autorità a seconda del compito, delle informazioni coinvolte e del costo dell'errore.
Un agente di calendario potrebbe programmare una riunione interna entro limiti definiti. Dovrebbe richiedere l'approvazione prima di annullare un impegno esterno o condividere materiale riservato.
Un agente di scrittura potrebbe correggere automaticamente la formattazione. Dovrebbe identificare le modifiche sostanziali e preservare la capacità dell'autore di accettarle o respingerle.
Queste distinzioni richiedono che i team di prodotto modellino le conseguenze, non solo le capacità. “L'agente può eseguire questa azione?” è diverso da “Quando dovrebbe eseguire questa azione?”
Il futuro di mozilla sarà credibile se i suoi sistemi renderanno visibili questi livelli. Gli utenti hanno bisogno di impostazioni comprensibili per accesso, memoria, azione, revisione ed eliminazione.
Questa visione cambia anche il modo in cui dovrebbe essere misurata la performance dell'IA. I tassi di completamento e la velocità di risposta catturano solo una parte del valore.
Gli sviluppatori dovrebbero esaminare se gli utenti riescono a rilevare gli errori, comprendere le fonti, annullare le azioni e spostare altrove il proprio contesto. Queste misure rivelano se la personalizzazione aumenta l'autonomia o la indebolisce silenziosamente.
Tre segnali metteranno alla prova la visione dell'IA personale di Mozilla
L'argomentazione di Mozilla ora necessita di prove attraverso prodotti utilizzabili, contesto portabile e pratiche di sicurezza che resistano ai flussi di lavoro reali degli agenti.
Il primo segnale è se Mozilla AI riesce a combinare scelta e semplicità d'esperienza. I suoi progetti aperti coprono diversi livelli importanti, ma gli utenti comuni incontrano prodotti, non diagrammi di architettura.
Osservate come Octonous gestisce la selezione dei modelli, le applicazioni connesse, le approvazioni delle azioni e il recupero da documenti di lavoro. Il test importante è se il controllo rimane chiaro nell'uso quotidiano.
Se gli utenti possono cambiare modello o revocare l'accesso senza interrompere i flussi di lavoro consolidati, la tesi di Mozilla acquista forza. Se la flessibilità produce una configurazione confusa e un comportamento inaffidabile, le suite chiuse mantengono il loro vantaggio.
Il secondo segnale è il progresso verso una memoria portabile. Gli utenti hanno bisogno di modi pratici per esportare contesto utile, ispezionare le conclusioni archiviate e passare da un sistema compatibile all'altro.
Un semplice download dei dati non sarà sufficiente. La memoria IA portabile deve preservare provenienza, autorizzazioni e struttura, escludendo al contempo le informazioni che l'utente non autorizza.
Standard come il Human Context Protocol di Stanford offrono una possibile direzione. La posizione open source di Mozilla la rende un partecipante naturale a questo più ampio sforzo di interoperabilità.
Se più prodotti possono usare in sicurezza lo stesso contesto governato dall'utente, l'IA personale diventa meno dipendente da una singola piattaforma. Se la memoria resta proprietaria, la personalizzazione rafforzerà il lock-in esistente.
Il terzo segnale è costituito dalle prove di sicurezza sugli agenti connessi. I benchmark dei modelli rivelano poco su come un agente gestisca in modo responsabile autorizzazioni, documenti malevoli e chiamate agli strumenti fallite.
Cercate modelli di minaccia documentati, test esterni, log di audit utili e impostazioni predefinite rigorose per le azioni con conseguenze rilevanti. Osservate se le distribuzioni offrono agli amministratori un controllo chiaro senza rendere impotenti i singoli utenti.
Anche gli incidenti di sicurezza saranno istruttivi. Il fattore decisivo non è se un sistema incontri una vulnerabilità. Il software complesso inevitabilmente ne incontra.
Il test è se Mozilla rileva i problemi, ne spiega la portata, supporta il recupero e migliora pubblicamente le proprie salvaguardie. Lo sviluppo aperto crea un'opportunità di controllo esterno, ma solo se i risultati portano ad azioni.
Mozilla non deve sconfiggere ogni grande azienda di IA per influenzare questo mercato. Browser, standard aperti e strumenti per la privacy spesso contano perché stabiliscono alternative e alzano le aspettative.
Il suo contributo più importante potrebbe essere una definizione utilizzabile di IA personale. Secondo tale definizione, un agente è personale perché la sua lealtà, memoria e autorità restano legate all'utente.
Questo obiettivo è più difficile che aggiungere un profilo a un chatbot. Richiede scelte su archiviazione, autorizzazioni, instradamento dei modelli, interfacce e incentivi commerciali.
I prossimi mesi dovrebbero mostrare se Mozilla può trasformare queste scelte in prodotti a cui le persone affidano il lavoro reale. Il futuro di mozilla dipende dalla prova che apertura e controllo possano coesistere con la comodità.
La domanda per gli utenti non è più se l'IA diventerà più personale. Questo processo è già in corso, mentre gli assistenti acquisiscono memoria e accesso agli strumenti.
La domanda migliore è chi trae beneficio da questa intimità. Prima di collegare un altro agente al vostro lavoro, verificate cosa ricorda, cosa può fare e se potete andarvene mantenendo intatto il vostro contesto.
