top of page

OpenAI stanzia 2 milioni di dollari per la ricerca sulla sicurezza dei minori

4 giorni fa
Tempo di lettura: 13 min
Illustrative photograph of children using laptops with family at home; not participants in the OpenAI research program. Photo: cottonbro studio / Pexels.

OpenAI ha stanziato 2 milioni di dollari per la ricerca sull’AI e la sicurezza dei minori, sostenendo strumenti di misurazione condivisi mentre restano irrisolti interrogativi sulle esperienze dei giovani. L’azienda ha annunciato l’impegno il 12 novembre, dopo la sua partecipazione al Paris Peace Forum. Il cambiamento immediato riguarda il sostegno alla ricerca, non la prova che un prodotto AI sia diventato più sicuro.

I finanziamenti sosterranno una rete di ricerca scientifica all’interno della Coalition for Children’s Rights and Protection in the Age of AI. OpenAI afferma che i ricercatori partecipanti manterranno il controllo sulle proprie conclusioni e pubblicheranno i risultati, compresi quelli negativi o inconcludenti. Questo impegno è importante perché una ricerca sulla sicurezza utile deve poter mettere in discussione le aziende che la finanziano.

L’iniziativa inserisce OpenAI in un dibattito più ampio che coinvolge Anthropic, ricercatori, governi e organizzazioni per la sicurezza dei minori. La sua tensione centrale è pratica: i fornitori di tecnologia hanno bisogno di prove per orientare le decisioni, mentre i minori incontrano già i loro prodotti. La ricerca deve orientare le protezioni attuali senza trasformare l’incertezza in un motivo per rimandarle.

Cosa cambia con l’impegno di OpenAI per la ricerca sulla sicurezza dei minori

Secondo l’annuncio di OpenAI sulla ricerca per la sicurezza dei minori, il contributo sostiene strumenti per misurare rischi e opportunità dell’AI per i bambini. L’azienda ha inoltre firmato la Charter of Engagement for Safer AI for Children al Paris Peace Forum.

L’annuncio finanzia un’iniziativa volta a migliorare le prove disponibili, anziché riferire un intervento di sicurezza già completato. I lettori dovrebbero tenere presente questa distinzione nel valutare l’impegno. Un finanziamento stabilisce un’intenzione e un’allocazione di risorse. Non dimostra che i ricercatori abbiano ricevuto i fondi, completato studi o dimostrato risultati migliori.

Queste fasi rispondono a domande diverse. L’annuncio di un finanziamento identifica il lavoro sostenuto, mentre uno studio pubblicato spiega cosa hanno esaminato e scoperto gli investigatori. Una modifica al prodotto mostra come un’azienda ha risposto. La prova che il cambiamento abbia migliorato l’esperienza dei minori richiede un’ulteriore valutazione.

Trattare queste fasi come intercambiabili renderebbe l’annuncio più conclusivo di quanto non sia. Oscurerebbe inoltre il valore del lavoro proposto. Gli strumenti di misurazione condivisi affrontano un problema che i singoli annunci sui prodotti non possono risolvere: se organizzazioni diverse intendano concetti comparabili quando descrivono la sicurezza.

Si consideri una valutazione ipotetica di un assistente per i compiti. Un team potrebbe contare le risposte inappropriate a domande isolate. Un altro potrebbe esaminare se l’assistente incoraggi gli studenti a consegnare risposte generate come se fossero proprie. Un terzo potrebbe indagare se l’uso ripetuto aiuti gli studenti a risolvere autonomamente problemi non familiari.

Ogni valutazione può produrre informazioni utili, ma i risultati descrivono proprietà diverse. Un buon risultato sui contenuti inappropriati non dimostra un beneficio educativo. Completare meglio i compiti non dimostra necessariamente una comprensione più profonda. Una misurazione chiara rende visibili questi confini.

Questo crea uno standard più esigente per gli annunci futuri. Le aziende dovrebbero spiegare quale risultato è migliorato, quali utenti hanno partecipato e quale confronto sostiene la conclusione. I ricercatori avrebbero bisogno di dettagli sufficienti per valutare se il risultato si estenda oltre il contesto originale.

L’impegno per la ricerca merita quindi attenzione come investimento nella valutazione delle affermazioni. La sua rilevanza dipenderà dalla capacità di produrre prove che altri ricercatori e team di prodotto possano esaminare e utilizzare. L’annuncio da solo non può rispondere a questa domanda.

Per le famiglie, l’implicazione immediata è più circoscritta. L’impegno non va interpretato come una nuova impostazione dell’account, una notifica ai genitori o una certificazione. Le decisioni su un servizio specifico richiedono ancora informazioni sul comportamento attuale e sulle protezioni di quel servizio.

L’uso dell’AI da parte dei minori mette sotto pressione le decisioni odierne

La tempistica riflette uno scarto tra adozione e comprensione. I prodotti possono cambiare rapidamente, mentre la ricerca sullo sviluppo richiede metodi accurati e osservazione. Aziende, scuole e famiglie devono compiere scelte prima che ogni domanda importante abbia una risposta consolidata.

L’iniziativa di finanziamento della ricerca del Paris Peace Forum indica OpenAI, Anthropic e Common Sense Media tra i partecipanti che sostengono ricerca e strumenti. Il presidente del Forum Philippe Etienne ha inquadrato l’iniziativa come un modo per dotare i ricercatori degli strumenti necessari a informare le politiche. Questo fornisce l’argomento a favore: migliori risorse possono rafforzare decisioni che vanno oltre una singola azienda.

La pressione ricade su chiunque traduca ampie promesse di sicurezza in scelte relative a prodotti reali. Gli sviluppatori decidono quali funzionalità rilasciare. Le scuole decidono se uno strumento sia adatto a uno scopo educativo. I genitori decidono quali usi comprendono abbastanza bene da consentire.

Questi gruppi hanno bisogno di prove diverse. Una scuola che valuta l’assistenza alla scrittura necessita di informazioni su apprendimento, supervisione e dati degli studenti. Un genitore che valuta l’intrattenimento conversazionale necessita di informazioni su interazioni, confini ed escalation quando qualcosa va storto. Una dichiarazione generale sull’AI responsabile non può sostituire nessuna delle due valutazioni.

La ricerca sull’uso esistente aiuta a spiegare perché queste distinzioni contano. La ricerca sui companion AI per adolescenti di Common Sense Media del luglio 2025 ha rilevato che quasi tre adolescenti su quattro avevano utilizzato companion AI. I risultati hanno inoltre descritto motivazioni diverse, tra cui intrattenimento, curiosità e interazione sociale.

Un companion AI è un servizio conversazionale progettato per offrire un’interazione sociale continuativa. Questa categoria si sovrappone agli assistenti più generali quando i prodotti introducono funzionalità orientate alla relazione. Tuttavia, le prove sui companion non dovrebbero trasformarsi automaticamente in un’affermazione su ogni assistente educativo o professionale.

L’indagine stabilisce usi ed esperienze riferiti nel proprio ambito. Non dimostra che ogni utente abbia sviluppato un legame o subito un danno. Né un giudizio di soddisfazione dimostra un beneficio duraturo. Comprendere questi limiti aiuta a evitare sia rassicurazioni esagerate sia allarmismi eccessivi.

Uno studente ipotetico illustra la difficoltà. Potrebbe usare un assistente per spiegare l’algebra, sviluppare una storia e parlare di un disaccordo con gli amici. Queste attività possono svolgersi nella stessa interfaccia, ma sollevano domande di valutazione diverse. Le sole categorie di prodotto non possono descrivere l’intera esperienza.

Per gli sviluppatori, la pressione risultante riguarda i confini tra le attività. Un servizio destinato ai compiti può comunque ricevere confidenze personali. Una funzione di intrattenimento può comunque fornire consigli. La valutazione dovrebbe esaminare come un prodotto risponde quando gli utenti vanno oltre lo scopo pubblicizzato.

Per gli acquirenti istituzionali, la sfida è la responsabilità. Qualcuno deve stabilire se le prove disponibili sostengano l’uso proposto e individuare ciò che resta incerto. Il finanziamento della ricerca aiuta solo quando i suoi risultati diventano abbastanza comprensibili da informare tali decisioni.

La posta in gioco pratica va quindi oltre la pubblicazione di un altro rapporto. Il lavoro deve aiutare i decisori a distinguere un uso appropriato da un’affermazione non supportata. Altrimenti, l’attività di ricerca può crescere senza rendere le scelte sui prodotti sostanzialmente più chiare.

La misurazione condivisa deve preservare differenze significative

La carta per un’AI più sicura della coalizione riconosce che mancano ancora prove mature a lungo termine sulle interazioni ripetute di bambini e adolescenti. Richiede attenzione alle differenze di età, sviluppo e utilizzo. Queste distinzioni complicano ogni tentativo di produrre una semplice valutazione della sicurezza.

Le prove comparabili diventano utili quando preservano il contesto anziché comprimere ogni domanda in un unico punteggio. Un benchmark, ossia una valutazione standardizzata, può rendere possibili confronti ripetuti. Il suo valore dipende comunque dal fatto che i compiti rappresentino il comportamento che le persone devono comprendere.

Immaginiamo due assistenti ipotetici testati sulla stessa raccolta di richieste inappropriate. Entrambi rifiutano tali richieste in modo coerente. Uno mantiene anche confini conversazionali chiari durante interazioni prolungate. L’altro si presenta gradualmente come un confidente insostituibile.

Un punteggio sui rifiuti dei contenuti non coglierebbe questa differenza, a meno che la valutazione non esaminasse il comportamento relazionale. Ciò non rende superfluo il test dei contenuti. Mostra perché una valutazione deve identificarne l’ambito prima che i lettori interpretino i risultati.

Lo stesso principio si applica al beneficio educativo. Un assistente potrebbe migliorare la qualità di un compito completato lasciando invariata la comprensione autonoma. Una valutazione concentrata sul lavoro consegnato risponderebbe a una domanda diversa rispetto a una verifica svolta senza assistenza.

I ricercatori dovrebbero poter distinguere questi risultati anziché trattarli come interpretazioni concorrenti della stessa misurazione. Il confronto diventa più utile quando i metodi spiegano cosa hanno fatto i partecipanti, quale assistenza hanno ricevuto e cosa hanno valutato gli investigatori in seguito.

L’età aggiunge un’altra complicazione. Uno stile conversazionale appropriato per un adolescente più grande non dovrebbe ricevere automaticamente lo stesso giudizio per un bambino più piccolo. Allo stesso modo, una valutazione dovrebbe evitare di presumere che ogni persona all’interno di una fascia d’età abbia esigenze o circostanze identiche.

I metodi condivisi possono aiutare a organizzare queste differenze. Possono stabilire descrizioni comuni per compiti, esposizione, durata dell’interazione e risposte osservate. Ciò renderebbe i risultati più facili da confrontare senza implicare che contesti diversi producano risultati intercambiabili.

Il risultato più utile potrebbe quindi assomigliare a un corpus strutturato di prove piuttosto che a una classifica. I lettori potrebbero vedere quali comportamenti i ricercatori hanno testato e dove restano incertezze. I team di prodotto potrebbero individuare debolezze pertinenti senza interpretare un punteggio generale come un’approvazione indiscriminata.

Esiste anche un problema di aggiornamento. Una valutazione descrive un sistema particolare in condizioni particolari. Se cambiano il modello, l’interfaccia o le istruzioni del prodotto, i risultati precedenti potrebbero richiedere un riesame. Un risultato di ricerca non dovrebbe trasformarsi silenziosamente in un’etichetta permanente.

Per esempio, l’aggiunta di memoria persistente cambia ciò che un assistente può conservare tra una conversazione e l’altra. L’introduzione dell’interazione vocale cambia l’esperienza incontrata dagli utenti. Questi cambiamenti ipotetici giustificherebbero la domanda se i test precedenti catturino ancora il comportamento del prodotto.

La misurazione condivisa deve quindi supportare la revisione. Un metodo che altri team possano ripetere dopo un aggiornamento ha un valore pratico che va oltre la sua pubblicazione iniziale. Crea un modo per esaminare se un miglioramento dichiarato persista e se comportamenti non correlati siano cambiati.

È qui che l’infrastruttura di ricerca differisce da una dimostrazione promozionale. Una dimostrazione seleziona un’interazione da mostrare a un pubblico. Una valutazione utile spiega come sono state selezionate le interazioni e consente che restino visibili anche risultati scomodi.

L’indipendenza della ricerca necessita di regole operative visibili

Il finanziamento industriale solleva un’evidente questione di governance: come può la ricerca restare credibile quando i suoi risultati potrebbero mettere in discussione i prodotti dello sponsor? La risposta dipende da accordi che i lettori possano esaminare. Una promessa di indipendenza è una condizione di partenza, mentre le pratiche di pubblicazione mostrano come essa funzioni.

La credibilità della ricerca dipende dalla capacità di riportare risultati scomodi e spiegare i metodi che li sostengono. Un risultato negativo può individuare una misura di protezione che non ha funzionato. Un risultato inconcludente può evidenziare una domanda che lo studio disponibile non è riuscito a risolvere.

Nessuno dei due esiti dovrebbe scomparire perché complica un annuncio. La loro visibilità aiuta a evitare un quadro distorto, in cui gli interventi riusciti ricevono attenzione mentre il lavoro non riuscito diventa invisibile. Aiuta inoltre altri team a evitare di ripetere approcci che hanno prodotto poche evidenze utili.

Le domande importanti riguardano il controllo. Chi seleziona le domande di ricerca? Chi decide se lo studio procede? Quali diritti di revisione ha uno sponsor prima della pubblicazione? Gli investigatori possono descrivere i limiti senza negoziare un’interpretazione favorevole?

Queste domande non presumono una condotta scorretta. Individuano gli accordi necessari affinché soggetti esterni possano valutare il lavoro. Ricercatori e sponsor possono rispondervi con condizioni chiare, invece di chiedere ai lettori di dedurre l’indipendenza dalla reputazione istituzionale.

L’accesso ai dati crea un’altra difficoltà. I ricercatori potrebbero aver bisogno di informazioni sul comportamento effettivo del prodotto, ma le conversazioni dei bambini possono contenere materiale sensibile. Una maggiore trasparenza non può significare un’esposizione senza limiti delle informazioni private dei partecipanti.

Un accesso credibile richiede quindi una distinzione attenta tra l’esame dei metodi e la rivelazione di dati personali. I ricercatori esterni potrebbero aver bisogno di documentazione sufficiente per valutare il disegno dello studio senza ricevere conversazioni identificabili. L’accordo appropriato dipende dallo studio e dai suoi obblighi etici.

Anche il coinvolgimento dello sponsor dovrebbe essere descritto con precisione. Finanziare un progetto, contribuire alla progettazione delle sue attività, fornire accesso tecnico e analizzarne i risultati sono ruoli diversi. I lettori possono valutare più chiaramente i potenziali conflitti quando tali ruoli compaiono separatamente.

Questo conta anche quando gli investigatori raggiungono conclusioni rassicuranti. Un risultato favorevole diventa più persuasivo quando i suoi limiti sono espliciti. Un beneficio definito in modo ristretto dovrebbe restare tale, anziché ampliarsi attraverso i titoli in un’affermazione generale secondo cui un prodotto è sicuro.

La stessa disciplina vale per i risultati sfavorevoli. Un fallimento in uno scenario particolare merita attenzione, ma non stabilisce automaticamente la frequenza di quel fallimento per tutti gli utenti. Una critica forte resta più solida quando rispetta i confini delle evidenze.

La diversità delle fonti di finanziamento è un’altra considerazione utile per il lavoro futuro. Le domande di ricerca possono beneficiare di team con discipline e prospettive istituzionali differenti. Ricercatori dello sviluppo, educatori, specialisti della privacy e valutatori di prodotti possono notare debolezze diverse nello stesso disegno di studio.

Ciò non significa che ogni progetto debba rispondere a ogni domanda. Significa che lo sforzo di ricerca complessivo dovrebbe evitare di dipendere da un singolo metodo o punto di vista. Una raccolta di studi complementari può rivelare più di versioni ripetute della stessa valutazione.

Il test pratico è se il quadro della ricerca diventa utilizzabile oltre il rapporto di finanziamento. Altri investigatori dovrebbero poter comprendere i metodi, contestare le interpretazioni e individuare le domande senza risposta. L’indipendenza diventa rilevante quando sostiene questo esame critico.

I critici della sicurezza dei minori chiedono protezione prima della certezza

La posizione scettica più forte è semplice: un programma di ricerca non dovrebbe diventare il permesso di continuare a esporre i giovani a rischi poco compresi. Le evidenze possono migliorare le protezioni nel tempo, mentre le decisioni immediate devono comunque riflettere le preoccupazioni esistenti.

La valutazione dei companion AI di Common Sense Media del 2025 raccomandava che i minori evitassero i companion AI sociali. I test hanno riguardato prodotti tra cui Character.AI, Nomi e Replika, con esperti del Brainstorm Lab di Stanford. L’organizzazione ha individuato preoccupazioni relative a risposte dannose e a una progettazione orientata alla relazione.

Quella valutazione offre una prospettiva critica, anziché una valutazione diretta del nuovo impegno di OpenAI. Riguarda inoltre prodotti e condizioni di test specifici. Le sue conclusioni dovrebbero conservare tali qualificazioni quando vengono utilizzate per discutere il mercato più ampio.

L’incertezza rafforza la necessità di protezioni attente; non dimostra che l’accesso senza restrizioni sia innocuo. Allo stesso modo, l’incertezza non dimostra che ogni uso dell’AI produca lo stesso rischio. Il lavoro difficile consiste nel distinguere attività e funzionalità, proteggendo al contempo gli utenti da problemi prevedibili.

OpenAI, Anthropic e i fornitori di companion affrontano questioni sovrapposte, ma non dovrebbero essere trattati come aziende o prodotti intercambiabili. La partecipazione a uno sforzo di ricerca condiviso non dimostra protezioni equivalenti. Lo scopo dichiarato di un prodotto da parte di un’azienda non può nemmeno stabilire come ogni utente lo viva.

Il confronto è quindi più utile sul piano delle evidenze. Quale comportamento ha valutato ciascun fornitore? Quali protezioni affrontano quel comportamento? Quali limiti riconosce il fornitore? Una ricerca condivisa può migliorare questi confronti senza trasformare la storia in una gara tra marchi.

Le linee guida UNICEF sull’AI incentrata sui minori aggiungono una prospettiva più ampia. Le sue raccomandazioni affrontano la sicurezza insieme a privacy, equità, inclusione, trasparenza e sviluppo. Questo quadro aiuta a spiegare perché evitare testi inappropriati non può esaurire il significato del benessere dei bambini.

Una funzionalità di sicurezza ipotetica illustra il compromesso. Monitorare le conversazioni potrebbe aiutare a individuare scambi preoccupanti, creando al contempo registri sensibili. Valutare la funzionalità richiede attenzione sia alla protezione prevista sia alla gestione dei dati.

Un altro intervento ipotetico potrebbe limitare la conversazione dopo determinate rivelazioni. I ricercatori dovrebbero esaminare se quella risposta aiuti l’utente a raggiungere un supporto appropriato o si limiti a interrompere l’interazione. L’esistenza di un intervento non ne determina l’efficacia.

Questi esempi sono domande di valutazione, non risultati riportati su un servizio particolare. Il loro scopo è mostrare perché le affermazioni semplicistiche falliscono. Le funzionalità con intenzioni sensate richiedono comunque un esame in condizioni realistiche.

Anche i benefici meritano lo stesso scrutinio. Il supporto all’accessibilità e l’assistenza educativa possono essere validi obiettivi di ricerca. I valutatori dovrebbero identificare chi ne beneficia, in quali condizioni e se tali vantaggi persistono oltre il compito immediato.

Questo approccio lascia spazio a un’AI utile senza chiedere alle famiglie di accettare rassicurazioni vaghe. Lascia inoltre spazio a restrizioni quando le evidenze giustificano cautela. La ricerca dovrebbe aiutare a rendere questi giudizi più specifici, anziché costringere ogni utilizzo tra approvazione e rifiuto.

Per i lettori che seguono l’annuncio, lo standard scettico è pratico. Sostenere la raccolta di evidenze migliori continuando a esaminare il comportamento attuale dei prodotti. Un impegno può contribuire a questo lavoro senza risolvere le questioni di sicurezza sottostanti.

I prossimi segnali saranno metodi, risultati e risposte dei prodotti

I prossimi mesi dovrebbero portare un esame dell’implementazione, anziché aspettative di una chiusura scientifica immediata. Le questioni di sviluppo a lungo termine non riceveranno risposte affidabili solo perché un annuncio attira attenzione. Segnali precedenti possono comunque mostrare se lo sforzo sta diventando concreto.

Le prove più chiare di progresso collegheranno gli impegni di ricerca a metodi visibili, risultati pubblicati e decisioni spiegabili. Questi segnali descrivono ciò che i lettori dovrebbero osservare, anziché un calendario di consegna annunciato. La loro assenza lascerebbe aspetti importanti dell’iniziativa non verificati.

In primo luogo, occorre osservare progetti di ricerca nominati e metodi comprensibili. Dettagli sui team partecipanti, sulle domande selezionate, sulla governance e sul disegno dello studio renderebbero più facile valutare l’impegno. Protocolli pubblici, ossia piani scritti per condurre gli studi, aiuterebbero i lettori a comprendere ciò che gli investigatori intendono misurare.

Questi dettagli rafforzerebbero l’idea che le risorse stiano sostenendo un programma di ricerca praticabile. Descrizioni generiche prive di informazioni sui progetti fornirebbero meno evidenze di attuazione. Nessuno dei due esiti risolverebbe le questioni scientifiche, ma la distinzione chiarirebbe i progressi dell’iniziativa.

In secondo luogo, occorre osservare risultati che preservino l’incertezza. Risultati negativi o inconcludenti pubblicati fornirebbero prova che i ricercatori possono comunicare esiti che vadano oltre i titoli favorevoli. Limiti chiari aiuterebbero inoltre i lettori a distinguere il lavoro esplorativo da conclusioni più solide.

Un risultato pubblicato dovrebbe spiegare ciò che lo studio può sostenere e dove si fermano le sue conclusioni. Se una piccola valutazione individua un segnale utile, il lavoro successivo può approfondirlo. Presentare quel segnale come una risposta universale indebolirebbe il valore della ricerca.

I lettori dovrebbero inoltre esaminare se i risultati restino accessibili e comprensibili. Una pubblicazione che descrive chiaramente i metodi consente una critica informata. Un titolo che annuncia il successo senza spiegare il confronto sottostante offre molto meno.

In terzo luogo, occorre osservare risposte specifiche da parte dei team di prodotto e delle istituzioni. Un fornitore potrebbe rivedere una funzionalità, rafforzare un limite o commissionare una valutazione di follow-up dopo un risultato. Una scuola potrebbe restringere un uso approvato perché le evidenze sostengono un’attività più chiaramente di un’altra.

Queste sono risposte possibili, non impegni riportati. La loro importanza risiede nella tracciabilità: i decisori dovrebbero spiegare quali evidenze hanno informato quale azione. Tale collegamento rafforzerebbe l’idea che la ricerca stia influenzando la pratica.

Un aggiornamento del prodotto da solo non completerebbe il processo. Sarebbe comunque necessaria una valutazione di follow-up per stabilire se la revisione abbia affrontato il problema individuato. Le evidenze dovrebbero guidare un ciclo continuo di decisioni, anziché fungere da approvazione cerimoniale.

Per la ricerca OpenAI sulla sicurezza dei minori, la domanda centrale ora riguarda l’esecuzione. L’impegno stabilisce la volontà di sostenere la misurazione, ma il suo valore pubblico dipenderà dal lavoro prodotto. I metodi devono essere credibili, i risultati devono restare aperti alla contestazione e le decisioni che ne derivano devono riconoscere i limiti.

Seguite il quadro della ricerca insieme agli annunci di prodotto. Quando un fornitore descrive un miglioramento della sicurezza dei minori, esaminate il comportamento testato, la fascia d’età pertinente, il confronto e l’incertezza residua. Chiedetevi se i ricercatori indipendenti possano esaminare informazioni sufficienti per valutare l’affermazione. Mantenete distinti i benefici educativi dalle evidenze sul benessere emotivo, e gli impegni di finanziamento dai risultati dimostrati. Sostenere la ricerca sull’AI e sulla sicurezza dei bambini diventa utile quando aiuta famiglie, scuole e sviluppatori a prendere decisioni meglio fondate. La prossima domanda è concreta: quali evidenze produrrà questo impegno e come agiranno le organizzazioni coinvolte quando tali evidenze metteranno in discussione le loro aspettative?

 
 

Inizia gratis

Un assistente IA local-first con gestione della conoscenza personale

Per una migliore esperienza con l’IA,

al momento remio supporta solo Windows 10+ (x64) e M-Chip Macs.

Il tuo partner AI al lavoro
Fai di più con remio

Pianifica. Crea. Consegna.
Tutto in un unico posto.

bottom of page