SUTD LLM Gateway respinge il campus a modello unico
SUTD ha lanciato un unico gateway universitario per almeno cinque famiglie di modelli, trasformando SUTD LLM Gateway in un'alternativa agli accordi sull'IA nei campus con un singolo fornitore.
La Singapore University of Technology and Design ha annunciato la piattaforma il 14 settembre 2026. Studenti e docenti possono accedere a GPT, Claude, Gemini, Qwen, Kimi e altri modelli attraverso un ambiente universitario comune.
Questa scelta conta più della lunghezza dell'elenco dei modelli. SUTD afferma che sistemi diversi presentano punti di forza diversi, quindi la sua comunità dovrebbe imparare a scegliere tra di essi. La gamma disponibile può inoltre cambiare con l'evoluzione della tecnologia.
La decisione crea un netto contrasto con i programmi universitari incentrati su un unico grande fornitore. La National University of Singapore, per esempio, ha iniziato a offrire alla propria comunità l'accesso a ChatGPT Edu il 31 agosto.
SUTD punta su un approccio educativo diverso. Vuole che la selezione, il confronto e lo scetticismo verso i modelli diventino parte del lavoro, invece di nascondere queste decisioni dietro un unico chatbot predefinito.
Questo approccio dà agli studenti maggiore autonomia, ma trasferisce anche su di loro maggiori responsabilità. L'accesso non stabilisce se una risposta sia accurata, se un modello sia adatto a un compito o se l'uso dell'IA favorisca l'apprendimento.
Cosa cambia realmente SUTD LLM Gateway
SUTD ha spostato l'accesso all'IA multi-modello da account individuali frammentati a un ambiente istituzionale condiviso.
L'annuncio di LLM Gateway dell'università identifica GPT, Claude, Gemini, Qwen e Kimi come esempi. Non presenta tale elenco come permanente o esaustivo.
Un modello linguistico di grandi dimensioni, o LLM, genera risposte prevedendo il linguaggio sulla base di schemi appresi durante l'addestramento. I modelli possono produrre risposte dall'aspetto simile pur differendo notevolmente per ragionamento, stile, latenza, gestione del contesto e comportamento di sicurezza.
Un gateway colloca diversi di questi sistemi dietro un unico punto di accesso. Gli utenti selezionano un modello senza dover gestire un account consumer separato per ciascun fornitore.
SUTD non ha divulgato pubblicamente dettagli sull'interfaccia del gateway, sulle versioni dei modelli, sui limiti di utilizzo, sui termini di approvvigionamento o sull'architettura tecnica. Non ha inoltre specificato se tutti gli utenti ricevano lo stesso identico accesso.
Queste omissioni sono rilevanti perché il nome di una famiglia di modelli non identifica una capacità precisa. GPT, Claude e Gemini comprendono ciascuno più prodotti e varianti di modello, che i fornitori aggiornano regolarmente.
Il cambiamento verificato è quindi più limitato dell'accesso illimitato a ogni modello di punta. SUTD ha creato un percorso gestito dall'università verso una selezione in evoluzione proveniente da diversi ecosistemi di modelli.
Ciononostante, è una scelta significativa. Gli studenti possono sottoporre lo stesso problema a più sistemi, osservarne le differenze e decidere quale risultato meriti ulteriore lavoro.
Il professor Chee Yeow Meng, provost e chief academic and innovation officer di SUTD, ha descritto questo confronto come uno scopo centrale. Ha affermato che gli studenti incontreranno molti modelli nel corso della loro carriera, mentre i modelli stessi continueranno a cambiare.
SUTD afferma inoltre che l'ambiente gestito include misure di protezione per privacy, sicurezza e uso responsabile. Tuttavia, il suo annuncio pubblico non definisce tali misure né elenca le classificazioni dei dati approvate.
Gli utenti non dovrebbero dedurre che ogni documento sia sicuro da caricare. Registri di ricerca, informazioni personali, proprietà intellettuale non pubblicata e materiali di valutazione possono richiedere regole istituzionali separate.
La piattaforma si basa su un utilizzo già consolidato all'interno di SUTD, anziché introdurre l'IA generativa in un campus finora estraneo a essa. L'università afferma che la revisione dei progetti degli studenti ha rilevato diverse piattaforme IA nei lavori di design del primo anno.
Metodi più specializzati sono comparsi nei progetti Capstone dell'ultimo anno. Tra questi figuravano visione artificiale, pipeline multi-agente e retrieval-augmented generation, spesso chiamata RAG.
RAG consente a un sistema di recuperare materiale pertinente prima di generare una risposta. La tecnica può ancorare le risposte a documenti selezionati, anche se non garantisce l'accuratezza fattuale.
Le pipeline multi-agente assegnano attività connesse a più componenti IA. Un componente potrebbe raccogliere informazioni, un altro redigere una risposta e un altro ancora valutare il risultato.
Questi esempi mostrano perché un'unica interfaccia chat non possa rappresentare l'intero caso d'uso educativo. Gli studenti stanno già passando dal porre domande all'integrare modelli in progetti software e di design.
Un gateway comune può ridurre l'attrito coinvolto in questi esperimenti. Ancora più importante, può rendere la scelta del modello visibile come decisione progettuale.
Questa distinzione è essenziale. Uno studente che riceve un unico chatbot istituzionale può considerare il suo comportamento come il comportamento dell'IA in sé. Uno studente che confronta più modelli vede che ogni risultato riflette un sistema specifico.
SUTD LLM Gateway modifica quindi sia l'accesso sia l'oggetto di studio. I modelli diventano strumenti per completare il lavoro e artefatti che gli studenti possono esaminare criticamente.
Perché SUTD sceglie più modelli
La strategia multi-modello considera il giudizio una competenza duratura e la familiarità con una singola interfaccia una conoscenza temporanea.
Gli accordi universitari sull'IA spesso enfatizzano l'ampio accesso, i controlli amministrativi e una protezione più solida rispetto agli account consumer personali. Questi vantaggi possono rendere attraente un accordo con un singolo fornitore.
SUTD ha scelto di porre la diversità dei modelli al centro della propria motivazione educativa. Il suo annuncio afferma che l'università non vuole limitare la comunità a un solo modello o ecosistema.
Il ragionamento è pratico. I fornitori di modelli rilasciano nuove versioni, ritirano quelle vecchie, modificano le funzionalità e cambiano il modo in cui i loro sistemi rispondono. Un flusso di lavoro ottimizzato attorno a un solo modello può invecchiare rapidamente.
Sistemi diversi possono eccellere anche in compiti diversi. Uno può rispettare più affidabilmente un formato di output rigoroso, mentre un altro può offrire una critica più utile o gestire diversamente un documento.
Queste variazioni non creano una classifica stabile. Le prestazioni dipendono dal prompt, dal materiale di partenza, dalla versione del modello, dal metodo di valutazione e dalla definizione di una risposta riuscita.
L'approccio di SUTD chiede agli studenti di affrontare direttamente questa incertezza. Devono selezionare un sistema, valutare la risposta e decidere se un modello diverso o un metodo umano funzionerebbe meglio.
Questo ricorda la pratica ingegneristica più da vicino dell'apprendimento di un'unica interfaccia brandizzata. Gli ingegneri raramente scelgono un componente perché è universalmente il migliore. Scelgono in base a requisiti, vincoli e modalità di guasto.
L'approccio si adatta inoltre al più ampio cambiamento curricolare di SUTD. A partire dall'anno accademico 2026, l'IA è integrata in tutti e tre i trimestri del curriculum Freshmore del primo anno.
Il curriculum del primo anno dell'università include ricerca sugli utenti, analisi, ideazione, sviluppo di concetti e prototipazione. Gli studenti possono utilizzare correttori GPT personalizzati, ComfyUI e Midjourney durante le attività pertinenti.
SUTD presenta questi strumenti come parti di un processo di design, non come sostituti di quel processo. Ci si aspetta che gli studenti decidano quando l'IA debba agire come strumento, compagno di squadra o opzione da non utilizzare.
Il nuovo gateway fornisce a quel curriculum un livello operativo comune. Rende disponibile il test tra modelli diversi senza legare la struttura educativa alla roadmap di prodotto di un singolo fornitore.
Ciò non significa che la neutralità dei modelli sia automatica. L'interfaccia può comunque influenzare il sistema selezionato dagli utenti tramite impostazioni predefinite, etichette, ordinamento o quote di utilizzo.
Se un modello riceve limiti più generosi, risposte più rapide o integrazioni migliori, può diventare il predefinito di fatto. Il design del gateway modellerà quindi il comportamento insieme al curriculum.
Le decisioni dei docenti conteranno quanto il software. Un compito che premia soltanto una risposta finale ben rifinita incentiva un modello d'uso diverso rispetto a uno che richiede confronti e verifiche documentate.
Gli studenti necessitano inoltre di criteri di valutazione che vadano oltre la preferenza. Una risposta concisa può sembrare migliore pur omettendo una precisazione fondamentale. Una risposta dettagliata può apparire autorevole pur inventando prove.
Un confronto utile chiede se le affermazioni siano tracciabili, le ipotesi siano visibili e la risposta sia adatta al problema. Dovrebbe inoltre considerare privacy, consumo energetico, accessibilità e standard disciplinari.
Questo trasforma l'alfabetizzazione all'IA in qualcosa di più impegnativo della scrittura di prompt. Gli studenti devono capire che un linguaggio fluente non è prova di comprensione o verità.
La stessa lezione vale oltre l'università. I lavoratori della conoscenza ricevono regolarmente riassunti IA, bozze, piste di ricerca e suggerimenti di codice senza un segnale affidabile di correttezza.
Anche le persone che gestiscono una base di conoscenza personale affrontano una scelta simile. La risposta generata conta meno della sua connessione con materiale di fonte affidabile.
SUTD sta di fatto insegnando la scelta del modello come uno strato del giudizio informativo. Questa competenza dovrebbe restare utile anche quando tutti gli attuali nomi dei modelli saranno cambiati.
Il campus a fornitore unico affronta ora un'alternativa credibile
La principale sfida non è più accesso all'IA contro nessun accesso. È un campus con un fornitore predefinito contro un ambiente gestito costruito per la scelta dei modelli.
NUS offre il confronto più chiaro nelle vicinanze. La sua collaborazione del 2026 con OpenAI offre a studenti, docenti e personale l'accesso a ChatGPT Edu.
Il lancio di NUS include anche un modulo obbligatorio di IA generativa applicata per gli studenti universitari del primo anno. Le capacità più avanzate entrano inizialmente in corsi selezionati prima di una diffusione più ampia.
Non si tratta di un semplice caso in cui un'università abbraccia l'IA mentre un'altra vi resiste. Entrambe le istituzioni stanno integrando l'IA nell'istruzione ed enfatizzano il giudizio umano.
La differenza strutturale riguarda l'ambiente predefinito. NUS ha posto un prodotto OpenAI al centro del proprio programma di accesso esteso. SUTD mette in primo piano un menu in evoluzione di fornitori di modelli.
Un accordo con un singolo fornitore offre reali vantaggi operativi. La formazione può concentrarsi su un'interfaccia, i team di supporto possono documentare meno flussi di lavoro e i team di sicurezza possono valutare un ambiente più circoscritto.
Anche i docenti possono trovare più semplice progettare un'esercitazione condivisa quando ogni studente utilizza lo stesso modello. I risultati restano variabili, ma il numero di differenze incontrollate diminuisce.
Un gateway multi-modello accetta una complessità aggiuntiva in cambio di flessibilità. Può ridurre la dipendenza da un singolo fornitore ed esporre gli studenti a differenze che un'interfaccia standardizzata nasconderebbe.
Nessuna delle due strade elimina il lock-in. Un'università può diventare dipendente dall'azienda dietro un modello, mentre un gateway può diventare dipendente dal proprio livello di orchestrazione e dai contratti con i fornitori.
Anche le conseguenze educative differiscono. Quando un singolo assistente diventa il predefinito del campus, gli studenti possono sviluppare abitudini attorno al suo vocabolario, agli strumenti per i file, alle funzioni di memoria e allo stile delle risposte.
Queste abitudini possono aumentare la produttività nel breve termine. Possono anche far sembrare naturali le scelte progettuali di un fornitore e poco familiari le alternative.
Un ambiente multi-modello contrasta questo effetto mantenendo visibile la selezione. Ricorda agli utenti che l'assistente è un componente sostituibile, anche quando il gateway circostante rimane costante.
SUTD non è la prima istituzione a perseguire questa architettura. Dartmouth Chat mette a disposizione modelli commerciali di OpenAI, Anthropic e Google insieme a sistemi open source ospitati da Dartmouth.
Il modello di Dartmouth supporta inoltre il confronto tra risposte, il caricamento di documenti, la generazione di immagini e chatbot personalizzati. Dimostra che l’accesso multi-modello nei campus è diventato un modello istituzionale riconoscibile.
L’Università di Utrecht ha intrapreso un percorso analogo. Il suo ambiente AI gestito dall’ateneo combina sistemi commerciali con modelli a pesi aperti ospitati su infrastrutture olandesi.
Questi casi suggeriscono un cambiamento più ampio negli approvvigionamenti dell’istruzione superiore. Le istituzioni desiderano sempre più un accesso centralizzato senza affidare ogni caso d’uso a un unico fornitore di modelli.
La pressione competitiva ricade sia sui fornitori sia sulle università. I fornitori devono convincere i campus che il loro modello merita una collocazione preferenziale, un’integrazione più profonda o un’attenzione esclusiva.
Le università devono dimostrare che l’assetto scelto migliora l’istruzione anziché limitarsi ad aumentare il numero di chatbot disponibili. Un lungo elenco di modelli non è prova di un apprendimento migliore.
Stanford illustra come un ampio accesso ai fornitori possa coesistere senza un unico punto d’accesso. Il suo programma pilota del 2026 offre ChatGPT Edu, Gemini Enterprise e Claude for Education come servizi istituzionali separati.
Il programma pilota del campus di Stanford collega ogni servizio a controlli di identità, termini per un uso responsabile e classificazioni dettagliate dei dati. Limita inoltre alcuni connettori nei contesti medici sensibili.
Finora SUTD ha divulgato meno dettagli operativi. Il suo gateway potrebbe semplificare l’accesso più dei servizi separati di Stanford, ma le informazioni pubbliche non consentono un confronto dettagliato sulla sicurezza.
Il punto più ampio è che le università dispongono ora di diverse opzioni di implementazione credibili. Possono standardizzare su un unico assistente, concedere in licenza più assistenti oppure aggregare più modelli dietro un’interfaccia gestita.
SUTD ha scelto la terza opzione e l’ha collegata a un’argomentazione curricolare. Gli studenti dovrebbero imparare a valutare sistemi che differiscono, competono e cambiano.
Questa posizione spinge i programmi basati su un solo fornitore a spiegare quale contributo educativo apporti la standardizzazione. Spinge inoltre i programmi multi-modello a dimostrare che la scelta produce comprensione anziché confusione.
L’accesso è facile, ma un apprendimento migliore no
La domanda più difficile è se il confronto tra modelli rafforzi il ragionamento degli studenti o renda semplicemente più comodo esternalizzare il lavoro.
SUTD riconosce direttamente questa tensione. Chee ha affermato che l’AI può sostenere l’apprendimento, ma può anche aggirare il ragionamento, la pratica e lo sforzo attraverso cui avviene l’apprendimento.
Questa affermazione conferisce al lancio maggiore credibilità rispetto a un semplice annuncio di accesso. Riconosce che la disponibilità istituzionale può aumentare sia la sperimentazione produttiva sia la dipendenza improduttiva.
Un gateway non può determinare quale dei due esiti si verifichi. Può offrire controlli, registri di utilizzo, modelli approvati e un’interfaccia coerente, ma non può interpretare ogni contesto accademico.
Si consideri uno studente di ingegneria che esegue il debug di un circuito. Chiedere a più modelli le possibili cause può generare rapidamente ipotesi e far emergere disaccordi che vale la pena verificare.
Lo stesso studente può anche incollare l’intero problema in un modello e accettare codice generato senza comprendere il circuito. Entrambe le azioni usano la stessa tecnologia.
La progettazione della valutazione decide quale comportamento viene premiato. Se gli studenti devono spiegare le ipotesi, confrontare gli output, verificare i risultati e documentare gli errori, l’uso dell’AI può diventare parte di un ragionamento visibile.
Se conta soltanto l’elaborato finale, i docenti potrebbero faticare a distinguere una comprensione autentica da una delega competente. Più modelli possono rendere il problema più difficile, ampliando le strade disponibili.
Il rischio va oltre l’integrità accademica. Gli output dei modelli possono contenere fonti inventate, codice non sicuro, ipotesi distorte o una certezza fuorviante.
Confrontare più risposte può rivelare un disaccordo, ma il consenso non stabilisce la verità. I modelli possono riprodurre errori simili perché i loro dati di addestramento e i metodi di ottimizzazione si sovrappongono.
Gli studenti hanno quindi bisogno di verifiche indipendenti. Possono includere documenti primari, esperimenti, calcoli, dataset affidabili, test del codice e la revisione da parte di qualcuno con competenze pertinenti.
Il SUTD LLM Gateway può favorire tali abitudini, ma l’università non ha pubblicato dati sui risultati della piattaforma. Non ha indicato come misurerà il giudizio, la qualità dell’apprendimento o l’eccessivo affidamento.
Anche i dati di adozione sarebbero prove incomplete. Un elevato numero di prompt potrebbe dimostrare comodità, curiosità, uso obbligatorio o dipendenza. Non dimostrerebbe un miglioramento educativo.
I progetti precedenti di SUTD offrono scenari utili, pur non dimostrando l’impatto del gateway. Uno studente ha creato GPTBernie, un tutor personalizzato modellato sullo stile didattico di un professore di matematica.
Secondo un rapporto sull’AI nel campus, il bot aiutava a rispondere alle domande di base. Lo studente ha dichiarato che gli ha consentito di ridurre del 70 per cento le email al professore.
Il caso suggerisce una divisione del lavoro produttiva. Il bot gestiva le domande ricorrenti, mentre gli incontri con il professore potevano concentrarsi su questioni più profonde.
Tuttavia, un tutor modellato su un professore solleva interrogativi sulla fedeltà e sull’autorità. Gli studenti devono sapere quando una spiegazione proviene dal professore e quando un modello si limita a imitarne lo stile.
La stessa preoccupazione vale per i valutatori personalizzati. Un feedback formativo rapido può aiutare gli studenti a iterare, ma può anche normalizzare giudizi opachi se i criteri di valutazione restano poco chiari.
La privacy crea un’altra area irrisolta. SUTD afferma che il suo ambiente include misure di salvaguardia, ma gli utenti hanno comunque bisogno di regole specifiche su ciò che può essere inserito in ciascun modello.
Una bozza di ricerca può contenere informazioni riservate di partner. Un progetto di design può includere trascrizioni di interviste, dati personali o specifiche proprietarie.
Un gateway sicuro può ridurre l’esposizione rispetto ad account consumer non gestiti. Non può rendere appropriato ogni caricamento né eliminare la necessità di classificare i dati.
Le modifiche ai modelli introducono un ulteriore compromesso educativo. SUTD desidera che i sistemi disponibili cambino con l’evoluzione della tecnologia, proteggendo così la piattaforma dall’obsolescenza.
Cambiamenti frequenti possono anche compromettere la riproducibilità. Una classe potrebbe ricevere risultati diversi quando un fornitore aggiorna un modello durante un compito o un progetto di ricerca.
Le università avranno bisogno di registri delle versioni, etichette chiare per i modelli e procedure per preservare gli output importanti. I ricercatori potrebbero richiedere controlli più rigorosi rispetto agli studenti impegnati in esercizi esplorativi.
L’equità merita la stessa attenzione. Un accesso comune può ridurre le disparità tra studenti che possono ottenere vari servizi e quelli che dipendono soltanto da un accesso pubblico limitato.
Tuttavia, l’uguaglianza dipende dalle effettive concessioni. Se i modelli più esigenti hanno limiti d’uso stringenti, gli studenti con abbonamenti personali o risorse di calcolo esterne possono mantenere un vantaggio.
Accessibilità, velocità di risposta, prestazioni linguistiche e requisiti dei dispositivi possono creare ulteriori differenze. Una piattaforma nominalmente condivisa non garantisce un’esperienza pratica identica.
Questi rischi non invalidano la strategia multi-modello. Definiscono il lavoro necessario per renderla educativa anziché meramente infrastrutturale.
L’affermazione più forte di SUTD non è che il gateway migliorerà automaticamente l’apprendimento. È che imparare a valutare modelli diversi merita un posto formale nell’istruzione universitaria.
Questa premessa è plausibile, ma ora richiede prove. I risultati decisivi arriveranno dal lavoro degli studenti, dalla qualità delle valutazioni, dalle abitudini di verifica documentate e da una governance trasparente.
Tre segnali mostreranno se la strategia funziona
Il prossimo test non è l’aggiunta di un altro modello. È capire se SUTD trasformerà la scelta del modello in giudizio misurabile, governance responsabile e lavoro studentesco più solido.
Il primo segnale consiste nei dettagli pubblici sulle regole operative del gateway. SUTD dovrebbe chiarire versioni dei modelli, idoneità degli utenti, restrizioni sui dati, pratiche di conservazione e limiti d’uso applicabili.
Questi dettagli mostreranno se l’ambiente gestito dall’università offre una protezione significativa e un accesso coerente. Classificazioni chiare rafforzerebbero la tesi a favore dei gateway istituzionali rispetto agli account personali.
Garanzie vaghe la indebolirebbero. Gli studenti non possono prendere decisioni responsabili se non sanno come vengono gestiti prompt, file e output.
Il secondo segnale riguarda il modo in cui i docenti riprogettano compiti e valutazioni. Gli esempi più informativi richiederanno agli studenti di giustificare la selezione del modello, verificare le affermazioni e identificare dove il lavoro umano sia rimasto necessario.
Un compito che chieda agli studenti di confrontare GPT, Claude, Gemini, Qwen e Kimi potrebbe rivelare differenze autentiche. Dovrebbe comunque richiedere prove esterne a tali sistemi.
I docenti potrebbero anche chiedere agli studenti di consegnare registri dei modelli, criteri di test e analisi degli errori. Ciò renderebbe il giudizio verificabile senza trattare ogni azione assistita dall’AI come una scorrettezza.
Se i corsi si limitano a consentire il gateway senza modificare la valutazione, l’accesso supererà la pedagogia. La piattaforma potrebbe diventare un comodo generatore di risposte anziché un laboratorio per il confronto critico.
Il terzo segnale è costituito dalle prove derivanti dai risultati reali. SUTD dovrebbe esaminare se gli studenti individuano affermazioni non supportate, selezionano i modelli in modo appropriato e trasferiscono tali abitudini nel lavoro di progettazione e ingegneria.
Prove utili confronterebbero il lavoro nel tempo e tra diversi tipi di attività. Dovrebbero includere casi di fallimento, non solo dimostrazioni curate selezionate per la promozione.
Il feedback degli studenti sarà importante, ma la soddisfazione da sola non è sufficiente. Un accesso facile può generare un alto consenso anche quando la comprensione diminuisce.
L’università dovrebbe inoltre osservare se un modello diventa il predefinito di fatto. Un uso concentrato potrebbe rivelare una maggiore idoneità, un pregiudizio dell’interfaccia, limiti diseguali o una semplice abitudine.
Un sano programma multi-modello non richiede un utilizzo uguale. Richiede però che gli utenti comprendano perché hanno scelto un sistema e quando un’altra opzione sarebbe stata migliore.
Il lancio di SUTD crea inoltre un parametro di riferimento per le strategie concorrenti nei campus. NUS può valutare un programma incentrato sul fornitore, mentre SUTD valuta un gateway indipendente dal modello.
I confronti tra questi approcci dovrebbero evitare di dichiarare un vincitore sulla base di affermazioni di marketing. Dimensioni istituzionali, curriculum, capacità di supporto e popolazioni studentesche differiscono.
Tuttavia, il contrasto può produrre prove utili. Le università possono esaminare se l’accesso standardizzato migliori la coerenza oppure se il confronto esplicito tra modelli produca utenti più adattabili.
Il SUTD LLM Gateway è importante perché rifiuta di trattare l’attuale leader di mercato come l’interfaccia educativa definitiva. Presuppone che i modelli cambieranno e che gli studenti debbano imparare a cambiare con essi.
È un punto di partenza sensato, non un risultato già conseguito. Il compito più difficile inizia quando gli studenti devono spiegare perché si sono fidati di un output, ne hanno respinto un altro o hanno scelto di lavorare senza AI.
Nei prossimi mesi, osservate regole di governance concrete, valutazioni riprogettate e prove di apprendimento pubblicate. Questi segnali riveleranno se l’accesso multi-modello diventerà istruzione o resterà infrastruttura.
Studenti e knowledge worker possono applicare lo stesso criterio fin da ora. Prima di accettare una risposta dell’AI, chiedetevi quale fonte la supporti, cosa cambi un altro modello e quale comprensione perdereste delegando il lavoro.
