University of Kentucky lancia la prima laurea triennale statale in Intelligenza Artificiale

La University of Kentucky sta preparando la sua prima classe di studenti di intelligenza artificiale dopo aver lanciato, per l’autunno 2026, la prima laurea triennale dedicata all’IA del Kentucky. La notizia è emersa tramite Google News con un titolo facilmente fraintendibile che indicava l’università semplicemente come “UK”. Si tratta del Kentucky, non del Regno Unito.

Questa precisazione è importante perché lo sviluppo concreto è più circoscritto di quanto il titolo lasci intendere. Un’università pubblica americana ha trasformato l’IA da specializzazione in informatica a laurea triennale denominata, da 120 crediti. Gli studenti studieranno programmazione e matematica insieme a machine learning, ragionamento, visione artificiale ed etica dell’IA.

La decisione pone una questione più difficile del semplice fatto che l’IA meriti attenzione in aula. Le università devono stabilire se una laurea specializzata possa rimanere utile mentre la tecnologia cambia più rapidamente di un curriculum tradizionale. L’informatica offre basi durature, mentre una laurea in IA promette una specializzazione più precoce e un segnale professionale più chiaro.

Cosa ha effettivamente annunciato il titolo di Google News

La University of Kentucky ha creato il primo Bachelor of Science del Commonwealth dedicato specificamente all’intelligenza artificiale.

Lo Stanley and Karen Pigman College of Engineering ha annunciato il programma il 28 gennaio 2026. La prima classe dovrebbe iniziare nel semestre autunnale del 2026 a Lexington, Kentucky.

Non si tratta del primo corso di laurea triennale in IA del Regno Unito. Diverse università britanniche offrono già lauree denominate intelligenza artificiale o informatica con intelligenza artificiale. Nel titolo originale, “UK” è la consueta abbreviazione della University of Kentucky.

Google News distribuisce e raggruppa articoli di diversi editori, ma i titoli compressi possono perdere il contesto disponibile per un pubblico locale. I residenti del Kentucky che leggono WUKY riconoscono immediatamente “UK” come la loro università di punta. Un lettore internazionale può ragionevolmente interpretare le stesse lettere come il nome di un Paese.

La distinzione cambia la portata dell’affermazione. Il lancio rappresenta un primato per il Kentucky, non per la Gran Bretagna né per l’istruzione superiore mondiale. Questa affermazione più circoscritta resta significativa perché mostra come le università regionali stiano rispondendo all’interesse dei datori di lavoro per le competenze in IA.

La panoramica della laurea dell’università identifica il titolo come un Bachelor of Science che richiede 120 crediti. Le candidature sono state aperte per gli studenti che inizieranno nell’autunno 2026.

Il programma è collocato nel Department of Computer Science anziché operare come scuola separata. Questa collocazione gli consente di accedere a docenti esistenti, corsi di informatica e infrastrutture di ricerca. Collega inoltre la nuova laurea a una disciplina accademica consolidata.

Gli studenti iniziano con matematica, statistica e programmazione. Le materie successive includono rappresentazione della conoscenza, ragionamento automatizzato, reti neurali, machine learning, agenti intelligenti, pianificazione, elaborazione del linguaggio naturale e visione artificiale.

La rappresentazione della conoscenza riguarda il modo in cui un computer codifica fatti e relazioni per potervi ragionare. Il ragionamento automatizzato usa regole formali per ricavare conclusioni da quella conoscenza memorizzata.

Queste materie vanno oltre i sistemi di IA generativa che attirano l’attenzione del pubblico. Coprono approcci simbolici più datati, apprendimento statistico, percezione, pianificazione e processo decisionale. L’ampiezza del programma segnala che la laurea non è progettata come quattro anni di prompt writing.

Il progetto finale biennale previsto aggiunge un requisito pratico. Gli studenti devono progettare e realizzare un sistema software che integri metodi di IA. Quel progetto dovrebbe mostrare se i laureati sono in grado di collegare modelli a dati, interfacce, valutazione e normale ingegneria del software.

La proposta statale indica come data di attuazione il 16 agosto 2026. Descrive un programma per costruire, valutare e utilizzare sistemi che apprendono, ragionano e agiscono.

Questa formulazione è importante. Costruire un modello è solo una parte del lavoro professionale nell’IA. Valutazione, implementazione, monitoraggio e uso responsabile determinano spesso se un sistema sia adatto a un’organizzazione reale.

La versione di Google News coglie la tappa immediata, ovvero l’arrivo della prima classe. Il cambiamento più profondo è istituzionale. Il Kentucky ora riconosce l’IA come un campo universitario completo, con una propria identità di laurea.

Perché le università stanno chiamando l’IA una laurea

Una laurea dedicata all’IA offre alle università un messaggio diretto per il reclutamento, ma il suo valore a lungo termine dipende da molto più del nome.

Gli studenti hanno incontrato l’IA tramite chatbot, sistemi di raccomandazione, generatori di immagini e assistenti per la programmazione. Anche i datori di lavoro usano il termine in ambiti quali software, analisi, sanità, manifattura, finanza e pubblica amministrazione.

Una laurea denominata intelligenza artificiale collega questi interessi a un percorso accademico visibile. Può apparire più specifica dell’informatica e più ampia di un breve certificato. Questa combinazione è attraente per i candidati che cercano di collegare le scelte universitarie a un mercato del lavoro incerto.

Il segnale sul mercato del lavoro è reale, anche se richiede un’interpretazione attenta. Lo U.S. Bureau of Labor Statistics prevede che l’occupazione dei data scientist crescerà del 33,5 per cento tra il 2024 e il 2034. Ciò equivale a 82.500 posizioni aggiuntive secondo le sue attuali proiezioni.

L’agenzia prevede inoltre una crescita del 19,7 per cento dell’occupazione per i ricercatori informatici e dell’informazione. Le sue proiezioni occupazionali sull’IA collegano l’adozione della tecnologia alla domanda in diverse professioni informatiche e matematiche.

Nessuna delle due categorie fornisce una previsione diretta per i laureati in possesso di una laurea triennale in IA. “AI engineer” non è una categoria professionale univoca, e le aziende usano questo titolo per lavori sostanzialmente diversi.

Alcuni ruoli si concentrano sull’addestramento dei modelli. Altri riguardano pipeline di dati, sviluppo di applicazioni, valutazione dei modelli, sicurezza o integrazione di servizi esterni. Molti richiedono comunque i fondamenti del software insegnati nei programmi convenzionali di informatica.

Il programma del Kentucky risponde combinando argomenti di IA con matematica, statistica e programmazione. Questa struttura considera la specializzazione come un’estensione delle basi informatiche, anziché un loro sostituto.

Anche le linee guida professionali per i curriculum si sono mosse in una direzione simile. ACM, IEEE Computer Society e Association for the Advancement of Artificial Intelligence hanno congiuntamente approvato linee guida aggiornate per l’insegnamento universitario dell’informatica.

Il loro framework CS2023 amplia l’attenzione verso intelligenza artificiale e machine learning. Mantiene inoltre algoritmi, sviluppo software, sistemi, sicurezza, gestione dei dati e fondamenti matematici.

Questo equilibrio riflette un vincolo educativo di base. I datori di lavoro potrebbero aver bisogno oggi di persone che comprendano le reti neurali, ma i laureati lavoreranno attraverso molti cicli tecnologici. Un programma di laurea triennale deve prepararli ad apprendere sistemi che non esistono ancora.

La University of Kentucky ha anche una missione locale legata alla forza lavoro. In quanto istituzione pubblica di punta, forma studenti in grado di portare competenze tecniche presso datori di lavoro regionali, enti pubblici, gruppi di ricerca e sistemi sanitari.

Una laurea con una denominazione chiara può rendere questo percorso più evidente. Gli studenti non devono presumere che il lavoro avanzato sull’IA appartenga solo ai centri tecnologici costieri o ai laboratori di ricerca post-laurea.

Il più ampio contesto delle iscrizioni in Kentucky aggiunge ulteriore significato al lancio. Le iscrizioni universitarie triennali a livello statale sono cresciute del 5 per cento dall’autunno 2024 all’autunno 2025, secondo il Kentucky Council on Postsecondary Education.

Le università pubbliche quadriennali hanno registrato una crescita del 3 per cento nello stesso periodo. Le iscrizioni universitarie di primo ingresso sono aumentate del 4 per cento in tutto lo Stato, mentre quelle degli studenti adulti sono cresciute del 7 per cento.

Questi dati non dimostrano la domanda per questa particolare specializzazione. Mostrano però che il nuovo programma entra in un sistema statale con una popolazione universitaria in crescita, anziché uniformemente in calo.

La laurea è quindi sia una decisione accademica sia una scommessa sul reclutamento. L’università si aspetta che un numero sufficiente di studenti scelga un’identità specializzata in IA prima che i datori di lavoro abbiano standardizzato il significato di tale titolo.

Una laurea in IA rispetto a una base in informatica

Il confronto centrale non è tra istruzione in IA e assenza di istruzione in IA. È tra specializzazione precoce e un percorso più ampio in informatica.

Le tradizionali lauree in informatica insegnano già molti degli elementi impiegati nell’IA. Gli studenti studiano programmazione, algoritmi, strutture dati, architettura dei computer, sistemi operativi, database, probabilità e ingegneria del software.

Possono poi scegliere corsi opzionali di machine learning, visione artificiale, elaborazione del linguaggio naturale o robotica. Questo modello rinvia la specializzazione, pur costruendo un’ampia base tecnica.

Un programma dedicato all’IA modifica l’enfasi. Può richiedere maggiore apprendimento su inferenza, valutazione dei modelli, dati, agenti intelligenti ed etica. Può inoltre offrire a questi argomenti una sequenza continua anziché disperderli tra corsi opzionali.

Il vantaggio è la coerenza. Uno studente interessato all’IA non deve costruirsi una concentrazione informale né competere per un numero ridotto di corsi avanzati. La laurea indica agli studenti quali prerequisiti conducono a un lavoro sull’IA sempre più complesso.

Il rischio è restringere troppo presto il campo. Uno studente del primo anno attratto dall’IA generativa potrebbe non comprendere ancora le differenze tra ricerca, data science, ingegneria del software, sviluppo di prodotto e lavoro sui sistemi.

Una laurea ampia in informatica lascia più spazio per muoversi tra questi percorsi. Una laurea in IA deve preservare una flessibilità simile o spiegare chiaramente quali opzioni diventano più difficili.

Il Kentucky sembra riconoscere questa tensione. La descrizione pubblicata del curriculum inizia con programmazione, matematica e statistica prima di arrivare ai contenuti avanzati di IA. Il programma resta inoltre collocato all’interno dell’informatica.

Questa architettura conta più del titolo. Una laurea diventa fragile quando insegna gli strumenti attuali senza i concetti necessari per comprenderne i sostituti.

Gli studenti hanno bisogno di algebra lineare e probabilità per ragionare sul comportamento dei modelli. Hanno bisogno di algoritmi e strutture dati per costruire applicazioni efficienti. Hanno bisogno dell’ingegneria del software per mantenere i sistemi dopo la fine di una dimostrazione in aula.

Devono inoltre valutare gli output anziché trattare la scioltezza di un modello come prova di correttezza. La valutazione include la selezione di test significativi, l’identificazione di schemi di errore e la determinazione della trasferibilità delle prestazioni oltre un benchmark.

L’etica dell’IA compare nel curriculum elencato dal Kentucky, ma un solo corso non può farsi carico di ogni questione sociale. Pregiudizi, privacy, accessibilità, sicurezza, effetti sul lavoro e responsabilità dovrebbero comparire anche all’interno degli incarichi tecnici.

Questa integrazione aiuta gli studenti a considerare lo sviluppo responsabile come parte dell’ingegneria. Evita di trattare l’etica come una discussione finale, dopo che tutte le decisioni progettuali sono già state prese.

Un esempio pratico mostra perché queste basi appartengano allo stesso insieme. Si consideri un team di studenti che realizza un sistema che riassume cartelle cliniche per il personale sanitario.

La conoscenza del machine learning aiuta il team a comprendere il comportamento dei modelli. L’ingegneria del software mantiene affidabile l’applicazione. La sicurezza protegge i dati sensibili, mentre il design incentrato sulle persone rende il risultato utilizzabile dai medici.

La valutazione deve verificare se il riepilogo omette dettagli importanti o inventa affermazioni non supportate. La conoscenza delle policy determina in quali casi l’assistenza automatizzata richieda una revisione umana. Nessuna singola tecnica di AI risolve l’intero problema.

Lo stesso schema si applica alle ispezioni manifatturiere, alle previsioni agricole, ai servizi pubblici e all’analisi aziendale. I datori di lavoro raramente hanno bisogno di un modello isolato. Hanno bisogno di un sistema affidabile inserito in un flusso di lavoro esistente.

Gli studenti possono usare una base di conoscenza AI per organizzare letture, decisioni di progetto ed esperimenti. Tuttavia, la gestione delle informazioni supporta lo studio anziché sostituire il giudizio matematico e tecnico.

Il progetto finale dell’University of Kentucky può mettere alla prova questa distinzione. Un solido capstone richiede agli studenti di definire un problema, giustificare i propri dati, confrontare gli approcci, documentare i limiti e mantenere software funzionante.

Una versione debole premierebbe un’interfaccia impressionante collegata a un modello esterno. La differenza dipenderà dagli standard di progetto, dalla supervisione dei docenti e dall’accesso a risorse di calcolo adeguate.

Per i potenziali studenti, il confronto dovrebbe quindi andare oltre il nome del corso di laurea. Requisiti dei corsi, insegnamenti opzionali, accesso alla ricerca, tirocini, accreditamento e risultati post-laurea offrono prove migliori del linguaggio promozionale.

Il Curriculum Deve Superare l’Attuale Ciclo dell’AI

La sfida più grande del programma è mantenere aggiornato il curriculum senza trasformare lo studio universitario in formazione per fornitori.

I prodotti AI possono cambiare nel corso di un singolo semestre. Interfacce dei modelli, classifiche dei benchmark, termini di licenza e framework di sviluppo preferiti possono mutare prima che un libro di testo raggiunga gli studenti.

Il curriculum universitario si muove più lentamente per buone ragioni. Le commissioni dei docenti esaminano i corsi, i prerequisiti proteggono le sequenze di apprendimento e le istituzioni pubbliche devono documentare i requisiti delle lauree. Gli studenti hanno inoltre bisogno di percorsi prevedibili verso il conseguimento del titolo.

Questa discrepanza crea il compromesso centrale del programma. Un curriculum ancorato troppo saldamente ai prodotti attuali diventa datato. Uno che rimane interamente teorico può lasciare i laureati impreparati al lavoro ingegneristico contemporaneo.

Kentucky può gestire questo aspetto separando i principi duraturi dagli strumenti sostituibili. Probabilità, ottimizzazione, ricerca, logica, algoritmi e valutazione appartengono allo strato durevole.

Piattaforme cloud, API dei modelli, librerie di sviluppo e tecniche di deployment appartengono a uno strato pratico in evoluzione. I docenti possono aggiornare compiti e progetti più spesso dei requisiti fondamentali della laurea.

L’elenco delle materie pubblicato suggerisce un’ampiezza significativa. Include le reti neurali, ma anche sistemi logici, ragionamento automatizzato, pianificazione e rappresentazione della conoscenza.

Questa combinazione contrasta l’idea che tutta l’AI sia un unico grande modello linguistico. I large language model generano o trasformano sequenze prevedendo token probabili, mentre l’intelligenza artificiale comprende una famiglia di metodi molto più ampia.

L’approccio più ampio offre agli studenti alternative quando un compito non richiede AI generativa. Un sistema basato su regole, un classificatore statistico, una procedura di ricerca o un modello specializzato più piccolo possono essere più facili da sottoporre ad audit.

Le risorse di calcolo restano una preoccupazione pratica. Addestrare grandi modelli di frontiera richiede infrastrutture ben oltre quelle di un normale laboratorio universitario. Gli studenti non hanno bisogno di quella scala per apprendere i concetti fondamentali, ma necessitano di accesso sufficiente per condurre esperimenti significativi.

Le università possono utilizzare modelli più piccoli, cluster condivisi, servizi cloud e dataset progettati con cura. Ogni opzione introduce interrogativi su costi, disponibilità, privacy e dipendenza da fornitori esterni.

La capacità del corpo docente è un’altra incertezza. Un elenco di corsi ambizioso richiede insegnanti competenti in machine learning, elaborazione del linguaggio, visione, ragionamento, etica e sistemi. I materiali di lancio non chiariscono con quale frequenza verrà attivato ogni corso avanzato.

La prima coorte sperimenterà direttamente le conseguenze. Un catalogo può elencare una sequenza attraente, ma è la programmazione a determinare se gli studenti possano effettivamente frequentare quei corsi quando necessario.

Il rapido cambiamento esercita pressione anche sulla valutazione. Gli studenti ora dispongono di assistenti per la programmazione in grado di generare funzioni, spiegare errori e redigere relazioni. Compiti progettati prima dell’AI generativa potrebbero misurare l’accesso agli strumenti invece della comprensione.

I programmi devono creare valutazioni che consentano l’uso di strumenti utili, rendendo al tempo stesso evidente il ragionamento dello studente. Revisioni orali, dimostrazioni dal vivo, analisi guidate del codice, esperimenti controllati e diari di progetto possono offrire prove più solide.

Questo non richiede di vietare gli assistenti AI. Gli studenti che entreranno nei luoghi di lavoro tecnici probabilmente li utilizzeranno. Il compito educativo è insegnare quando fidarsi, verificare, rifiutare o dichiarare il lavoro generato dalle macchine.

La nuova laurea deve inoltre evitare di promettere un unico titolo professionale diretto. I laureati potrebbero entrare nello sviluppo software, nell’analisi dei dati, nella valutazione dei modelli, nell’AI responsabile, nella cybersecurity, nel supporto alla ricerca o in ruoli tecnologici specifici di settore.

Alcune posizioni di ricerca avanzata richiederanno comunque una formazione post-laurea. Alcuni ruoli software favoriranno candidati con ampia esperienza nei sistemi. I datori di lavoro decideranno il valore della qualifica attraverso assunzioni e prestazioni, non soltanto in base al suo nome.

Kentucky dovrebbe pubblicare dati man mano che il programma matura. Permanenza degli studenti, completamento dei corsi, partecipazione ai tirocini, qualità dei capstone, inserimento lavorativo e studi post-laurea renderebbero la laurea più facile da valutare.

Finché tali prove non esisteranno, il curriculum resterà un piano documentato anziché un percorso comprovato. È normale per un programma nuovo, ma dovrebbe moderare le affermazioni sui risultati.

Chi Subisce Pressioni dalla Scommessa sull’AI di Kentucky

Il lancio mette sotto pressione le università vicine, i programmi tradizionali di informatica e i datori di lavoro affinché chiariscano ciò che si aspettano dai talenti AI entry-level.

Le istituzioni regionali hanno ora un punto di confronto visibile. Possono creare lauree dedicate, ampliare le concentrazioni AI, aggiungere certificati o sostenere che i percorsi informatici consolidati offrano maggiore flessibilità.

Copiare il titolo è la risposta più semplice, ma non necessariamente la migliore. Una laurea credibile richiede competenze dei docenti, copertura dei corsi, infrastruttura di calcolo, orientamento e una domanda studentesca sostenuta.

Alcune università potrebbero preferire un modello interdisciplinare. Possono combinare informatica con biologia, agricoltura, economia, design o sanità anziché creare un’unica laurea generale in AI.

Altre potrebbero enfatizzare i fondamenti dell’informatica e offrire l’AI attraverso corsi opzionali. Questo percorso può funzionare bene quando un dipartimento non dispone di docenti sufficienti per sostenere una sequenza separata.

Il lancio di Kentucky mette sotto pressione anche il suo programma di informatica esistente. I consulenti devono spiegare in che modo le due lauree differiscono, quali corsi si sovrappongono e come gli studenti possano cambiare percorso senza perdere progressi sostanziali.

I dipartimenti devono gestire le iscrizioni nei corsi introduttivi condivisi. Se l’etichetta AI attira molti studenti, le lezioni di programmazione e matematica potrebbero richiedere sezioni aggiuntive, assistenti didattici e maggiore capacità di laboratorio.

I datori di lavoro affrontano una responsabilità diversa. Le descrizioni delle posizioni spesso richiedono esperienza in AI senza definire il lavoro effettivo. Una laurea triennale con un nome specifico costringe i recruiter a dichiarare quali capacità apprezzano.

Hanno bisogno di qualcuno in grado di addestrare modelli, valutare modelli esterni, costruire pipeline di dati o integrare l’AI nel software? Si aspettano conoscenze di privacy, sicurezza e normative settoriali?

Risposte chiare aiutano le università a progettare progetti e tirocini. Una domanda vaga può produrre laureati formati verso una categoria di moda anziché verso un insieme identificabile di compiti.

Gli studenti sopportano il rischio maggiore perché investono diversi anni prima che i risultati occupazionali diventino visibili. La prima coorte non può consultare ex studenti dello stesso programma né esaminare una lunga storia di collocamenti.

Dovrebbero confrontare i corsi obbligatori con le opzioni tradizionali di informatica, data science e ingegneria informatica. Dovrebbero inoltre chiedere se la laurea consenta minor, doppie lauree, ricerca universitaria e tirocini.

Il fatto di essere la prima laurea di Kentucky può aiutarla ad attirare attenzione. Lo status di pioniere non garantisce che il suo curriculum, l’insegnamento o i risultati occupazionali supereranno quelli dei programmi successivi.

La risposta competitiva più forte potrebbe quindi provenire da programmi consolidati che si aggiornano silenziosamente. Un dipartimento di informatica può aggiungere moderni laboratori AI e docenti senza cambiare il nome della propria laurea.

Questa possibilità mantiene la competizione principale concentrata sulla sostanza educativa. Un branding specializzato può aprire la porta, ma basi, progetti, tutoraggio e prove occupazionali determinano ciò che gli studenti ricevono.

L’attenzione di Google News offre all’University of Kentucky un vantaggio temporaneo di visibilità. Mantenere tale vantaggio richiede un programma che conservi senso quando i modelli oggi più discussi non saranno più dominanti.

Cosa Osservare all’Inizio della Prima Classe

Tre segnali mostreranno se Kentucky ha costruito un programma accademico duraturo o se ha soprattutto colto un momento di intenso interesse per l’AI.

Il primo segnale è l’effettiva adesione degli studenti. L’interesse nelle candidature è utile, ma iscrizioni e permanenza rivelano se gli studenti si impegnano dopo aver esaminato i requisiti.

Il programma avrà bisogno di studenti sufficienti per giustificare le classi specializzate senza sovraccaricare i corsi informatici condivisi. Il passaggio tra le lauree in AI e informatica rivelerà inoltre come gli studenti percepiscono le proprie opzioni.

Un’elevata iscrizione iniziale seguita da numerosi cambi di percorso indebolirebbe la tesi della specializzazione. Una progressione stabile attraverso matematica e programmazione sosterrebbe il progetto del programma.

Il secondo segnale è l’erogazione del curriculum avanzato. Gli studenti dovrebbero poter accedere a corsi di ragionamento, machine learning, elaborazione del linguaggio, computer vision, pianificazione ed etica con una programmazione affidabile.

I syllabus pubblicati aiuterebbero gli osservatori a valutarne la profondità. Esempi di progetti mostrerebbero se gli studenti valutano i sistemi con rigore o se assemblano principalmente applicazioni attorno a modelli preconfigurati.

Anche le assunzioni dei docenti e le opportunità di ricerca rientrano in questo segnale. Una laurea acquista solidità quando gli studenti lavorano con docenti che contribuiscono in più campi dell’AI.

Il terzo segnale è la convalida dei datori di lavoro. I tirocini forniranno le prime prove perché la prima coorte non si laureerà prima di diversi anni.

I datori di lavoro possono convalidare la laurea offrendo progetti sostanziali, tornando a reclutare studenti aggiuntivi e identificando le competenze che distinguono i partecipanti. Tirocini tecnologici generici offrono prove più deboli sul curriculum AI stesso.

Le misure successive dovrebbero includere tassi di completamento, inserimento lavorativo, studi post-laurea e tipi di lavoro accettati dagli studenti. Tali risultati necessitano di contesto, perché nessuna singola metrica cattura il valore di una formazione universitaria.

Il titolo che ha circolato su Google News indica un cambiamento reale, ma non quello che un lettore internazionale potrebbe dedurre. Kentucky ha creato la sua prima laurea triennale dedicata all’AI, mentre l’esperimento più ampio rimane incompiuto.

I potenziali studenti dovrebbero ora esaminare i corsi dietro l’etichetta. Confrontate il percorso AI con l’informatica, chiedete come saranno coperti i corsi avanzati e cercate prove nei primi progetti.

Educatori e datori di lavoro dovrebbero osservare gli stessi segnali. Se la prima classe acquisirà basi durature e costruirà sistemi credibili, Kentucky offrirà un utile modello regionale. Se il curriculum seguirà i prodotti anziché i principi, il nome sorprendente della laurea invecchierà più rapidamente dei suoi studenti.