Guide

Prompt engineering: come scrivere istruzioni che fanno davvero la differenza

Come ogni forma di comunicazione, si impara, si perfeziona e, alla fine, cambia tutto

Roberto Felicetti
Roberto FelicettiAggiornata il 10 novembre 2026
Prompt engineering: come scrivere istruzioni che fanno davvero la differenza
Scrivere un prompt significa dare forma a una richiesta.

C’è un momento preciso in cui le persone capiscono che l’AI non sta dando il meglio di sé. Di solito è quando ricevono una risposta generica, lunga il doppio del necessario, piena di sottotitoli in grassetto che non hanno chiesto e di affermazioni ovvie che già sapevano. Allora chiudono la scheda e tornano a fare le cose come le hanno sempre fatte.

Non è colpa loro. È colpa del prompt.

Il prompt engineering (l’arte di scrivere istruzioni per i modelli di AI) è diventato in pochi anni una competenza trasversale che tocca ogni professione. Non serve essere ingegneri. Non serve conoscere il funzionamento interno dei modelli. Serve capire come comunicare con uno strumento che ragiona in modo diverso da come ci aspettiamo, e che risponde in modo proporzionale alla qualità di quello che gli chiediamo.

Questa guida non ha l’obiettivo di insegnarti trucchi. L’obiettivo è cambiare il modo in cui pensi all’interazione con l’AI: darti un framework mentale solido, esempi concreti tratti da situazioni reali, e la consapevolezza necessaria per migliorare ogni volta che non ottieni quello che cerchi.

Perché è questo il punto più importante: il prompt engineering non è una competenza innata. È un processo iterativo. Chi ottiene risultati straordinari dall’AI non è chi conosce la formula giusta, è chi sa come capire perché una risposta non va bene e come migliorarla.

Come “pensa” un modello: cosa che devi sapere

Prima di imparare a scrivere un buon prompt, vale la pena dedicare cinque minuti a capire cosa succede quando premi invio. Non a livello tecnico profondo, quello lo lasciamo agli ingegneri, ma a livello funzionale, quello che cambia concretamente il modo in cui ti approcci allo strumento.

Un modello linguistico come GPT-6, Claude o Gemini è stato addestrato su una quantità enorme di testo: libri, articoli, forum, codice, conversazioni. Durante l’addestramento ha imparato a prevedere quale parola, o sequenza di parole, è più probabile dopo una certa sequenza di input. Non “pensa” nel senso umano del termine. Non ha intenzioni, non ha esperienze, non ha una visione del mondo. Ha pattern. Ha connessioni statistiche tra concetti.

Il modello non sa cosa vuoi ottenere. Sa solo cosa hai scritto. Se quello che hai scritto è ambiguo, il modello riempirà le ambiguità con quello che è statisticamente più probabile, che spesso non è quello che intendi tu.

Questo ha una conseguenza pratica fondamentale: l’AI non ha senso critico rispetto alle tue intenzioni. Se chiedi “dammi delle idee per un articolo su ChatGPT”, riceverai idee generiche su ChatGPT perché la risposta su base statistica a quella domanda, sul tipo di testo su cui il modello è stato addestrato, è una lista di argomenti comuni. Se invece chiedi “dammi 5 idee originali per un articolo su ChatGPT rivolto a professionisti HR che non hanno mai usato l’AI e che temono di perdere il lavoro”, la risposta cambia radicalmente perché hai ridotto l’ambiguità e guidato il modello verso un sottoinsieme molto più specifico del suo spazio di possibilità.

C’è un altro aspetto da tenere a mente: i modelli sono molto sensibili alla struttura e al registro del testo che ricevono. Un prompt scritto in modo disordinato, con errori, senza una logica chiara, produce risposte disordinate. Un prompt scritto con cura, con una struttura precisa e un registro coerente, produce risposte migliori. Stai mostrando al modello, con l’esempio, che tipo di output ti aspetti.

Esiste infine il concetto di contesto, ovvero la quantità di testo che il modello può “tenere a mente” in una singola conversazione. I modelli moderni hanno finestre enormi (centinaia di migliaia di token), ma questo non significa che potete riempirle di informazioni irrilevanti. Più il contesto è denso e pertinente, più la risposta sarà focalizzata. Più è dispersivo, più la risposta sarà generica.

L’anatomia di un prompt efficace

Esistono decine di framework per scrivere prompt: CRISPE, RTF, COSTAR, TAG, ognuno con le sue regole. Tutti contengono elementi validi. Nessuno è la risposta definitiva. Quello che conta è capire i principi sottostanti, che poi si applicano a qualsiasi situazione.

Un prompt efficace ha cinque componenti. Non tutti e cinque devono essere sempre presenti, dipende dalla complessità del task, ma sapere cosa sono ti permette di capire cosa manca quando una risposta non è soddisfacente.

Ruolo, contesto, richiesta, formato e vincoli aiutano a chiarire il risultato desiderato.
Ruolo, contesto, richiesta, formato e vincoli aiutano a chiarire il risultato desiderato.
  1. Il ruolo

    Dire al modello chi deve essere non è un trucco psicologico. È un modo per attivare un sottoinsieme del suo addestramento. “Sei un esperto di comunicazione aziendale” non trasforma il modello in una persona diversa, ma lo orienta verso un tipo di linguaggio, un livello di profondità e una serie di assunzioni implicite coerenti con quella figura.

    Attenzione: i ruoli troppo generici (“sei un esperto”) non danno molto vantaggio. I ruoli specifici (“sei un consulente di comunicazione con esperienza nel settore farmaceutico che scrive per un pubblico di manager non tecnici”) fanno una differenza enorme.

  2. Il contesto

    È l’elemento più sottovalutato. Il contesto risponde alla domanda: cosa deve sapere il modello per capire perché stai chiedendo quello che stai chiedendo?

    Include: chi sei, qual è il progetto, qual è il vincolo principale, a chi è destinato l’output, cosa è già stato fatto, cosa non ha funzionato. Non serve scrivere un romanzo. Basta fornire le informazioni che orientano la risposta, quelle che, se non ci fossero, porterebbero a un output sbagliato.

  3. Il task

    La richiesta vera e propria. Deve essere precisa, non ambigua e formulata in termini di azione concreta. “Aiutami con il testo” è un task. “Scrivi una versione alternativa di questo paragrafo che sia il 30% più breve, mantenga il tono informale e termini con una domanda che invita alla riflessione” è un task migliore.

    Un trucco utile: immagina di delegare il task a un collaboratore molto capace ma senza iniziativa. Cosa dovresti dirgli perché non torni con qualcosa di inutile? Quello è il livello di precisione che stai cercando.

  4. Il formato dell’output

    I modelli, se non indicato diversamente, tendono a rispondere nello stesso formato con cui sono stati prevalentemente addestrati: testo continuo, liste puntate, sottotitoli in grassetto. Se hai bisogno di qualcosa di diverso, dillo esplicitamente.

    “Rispondimi con una tabella con tre colonne: vantaggio, svantaggio, alternativa.”
    “Scrivi una lista numerata di massimo 7 elementi, ogni elemento in una riga, nessun paragrafo.”
    “Dammi solo il testo finale, nessuna spiegazione o commento.”

    Specificare il formato non è una preferenza estetica ma una riduzione dell’ambiguità che porta a risposte più utili.

  5. I vincoli e le esclusioni

    Dire cosa NON vuoi è altrettanto importante di dire cosa vuoi. I modelli hanno bias impliciti: tendono a essere equilibrati quando preferiresti una posizione netta, tendono a usare anglicismi quando preferiresti l’italiano, tendono a concludere con “in conclusione” anche quando non lo vuoi.

    Usare esclusioni esplicite come “niente disclaimer iniziali”, “non usare la parola ‘tuttavia’”, “non citare ChatGPT se non è necessario”, “evita il tono motivazionale”, rimuove questi pattern predefiniti e ti avvicina all’output che cerchi.

Quando un prompt non funziona, chiediti: manca il ruolo? manca contesto? il task è ambiguo? ho specificato il formato? ci sono pattern di default che devo escludere? La risposta indica cosa aggiungere o modificare.

Un esempio di richiesta scomposta nei suoi cinque elementi. Scegli quelli necessari al tuo compito.
Un esempio di richiesta scomposta nei suoi cinque elementi. Scegli quelli necessari al tuo compito.

Il contesto è tutto

Se c’è un elemento che fa la differenza più di tutti gli altri, è il contesto. Non il formato, non il ruolo, non i vincoli. Il contesto.

Pensa a come funziona la comunicazione umana. Quando scrivi una mail a un collega che conosce il progetto da mesi, puoi essere sintetico, condividete lo stesso background implicito. Quando scrivi la stessa mail a qualcuno di esterno, devi spiegare tutto da zero, altrimenti la risposta sarà inevitabilmente generica o sbagliata.

Con l’AI è esattamente lo stesso meccanismo, con una differenza: il modello non ha memoria persistente tra conversazioni diverse (a meno che non sia stata configurata esplicitamente), quindi ogni volta ricomincia da zero. Sei tu che devi portare il contesto rilevante dentro la conversazione.

Cosa costituisce un buon contesto?

  • Il “perché” è spesso il pezzo più potente. “Scrivi un’email di follow-up dopo una riunione” produce qualcosa di generico. “Scrivi un’email di follow-up dopo una riunione in cui il cliente ha espresso scetticismo sul prezzo ma interesse genuino per il prodotto, e in cui l’obiettivo è fissare un secondo incontro senza sembrare pressanti” produce qualcosa di specifico e utile.

  • Il pubblico cambia tutto. “Scrivi una spiegazione di cosa è un algoritmo” produce un output diverso se aggiungi “per un bambino di 10 anni”, “per un manager di 50 anni senza background tecnico”, “per un ingegnere software senior che vuole spiegarlo ai propri genitori”. Stesso topic, registri completamente diversi.

  • I vincoli reali del tuo contesto, budget, tempo, tecnologia disponibile, vincoli legali, preferenze del cliente, rendono le risposte applicabili nella realtà invece che teoricamente corrette ma inutilizzabili.

Il modello risponde a quello che gli dai in input, non a quello che hai in testa. Il tuo compito non è fare la domanda giusta: è trasferire abbastanza conoscenza (contesto) perché la domanda giusta diventi ovvia.

Esiste un esercizio potente per capire quanto contesto stai perdendo: prima di inviare un prompt, leggi quello che hai scritto come se fossi qualcuno che non sa nulla del tuo progetto, della tua situazione, del tuo obiettivo. Cosa manca? Cosa potresti interpretare in modo sbagliato? Quelle sono esattamente le informazioni che devi aggiungere.

Una richiesta diventa più precisa quando chiarisce a chi è destinato il risultato, cosa deve ottenere e come deve essere scritto.
Una richiesta diventa più precisa quando chiarisce a chi è destinato il risultato, cosa deve ottenere e come deve essere scritto.

Esempi pratici: sei situazioni reali

La teoria diventa chiara quando vedi la differenza in pratica. Ecco sei situazioni reali, con un prompt debole e uno forte, e una spiegazione di cosa cambia

SituazionePrompt debolePrompt efficace
Email professionale“Scrivi un’email per chiedere un’estensione della scadenza”“Scrivi un’email professionale ma umana al cliente X in cui chiedo 5 giorni in più per la consegna del report. Il motivo reale è un problema tecnico che non posso rivelare. L’email deve mantenere la fiducia del cliente, non fare scuse vaghe, e proporre una data alternativa precisa. Tono diretto, niente formalità eccessive.”
Analisi di un testo“Riassumi questo documento”“Leggi questo contratto e dimmi: 1) i tre punti più rischiosi per il contraente, 2) le clausole che andrebbero negoziate, 3) quello che potrebbe sembrare innocuo ma non lo è. Rispondimi in punti numerati, massimo 200 parole totali.”
Brainstorming“Dammi idee per una campagna social”“Sono il responsabile marketing di una piccola azienda italiana che produce pasta artigianale. Target: 25-40 anni, vivono in città, apprezzano il made in Italy ma non il tono ‘nonnismo’. Budget limitato. Dammi 7 idee di contenuto per Instagram che siano originali, non scontate, e che non usino le parole ‘tradizione’, ‘artigianale’ o ‘passione’.”
Revisione testo“Miglora questo testo”“Rivedi questo paragrafo: mantieni il significato esatto, riduci la lunghezza del 25%, elimina le ripetizioni e rendi ogni frase più diretta. Non cambiare il tono informale. Dammi solo il testo revisionato, nessun commento.”
Ricerca e sintesi“Spiegami il GDPR”“Spiegami le 5 cose che un piccolo e-commerce italiano deve sapere sul GDPR per evitare problemi pratici. Niente overview generale — voglio solo i punti operativi che cambiano il modo in cui gestisco i dati degli utenti. Linguaggio semplice, esempi concreti.”
Decisioni“Quale framework dovrei usare?”“Devo scegliere tra Next.js e Nuxt per un portale editoriale con 50.000 articoli, team di 2 sviluppatori senza esperienza con nessuno dei due, e un cliente che vuole modifiche rapide all’UI. Dimmi i pro e contro specifici per questo scenario — non una comparison generica.”

Noti il pattern? In ogni caso, il prompt efficace:

  • Dà al modello informazioni che non potrebbe avere altrimenti

  • Riduce il numero di interpretazioni possibili

  • Specifica il formato dell’output

  • Include vincoli che escludono risposte scontate

Non è necessariamente più lungo, è più preciso.

Prompt per il pensiero laterale e la creatività

L’AI viene usata molto per compiti operativi: riscrivere, sintetizzare, formattare, tradurre. Ma alcune delle applicazioni più interessanti riguardano la creatività e il pensiero laterale: usare il modello non per produrre qualcosa, ma per spostare la propria prospettiva.

Questa è un’area in cui molte persone non si avventurano, perché richiede un approccio diverso. Non stai cercando la risposta giusta. Stai cercando nuove connessioni.

Analogie forzate

Una delle tecniche più potenti è chiedere al modello di spiegare un concetto attraverso un’analogia con un dominio completamente diverso. Non perché l’analogia sia accurata, ma perché il processo di mappare un concetto su un altro rivela strutture che normalmente non vedi.

“Spiega la gestione del cambiamento organizzativo come se fosse un problema di giardinaggio. Non creare una metafora generica, vai nel dettaglio: cosa sono le radici, cosa sono le erbacce, cosa significa potare, cosa succede se innaffi troppo.”

Il risultato spesso produce insight genuini e chiari che puoi usare in modo pratico.

Osservare lo stesso problema da prospettive diverse può far emergere nuove possibilità.
Osservare lo stesso problema da prospettive diverse può far emergere nuove possibilità.

Prospettive multiple forzate

Chiedere al modello di prendere posizioni diverse, anche contraddittorie, su una stessa questione è uno dei modi migliori per esplorare uno spazio decisionale complesso.

“Rappresenti tre consulenti con visioni opposte: uno è convinto che la nostra startup debba espandersi adesso, uno è convinto che debba consolidarsi, uno pensa che dovremmo cambiare strategia. Ciascuno ha 3 argomenti forti. Poi, come quarta voce, dimmi dove trovano terreno comune.”

Questo approccio, che si chiama “multi-persona”, produce output molto più ricchi di una semplice analisi bilanciata.

Il “devil’s advocate” strutturato

Uno degli usi meno sfruttati dell’AI è quello di critico rigoroso delle proprie idee. Ma funziona solo se lo strutturi bene, altrimenti il modello tende a essere diplomatico, accondiscendente.

“Leggi questo piano di business e smontalo. Non cercare problemi tecnici, cerca le assunzioni implicite che sto facendo e che potrebbero essere sbagliate. Poi dimmi quale singola assunzione, se sbagliata, fa crollare tutto il resto.”

La differenza tra “dimmi i problemi” e “smontalo cercando le assunzioni implicite” è enorme: il primo produce una lista di ovvietà, il secondo produce una critica strutturale.

Chiedi al modello di generare le domande che non sai di dover fare su un problema. “Ho questo progetto. Quali sono le 10 domande che dovrei pormi e che probabilmente non mi sto ponendo?” Funziona meglio di quanto ti aspetti.

Gli errori più comuni (e perché li facciamo)

Ci sono pattern di errore ricorrenti che si vedono nei prompt di chi non ottiene risultati soddisfacenti dall’AI. Non sono errori stupidi, spesso nascono da logiche intuitive ma sbagliate per questo tipo di strumento.

  • Chiedere troppo in un unico prompt. “Analizza questo testo, identifica i problemi, suggerisci miglioramenti, riscrivi, e poi dimmi anche come potrebbe impattare sul SEO”, sono quattro task diversi. I modelli tendono a trattarli tutti superficialmente. Separa i task, eseguine uno alla volta.

  • Essere vaghi sulla qualità attesa. “Fallo meglio” non significa nulla. “Rimuovi i qualificatori come ‘potrebbe’, ‘in alcuni casi’, ‘tendenzialmente’” è una istruzione reale.

  • Non dare esempi. Se vuoi un certo tipo di output e fai fatica a descriverlo a parole, mostralo. “Scrivi qualcosa come questo esempio: [esempio]” funziona meglio di tre paragrafi di spiegazione.

  • Accettare la prima risposta come finale. Nessuno ottiene il miglior output al primo tentativo. L’iterazione è il processo normale, non un fallimento. “Bene, ora rifai il secondo paragrafo con un tono più diretto” è parte del workflow, non un’eccezione.

  • Trattare l’AI come un motore di ricerca. Le domande secche del tipo “cos’è X” danno risultati stile Wikipedia. Chiedere di applicare, spiegare in relazione al tuo contesto, ragionare su un problema specifico: quello è dove il modello dà il meglio.

  • Non usare la conversazione. La chat è uno strumento conversazionale. Puoi affinare, correggere, chiedere di sviluppare un punto, cambiare direzione. Chi tratta ogni risposta come un risultato finale e ricomincia da zero ogni volta spreca enormi potenzialità.

  • Aspettarsi che il modello sappia cose che non può sapere. Il modello non conosce il tuo cliente, la tua storia con quel progetto, le dinamiche interne della tua azienda, le conversazioni che hai avuto. Se queste cose sono rilevanti, devi portarle nel contesto tu.

C’è un macro errore che li contiene tutti: aspettarsi che il modello individui i gap da solo e li corregga autonomamente. Tecnicamente lo fa, ma la direzione che sceglie è quella statistica, non quella che hai in mente. Più preciso sei, più il modello si muove nella tua direzione specifica invece di quella generica.

Cinque esempi per rendere una richiesta più precisa e continuare la conversazione quando la prima risposta non convince.
Cinque esempi per rendere una richiesta più precisa e continuare la conversazione quando la prima risposta non convince.

Tecniche avanzate: quando vuoi andare oltre

Una volta che il framework base è interiorizzato, esistono tecniche più sofisticate che cambiano qualitativamente il tipo di output che puoi ottenere. Non sono necessarie per l’uso quotidiano ma aprono possibilità che altrimenti restano invisibili.

Chain of Thought (Catena di ragionamento)

I modelli linguistici commettono meno errori su problemi complessi se vengono guidati a “pensare ad alta voce” invece di rispondere direttamente. La tecnica si chiama chain of thought e consiste nell’aggiungere al prompt una istruzione esplicita a ragionare per passi prima di dare la risposta finale.

“Prima di rispondere, ragiona passo per passo: identifica il problema centrale, poi elenca le assunzioni che stai facendo, poi valuta le opzioni, poi dai la tua risposta. Mostrami il ragionamento completo.”

Questa tecnica è particolarmente utile per analisi, decisioni complesse, e qualsiasi problema in cui la risposta dipende da più fattori interdipendenti. La qualità dell’output migliora in modo misurabile.

Few-shot prompting

Il few-shot prompting consiste nel fornire al modello uno o più esempi dell’output desiderato prima di fare la richiesta. Non stai spiegando le regole, stai mostrando il pattern, quello che ti aspetti da lui. I modelli sono estremamente bravi a generalizzare da esempi.

“Ecco tre titoli di articoli nello stile che voglio:
— ‘Come ho smesso di prendere appunti e ho imparato di più’
— ‘Il problema con le riunioni non è la durata’
— ‘Niente funziona finché non cambi questa cosa’
Scrivi 5 titoli nello stesso stile per un articolo su come usare l’AI al lavoro.”

La differenza tra descrivere uno stile e mostrarlo è enorme.

Abbiamo già visto il role prompting base. La versione avanzata non si limita a definire un ruolo professionale, ma costruisce un personaggio con prospettiva, bias espliciti, storia, e limitazioni.

“Sei un editor letterario con 20 anni di esperienza, formatosi in ambito giornalistico. Hai un’allergia viscerale per il linguaggio corporate e le frasi fatte. Il tuo unico criterio è: questo lo leggerebbe una persona vera per scelta, o lo leggerebbe solo perché è obbligata? Leggi questo testo con questo filtro e dimmi cosa elimineresti.”

Più il ruolo è specifico e “opinionato”, più la risposta sarà utile e concreta.

Prompt ricorsivi e auto-critica

Una tecnica meno conosciuta ma molto potente: chiedere al modello di criticare la propria risposta e poi migliorarla. Questa tecnica roduce output migliori in modo consistente.

“Hai appena scritto questa risposta. Ora assumiti il ruolo di un critico severo: quali sono i punti più deboli? Cosa è generico o poco utile? Cosa manca? Poi riscrivila tenendo conto di questa critica.”

Questo crea un ciclo di auto-correzione all’interno di un singolo scambio.

Non tutte le situazioni richiedono tecniche avanzate. Un prompt chiaro e ben contestualizzato batte spesso un prompt tecnicamente sofisticato ma confuso. La complessità è giustificata quando il task è genuinamente complesso, non come fine a se stessa.

Quattro modi per affinare una richiesta, a seconda del risultato che vuoi migliorare.
Quattro modi per affinare una richiesta, a seconda del risultato che vuoi migliorare.

L’iterazione: il processo che fa davvero la differenza

Il segreto dei professionisti che ottengono risultati consistenti dall’AI non è che scrivono prompt perfetti al primo colpo. Hanno un processo di iterazione rapido ed efficace. Sanno come leggere una risposta insoddisfacente, capire cosa manca, e intervenire in modo chirurgico.

L’iterazione non è ricominciare da zero. È una serie di aggiustamenti progressivi, ognuno dei quali risolve un problema specifico che hai identificato nell’output precedente.

Rivedere una risposta significa individuare cosa manca e chiedere una modifica precisa.
Rivedere una risposta significa individuare cosa manca e chiedere una modifica precisa.

Come diagnosticare una risposta insoddisfacente

Quando una risposta non è quella che cerchi, chiediti:

  • La risposta è troppo generica? Manca contesto specifico o esempi nel prompt.

  • La risposta è troppo lunga o strutturata in modo sbagliato? Non hai specificato il formato.

  • La risposta usa il tono sbagliato? Il ruolo non è abbastanza definito, o mancano vincoli di stile.

  • La risposta risponde alla domanda sbagliata? Il task era ambiguo, il modello ha interpretato qualcosa di diverso da quello che intendevi.

  • La risposta è troppo superficiale su un punto chiave? Chiedi esplicitamente di approfondire quel punto in un follow-up.

L’iterazione conversazionale

Nella pratica, un buon workflow conversazionale spesso funziona così:

  • Primo prompt: abbastanza contesto e task per orientare la direzione. Non cercare la perfezione, cerca un punto di partenza solido.

  • Secondo messaggio: affina. “Bene. Ora rivedi la terza sezione: è troppo generica. Aggiungi un esempio concreto e rendi il tono più diretto.” Non riscrivere tutto il prompt: intervieni sul problema specifico.

  • Terzo messaggio: sposta il focus. “Ora prendi questo paragrafo e riscrivilo come se parlasse direttamente al lettore, in seconda persona, come se stessi spiegando a qualcuno di fronte a te.”

Questo approccio è molto più efficiente che riscrivere il prompt completo ogni volta e mantiene il contesto accumulato concentrandosi sulla modifica richiesta.

Costruire una libreria di prompt

Nel tempo, i prompt che funzionano bene per task ricorrenti valgono la pena di essere salvati. Non come template rigidi ma come punti di partenza da adattare. Un file di testo, una nota, uno snippet in un editor: bastano strumenti semplici.

La libreria personale di prompt è uno degli asset più sottovalutati da chi usa l’AI professionalmente. Ogni volta che trovi un prompt che funziona bene per un caso specifico, salvarlo richiede 30 secondi e fa risparmiare ore nel lungo periodo.

Prompt engineering per il lavoro: cinque aree ad alto impatto

L’AI può essere integrata in quasi ogni flusso di lavoro. Ma ci sono cinque aree dove il prompt engineering fa una differenza immediata e misurabile, indipendentemente dal settore o dalla professione.

  • Comunicazione scritta

Email, report, presentazioni, messaggi difficili. Questa è l’area dove più persone usano l’AI e spesso con prompt troppo generici. La differenza tra “scrivi un’email” e un prompt che specifica il destinatario, il contesto della relazione, l’obiettivo sottile della comunicazione e il tono giusto è la differenza tra qualcosa di inutilizzabile e qualcosa che invii con una piccola modifica.

Un uso particolarmente potente: chiedere all’AI di leggere una comunicazione difficile che hai ricevuto e aiutarti a capire cosa c’è sotto, come potrebbe interpretarla il mittente, e come rispondere in modo da ottenere quello che vuoi senza creare conflitto.

  • Analisi e sintesi

Leggere, capire e sintetizzare documenti lunghi è un’area dove l’AI eccelle se guidata bene. “Leggi questo contratto e dimmi esattamente cosa succede se il fornitore non rispetta la clausola 7.3”, “Leggi questa ricerca e dimmi dove gli autori stessi riconoscono i limiti metodologici”, “Leggi questi tre articoli e dimmi dove si contraddicono”, questi sono prompt corretti ed efficaci.

  • Ricerca e apprendimento

L’AI è uno strumento di apprendimento straordinario se usata come interlocutore invece che come enciclopedia. “Spiegami X” è meno utile di “Spiegami X come se avessi queste basi ma non queste, poi dimmi le tre cose che più probabilmente capirò male la prima volta e perché”.

Ancora più potente: il Socratic prompting: chiedere al modello di farti domande invece di rispondere. “Voglio capire davvero il funzionamento dei transformer. Fammi le domande che mi costringono a ragionare su quello che già so e quello che non so ancora.”

  • 4. Revisione e feedback

Usare l’AI come revisore critico del proprio lavoro è uno degli usi più preziosi a patto di non chiedere feedback generici. “Leggi questa presentazione e dammi feedback” è inutile. “Leggi questa presentazione come se fossi un investitore scettico che ha già sentito decine di pitch e ha cinque minuti di attenzione. Dimmi in quale momento perderesti interesse e perché”, questo è un feedback utilizzabile.

  • Pianificazione e strutturazione

Passare da un’idea vaga a una struttura concreta è uno dei punti dove l’AI aggiunge più valore. Non per fare il lavoro al posto tuo ma per aiutarti a esternalizzare la struttura implicita che hai in testa, vederla, e migliorarla prima ancora di iniziare.

“Ho un’idea vaga per X. Fai domande per capirla meglio, poi dimmi la struttura più logica per svilupparla”, questo tipo di prompt produce output che fanno risparmiare ore di lavoro.

Cinque attività quotidiane in cui sperimentare richieste più precise, dalla scrittura alla pianificazione.
Cinque attività quotidiane in cui sperimentare richieste più precise, dalla scrittura alla pianificazione.

FAQ

Devo scrivere i prompt in italiano o in inglese?
Dipende. I modelli sono stati addestrati su molto più testo in inglese, e per certi task tecnici o creativi la risposta in inglese può essere qualitativamente migliore. Per task che richiedono un output in italiano (testi, comunicazioni, contenuti) meglio scrivere in italiano per mantenere coerenza di stile e registro. Per ragionamenti complessi o analisi, vale la pena testare entrambe le lingue e confrontare i risultati.
Quanto deve essere lungo un prompt?
Non esiste una lunghezza ideale. Deve essere lungo quanto necessario per eliminare l’ambiguità e fornire il contesto rilevante , non una parola di più. I prompt lunghi ma dispersivi sono peggiori dei prompt corti ma precisi. Aggiungi lunghezza quando aggiunge informazione. Taglia quando è ripetizione o introduzione.
L’AI “dimentica” quello che gli ho detto nella stessa conversazione?
No, non in senso tecnico, tutto il testo della conversazione rientra nella finestra di contesto del modello. Tuttavia, conversazioni molto lunghe possono portare il modello a “pesare” di più i messaggi recenti rispetto a quelli iniziali. Se noti che il modello ha perso il filo su istruzioni importanti date all’inizio, ribadiscile.
Posso fidarmi di quello che dice l’AI su fatti specifici?
Con cautela. I modelli linguistici non cercano informazioni in tempo reale (a meno di strumenti specifici). Possono sbagliare su fatti, date, numeri, citazioni. Usa l’AI per ragionare, strutturare, riscrivere, analizzare e non come fonte primaria su fatti verificabili. Per quelli, verifica sempre su fonti affidabili.
Il prompt engineering diventerà obsoleto con i modelli più avanzati?
È una domanda legittima. I modelli migliorano continuamente nella capacità di inferire le intenzioni del prompt. Ma la necessità di comunicare in modo preciso e contestualizzato non scomparirà, chi sa comunicare bene con l’AI continuerà a ottenere risultati migliori.
Esistono strumenti per aiutarmi a scrivere prompt migliori?
Sì: alcuni modelli stessi offrono funzioni di miglioramento prompt. Ci sono anche strumenti specializzati come PromptPerfect, Langchain per workflow più complessi, e framework come DSPy per applicazioni più avanzate. Ma per la grande maggioranza degli use case quotidiani, la comprensione dei principi che abbiamo visto è sufficiente, nessuno strumento sostituisce la chiarezza di pensiero.

Conclusione

Il prompt engineering non è una competenza tecnica. È una competenza comunicativa, e come tale, migliora con la pratica, con l’attenzione, con la voglia di capire perché qualcosa non ha funzionato invece di rifarlo a caso sperando in un risultato diverso.

La vera barriera non è la complessità dei modelli. È l’abitudine a trattare l’AI come una slot machine, inserire una moneta, tirare la leva, sperare nel jackpot. Chi ottiene risultati straordinari dall’AI lo fa come farebbe con un collaboratore capace: investendo nel briefing, essendo preciso sulle aspettative, iterando invece di ricominciare.

La buona notizia è che non serve arrivare alla perfezione. Bastano piccoli miglioramenti, applicati con costanza, per spostare enormemente la qualità dell’output, e, nel tempo, il tuo modo di pensare ai problemi stessi.

Perché quello è il vero effetto collaterale del prompt engineering: ti insegna a strutturare meglio le richieste, a separare il task dal contesto, a essere più preciso su quello che vuoi e perché. Sono skill che migliorano non solo la tua interazione con l’AI, ma ogni forma di comunicazione in cui sei coinvolto.

Prendi il prossimo task che stai per assegnare all’AI e, prima di scriverlo, chiediti: ho dato il contesto? il task è preciso? ho specificato il formato? ci sono cose che non voglio? Aggiungi quello che manca. Confronta il risultato con quello che avresti ottenuto prima. Poi continua a fare così, ogni volta.

Resta un passo avanti.

Ogni settimana, le migliori notizie su AI e tecnologia, selezionate per te.

Iscrivendoti accetti la nostra Privacy Policy.
Puoi cancellarti in qualsiasi momento.