"Prompting" è una di quelle parole che hanno avuto fortuna troppo in fretta. È diventata di moda due anni fa, è entrata nei corsi aziendali, nei manuali, in centinaia di video YouTube. E come spesso succede quando una parola tecnica viene assorbita dal linguaggio comune, il suo significato si è ammorbidito. Oggi prompting vuol dire, per molti, "scrivere bene le richieste a ChatGPT". È una definizione comoda, ma è anche fuorviante. E fa fare scelte sbagliate.
In questo articolo provo a chiarire cos'è davvero il prompting, perché non è una skill di scrittura ma qualcosa di più specifico, e perché capirlo bene cambia il modo in cui si usa l'AI generativa al lavoro. Non è una guida con dieci trucchi pronti. È un articolo che ti chiede di cambiare l'inquadratura.
Il prompting non è scrittura. È interazione con un sistema statistico.
Quando scrivi a ChatGPT, hai la sensazione di parlare con qualcosa di simile a una persona. Risponde in modo fluido, sembra capire le sfumature, si adatta al tono. È un'illusione molto convincente, ma è un'illusione. Quello con cui stai interagendo è un modello statistico molto grande, addestrato a prevedere quale parola viene dopo, dato quello che hai scritto fino a quel momento.
Questa differenza non è un dettaglio tecnico. È il punto centrale di tutto.
Una persona vera, quando le chiedi qualcosa, capisce l'intenzione. Anche se la formuli male, ricostruisce cosa volevi davvero, e ti risponde su quello. Un modello linguistico non capisce l'intenzione: lavora sulla forma. Reagisce a pattern, a strutture, a parole che attivano certi spazi di risposta più di altri. Quando il pattern è chiaro, risponde bene. Quando il pattern è ambiguo, risponde male, ma con la stessa sicurezza con cui aveva risposto bene. Non c'è un meccanismo interno che gli dica "qui sto andando a casaccio".
Fare prompting vuol dire questo: dare al modello pattern abbastanza forti da farlo cadere nello spazio giusto di risposte. Non è scrittura, è progettazione di input. È più vicino al lavoro di chi imposta una query in un database che a quello di chi compone un'email.
Perché un buon prompt è strutturato, non "ben scritto"
Quando ti dicono "scrivi prompt più dettagliati", il consiglio è incompleto. Un prompt non funziona perché è dettagliato. Funziona quando contiene certi elementi specifici che attivano comportamenti precisi del modello.
Quelli che la maggior parte dei lavori di ricerca sul prompting ha individuato come elementi efficaci sono quattro: ruolo, contesto, obiettivo e vincoli. Non in questo ordine, non sempre tutti, ma tendenzialmente questi.
Vediamo perché ognuno funziona.
Il ruolo ("sei un avvocato", "sei un copywriter", "sei un insegnante di scuola media") sposta il modello in una zona dello spazio statistico in cui ha visto molti esempi di un certo tipo di discorso. Tutti i modelli linguistici sono stati addestrati su testi scritti da persone con ruoli diversi. Quando dichiari un ruolo, stai dicendo al modello: "lavora con la distribuzione di linguaggio che hai imparato leggendo testi di quel tipo". Non è un trucco psicologico, è una scorciatoia statistica.
Il contesto riduce l'ambiguità. Senza contesto, il modello deve indovinare quale dei mille possibili scenari sia quello giusto. Più contesto dai, più riduci lo spazio delle interpretazioni possibili. Una richiesta come "scrivi un'email" può portare a migliaia di output diversi. Aggiungi che sei in una PMI, che stai scrivendo a un cliente da 5 anni, che il tono deve essere professionale ma caldo, e lo spazio si restringe drasticamente.
L'obiettivo è la cosa più sottovalutata. Quando chiedi "scrivi un'email" senza dire cosa deve ottenere l'email, il modello sceglie un obiettivo a caso. Vuoi convincere? Informare? Annullare? Confermare? Sono email completamente diverse. Specificare l'obiettivo è quello che trasforma "una risposta generica" in "la risposta che cercavi".
I vincoli — lunghezza massima, formato, esclusioni — riducono la varianza. I modelli moderni rispettano i vincoli sorprendentemente bene. Se dici "massimo 150 parole, niente parole come 'sinergico' o 'opportunità'", il modello ne tiene conto. Ed è uno dei modi più efficaci per evitare il tipico "stile ChatGPT" pieno di frasi fatte.
Perché iterare conta più della formula iniziale
C'è un'idea sbagliata sul prompting che vale la pena demolire: l'idea che esista il prompt giusto, quello che, scritto in modo perfetto, produrrà la risposta perfetta al primo colpo.
Non funziona così. Anche i ricercatori che si occupano di prompt engineering per mestiere lavorano per iterazioni. Si parte da una versione, si vede cosa risponde il modello, si capisce cosa manca nella risposta, si aggiunge quel pezzo al prompt, si rilancia. È un processo che assomiglia più al debugging che alla scrittura.
La differenza tra chi usa l'AI in modo efficace e chi si frustra dopo due risposte mediocri è proprio questa: i primi iterano consapevolmente, i secondi rilanciano lo stesso prompt sperando in fortuna. Iterare consapevolmente vuol dire osservare cosa è cambiato tra una richiesta e l'altra, capire quale parola, quale frase ha spostato la risposta, e usare quella conoscenza nel prompt successivo.
È esattamente il tipo di pratica che richiede un po' di mentalità da ricercatore. Non perché ci voglia un PhD per farla, ma perché richiede di trattare le risposte del modello come dati, non come opinioni. Una risposta è un segnale: ti dice quale parte del tuo input ha funzionato, quale no. Da lì impari.
Errori comuni nell'uso dei prompt
Negli anni in cui ho lavorato con modelli linguistici e poi insegnato a usarli ad aziende e persone, ho visto sempre gli stessi errori. Li riconosco a colpo d'occhio. Te ne elenco quattro che si vedono ovunque.
Errore 1: parlare al modello come a un assistente onnisciente. Frasi come "dimmi tutto quello che c'è da sapere su X". Il modello non sa cosa intendi per "tutto". Ti darà una risposta lunga ma generica, perché senza un obiettivo ha dovuto inventarsene uno. È meglio chiedere "i tre aspetti più rilevanti di X per chi deve [scopo specifico]".
Errore 2: usare un solo prompt lungo invece di un dialogo. Cercare di mettere tutto in una richiesta unica produce spesso risposte confuse. I modelli moderni lavorano molto meglio con dialoghi a turni, in cui chiarisci e raffini man mano. È più efficace dire "prima dimmi X, poi su quella base dimmi Y".
Errore 3: fidarsi senza verificare. I modelli linguistici producono testo plausibile, non testo necessariamente vero. Su fatti specifici, date, citazioni, numeri, l'errore è frequente. Chi usa l'AI in modo professionale considera ogni output un draft da validare, non un risultato finale. Su questo ho scritto in dettaglio quando parlo di uso aziendale dell'AI: l'errore non è dell'AI, è del processo che la usa senza filtri di verifica.
Errore 4: usare lo stesso modello per qualsiasi cosa. ChatGPT, Claude, Gemini, Copilot hanno punti di forza diversi. Alcuni sono migliori sui testi lunghi, altri sul codice, altri sulla creatività. Usare sempre lo stesso strumento per tutto è come avere una sola chiave inglese per tutta la cassetta degli attrezzi. Funziona, ma sub-ottimale.
Buon prompting e cattivo prompting
La differenza tra un prompt che funziona e uno che no, a parità di lunghezza, è spesso minima. Una parola spostata, un esempio in più, un vincolo specificato in modo diverso.
Provo a darti due versioni della stessa richiesta. Stessa quantità di testo, risultato profondamente diverso.
Aiutami a scrivere una presentazione sull'AI per la mia azienda. Deve essere chiara, interessante e tecnica.
Sei un consulente che presenta l'AI a un consiglio di amministrazione di una PMI manifatturiera (50-100 dipendenti). Devi convincerli a investire €30.000 in formazione AI per il team. Hai 15 minuti. Scrivimi una scaletta in 5 punti, con un'apertura forte e una chiusura che chieda esplicitamente l'autorizzazione al budget.
Il primo prompt produrrà una scaletta generica, riusabile da qualunque azienda, che probabilmente non userai mai. Il secondo prompt produrrà qualcosa di specifico, calibrato sul tuo contesto, eventualmente da rifinire ma utilizzabile.
La differenza non è la quantità di parole. È la specificità degli elementi: ruolo (consulente), contesto (PMI manifatturiera, 50-100 dipendenti, CdA), obiettivo (convincere a spendere €30k), vincoli (5 punti, 15 minuti, chiusura con richiesta di budget).
Perché il prompting richiede ragionamento, non memoria
Una cosa che noto spesso, soprattutto in chi è all'inizio, è la tentazione di trattare il prompting come una raccolta di formule da memorizzare. "Scrivi questa frase per ottenere questo risultato." È un approccio che funziona per due settimane, poi crolla.
Crolla perché i modelli cambiano. Da un mese all'altro, OpenAI o Anthropic rilasciano una versione nuova, e formule che funzionavano alla perfezione smettono di funzionare. O cominciano a funzionare in modo diverso. Chi si è basato sulla memorizzazione di prompt "magici" si ritrova da zero. Chi ha capito i principi, no.
Capire i principi del prompting — perché un certo elemento funziona, cosa sta facendo il modello quando reagisce, come si misura la qualità di una risposta — è un investimento che dura. Le formule specifiche durano poche settimane.
Questo è anche il motivo per cui, quando insegno il corso AI & Prompting per aziende, dedico la metà del tempo a capire perché le cose funzionano, non solo cosa scrivere. Le formule cambiano, i principi no.
Il prompting come competenza professionale
Concludo con una considerazione che spesso ripeto in aula. Nei prossimi anni, la capacità di interagire bene con i modelli linguistici diventerà una competenza professionale al pari di "saper usare Excel" o "saper scrivere una mail efficace". Non sarà più qualcosa di specialistico, sarà semplicemente parte del mestiere.
Quando questo succederà — e sta già succedendo in molti contesti — la differenza tra chi sa fare prompting e chi no sarà visibile nei tempi di lavoro e nella qualità di quello che produce. Non sarà una differenza di velocità del 10-20%, sarà una differenza strutturale. Chi sa interrogare bene un modello potrà completare in trenta minuti compiti che a chi non lo sa fare richiederanno tre ore. Lo vediamo già nei team in cui qualcuno ha imparato bene e altri no.
Per questo penso che valga la pena imparare il prompting non come "trucco del momento", ma come una vera competenza di lavoro. Non perché sia complicato — i principi si possono spiegare bene in poche ore — ma perché va praticato consapevolmente, con attenzione, su casi reali. È quello che fanno i corsi seri, ed è quello che distingue chi finisce per usarlo davvero da chi ci prova un mese e poi torna a fare le cose come prima.
FAQ — Domande frequenti sul prompting
Il prompting funziona allo stesso modo su ChatGPT, Claude, Gemini, Copilot?
I principi di base sono gli stessi: ruolo, contesto, obiettivo, vincoli funzionano ovunque. Le sfumature variano: alcuni modelli sono più sensibili al ruolo, altri al contesto, altri ancora alle istruzioni di formato. È utile sperimentare lo stesso prompt su più strumenti per capire quale risponde meglio per il tuo tipo di richiesta.
Quanto tempo ci vuole per imparare il prompting?
I principi essenziali si imparano in poche ore. Quello che richiede più tempo è la pratica consapevole: iterare, osservare cosa cambia, costruirsi un repertorio di prompt che funzionano per il proprio lavoro. La differenza tra qualcuno che ha studiato il prompting due ore e qualcuno che lo pratica da sei mesi si vede chiaramente, soprattutto su task complessi.
Servono prerequisiti tecnici per fare buon prompting?
No, ma serve un po' di mentalità sperimentale. Bisogna essere disposti a non aspettarsi la risposta giusta al primo tentativo, a osservare cosa fa il modello, a iterare. Chi ha background tecnico parte avvantaggiato non per le competenze specifiche, ma per la disponibilità a ragionare in modo iterativo. Detto questo, ho insegnato a persone senza nessuna formazione tecnica che hanno imparato benissimo.
Esistono "prompt magici" che funzionano sempre?
No, e diffidate di chi ve li vende. Esistono strutture di prompt che funzionano bene in molti contesti, ma vanno sempre adattate al caso specifico. La verità è che la qualità di un prompt dipende dal contesto in cui lo usi: il prompt perfetto per scrivere una mail commerciale non è il prompt perfetto per riassumere un contratto.
Il prompting cambierà nei prossimi anni?
Quasi certamente sì. I modelli diventano sempre più capaci di capire intenzioni anche da richieste mal formulate, quindi alcune tecniche specifiche perderanno importanza. Ma i principi di fondo — dare contesto, specificare obiettivi, definire vincoli — resteranno utili. Quello che cambierà sarà l'intensità del bisogno: oggi un prompt mal fatto produce una risposta scadente, tra qualche anno produrrà solo una risposta leggermente meno buona. La conoscenza dei principi resta un vantaggio.
Vale la pena fare un corso sul prompting o si impara da soli?
Da soli si possono imparare le basi, soprattutto se uno ha tempo da dedicare a sperimentare. Un corso fatto bene fa risparmiare mesi di prove ed errori e porta più velocemente ad una pratica consapevole. Il valore di un corso non è tanto nei "prompt pronti" — quelli si trovano gratis ovunque — ma nel capire perché certi schemi funzionano, e nell'imparare a costruire prompt propri per il proprio contesto specifico. Per chi vuole approfondire, ho costruito il corso AI & Prompting per aziende proprio attorno a questo principio.