Il «prompt engineering», cioè la capacità di dare istruzioni efficaci ai modelli linguistici di IA, è la competenza che più distingue i team che traggono molto dall’IA da quelli che, con gli stessi strumenti, ottengono risultati mediocri.
Non è una competenza tecnica in senso tradizionale. È una competenza di comunicazione: saper esprimere con precisione che cosa si vuole ottenere, in quale formato e con quali vincoli. E si basa su tecniche concrete che si possono imparare e applicare subito.
Perché i risultati variano tanto con lo stesso strumento
Due persone che usano lo stesso modello linguistico (ChatGPT, Claude, Gemini) per lo stesso compito possono ottenere risultati completamente diversi. La differenza non sta nello strumento, ma nel modo in cui vengono date le istruzioni.
Un prompt vago produce risultati generici; un prompt preciso produce risultati utili. La differenza si amplifica nell’uso professionale: analisi di documenti, redazione di comunicazioni, estrazione di informazioni, supporto alle decisioni di business.
Le tecniche fondamentali
1. Ruolo e contesto all’inizio. Indicare al modello chi è e in quale contesto sta lavorando migliora in modo significativo la qualità delle risposte. «Riassumi questo contratto» non equivale a «Sei un avvocato esperto di diritto commerciale. Riassumi questo contratto di distribuzione evidenziando le clausole che comportano obblighi per la nostra azienda, i termini di preavviso per il recesso e le penali applicabili».
Il contesto funziona perché, quando l’istruzione è vaga, i modelli linguistici devono fare inferenze su ciò che si desidera. Più contesto si fornisce, meno inferenze errate si producono.
2. Formato di output esplicito. Specificare come si vuole il risultato evita di doverlo riformattare dopo. «Restituisci il risultato in una tabella con tre colonne: clausola, obbligo per la nostra azienda, termine» produce direttamente un risultato utilizzabile.
Altri formati utili a seconda dei casi: elenchi numerati con un numero massimo di punti, sintesi in un paragrafo seguita dai dettagli, risposta strutturata in sezioni specifiche.
3. Esempi di ciò che si vuole. I modelli linguistici rispondono molto bene agli esempi. Se si vuole che il modello classifichi le email in categorie specifiche, mostrargli due o tre esempi di classificazione produce risultati molto più coerenti che descrivere le categorie a parole.
Questa tecnica, chiamata «few-shot prompting», è particolarmente utile per compiti di classificazione, estrazione di dati in un formato specifico e generazione di contenuti in uno stile determinato.
4. Vincoli espliciti. Indicare al modello che cosa non deve fare è utile quanto indicargli che cosa deve fare. «Non includere informazioni che non siano nel documento. Se non hai informazioni sufficienti per rispondere, dillo esplicitamente invece di fare supposizioni.» Questa istruzione riduce in modo significativo le allucinazioni, cioè le risposte inventate con sicurezza che rappresentano il rischio maggiore dei modelli linguistici.
5. Chiedere al modello di mostrare il proprio ragionamento. Nei compiti analitici complessi, chiedere al modello di spiegare il ragionamento («Spiega passo dopo passo come sei arrivato a questa conclusione») ha due effetti utili: permette all’utente di verificare se il ragionamento è corretto e spesso migliora la qualità della risposta, perché il modello «ragiona» con più attenzione quando sa di doversi giustificare.
Prompt riutilizzabili: l’investimento più redditizio
Il ritorno maggiore del prompt engineering nei team aziendali non viene dall’ottimizzazione dei singoli prompt, ma dalla creazione di una libreria di prompt riutilizzabili per le attività più frequenti del team.
Un prompt ben progettato per «riassumere i verbali di riunione nel formato usato dalla nostra azienda» può essere usato decine di volte. Il tempo per progettarlo bene, magari un pomeriggio di lavoro, si recupera in giorni di lavoro risparmiati.
Le aziende che stanno facendo più progressi in produttività con l’IA sono quelle che hanno creato queste librerie di prompt interni e le hanno condivise con il team: in un documento condiviso, nell’intranet o in un repository interno.
Che cosa il prompt engineering non può risolvere
Il prompt engineering ha limiti chiari che è bene conoscere.
Non corregge le informazioni errate del modello. Se il modello ha informazioni obsolete o errate su un argomento, migliorare il prompt non cambia le cose. La soluzione è fornire le informazioni corrette nel prompt stesso (contesto esplicito) o usare sistemi con accesso a documenti aggiornati (RAG).
Non elimina le allucinazioni, le riduce. I modelli linguistici possono inventare informazioni con totale sicurezza. Il prompt engineering con vincoli espliciti ne riduce la frequenza, ma non le elimina. Per le informazioni critiche la verifica umana resta necessaria.
Non sostituisce la qualità del modello. Nei compiti molto complessi, la differenza tra modelli di capacità diverse conta più della progettazione del prompt. Un prompt eccellente con un modello meno capace può non raggiungere il risultato di un prompt di base con il modello più capace.
Domande frequenti
Ci sono differenze nella progettazione dei prompt per ChatGPT, Claude o altri modelli? I principi sono gli stessi, ma ogni modello risponde in modo un po’ diverso. Claude tende a seguire con grande fedeltà le istruzioni strutturate. ChatGPT ha più variabilità ma può essere più creativo. Conoscere le caratteristiche del modello che si usa aiuta a calibrare la scrittura delle istruzioni.
Quanto tempo serve per imparare il prompt engineering? Le basi si imparano in una sessione pratica di due o tre ore. La padronanza arriva con la pratica su casi d’uso reali. L’apprendimento migliore è sperimentale: provare varianti dello stesso prompt e osservare come cambia il risultato.
Esistono strumenti per gestire la libreria di prompt di un team? Esistono strumenti specifici per la gestione dei prompt nei team, ma per iniziare basta un documento condiviso ben organizzato. L’importante è che i prompt siano documentati, accessibili al team e che esista un processo per aggiornarli quando si trovano miglioramenti.