Tecniche di prompt engineering spiegate in modo pratico: zero-shot, few-shot, chain-of-thought, struttura professionale e uso aziendale in italiano.
La stessa domanda, posta in modi diversi allo stesso modello AI, produce risposte radicalmente diverse, in qualità, precisione, formato, utilità. Questa non è una stranezza tecnica da accettare passivamente: è una leva su cui si può lavorare.
Il prompt engineering è la disciplina che studia come comunicare con i modelli AI per ottenere output di qualità professionale in modo ripetibile. Non è una magia riservata agli esperti: è un insieme di principi applicabili da chiunque in poche ore di pratica.
Un esperimento semplice: chiedi a ChatGPT "scrivi un'email di vendita". Poi chiedi "sei un copywriter B2B specializzato in software gestionale per PMI manifatturiere italiane. Scrivi un'email di follow-up per un lead che ha visitato la pagina dei nostri ERP ma non ha compilato il form di contatto. Tono professionale ma diretto, lunghezza 120 parole, call-to-action finale per prenotare una demo di 30 minuti."
I risultati non sono nemmeno paragonabili. Il secondo prompt dà all'AI le stesse informazioni che daresti a un collaboratore umano: ruolo, contesto, obiettivo, vincoli. Senza queste informazioni, il modello deve fare assunzioni, e le fa nel modo più generico possibile.
Zero-shot prompting è la forma più semplice: descrivi il task senza fornire esempi. Funziona bene per task semplici e ben definiti ("riassumi questo testo in 3 punti") ma produce risultati mediocri su task nuovi o che richiedono un formato specifico.
Few-shot prompting aggiunge esempi prima della richiesta. Se vuoi che l'AI classifichi le email dei clienti in categorie, mostrale 3-5 esempi di classificazione già fatta. Il modello impara il pattern dagli esempi molto più efficacemente che da una descrizione astratta della regola. Particolarmente utile per task di classificazione, generazione in formato specifico, trasformazione di testi.
Chain-of-thought prompting chiede al modello di ragionare passo-passo prima di dare la risposta finale. Si attiva aggiungendo "ragiona passo dopo passo" o "spiega il tuo ragionamento". Su problemi analitici complessi, analisi di scenario, risoluzione di problemi multi-step, valutazioni comparative, questa tecnica migliora significativamente la qualità e riduce gli errori di ragionamento.
Role prompting assegna un ruolo esplicito all'AI prima della richiesta. "Sei un consulente finanziario con 15 anni di esperienza nel settore manifatturiero italiano" cambia profondamente come il modello formula la risposta, il tono, il livello tecnico, le assunzioni sul contesto del lettore.
Un prompt efficace per uso aziendale ha cinque componenti, non tutte obbligatorie ma ognuna con una funzione precisa:
1. Ruolo: definisce chi è il modello in questo contesto. "Sei un esperto di marketing B2B per il mercato italiano."
2. Contesto: le informazioni di sfondo necessarie per rispondere bene. "Il cliente è una PMI manifatturiera con 40 dipendenti che produce componenti meccanici di precisione. Ha già usato il nostro servizio una volta 18 mesi fa."
3. Istruzione: il task preciso che deve svolgere. "Scrivi una proposta commerciale per rinnovare il contratto di supporto annuale."
4. Vincoli e formato dell'output: lunghezza, tono, struttura, cosa includere e cosa evitare. "Struttura: introduzione (2 frasi), 3 benefici chiave (elenco puntato), pricing (non includere), call-to-action finale. Lunghezza: 250-300 parole. Tono: professionale e diretto, non ridondante."
5. Esempio (quando il formato è specifico): mostra un campione del risultato atteso. "Esempio di tono: [testo di esempio]."
Non tutti i prompt richiedono tutti e cinque gli elementi. Un task semplice può richiedere solo istruzione e formato. Task complessi o specialistici beneficiano di tutti e cinque.
System prompt e prompt persistente. Molti strumenti (ChatGPT con istruzioni personalizzate, Claude, API dirette) permettono di definire istruzioni che si applicano a tutte le interazioni. Per un team aziendale questo è fondamentale: definire una volta le regole di base (lingua, tono, contesto aziendale, cosa fare e non fare) evita di ripeterle in ogni prompt.
Prompt chaining. Su task complessi, invece di chiedere tutto in un'unica richiesta, si divide il problema in step sequenziali. Il risultato del primo prompt diventa input del secondo. Esempio: step 1, analizza questo documento e identifica i punti critici; step 2, per ognuno dei punti critici identificati, proponi tre soluzioni alternative; step 3, confronta le soluzioni considerando costo, tempo e rischio.
Negative prompting. Specificare cosa NON fare è spesso efficace quanto specificare cosa fare. "Non usare termini tecnici, non superare i 200 parole, non includere informazioni sui prezzi" riduce significativamente la probabilità di output da correggere.
In Italia, il prompt engineering applicato al lavoro quotidiano ha alcune specificità da considerare:
Lingua: i modelli principali performano bene in italiano ma con qualche asimmetria rispetto all'inglese, soprattutto su task tecnici e formali. Per output critici, vale la pena testare se un prompt in italiano o in inglese (con richiesta di risposta in italiano) produce risultati migliori.
Compliance e dati sensibili: mai inserire in un prompt dati personali, informazioni riservate di clienti, dati finanziari specifici. Usa variabili placeholder e sostituisci solo nell'uso locale su strumenti con garanzie di privacy adeguate.
Standardizzazione nel team: il beneficio maggiore non viene dall'uso individuale ma dalla standardizzazione. Un team che condivide prompt testati e approvati per i task ricorrenti accumula un vantaggio competitivo nel tempo, ogni prompt ottimizzato è un asset riutilizzabile.
Un buon prompt raramente emerge al primo tentativo. Il ciclo di miglioramento standard è: scrivere il prompt → valutare l'output → identificare cosa manca o cosa è in eccesso → modificare il prompt → ripetere. Tenere traccia delle versioni e dei risultati è la differenza tra una pratica professionale e un'improvvisazione.
Per i prompt usati frequentemente, vale la pena testare su almeno 5-10 input diversi prima di considerarli stabili. Un prompt che funziona bene su 2 esempi può fallire su casi meno tipici.
Tag
Domande frequenti
Il prompt engineering sarà ancora utile con i modelli futuri?
Sì, anche se la natura delle competenze richieste evolverà. I modelli diventano progressivamente più capaci di inferire l'intento anche da istruzioni vaghe, ma la qualità dell'output rimane proporzionale alla qualità del contesto fornito. La capacità di comunicare con precisione requisiti complessi a un sistema AI, definire il ruolo, il contesto, il formato dell'output, rimarrà una competenza differenziante per anni.
Ci sono differenze rilevanti tra il prompt per GPT-4 e quello per Claude?
Sì, differenze concrete. Claude risponde meglio a istruzioni strutturate con ruolo e contesto espliciti, segue istruzioni dettagliate in modo più letterale ed è più cauto nelle affermazioni incerte. GPT-4 gestisce bene prompt più conversazionali e tende a essere più diretto anche con istruzioni meno strutturate. In pratica: lo stesso prompt produce output diversi. Per uso aziendale, vale la pena adattare i prompt al modello target e testare entrambe le varianti su un campione di casi reali.
Come si crea un sistema di prompt aziendale riutilizzabile?
Un sistema di prompt aziendale è una libreria di template testati e approvati per i task ricorrenti dell'organizzazione. Si costruisce in tre passi: catalogare i task AI più frequenti per funzione aziendale, sviluppare e testare un prompt template per ognuno con variabili sostituibili (come [nome cliente], [prodotto], [tono]), documentare le varianti e i risultati attesi. Strumenti come Notion, Confluence o anche un semplice Google Doc condiviso funzionano bene per mantenere la libreria accessibile al team.
Continua a leggere
Il vibecoding sta cambiando il modo in cui si costruisce software. Questa guida pratica copre strumenti, workflow e limiti reali per chi vuole iniziare sul serio.
React è controintuitivo per chi viene dal backend. Ma con l'AI come pair programmer disponibile 24/7, il percorso di apprendimento si dimezza. Ecco come strutturarlo.
Non serve saper programmare per iniziare con il vibecoding. Serve però un metodo. Ecco le 4 fasi per passare da zero a produttivo in modo strutturato.