Chi usa l’intelligenza artificiale ogni giorno lo ha già imparato a proprie spese: la qualità della risposta dipende interamente dalla qualità della domanda. Non è una questione di fortuna o di modello più potente. È una competenza che si costruisce. Il prompt engineering non è un vezzo da smanettoni, ma un metodo di lavoro che trasforma un assistente digitale vago in uno strumento preciso. Se hai mai ricevuto da ChatGPT un testo generico, fuori tono o semplicemente inutile, il problema non era l’AI. Era il modo in cui le hai parlato.
Cos’è un token e perché cambia il modo in cui scrivi un prompt
Per scrivere buone istruzioni devi capire come l’AI legge le tue parole. I modelli di linguaggio come ChatGPT non leggono frasi intere come faremmo noi. Scompongono tutto in unità minime chiamate token. Un token non è esattamente una parola. La parola “grattacielo”, per esempio, viene divisa in due token: “gratta” e “cielo”. Questa suddivisione aiuta il modello a elaborare il significato, ma ha una conseguenza pratica: la lunghezza del prompt si misura in token, non in parole, e ogni modello ha un limite massimo. Un prompt troppo lungo e ripetitivo mangia spazio utile alla risposta. Un prompt troppo corto lascia il modello senza contesto.
Il token è il mattone con cui costruisci la richiesta. Più i mattoni sono chiari, più solida sarà la risposta. Non serve diventare un linguista, ma tenere a mente questa meccanica ti evita di scrivere istruzioni che il modello fraintende perché le spezza in pezzi ambigui.
I quattro pilastri di un prompt efficace
Non esiste una formula magica, ma esiste una struttura che funziona su qualsiasi modello. I professionisti del settore la chiamano “le 4 T” o i “quattro pilastri”, ma il concetto è sempre lo stesso: chiarezza, struttura, contesto e iterazione. Vediamoli uno per uno.
Chiarezza: sii diretto, non poetico
L’AI non apprezza le metafore. Non capisce il sottotesto. Se scrivi “Vorrei un testo accattivante sul nostro nuovo servizio”, il modello non sa cosa significhi “accattivante” per te. Meglio: “Scrivi un paragrafo di 100 parole che spieghi il vantaggio principale del nostro software di fatturazione, usando un tono professionale ma diretto”. La differenza è abissale. Il prompt deve dire cosa fare, come farlo e per chi. Niente abbellimenti, niente giri di parole. L’AI è uno strumento, non un poeta.
Struttura: dividi il compito in parti
Un prompt lungo e confuso produce una risposta altrettanto confusa. La soluzione è separare le istruzioni in blocchi logici. Puoi usare un elenco puntato, ma anche semplicemente numerare i passaggi. Ecco un esempio di struttura che funziona:
- ruolo: “Agisci come un copywriter specializzato in B2B”
- obiettivo: “Scrivi una email di 150 parole per promuovere un webinar sulla gestione dello stress in azienda”
- tono: “Usa un linguaggio chiaro, concreto, senza gergo tecnico”
- limiti: “Non usare elenchi puntati, solo testo continuo”
Questa struttura dà al modello un perimetro preciso. Senza, l’AI fa ipotesi. Con le ipotesi arrivano gli errori.
Contesto: spiega come parleresti a un collega
Molti pensano che bastino due righe. È l’errore più comune. L’AI non conosce il tuo progetto, il tuo tono di voce, il tuo pubblico. Devi fornirle il contesto come faresti con un nuovo collega. Se devi scrivere una descrizione prodotto per un e-commerce di arredamento, non chiedere genericamente “descrivi questo tavolo”. Spiega invece: “È un tavolo in rovere massello, target clientela tra i 35 e i 55 anni, lo vendiamo a 1.200 euro. Il tono del brand è elegante ma informale. Scrivi una descrizione di 80 parole che metta in evidenza la durabilità e il design senza usare superlativi”. Senza queste informazioni, il modello scriverà per un pubblico medio che non esiste.
Iterazione: il prompt non è mai perfetto al primo colpo
Chi si aspetta la risposta perfetta al primo tentativo resta deluso. Il prompt engineering è un processo di aggiustamento. Si scrive, si testa, si corregge. Un buon prompt si costruisce, non si lancia. Se la risposta è troppo lunga, aggiungi un limite di parole. Se è troppo tecnica, chiedi di semplificare. Se è fuori tema, rivedi il contesto. Ogni correzione aumenta la predicibilità del modello. Meno revisioni fai, più il tuo prompt è solido.
Tecniche avanzate: zero-shot, few-shot e multimodal prompting
Una volta padroneggiate le basi, puoi affinare il metodo con approcci più mirati. Non servono a tutti, ma in certi scenari fanno la differenza.
Zero-shot learning
È l’approccio più semplice: fornisci un prompt senza esempi e l’AI usa la sua conoscenza generale per rispondere. Funziona bene per compiti comuni come riassumere un testo o tradurre una frase. Il limite è la precisione: se il compito è molto specifico, il modello può sbagliare perché non ha un riferimento.
Few-shot learning
Qui aggiungi uno o due esempi nel prompt. Per esempio, se vuoi che l’AI scriva descrizioni prodotto in un certo stile, le fornisci prima un esempio di descrizione già approvata. Il modello imita lo schema. Questa tecnica riduce gli errori di interpretazione ed è particolarmente utile per attività ripetitive come la scrittura di meta description o di schede tecniche.
Multimodal prompting
Alcuni modelli accettano input misti: testo più immagini, audio o video. Puoi caricare una foto del prodotto e chiedere all’AI di scrivere una descrizione basata su quello che vede. Oppure allegare un PDF con le linee guida del brand e chiedere di rispettarle. Il contesto visivo o documentale arricchisce la risposta, ma richiede modelli capaci di elaborare più formati. Non tutti lo supportano, quindi verifica prima.
Errori comuni che rovinano un prompt
Anche chi ha esperienza cade in alcune trappole. La più frequente è la fretta. Scrivere “Fammi un testo per il sito” e aspettarsi un capolavoro è irrealistico. Il secondo errore è l’ambiguità: parole come “bello”, “interessante”, “chiaro” non dicono nulla al modello. Il terzo è dimenticare il pubblico: se non specifichi a chi è rivolto il contenuto, l’AI scrive per un lettore astratto che non esiste. Il quarto è non dare vincoli: senza limiti di lunghezza, tono o formato, la risposta sarà generica.
Un errore meno evidente ma altrettanto dannoso è chiedere tutto in un solo prompt. Meglio suddividere il lavoro in più richieste. Prima chiedi all’AI di aiutarti a definire il prompt giusto, poi usalo per generare il contenuto finale. Questo approccio a due fasi è sottovalutato, ma funziona.
Come misurare la qualità di un prompt
Non esiste un termometro per i prompt, ma puoi valutare la loro efficacia con tre parametri semplici.
| Parametro | Cosa misura | Obiettivo |
|---|---|---|
| Coerenza | Quanto la risposta rispetta lo stile e il tono richiesti | Stabilità del risultato |
| Pertinenza | Quanto il contenuto aderisce al tema e alle indicazioni | Precisione |
| Efficienza | Numero di correzioni necessarie per arrivare al risultato voluto | Risparmio di tempo |
Se un prompt richiede più di tre revisioni per essere accettabile, significa che la struttura di base è debole. Torna indietro, rivedi il contesto e la chiarezza. Meno correzioni fai, più alto è il valore predittivo del tuo prompt.
Prompt engineering non è solo per tecnici
Questa competenza non è riservata a programmatori o esperti di AI. La usa chi scrive email commerciali, chi prepara presentazioni, chi gestisce un blog, chi analizza dati. Più impari a formulare richieste precise, più l’AI diventa un alleato concreto. Il passaggio successivo è integrarlo nei flussi di lavoro quotidiani, magari partendo da un business plan o da un’analisi di stress lavoro-correlato, due ambiti in cui un prompt ben scritto può risparmiare ore di lavoro.
Il vero salto di qualità non è usare l’AI, ma saperle chiedere esattamente ciò di cui hai bisogno. Il resto è pratica, correzione e pazienza. Non c’è scorciatoia, ma il risultato vale il tempo investito.
