Prompt per AI: cosa sono, a che servono esempi e tecniche utili
“Riassumi questo testo”. “Scrivi un articolo”. “Dammi qualche idea per il blog”. “Migliora questa introduzione”. Sono prompt che scrivi ogni giorno a un assistente AI e per te sono pratici e sufficienti. Ma in realtà sono incompleti, perché lasciano fuori quello che non hai scritto: chi legge, quanto deve essere lungo, con che taglio, con quale criterio di qualità.
Ogni campo vuoto o sottinteso è riempito dall’AI, che per farlo prende la strada più battuta: le soluzioni più frequenti che ha incontrato in addestramento, il taglio buono per tutti, il tono prudente, la struttura più ricorrente. È la media statistica di tanti testi simili, corretta, leggibile, intercambiabile.
Un prompt efficace porta nella richiesta le scelte che contano, prima che sia il sistema a completarle.
Che cos’è un prompt
Un prompt è l’input che dai a un sistema di intelligenza artificiale generativa per ottenere una risposta orientata. Può essere una domanda, una consegna, un testo da rielaborare, una tabella da interpretare, una riga di codice, una traccia da completare, oppure la descrizione di un’immagine, di una scena o di un output visivo da generare. Cambia la forma, resta il ruolo: porta dentro il sistema ciò che vuoi ottenere e le condizioni entro cui la risposta deve essere generata.
Nel linguaggio informatico, il prompt indicava l’invito a digitare un comando in un terminale. Nell’uso attuale, orienta ChatGPT, Gemini o qualsiasi altra AI a continuare il testo in modo probabilistico, definendo il perimetro della generazione, in cui entrano obiettivo, contesto, vincoli, formato, esempi, criteri. Più è chiaro, più la risposta ha una direzione riconoscibile.
Il prompt che scrivi, però, è solo uno dei livelli che orientano la risposta. Più in alto agisce il system prompt, le istruzioni che la piattaforma ha già dato al modello, fuori dalla tua vista: tono di base, argomenti vietati, formato predefinito. Si aggiungono lo storico della conversazione, dove ogni turno pesa sul successivo, la memoria che l’assistente conserva di te tra una sessione e l’altra, e gli allegati o i documenti che recupera per rispondere. La tua richiesta dialoga con tutto questo: una parte delle scelte la fai tu, una parte è già stata fatta da livelli che non controlli e a volte nemmeno vedi.
Pensa a un brief editoriale: quando è solido, dice a chi scrive qual è l’obiettivo, chi legge, che taglio tenere, cosa includere e cosa tagliare; se è raffazzonato, costringe chi lo riceve a indovinare, a riempire i buchi con esperienza, abitudini, interpretazioni.
Un prompt segue la stessa logica, ma si rivolge a un modello e non a una persona, e vale quando chiedi un testo, un’analisi, una sintesi o una classificazione. La differenza principale è che l’AI è costretta a produrre una risposta, anche quando la consegna lascia fuori le scelte che servivano. E se una persona può chiedere chiarimenti, contestare un criterio, fermarsi davanti a un’ambiguità, un assistente fa inevitabilmente ricorso ai dati e ai pattern su cui è stato addestrato e prende la strada più comoda, quella che assomiglia a molte altre.
Molte risposte mediocri nascono da decisioni editoriali mai prese
Quando una risposta delude, l’istinto è incolpare il modello, ma spesso il problema sta più indietro, in una decisione che chi ha scritto la richiesta doveva ancora prendere.
Chiedere “riscrivi questo paragrafo” presuppone di sapere già perché va riscritto: più corto, più chiaro, più orientato alla conversione, più coerente con il resto dell’articolo. Se quella scelta manca nella tua testa prima ancora che nel prompt, il modello la inventa e adotta l’opzione più neutra che ha. Lo stesso accade con “valuta questo testo” privo di criteri, o con “prepara una traccia” privo di taglio, pubblico e profondità.
La richiesta povera, nella scrittura come in un’analisi o in una diagnosi su una pagina, è spesso il sintomo di una decisione editoriale mai presa, che il sistema compensa producendo un testo corretto, leggibile e poco esposto.
Una richiesta vaga torna diversa ogni volta che la lanci
L’AI costruisce la risposta pezzo dopo pezzo, lavorando su token, frammenti di testo che possono essere parole, parti di parola o segni. A ogni passaggio pesa le continuazioni possibili e favorisce le sequenze più probabili, basandosi sia quelle che ricorrono nei dati di addestramento che quelle che dipendono dal contesto del tuo lavoro – il tuo prompt, la memoria della conversazione accumulato fino a quel punto, le fonti che il sistema eventualmente recupera, e parametri come la temperatura (che regola quanto resta vicino alle opzioni più probabili). Una richiesta vincolata sposta il peso verso le risposte coerenti con quello che hai chiesto; una richiesta generica lo lascia dov’era, sulle formulazioni più frequenti, spesso anche le meno specifiche.
Quello che non scrivi, il modello lo riempie con la versione più comune. Un destinatario non detto diventa un lettore qualsiasi, una lunghezza non indicata si assesta sulla misura media dei casi simili, e il criterio di qualità, se non lo dai tu, resta il suo: una scrittura corretta e levigata che non sporge da nessuna parte.
Ripeti due volte la stessa richiesta vaga e ottieni due risposte diverse, perché ogni volta il modello imbocca uno dei molti percorsi che la consegna lascia aperti. È il sintomo più chiaro che restano decisioni in sospeso: meno la richiesta vincola, più le risposte oscillano. Quando le scelte sono fissate, invece, le risposte si somigliano di esecuzione in esecuzione, e la revisione diventa un lavoro prevedibile invece che una lotteria.
Le premesse invisibili dentro la risposta
Una output arriva sempre con delle assunzioni dentro, anche quando le tiene nascoste. Su “analizza questi dati” il modello decide in autonomia quali metriche contano, che taglio dare alla sintesi, per chi la sta scrivendo, fin dove arrivare nel dettaglio. Pubblico, obiettivo, priorità, fonti da privilegiare, tono, uso finale: ogni cosa che non hai fissato è una scelta che deleghi e che l’AI compie al posto tuo.
Se il lavoro procede per passaggi, le assunzioni aumentano e si trascinano fino al risultato – e con una richiesta di partenza povera, ogni scelta successiva finisce al modello.
Correggere diventa allora un lavoro a ritroso, ma il motivo per cui una frase è uscita male resta intatto perché può dipendere da un criterio sbagliato entrato molto prima. Far emergere le assunzioni usate nella generazione le rimette sul tavolo: confermi quelle giuste, rifai quelle sbagliate e al turno successivo la consegna diventa più precisa.
Poche decisioni esplicite cambiano il risultato più di molte parole
Un prompt efficace pesa per le scelte che porta dentro, prima ancora che per la quantità di istruzioni.
- L’obiettivo dice quale azione chiedi davvero. “Elenca i tre rischi principali” apre un lavoro diverso da “parlami dei rischi”.
- Il contesto dà una scena alla risposta: una mail a un cliente, una nota interna, una diagnosi su una pagina, una traccia per la redazione.
- I vincoli di lunghezza, lingua e registro chiudono le zone più esposte all’interpretazione.
- Il formato stabilisce la forma che il contenuto deve prendere, tra elenco, tabella, paragrafo o bozza di email.
Insieme trasformano un’intenzione in istruzioni che lasciano al modello meno da indovinare.
Prendi “migliora questa introduzione” su un articolo già scritto. “Migliora” sembra una richiesta sufficiente, e invece apre interventi diversi: accorciare, rendere più diretto l’aggancio alla query, rinforzare la tesi, togliere ripetizioni, cambiare ritmo. Sono interventi diversi, a volte opposti. Quando la direzione resta vaga, l’AI tende alla soluzione più prudente: una riscrittura blanda che leviga tutto, lascia in piedi la prima frase generica, rimanda ancora l’aggancio alla domanda dell’utente e consegna un testo diverso, più liscio, poco utile.
La consegna cambia quando fissi il lavoro da fare. “Rendi questa introduzione più diretta, taglia la prima frase generica, aggancia subito alla domanda dell’utente e porta la tesi nelle prime tre righe” porta dentro obiettivo, contesto editoriale, vincoli e criterio di qualità. L’output resta da rivedere, ma interviene sulla parte giusta: taglia l’avvio generico, anticipa la domanda, porta la tesi in apertura.
A quel punto la revisione cambia natura: hai qualcosa da correggere invece di qualcosa da rifare. Restano da valutare l’aggancio alla query, la tenuta della tesi accorciata, il tono rispetto al resto del pezzo. Il prompt ha ridotto il campo; la verifica finale resta tua.
Le istruzioni in conflitto lasciano al modello la gerarchia delle priorità
Quando provi a rendere il prompt più preciso corri però il rischio opposto, caricarlo di criteri che si contraddicono. “Scrivi un testo breve ma esaustivo, tecnico ma semplice, persuasivo ma neutro” sembra una richiesta ricca di criteri, e invece mette davanti al sistema priorità che tirano in direzioni opposte.
Breve chiede taglio, esaustivo chiede profondità; tecnico alza il livello del linguaggio, semplice lo riporta verso una soglia più accessibile; persuasivo spinge alla scelta, neutro la raffredda.
Davanti a criteri incompatibili, l’AI costruisce una gerarchia al posto tuo. Può salvare la sintesi e perdere completezza, mantenere il tono tecnico e sacrificare chiarezza, rendere il testo più neutro e svuotare la spinta persuasiva. La scelta resta dentro la risposta, anche se nella richiesta sembrava già risolta.
Il sovraccarico dà la sensazione della completezza e invece restituisce il controllo al sistema. Ogni criterio contraddittorio riapre una decisione che credevi di aver chiuso. Pochi criteri coerenti, messi in ordine di importanza, governano l’output più di dieci aggettivi in lotta tra loro.
La tecnica sbagliata gonfia il prompt e confonde il compito
Il prompting è il lavoro sulle tecniche con cui dai forma alla richiesta, serve a scegliere quanta struttura dare al compito.
Una traduzione secca o un riassunto in tre punti reggono con un’istruzione diretta, lo zero-shot – il task è semplice e il modello lo gestisce senza aiuto. Quando il formato o lo stile sono difficili da descrivere a parole, conviene mostrarli: few-shot descrive
Se hai un formato o uno stile difficili da descrivere a parole passi al few-shot: scegli un paio di casi pratici, che indicano il risultato voluto meglio di qualsiasi spiegazione, ma attenzione perché un esempio storto insegna il pattern sbagliato.
Quando la risposta dipende da un punto di vista, assegnare un ruolo — “rispondi come un revisore che valuta la pagina per la conversione” — sposta il punto di partenza, perché il modello adotta il lessico, le priorità e i criteri di quella figura. Funziona finché resta una guida, mentre diventa una maschera quando irrigidisce tutto e forza il testo dentro una posa.
Per compiti complessi, che implicano pianificazione, deduzione, risoluzione di problemi multilivello o ragionamenti non lineari, potresti adottare la strategia del prompting chain-of-thought (CoT), che ostruisce un percorso esplicito di pensiero, segmentando la richiesta in passaggi chiari che il modello deve eseguire in sequenza la risposta attraverso una catena di inferenze, e rende l’errore è più facile da individuare, perché ogni fase dell’elaborazione è visibile.
Altre tecniche lavorano sulla struttura della richiesta, che conta quando istruzioni, materiale e output rischiano di confondersi. I delimitatori, virgolette o tag, separano le istruzioni dal materiale su cui operare, tolgono l’ambiguità su cosa sia comando e cosa sia testo da trattare. Indicare il formato di output – una tabella con certe colonne o un elenco di campi – evita la risposta discorsiva quando ti serve un dato strutturato e rende confrontabili più risposte tra loro. Per i compiti dove il rischio è un errore di ragionamento, chiedere passaggi espliciti aiuta a vedere dove si rompe il filo, invece di scoprire lo sbaglio solo nel risultato finale. E quando il lavoro è troppo grande per una richiesta sola, conviene spezzarlo in più prompt concatenati, dove il risultato alimenta il successivo e ogni pezzo resta controllabile.
Il problema nasce quando applichi la tecnica più pesante al compito più semplice. Un ragionamento passo-passo per accorciare una meta description allunga la richiesta e rallenta la risposta – e raramente migliora un’operazione che il modello svolge già bene. Troppi esempi su un compito già chiaro spostano l’attenzione sul pattern da imitiare e confondono l’obiettivo.
La prima risposta ti mostra cosa mancava nel prompt
Il prompt definitivo nasce quasi sempre per trial and error: scrivi, leggi la prima risposta, capisci cosa manca e correggi la consegna. Il primo output funziona da diagnosi del lavoro: ti mostra cosa il sistema ha capito, quali assunzioni ha assorbito, dove ha riempito i vuoti a modo suo.
La correzione inizia quasi sempre da una scelta che avevi lasciato implicita. Guardi cosa ha frainteso, quale criterio ha dato per scontato, quale parte è corretta ma inutile ai tuoi fini, quale vincolo manca del tutto. Da lì decidi cosa tieni e cosa fai rigenerare, e soprattutto se conviene correggere il prompt o intervenire a mano sul testo.
Un errore di impostazione — pubblico sbagliato, taglio fuori fuoco — si risolve nel prompt, perché tornerebbe a ogni rigenerazione; una singola frase goffa la sistemi più in fretta da solo che spiegando al modello come riscriverla. Ogni giro restringe il margine, e dopo due o tre passaggi la richiesta che hai in mano vale più di quella iniziale, perché contiene le decisioni che il primo tentativo ti ha costretto a prendere.
Un prompt che regge nel tempo si progetta e si collauda
Il lavoro di rifinitura serve a rendere replicabile lo schema, in modo che un prompt smetta di essere usa e getta e cominci a diventare metodo da applicare su ogni successivo task con successo e immediatezza.
Nel lavoro editoriale ti capita spesso di dover ripetere un’attività – preparare la traccia di un articolo, rivedere una scheda prodotto, analizzare una pagina, leggere una SERP, trasformare un brief in una scaletta. Se ogni volta riparti dalla chat vuota, perdi le decisioni che avevi già faticato a rendere esplicite.
Serve però qualcosa in più che ricopiare le istruzioni nella nuova finestra. Una consegna che funziona porta dentro decisioni precise — pubblico, taglio, criterio di qualità, formato — che restano utili solo se la richiesta è scritta in modo che tenga anche su un compito leggermente diverso e nelle mani di chi non l’ha pensata. Su un’attività che ricorre, la traccia di un articolo, la revisione di una scheda prodotto, la diagnosi di una pagina, conviene fermare il prompt e curarne la solidità, perché è lì che le decisioni prese una volta smettono di doversi riprendere ogni volta.
A livello tecnico, qui puoi distinguere due competenze specifiche. Il prompt design lavora sull’interazione: come la traccia entra nel flusso di lavoro, cosa chiede a chi la usa, quali scelte obbliga a dichiarare, quanto resta chiara per chi non l’ha scritta. Il prompt engineering lavora sulla solidità: documenta lo schema, lo versiona, lo collauda sui casi reali e sull’assistente su cui dovrà girare.
Framework di prompting per standardizzare e replicare risultati
Un prompt può funzionare bene per revisionare articoli informativi e cedere sulle schede prodotto o sulle landing page, dove cambiano vincoli, tono e criteri di completezza. Il lavoro vero comincia lì: testare, correggere, distinguere ciò che va fissato da ciò che deve restare flessibile.
Per semplificare questo approccio sistematico puoi anche far riferimento a Framework come RACE o RISEN aiutano a ordinare ruolo, compito, contesto e vincoli; applicati a memoria, tornano moduli vuoti. In pratica, ti forniscono una griglia sintattica e funzionale entro cui formulare richieste consistenti, replicabili e facilmente adattabili a contesti diversi.
Il framework RACE (Role, Action, Context, Explanation) organizza la richiesta attorno a quattro elementi chiave. Come spiega Kate Moran, è pensato per fornire al modello un’identità precisa, un compito specifico, un ambiente informativo di riferimento e l’esplicitazione dell’output desiderato. Funziona bene con modelli come ChatGPT, Claude e altri LLM generalisti, specialmente quando il prompt deve orientare il tono, la forma e la finalità della risposta.
Un esempio discorsivo: “Sei uno psicologo infantile con esperienza nel supporto a bambini in età prescolare che mostrano paura del buio. Progetta una serie di strategie pratiche e rassicuranti per aiutare una bambina di 2 anni a dormire serenamente. La bambina si sveglia spesso con il pianto e cerca la presenza dei genitori per riaddormentarsi. Non ci sono cambiamenti recenti nella routine, ma la famiglia desidera soluzioni dolci e non invasive. Fornisci una guida con consigli suddivisi per breve e lungo termine, con linguaggio semplice adatto a genitori”.
Qui il Ruolo è esplicito (“sei uno psicologo infantile”), l’Azione è definita (“progetta strategie pratiche”), il Contesto è realistico e dettagliato, la Spiegazione dell’output è chiara (“guida con consigli suddivisi”). Questo schema guida il modello a selezionare conoscenze pertinenti, rispondere in forma strutturata e scegliere un registro adatto al target.
Il framework RISEN (Role, Instructions, Steps, End goal, Narrowing) mira a strutturare richieste più complesse, in cui contano i passaggi esecutivi tanto quanto l’obiettivo finale. È un modello pratico e adatto a prompt che richiedono una risposta organizzata in sequenze di azioni, come itinerari, scalette operative, script, calendarizzazioni e guide pratiche.
Un prompt costruito con RISEN potrebbe suonare così: “Sei un esperto di viaggi che pianifica esperienze culturali a Londra per visitatori alla prima esperienza. Crea un piano per un viaggio di 4 giorni: dividi la proposta in mattina/pomeriggio/sera, includendo musei, percorsi a piedi, ristoranti tipici. Indica i mezzi di trasporto da usare, i biglietti consigliati, i tempi medi di visita. Il piano deve essere adatto a una coppia adulta, con budget medio e ritmi rilassati. Scrivi tutto in massimo 400 parole, in formato elenco gerarchico”.
L’output atteso è chiaro e circoscritto. C’è una funzione (creare un piano), un’esecuzione per passi (giorni/tempi), un obiettivo (esperienza culturale piacevole), e una serie di vincoli su formato, tono e contenuto. Rispetto a RACE, RISEN si concentra di più sulla sequenza interna della risposta e sulle limitazioni operative da rispettare.
Se preferisci lavorare a qualcosa di più personalizzato e modellato sulle tue esigenze specifiche, parti dall’analisi dei compiti ricorrenti. Ad esempio, se lavori spesso su tone of voice promozionali, liste comparabili, email persuasive o micro-copy UX, potresti costruire uno schema di prompt che includa:
- Ruolo esperto + contesto d’uso + tipo di utente finale
- Obiettivo preciso (ad esempio, generare un testo di apertura persuasiva)
- Vincoli su formato e stile
- Livello di approfondimento
- Istruzioni aggiuntive sul comportamento della risposta (evitare toni tecnici, usare metafore, evitare linguaggio passivo).
Quando una consegna è curata così, il risultato dipende meno dalla giornata di chi scrive e più dalle scelte che il prompt porta già con sé. Le decisioni che avevi reso esplicite restano dentro lo strumento, pronte per il contenuto successivo, e il lavoro smette di ripartire da zero a ogni richiesta.
Il modello conserva una quota di decisione
Anche la consegna più precisa lascia al modello un margine che sfugge al tuo controllo. Lo stesso prompt, affidato a ChatGPT, Gemini o Claude, torna con risposte diverse, perché cambiano l’addestramento, le policy, il system prompt, il modo di recuperare le fonti. È un punto concreto nel lavoro di tutti i giorni: ogni persona può usare l’assistente che preferisce o quello adottato dall’azienda, e la stessa richiesta rende in modo diverso a seconda di dove gira.
Dentro quel margine agiscono tre forze in particolare. I guardrail sono i filtri che la piattaforma impone su certi temi: scattano con criteri spesso opachi, e capita che una richiesta legittima venga bloccata mentre una più ambigua passa, senza che tu possa prevederlo. Il prompt injection sfrutta il fatto che il modello legge tutto insieme, istruzioni e materiale: dentro un documento, una pagina o un’email che gli dai da elaborare possono nascondersi comandi che competono con i tuoi, e a volte vengono eseguiti. Il contesto contaminato è più silenzioso: se le fonti che fornisci sono parziali o orientate, la risposta eredita quell’inclinazione e te la restituisce come se fosse neutra.
Devi accettare che il prompt non governa tutto. Una parte della risposta la decidono le regole della piattaforma, il testo che il modello incontra, le fonti che gli passi. Saperlo cambia il modo di leggere un output, perché ti trattiene dal fidarti di una risposta solo perché è scritta bene.
I paletti del modello si possono spostare
I guardrail cedono a seconda di come imposti la domanda. Lo stesso argomento bloccato in una richiesta diretta può passare se lo inquadri come un’ipotesi, un gioco di ruolo, una scena di finzione, e gli esperimenti di red team mostrano che anche i modelli più filtrati si lasciano portare fuori dai loro paletti con una catena di messaggi costruita apposta.
Il punto non è sfruttare questa elasticità, ma riconoscerla. Il rifiuto del modello è meno stabile di quanto sembri, perché dipende anche da come formuli la richiesta. E la stessa manovrabilità rende rischioso il materiale che dai in pasto al sistema: una pagina o un documento possono contenere proprio quel tipo di inquadramento e spingere il modello dove tu non hai chiesto, senza che tu abbia scritto nulla.
La conferma accomodante trasforma la verifica in consenso
Il limite più insidioso prende la forma dell’accordo. Chiedi a un modello di valutare la tua bozza e, se nella richiesta hai già lasciato trasparire che ti piace, tende a darti ragione. È la sycophancy, la tendenza ad allinearsi all’impostazione che trova già nella domanda. Per chi cerca una conferma è comodo; per chi cerca una verifica è un problema, perché la risposta rischia di rimandarti la tua stessa tesi, vestita da analisi. La contromisura sta nel costruire attrito dentro il prompt: chiedere i controargomenti, far trattare l’ipotesi come provvisoria, chiedere che separi i fatti dalle inferenze. Una richiesta costruita per essere contraddetta ti restituisce una verifica, non un’eco.
Scrivere un prompt, alla fine, è decidere quante delle scelte che contano restano tue e quante passano al modello. Vale per la riga buttata giù di getto e per lo schema che affini nel tempo: la qualità di quello che ottieni è la somma delle decisioni che hai messo nella richiesta e di quelle che hai lasciato prendere al sistema.
Quegli stessi prompt, osservati su tutto un mercato invece che uno alla volta, raccontano quali domande il pubblico porta agli assistenti e dove un brand compare nelle risposte: è il terreno del monitoraggio dei prompt, un mestiere a sé che poggia però sulla stessa competenza che alleni adesso.
Alla fine, la logica resta la stessa. Più criteri riesci a fissare, meno spazio lasci alla risposta media. Più scelte tieni in mano, più l’AI diventa uno strumento di lavoro invece di un generatore che decide al posto tuo.
