Prompt engineering: cos’è e come funziona

Marzo 2023: Anthropic pubblica una guida che i suoi ricercatori usavano internamente per tirare fuori risposte più precise da Claude. L’argomento era il prompt engineering — la capacità di scrivere istruzioni che un modello linguistico esegue senza fraintendere. Oggi è probabilmente la competenza più richiesta a chi lavora ogni giorno con un’intelligenza artificiale. Non è un titolo di lavoro esotico. È un mestiere fatto di tentativi, errori, correzioni continue. Tanti piccoli aggiustamenti, uno via l’altro.

Che cosa significa, in pratica, fare prompt engineering

Il prompt engineering è costruire, testare e correggere le istruzioni — i “prompt” — che diamo a un modello come ChatGPT, Claude o Gemini per ottenere l’output che serve. Non c’è una formula magica dietro. Un modello linguistico genera testo prevedendo la parola più probabile dopo quella precedente, e il prompt resta l’unica leva per guidare quella previsione nella direzione giusta.

Prendete “scrivimi qualcosa sul marketing” e mettetela accanto a “scrivi tre titoli per una newsletter B2B rivolta a responsabili acquisti, tono diretto, massimo 60 caratteri”. Stesso modello. Risultati completamente diversi. Il modello non cambia — cambia quanto lavoro di precisione ha fatto chi ha scritto la richiesta.

Le tecniche che davvero cambiano il risultato

Alcune tecniche tornano in quasi tutte le guide serie sull’argomento, incluse quelle pubblicate da Google Cloud:

• Few-shot prompting: invece di descrivere a parole cosa vuoi, mostri due o tre esempi di input e output desiderato. Il modello riconosce il pattern e lo replica.
• Chain of thought: chiedi al modello di ragionare passo dopo passo prima della risposta finale. Su problemi logici o di calcolo gli errori calano parecchio.
• Role prompting: assegni un ruolo al modello — “sei un editor tecnico che revisiona manuali” — per restringere registro e tipo di risposta.
• Prompt strutturati: contesto, compito, formato dell’output, vincoli, ognuno nel suo blocco. Non un paragrafo unico e confuso.

Niente di complicato, preso singolarmente. La parte difficile è capire quale usare per un compito specifico. E quello si impara solo scrivendo prompt, guardando dove falliscono, correggendoli uno alla volta — non leggendo un elenco come questo.

Un contratto, due prompt, due risultati diversi

Un caso concreto: chiedere a un modello di riassumere un contratto. Il primo tentativo, “riassumi questo contratto”, tira fuori quasi sempre un riassunto generico che salta proprio le clausole importanti. Riformulate così: “elenca in punti le clausole relative a penali, durata e recesso, citando il numero di articolo per ciascuna”. Il risultato utilizzabile arriva quasi sempre al primo colpo. Cambia il livello di specificità — più il compito è definito, meno il modello deve indovinare.

La stessa logica sta dietro agli agenti IA, i sistemi che incatenano più chiamate a un modello per portare a termine compiti complessi. Ogni passaggio dell’agente, in fondo, è un prompt scritto con cura da chi ha progettato il sistema.

Gli errori che si ripetono sempre

Chi comincia a usare l’IA per lavoro inciampa quasi sempre negli stessi punti. Prompt troppo brevi, nella speranza che il modello “capisca da solo” cosa serve. Nessuna indicazione sul formato dell’output: se non dici che vuoi una tabella, un elenco puntato o un file JSON, il modello sceglie quello che gli sembra più probabile — non quello che ti serve davvero. E poi c’è il terzo errore, quello che costa di più: non iterare. Il primo prompt raramente è quello definitivo. Chi tratta la prima risposta come un verdetto finale butta via il vantaggio più grande di lavorare con un’IA conversazionale: poter correggere in tempo reale.

Quanto contesto serve davvero

Un altro fattore che pesa sui risultati è quanto contesto metti nel prompt. I modelli più recenti gestiscono finestre di contesto molto ampie, capaci di contenere interi documenti. Ma riempirle di informazioni superflue non aiuta: un prompt lungo e disordinato confonde il modello tanto quanto uno troppo scarno. La regola pratica resta semplice — solo ciò che serve al compito specifico, organizzato in modo che il modello distingua subito cosa è istruzione e cosa è materiale di riferimento.

Nel 2026 ha ancora senso impararlo?

Con modelli sempre più capaci di interpretare richieste vaghe, qualcuno sostiene che il prompt engineering come disciplina a sé stante stia perdendo peso. In parte è vero: i modelli attuali tollerano meglio i prompt imprecisi rispetto a due anni fa. Ma la distanza tra un prompt scritto bene e uno scritto male resta ampia proprio sui compiti dove sbagliare costa caro — contratti, codice, analisi di dati. Saper scrivere un’istruzione chiara continua a separare chi usa l’IA in modo superficiale da chi la usa per risolvere problemi veri.

Come farsi le ossa senza corsi a pagamento

Non serve iscriversi a un corso per esercitarsi. Le guide ufficiali dei laboratori che sviluppano questi modelli — Anthropic, OpenAI, Google — pubblicano documentazione gratuita con esempi reali, spesso più aggiornata di un corso registrato mesi prima. Il metodo che funziona è un altro: prendere un compito che si ripete nel proprio lavoro, scrivere un primo prompt, guardare dove il risultato manca l’obiettivo, riscriverlo aggiungendo solo il vincolo che ha causato l’errore. Dopo una decina di iterazioni su compiti simili si comincia a riconoscere in anticipo quali istruzioni un modello interpreta male. A quel punto il prompt engineering smette di essere una tecnica astratta. Diventa un’abitudine di scrittura, quasi automatica.