La differenza tra una risposta mediocre e una eccellente da ChatGPT, Claude o Gemini raramente dipende dal modello: dipende da come scrivi il prompt. Nel 2026, con i modelli "che ragionano" e le finestre di contesto enormi, le tecniche di prompt engineering sono cambiate. Alcune regole che tutti ripetono (come "pensa passo passo") oggi possono persino peggiorare i risultati sui modelli piu' recenti. Questa guida raccoglie le tecniche che funzionano davvero, con prompt copiabili e il risultato atteso di ognuno.
A chi serve e cosa imparerai
Serve a chi usa gia' un assistente IA e vuole ottenere risposte piu' precise, coerenti e utili: professionisti, sviluppatori, chi scrive, chi analizza dati. Non e' una guida "come registrarsi": diamo per scontato che tu abbia accesso a ChatGPT (OpenAI), Claude (Anthropic) o Gemini (Google). Imparerai sette tecniche concrete, quando usarle, e soprattutto quando non usarle.
Prerequisiti: un account su almeno uno dei tre servizi. Le tecniche sono trasferibili anche a Mistral Le Chat, Copilot, DeepSeek e ai modelli locali via Ollama o LM Studio.
Quale modello scegliere per quale compito
La prima decisione e' lo strumento. Un confronto sintetico, aggiornato al 2026:
| Modello | Punto di forza | Piano gratuito | Ideale per |
|---|---|---|---|
| Claude (Sonnet/Opus) | Scrittura, ragionamento lungo, rispetto delle istruzioni, tag XML | Si', con limiti d'uso | Testi, analisi documenti, codice |
| ChatGPT (GPT-5 / modelli "Thinking") | Versatilita', strumenti integrati, ottimo su compiti misti | Si', con limiti; "Thinking" a rotazione | Uso generale, ricerca, immagini |
| Gemini | Contesto enorme, integrazione Google, multimodale | Si', generoso | Documenti lunghi, dati, Workspace |
Prima scelta consigliata per la maggior parte dei compiti testuali: Claude, per la disciplina con cui segue le istruzioni e struttura le risposte. Per compiti che richiedono navigazione web o generazione di immagini, ChatGPT. Per documenti molto lunghi o dati, Gemini per la finestra di contesto. Il consiglio pratico: prova lo stesso prompt su due modelli e confronta.
Tecnica 1: dai un ruolo e un contesto, non solo un ordine
Il singolo intervento con piu' impatto: dire al modello chi e', per chi scrive e a che scopo. Un prompt povero produce una risposta generica; un prompt con ruolo e contesto la calibra.
Sei un revisore contabile con 15 anni di esperienza in PMI italiane. Spiega a un imprenditore senza formazione finanziaria, in massimo 200 parole e con un esempio numerico, la differenza tra utile e flusso di cassa. Evita gergo tecnico non spiegato.
Risultato atteso: una spiegazione tarata sul destinatario, con un esempio concreto in euro, senza tecnicismi, entro il limite di lunghezza. Confrontala con il semplice "spiegami utile e flusso di cassa" e la differenza sara' evidente.
Tecnica 2: mostra esempi (few-shot) per fissare il formato
Quando ti serve un formato preciso, descriverlo a parole non basta: mostralo. La documentazione di Anthropic consiglia 3-5 esempi diversi e rappresentativi. Questa tecnica, detta few-shot, e' insostituibile per classificazioni e output strutturati.
Classifica il sentiment di ogni recensione come POSITIVO, NEGATIVO o NEUTRO.
Recensione: "Prodotto arrivato rotto, servizio clienti assente." -> NEGATIVO
Recensione: "Fa il suo lavoro, niente di speciale." -> NEUTRO
Recensione: "Superato ogni aspettativa, lo ricomprerei!" -> POSITIVO
Recensione: "Spedizione lenta ma il prodotto e' ottimo." ->Risultato atteso: il modello risponde con una sola etichetta (qui probabilmente POSITIVO o NEUTRO) seguendo esattamente lo schema, senza aggiungere spiegazioni non richieste.
Tecnica 3: chain-of-thought, ma solo quando serve
Chiedere al modello di ragionare "passo passo" (chain-of-thought) migliora l'accuratezza su problemi con piu' passaggi: calcoli, logica, analisi. Ma attenzione: e' qui che il 2026 ha cambiato le regole. I modelli che ragionano (la serie "Thinking" di ChatGPT, la modalita' di ragionamento esteso di Claude, il Thinking di Gemini) eseguono gia' questo ragionamento internamente. La guida di OpenAI e' esplicita: con i modelli di ragionamento, chiedere di "pensare passo passo" e' inutile e puo' persino peggiorare i risultati.
La regola pratica: usa il chain-of-thought con i modelli standard (GPT-5 base, Claude Sonnet senza thinking); omettilo con i modelli di ragionamento, ai quali basta porre bene il problema.
Un negozio applica il 20% di sconto, poi aggiunge il 22% di IVA sul prezzo scontato. Un articolo costa 80 euro. Ragiona passo per passo mostrando ogni calcolo, poi indica il prezzo finale.
Risultato atteso (su modello standard): il modello mostra 80 → sconto 16 → 64 → IVA 14,08 → 78,08 euro, riducendo il rischio di errori aritmetici tipici delle risposte "di getto".
Tecnica 4: struttura il prompt con delimitatori e tag
Quando il prompt e' lungo o mescola istruzioni e dati, separali con delimitatori chiari. Anthropic raccomanda i tag in stile XML per delimitare le sezioni: rende inequivocabile cosa e' istruzione e cosa e' materiale da elaborare.
<istruzioni>
Riassumi il testo tra i tag <documento> in 5 punti elenco,
ognuno di massimo 15 parole. Rispondi solo con l'elenco.
</istruzioni>
<documento>
[incolla qui il testo da riassumere]
</documento>Risultato atteso: cinque punti sintetici, senza preamboli come "Ecco il riassunto:". I tag riducono drasticamente il rischio che il modello confonda le istruzioni con il contenuto.
Tecnica 5: definisci il formato di uscita in modo esplicito
Se ti serve un output riutilizzabile (una tabella, un JSON, un CSV), chiedilo esplicitamente e vincola i campi. Utile per automazioni e per incollare il risultato altrove.
Estrai da questo annuncio nome, ruolo, sede e RAL.
Rispondi SOLO con JSON valido in questo schema, senza testo aggiuntivo:
{"nome": "", "ruolo": "", "sede": "", "ral_eur": 0}
Annuncio: "Cerchiamo Marco Bianchi come Data Analyst a Milano, RAL 38.000 euro."Risultato atteso: {"nome": "Marco Bianchi", "ruolo": "Data Analyst", "sede": "Milano", "ral_eur": 38000}. Specificare "SOLO JSON valido" evita che il modello aggiunga spiegazioni che romperebbero il parsing.
Tecnica 6: itera e fai auto-correggere il modello
Non trattare la prima risposta come definitiva. Una tecnica potente e' chiedere al modello di criticare e migliorare il proprio output. Funziona perche' la revisione e' un compito diverso, e piu' facile, della generazione.
Rileggi la risposta che hai appena dato come farebbe un editor severo. Elenca 3 punti deboli concreti (chiarezza, precisione, tono), poi riscrivi il testo correggendoli. Mantieni la lunghezza sotto le 250 parole.
Risultato atteso: un breve elenco di difetti reali seguito da una versione nettamente migliore. Puoi ripetere il ciclo due o tre volte finche' la qualita' si stabilizza.
Tecnica 7: precompila l'inizio della risposta
Un trucco poco noto ma efficace: suggerire le prime parole della risposta per orientarne struttura e tono. Su ChatGPT e Gemini lo ottieni chiudendo il prompt con l'inizio desiderato; con le API di Claude puoi usare direttamente il campo assistant per "mettere in bocca" al modello l'avvio.
Scrivi l'email di risposta al cliente. Inizia esattamente con: "Gentile Rossi, la ringrazio per la segnalazione e le confermo che".
Risultato atteso: un'email che parte da quella frase e prosegue coerente, evitando aperture generiche e imponendo il registro formale.
Errori comuni e come evitarli
- Prompt vago ("scrivimi qualcosa sul marketing"): definisci sempre destinatario, scopo, lunghezza e formato.
- Troppe richieste in un colpo solo: il modello ne trascura alcune. Spezza in passaggi o numera le richieste.
- Negazioni ambigue ("non essere troppo tecnico"): meglio istruzioni positive ("usa un linguaggio da quinta elementare").
- Chain-of-thought sui modelli di ragionamento: superfluo e a volte dannoso. Poni bene il problema e lascialo lavorare.
- Non fornire i dati: se chiedi un'analisi, incolla il testo o il file; non aspettarti che il modello "sappia" i tuoi documenti.
- Fidarsi dei numeri senza verifica: per calcoli critici, chiedi al modello di mostrare i passaggi e ricontrolla.
Un prompt "template" da riutilizzare
Metti insieme le tecniche in uno schema riutilizzabile. Copialo e riempi le parentesi quadre:
Ruolo: sei [esperto di X con Y anni di esperienza].
Compito: [cosa deve produrre].
Pubblico: [a chi si rivolge].
Vincoli: lunghezza [N parole], tono [formale/informale], lingua [italiano].
Formato di uscita: [elenco / tabella / JSON con questi campi...].
Se qualcosa non e' chiaro, fammi UNA domanda prima di procedere.
Materiale:
<dati>
[incolla qui]
</dati>L'ultima riga ("fammi una domanda se serve") e' preziosa: evita che il modello inventi assunzioni quando il prompt e' incompleto.
Come proseguire
Per approfondire, le documentazioni ufficiali sono la fonte migliore e aggiornata: la guida al prompting di Anthropic, la guida di OpenAI e la documentazione di Google per Gemini. Il metodo che funziona sempre e' sperimentale: parti da un prompt semplice, misura il risultato, aggiungi una tecnica alla volta e tieni un tuo archivio dei prompt che funzionano meglio per i compiti che ripeti.
