Saper scrivere un buon prompt e' diventata una competenza pratica quanto saper cercare su Google. La differenza tra una risposta mediocre e una eccellente, con lo stesso modello, sta quasi sempre nel modo in cui formuli la richiesta. Questa guida raccoglie sette tecniche di prompt engineering avanzato che funzionano davvero, con esempi pronti da copiare e una spiegazione del risultato atteso. Valgono per ChatGPT (GPT-5), Claude, Gemini, Mistral Le Chat e DeepSeek: cambiano sfumature, non i principi.

A chi serve e cosa otterrai

Serve a chiunque usi i chatbot per lavorare - scrivere, analizzare, programmare, sintetizzare - e voglia smettere di "tirare a indovinare". Non servono competenze tecniche: bastano un account su un assistente IA e la voglia di sperimentare. Al termine avrai un piccolo arsenale di schemi riutilizzabili e capirai perche' funzionano, cosi' da adattarli ai tuoi casi.

1. Assegna un ruolo e un obiettivo (role prompting)

I modelli rispondono meglio quando sanno "chi" devono essere e per chi scrivono. Invece di chiedere genericamente, definisci ruolo, pubblico e formato.

"Sei un revisore legale esperto di contratti di lavoro italiani. Analizza la clausola che incollo per un imprenditore senza formazione giuridica. Elenca in massimo 5 punti i rischi concreti, dal piu' grave, con linguaggio semplice."

Risultato atteso: un'analisi mirata, ordinata per gravita' e comprensibile, invece di un riassunto neutro. Il ruolo orienta il "registro" e la profondita' della risposta.

2. Mostra esempi (few-shot prompting)

Se vuoi un output in un formato o uno stile preciso, mostralo con uno o due esempi. Il modello impara dal pattern molto meglio che da una descrizione.

Classifica le recensioni come POSITIVA, NEUTRA o NEGATIVA.

Recensione: "Spedizione velocissima, prodotto perfetto." -> POSITIVA
Recensione: "Funziona, ma l'imballaggio era ammaccato." -> NEUTRA
Recensione: "Si e' rotto dopo due giorni, assistenza assente." -> NEGATIVA
Recensione: "Costa un po' ma ne vale la pena." ->

Risultato atteso: il modello completa con "POSITIVA" e mantiene esattamente quelle tre etichette. Il few-shot e' la via piu' affidabile per ottenere coerenza su compiti ripetitivi.

3. Chiedi di ragionare per passaggi (chain-of-thought)

Per problemi di logica, matematica o pianificazione, invitare il modello a procedere per passi riduce gli errori. Sui modelli moderni dotati di ragionamento basta esplicitare l'obiettivo, ma la richiesta resta utile su quelli piu' semplici.

"Procedi passo per passo: prima elenca i dati noti, poi imposta il calcolo, poi esegui, infine dai il risultato in una riga preceduta da 'Risposta:'."

Risultato atteso: un percorso verificabile che termina con una risposta isolata e facile da leggere. Bonus: se l'output e' lungo, puoi controllare dove eventualmente sbaglia.

Strutturare la richiesta in passaggi e formati espliciti migliora drasticamente le risposte. Foto: Pexels.

4. Imponi un output strutturato (JSON e schemi)

Quando il testo deve essere riusato da un programma o da un foglio di calcolo, chiedi un formato rigido. E' la base per automatizzare.

Estrai i dati dall'email e restituisci SOLO JSON valido, senza testo extra,
con questo schema:
{"cliente": string, "importo_euro": number, "scadenza": "AAAA-MM-GG"}

Email: "Buongiorno, confermo l'ordine per Rossi Srl, 1.250 euro,
da saldare entro il 15 luglio 2026."

Risultato atteso: {"cliente": "Rossi Srl", "importo_euro": 1250, "scadenza": "2026-07-15"}. Aggiungere "SOLO JSON valido, senza testo extra" evita le premesse discorsive che romperebbero il parsing.

5. Scomponi i compiti complessi (prompt chaining)

Un prompt che chiede tutto insieme - ricerca, analisi, scrittura, revisione - produce risultati mediocri su ogni fronte. Spezza il lavoro in passaggi concatenati, dove l'output di uno alimenta il successivo.

  1. Primo prompt: "Estrai i 10 concetti chiave da questo testo."
  2. Secondo prompt: "Per ognuno di questi 10 concetti, scrivi una definizione di una riga."
  3. Terzo prompt: "Trasforma queste definizioni in un quiz a risposta multipla da 10 domande."

Risultato atteso: ogni fase e' piu' controllabile e correggibile, e la qualita' finale supera nettamente quella del prompt monolitico.

6. Fai autovalutare e correggere (self-consistency e critica)

Puoi chiedere al modello di rivedere il proprio lavoro con occhio critico, spesso scoprendo errori che la prima stesura nascondeva.

"Rileggi la tua risposta come se fossi un revisore severo. Elenca 3 possibili errori o punti deboli, poi riscrivi una versione migliorata."

Risultato atteso: una seconda versione piu' accurata. Per compiti delicati, una variante e' generare due risposte indipendenti e chiedere al modello di sceglierne la migliore motivando: e' una forma semplice di "self-consistency".

7. Dai vincoli negativi e un "piano B"

Dire al modello cosa non fare e come comportarsi nell'incertezza riduce le allucinazioni.

"Non inventare dati che non sono nel testo. Se un'informazione manca, scrivi 'dato non disponibile'. Non usare superlativi pubblicitari."

Risultato atteso: risposte piu' sobrie e oneste, con ammissioni esplicite di cio' che il modello non sa - molto piu' utili in contesti professionali.

Differenze tra i modelli e quale scegliere

Le tecniche valgono ovunque, ma con sfumature. Claude e' particolarmente reattivo ai tag strutturati (per esempio delimitare il testo con etichette tipo "documento" e "istruzioni") e ai ruoli ben definiti. GPT-5 e Gemini gestiscono bene il few-shot e l'output JSON, con Gemini forte sui contesti lunghissimi. DeepSeek e i modelli aperti offrono ottimo rapporto qualita'-prezzo per chi lavora via API. Sul piano dei costi: gli usi via chat web sono in gran parte gratuiti entro certi limiti, mentre le API si pagano a token - ed e' proprio li' che prompt piu' brevi e strutturati fanno risparmiare. Per iniziare senza spendere, qualsiasi piano gratuito di ChatGPT, Claude o Gemini e' piu' che sufficiente per esercitarsi.

Errori comuni e quando NON serve "ingegnerizzare"

  • Prompt sovraccarichi: dieci richieste in un colpo solo confondono il modello. Meglio scomporre.
  • Istruzioni contraddittorie: "sii breve ma esaustivo e dettagliato" manda segnali opposti. Scegli una priorita'.
  • Fidarsi senza verificare: nessuna tecnica elimina del tutto le allucinazioni. Su dati e citazioni, controlla sempre le fonti.
  • Esagerare: per domande semplici, un prompt diretto basta. Il prompt engineering serve quando il compito e' complesso, ripetitivo o deve integrarsi in un flusso automatico.

Il modo migliore per migliorare e' tenere un piccolo archivio dei prompt che funzionano: ogni volta che ottieni un'ottima risposta, salva lo schema. Col tempo ti costruirai una libreria personale che vale piu' di qualsiasi elenco di "trucchi" trovato online.