Saper scrivere un buon prompt è, nel 2026, una competenza che vale quanto saper cercare su un motore di ricerca vent'anni fa. La differenza tra una risposta mediocre e una eccellente, con lo stesso modello, sta quasi sempre nel modo in cui si formula la richiesta. Questa guida raccoglie le tecniche di prompt engineering avanzato che funzionano davvero con i modelli attuali — GPT-5.6, Claude, Gemini — con esempi copiabili e il risultato che ci si può aspettare.
A chi serve e quali strumenti usare
Questa guida è per chiunque usi un assistente IA per lavoro o studio e voglia risultati più affidabili: professionisti, studenti, sviluppatori, creatori di contenuti. Le tecniche sono trasversali, ma ogni strumento ha i suoi punti di forza:
- ChatGPT (GPT-5.6) — ottimo per compiti agentici e ragionamento; piano gratuito con il modello Terra, Plus a 20 dollari/mese per Sol.
- Claude (Anthropic) — molto forte su testi lunghi, analisi di documenti e stile di scrittura; buon piano gratuito, a pagamento per gli usi intensivi.
- Gemini (Google) — integrato con l'ecosistema Google e con contesto molto ampio; piano gratuito generoso.
Come prima scelta per imparare consiglio ChatGPT o Claude nel piano gratuito: bastano per padroneggiare tutte le tecniche che seguono. La regola d'oro vale per tutti: più il modello sa cosa vuoi, meglio risponde.
Tecnica 1: assegnare un ruolo e un contesto
Dire al modello "chi è" e "per chi scrive" orienta tono, profondità e vocabolario. Confronta un generico "spiegami la fatturazione elettronica" con:
Sei un commercialista italiano. Spiega la fatturazione elettronica a un artigiano che apre partita IVA oggi, senza gergo tecnico, in massimo 200 parole, con un elenco puntato dei 3 adempimenti principali.
Risultato atteso: una spiegazione tarata sul destinatario, con la lunghezza e la struttura richieste. Il ruolo non è un vezzo: cambia concretamente la risposta.
Tecnica 2: gli esempi (few-shot)
Mostrare uno o due esempi del risultato voluto è spesso più efficace di qualsiasi spiegazione. È la tecnica few-shot:
Classifica le recensioni come POSITIVA, NEGATIVA o NEUTRA.
Esempio 1: "Prodotto arrivato rotto" -> NEGATIVA
Esempio 2: "Fa il suo dovere, niente di che" -> NEUTRA
Ora classifica: "Consegna velocissima e imballo perfetto" ->
Risultato atteso: POSITIVA. Con due o tre esempi ben scelti si ottiene una coerenza che le sole istruzioni faticano a garantire, soprattutto su compiti ripetitivi.
Tecnica 3: far ragionare passo passo
Sui problemi logici, matematici o a più passaggi, chiedere al modello di procedere per gradi riduce gli errori. Basta aggiungere "ragiona passo passo prima di dare la risposta finale". Esempio:
Un negozio applica il 20% di sconto e poi il 10% di sconto sul prezzo già scontato di un articolo da 200 euro. Ragiona passo passo, poi indica il prezzo finale e lo sconto complessivo in percentuale.
Risultato atteso: il modello calcola 200 -> 160 -> 144 euro, e conclude che lo sconto complessivo è del 28% (non del 30%). Esplicitare i passaggi rende anche più facile individuare dove eventualmente sbaglia.
Tecnica 4: imporre un formato di output
Se il risultato deve essere elaborato da un programma o inserito in un foglio, chiedi un formato preciso — tabella, elenco o JSON. Esempio:
Estrai da questo testo nome, azienda ed email e restituisci SOLO un oggetto JSON con le chiavi "nome", "azienda", "email". Se un dato manca, usa null.
{"nome": "Laura Bianchi", "azienda": "Rossi SRL", "email": "l.bianchi@rossi.it"}Risultato atteso: esattamente quel JSON, pronto da usare nel codice. Specificare "SOLO il JSON, senza testo intorno" evita commenti indesiderati.
Tecnica 5: scomporre i compiti complessi
Per lavori articolati, invece di chiedere tutto in un colpo, spezza in fasi e falle validare una alla volta. Un esempio di prompt di apertura:
Dobbiamo scrivere un piano editoriale per un blog di cucina. Procediamo in tre fasi e fermati dopo ciascuna aspettando il mio "ok": 1) proponi 5 categorie tematiche; 2) per la categoria che sceglierò, proponi 10 titoli; 3) per il titolo che sceglierò, scrivi la scaletta. Inizia dalla fase 1.
Risultato atteso: il modello propone solo le categorie e si ferma. Questo approccio "a checkpoint" tiene il controllo nelle tue mani e produce risultati molto più mirati di un unico mega-prompt.
Tecnica 6: chiedere l'auto-verifica
I modelli possono rivedere il proprio lavoro. Dopo una risposta importante, chiedi:
Rileggi la risposta che hai appena dato come se fossi un revisore critico. Elenca eventuali errori, imprecisioni o punti deboli, poi fornisci una versione corretta e migliorata.
Risultato atteso: spesso il modello individua sviste e produce una seconda versione più solida. È particolarmente utile per testi, traduzioni e codice.
Tecnica 7: fornire il contesto (mini-RAG nel prompt)
Se la risposta dipende da informazioni specifiche — un regolamento, un documento aziendale, dati recenti — incollale nel prompt e istruisci il modello a usare solo quelle:
Usando esclusivamente il testo qui sotto, rispondi alla domanda. Se la risposta non è nel testo, dillo chiaramente.
[incolla qui il documento]
Domanda: ...
Risultato atteso: risposte ancorate ai tuoi dati e non alla memoria generica del modello, con molte meno allucinazioni. È il principio alla base dei sistemi RAG, applicato manualmente.
Errori comuni da evitare
- Prompt vaghi: "scrivi qualcosa sul marketing" produce banalità. Specifica obiettivo, destinatario, lunghezza, tono.
- Troppe richieste in una frase: meglio scomporre (Tecnica 5) che chiedere dieci cose insieme.
- Non dare esempi quando servirebbero: su compiti ripetitivi, due esempi valgono più di un paragrafo di istruzioni.
- Fidarsi ciecamente: i modelli sbagliano con sicurezza. Verifica sempre numeri, citazioni e fonti, soprattutto su temi delicati.
Quando basta un prompt semplice
Non tutto richiede tecniche avanzate: per una domanda secca ("come si dice 'grazie' in giapponese?") un prompt elaborato è tempo perso. L'ingegneria dei prompt serve quando il compito è complesso, ripetitivo, o deve produrre un risultato in un formato preciso. Il modo migliore per imparare è tenere un piccolo archivio dei prompt che funzionano meglio per le tue attività ricorrenti e riusarli: nel tempo diventa una cassetta degli attrezzi personale che moltiplica la resa di qualunque assistente IA. E ricorda che i modelli evolvono in fretta: un prompt ottimo oggi va rivisto quando cambi modello, perché ciascuno reagisce in modo un po' diverso.
Le tecniche descritte sono valide con i principali modelli di luglio 2026; i risultati possono variare tra un modello e l'altro e con gli aggiornamenti.
