La differenza tra una risposta mediocre e una eccellente da un chatbot, il più delle volte, non sta nel modello: sta nel prompt, cioè in come formuli la richiesta. Il prompt engineering è l'arte di scrivere istruzioni che spingono l'IA a dare il meglio. In questa guida raccogliamo le tecniche più efficaci — valide per ChatGPT, Claude e Gemini — con prompt pronti da copiare e i casi in cui conviene non strafare.
A chi serve e quale strumento scegliere
Questa guida è per chiunque usi i chatbot per lavoro o studio — scrivere testi, analizzare documenti, programmare, studiare — e voglia smettere di ottenere risposte generiche. Non servono competenze tecniche: solo la voglia di essere più precisi.
Quale assistente usare? Dipende dal compito:
- ChatGPT (OpenAI): versatile, ottimo per scrittura e brainstorming. Gratuito con limiti; il piano Plus, circa 20€/mese, sblocca i modelli più potenti e meno limiti d'uso.
- Claude (Anthropic): eccelle su testi lunghi, analisi di documenti e ragionamento ordinato. Piano gratuito disponibile; il Pro, sempre intorno ai 20€/mese, alza i limiti.
- Gemini (Google): forte integrazione con i servizi Google (Documenti, Gmail) e con la ricerca. Gratuito, con un piano avanzato a pagamento.
Come prima scelta generalista consigliamo ChatGPT per la sua versatilità; ma per analizzare un PDF lungo o un contratto, Claude è spesso superiore, mentre Gemini brilla quando lavori dentro l'ecosistema Google. Le tecniche che seguono funzionano su tutti e tre.
Le quattro leve fondamentali di un buon prompt
Un prompt efficace agisce su quattro leve. Ruolo: di' all'IA chi deve essere (“Sei un revisore editoriale esperto”). Contesto: fornisci le informazioni di sfondo. Compito: descrivi con precisione cosa vuoi. Formato: specifica come vuoi la risposta (elenco, tabella, numero di parole, tono). Più sei specifico su queste quattro dimensioni, migliore sarà il risultato.
Confronta. Prompt debole: “Scrivi un'email al mio capo”. Prompt forte:
Sei il mio assistente. Scrivi un'email formale ma cordiale al mio responsabile per chiedere due giorni di ferie (15 e 16 luglio). Tono professionale, massimo 90 parole, in italiano. Firma: Marco.
Il secondo restituisce un testo quasi pronto all'uso, il primo un placeholder generico.
Tecnica 1: dare esempi (few-shot)
Mostrare al modello uno o due esempi del risultato desiderato è spesso più potente di mille spiegazioni. Si chiama few-shot prompting. Esempio per uniformare uno stile:
Trasforma i titoli in stile giornalistico, conciso e diretto. Esempio: Input: "La nostra azienda ha lanciato un nuovo prodotto" Output: "Nuovo prodotto in arrivo: ecco cosa cambia" Ora tocca a te: Input: "Abbiamo aggiornato l'app con nuove funzioni" Output:
Risultato atteso: il modello produce un titolo nello stesso registro dell'esempio, ad esempio “App aggiornata: arrivano le nuove funzioni”. Gli esempi “ancorano” lo stile molto meglio di una descrizione astratta.
Tecnica 2: far ragionare passo passo (e quando non farlo)
Per problemi di logica, matematica o analisi, chiedere al modello di ragionare passo passo (in inglese chain of thought) riduce gli errori:
Un negozio applica il 30% di sconto e poi il 10% sul prezzo già scontato. Su 200 euro, quanto si paga? Ragiona passo dopo passo, poi scrivi il risultato finale.
Attenzione, però: i modelli più recenti dotati di “ragionamento” integrato (come le ultime versioni di Claude e di ChatGPT) ragionano già da soli, e chiedere esplicitamente la catena di pensiero può risultare ridondante o allungare inutilmente la risposta. La regola: usa la tecnica con i modelli “veloci”, alleggeriscila con quelli pensanti.
Tecnica 3: vincolare il formato dell'output
Se ti serve un risultato strutturato — per copiarlo in un foglio di calcolo o in un programma — chiedilo esplicitamente. Esempio:
Estrai da questo testo nome, città ed email e restituiscili in formato tabella con tre colonne. Se un dato manca, scrivi “n/d”. Non aggiungere commenti.
L'istruzione “non aggiungere commenti” è preziosa: evita i preamboli del tipo “Ecco la tabella che hai chiesto”, lasciandoti solo il dato utile. Allo stesso modo puoi chiedere JSON, elenchi puntati, un numero esatto di parole.
Tecnica 4: ancorare alle fonti e auto-critica
Per ridurre le “allucinazioni” (le risposte inventate), ancora il modello a un testo che fornisci tu:
Rispondi alla domanda usando ESCLUSIVAMENTE il testo seguente. Se la risposta non è presente nel testo, scrivi “Non è specificato”. [incolla qui il testo]
Una seconda mossa avanzata è l'auto-critica: dopo una prima risposta, chiedi al modello di rivederla. “Rileggi la risposta che hai dato, individua eventuali errori o punti deboli e riscrivila migliorandola”. Spesso la seconda versione è sensibilmente migliore, perché il modello applica a se stesso uno sguardo critico.
Errori comuni da evitare
- Richieste vaghe: “rendilo migliore” non dice nulla. Specifica in che senso (più breve, più formale, più tecnico).
- Troppe richieste in un colpo solo: meglio scomporre un compito complesso in più passaggi, verificando ognuno.
- Dare per scontato il contesto: il modello non sa nulla di te o del tuo progetto, se non glielo dici.
- Fidarsi ciecamente: su dati, date e numeri, verifica sempre. L'IA può sbagliare con sicurezza.
Quando NON serve un prompt complicato
Non tutto richiede ingegneria. Per una domanda semplice (“qual è la capitale del Portogallo?”) caricare il prompt di ruoli e vincoli è tempo perso. Il prompt engineering paga quando il compito è ambiguo, lungo o ripetitivo: in quei casi, investire trenta secondi in più nella richiesta fa risparmiare minuti di correzioni dopo.
Come proseguire? Costruisci una tua libreria di prompt che funzionano, salvandoli per riusarli. E sperimenta: lo stesso prompt può rendere in modo diverso su ChatGPT, Claude o Gemini, e solo provando scoprirai quale strumento — e quale formulazione — rende meglio per il tuo lavoro. Il prompt engineering, in fondo, è soprattutto pratica.
