Prompt Engineering: la guida pratica per scrivere prompt efficaci

Cos'è il prompt engineering e perché conta

Un modello linguistico di grandi dimensioni prevede la parola successiva più probabile in base al tuo input. Il prompt è quindi il comando centrale: decide quale porzione di conoscenza appresa il modello attiva e in quale forma risponde. Il prompt engineering è la pratica sistematica di dare forma a questi input affinché l'output sia utile, coerente e verificabile.

Il vantaggio è concreto: a seconda della formulazione, la stessa domanda può produrre una risposta generica e vaga oppure un risultato direttamente utilizzabile. Saper scrivere buoni prompt non è quindi una competenza di nicchia, ma una capacità fondamentale per chiunque usi strumenti come ChatGPT, Claude o Gemini.

L'anatomia di un prompt efficace

La maggior parte dei prompt efficaci si può scomporre in sei elementi. Non servono tutti ogni volta, ma più il compito è complesso, più conviene includerli.

• Ruolo: assegna al modello una prospettiva, ad es. 'Sei un commercialista esperto in Svizzera.' Affina lessico e livello di dettaglio.
• Contesto: fornisci background, pubblico e scopo. 'Per nuovi clienti di una PMI che non hanno mai usato la KI.'
• Compito: esprimi l'obiettivo con un verbo chiaro. 'Riassumi', 'confronta', 'redigi' invece di una domanda vaga.
• Esempi: mostra uno o due campioni dell'output desiderato (few-shot). Gli esempi spesso funzionano meglio delle spiegazioni.
• Vincoli: definisci limiti di lunghezza, tono, lingua o cosa evitare. 'Massimo 150 parole, tono neutro, niente gergo.'
• Formato di uscita: richiedi una struttura concreta, ad es. tabella, elenco, JSON o uno schema fisso di sezioni. Rende le risposte riutilizzabili.

Pattern collaudati per prompt più efficaci

Oltre agli elementi di base, si sono affermati alcuni pattern che, a seconda del compito, aiutano in modo evidente.

• Zero-shot vs few-shot: senza esempi (zero-shot) basta spesso per compiti semplici; con due o tre esempi (few-shot) la coerenza su formati e classificazioni migliora molto.
• Ragionamento passo-passo (chain-of-thought): chiedi al modello di strutturare il ragionamento prima di rispondere. Aiuta in compiti logici, di calcolo e in più fasi.
• System e role prompt: molti strumenti permettono un system prompt persistente che fissa tono e regole per l'intera sessione, evitando ripetizioni.
• Scomporre il compito: invece di un unico prompt enorme, esegui più passi piccoli in sequenza. I risultati intermedi si possono verificare e correggere.
• Fornire un testo di riferimento: per risposte fedeli ai fatti, incolla la fonte nel prompt e chiedi di rispondere solo da quella. È il principio alla base della retrieval-augmented generation (RAG).

Errori comuni e come evitarli

• Troppo vago: 'Scrivi qualcosa sul marketing' produce risultati casuali. Indica pubblico, scopo, ampiezza e formato.
• Più obiettivi in una frase: compiti mescolati danno risposte confuse. Separa i sotto-compiti o numerali.
• Nessun formato di uscita: senza specifica ottieni ora testo, ora elenco. Richiedi la struttura in modo esplicito.
• Prendere le allucinazioni per fatti: i modelli possono inventare falsità convincenti. Chiedi le fonti e verifica i fatti chiave in modo indipendente.
• Sopravvalutare le negazioni: 'Non scrivere troppo' è più debole di 'massimo 120 parole'. Formula i limiti in positivo e misurabili.
• Inserire dati sensibili: dati personali o segreti aziendali vanno in un prompt solo se base giuridica e condizioni del fornitore lo consentono.

Flusso pratico: iterare verso un buon prompt

Tratta il prompting come un ciclo, non come un tentativo unico. Una routine affidabile è questa:

• 1. Scrivi un prompt base con ruolo, compito e formato. 2. Valuta l'output con spirito critico: cosa manca o è sbagliato? 3. Cambia una sola cosa per volta per vederne l'effetto. 4. Salva le versioni valide come modelli e riutilizzale.
• Usa il modello come partner: fagli criticare il tuo prompt o porre domande di chiarimento prima di rispondere ('Chiedi se qualcosa non è chiaro').

Protezione dei dati e contesto svizzero

I prompt sono input verso un servizio esterno. In Svizzera si applica la legge revisionata sulla protezione dei dati (revDSG/nLPD), con vigilanza dell'IFPDT (EDÖB). Chi inserisce dati personali in uno strumento di KI necessita di una base giuridica, deve conoscere la finalità del trattamento e verificare se gli input siano usati per l'addestramento o trasferiti all'estero.

Regola pratica: anonimizza o pseudonimizza i dati prima di inserirli, usa dove possibile account business con esclusione contrattuale dall'addestramento e definisci linee guida interne sui prompt. Così il prompt engineering resta produttivo e conforme.