Prompt: cos’è e come scriverlo in modo efficace

In breve

• Cosa risolve: indirizza un modello di intelligenza artificiale verso un output pertinente, coerente con l’obiettivo dell’utente.
• Quando si applica: ogni volta che si interagisce con un sistema generativo per produrre testo, immagini, codice o analisi.
• Condizioni e limiti: un’istruzione vaga genera risposte generiche, mentre un’istruzione eccessivamente rigida può limitare la varietà dell’output.
• Come verificare: si confronta il risultato ottenuto con l’obiettivo dichiarato nell’istruzione e si corregge la formulazione di conseguenza.
• Cosa fare: strutturare l’istruzione definendo contesto, ruolo, azione, formato e tono desiderati.
• Quanto tempo richiede: la scrittura di un’istruzione efficace è un processo iterativo che richiede in genere più tentativi successivi.

Cos’è un prompt nell’intelligenza artificiale

Un prompt è il testo di partenza che innesca la conversazione tra una persona e un modello generativo come ChatGPT, Gemini o Claude. Il termine deriva dall’inglese e significa letteralmente “pronto” o “stimolo”: indica il segnale di partenza che attiva l’elaborazione del sistema.

Nell’uso legato all’intelligenza artificiale generativa, l’istruzione può assumere la forma di una domanda diretta, di un comando operativo o di una descrizione articolata su più righe. Più l’istruzione è specifica, più il modello riceve elementi utili per produrre un output allineato alle aspettative: una richiesta breve e priva di dettagli porta spesso a una risposta ampia e generica, mentre una richiesta che precisa argomento, pubblico e obiettivo restringe il campo delle risposte plausibili.

Questo meccanismo vale per qualunque tipo di output richiesto: la generazione di un testo, la creazione di un’immagine, la scrittura di codice o l’analisi di un documento. In tutti questi casi il prompt rappresenta il canale attraverso cui l’utente comunica intenzioni e vincoli al sistema, e il modello traduce quel testo in un’azione o in un contenuto coerente con l’istruzione ricevuta.

Come funziona un prompt nei modelli linguistici

Un modello linguistico riceve l’istruzione, la scompone in unità minime chiamate token e utilizza questi elementi per calcolare la sequenza di parole più probabile come risposta. Il testo inserito non viene quindi “letto” come farebbe una persona, ma trasformato in una rappresentazione numerica che il modello confronta con i pattern appresi durante l’addestramento.

Il contesto fornito nell’istruzione orienta questo calcolo: se il prompt specifica un ruolo, un formato o un vincolo di lunghezza, il modello privilegia le sequenze di output coerenti con quei vincoli. Al contrario, un’istruzione priva di contesto lascia al modello un margine di scelta più ampio, con il rischio di ottenere risposte non allineate all’obiettivo reale.

La relazione tra qualità dell’istruzione e qualità della risposta non è lineare ma cumulativa: ogni elemento aggiunto (un esempio, un vincolo di stile, un dato di partenza) riduce lo spazio di ambiguità e aumenta la probabilità che l’output corrisponda a quanto richiesto. Per questo motivo la costruzione di un prompt efficace viene spesso trattata come un processo di affinamento progressivo piuttosto che come un’unica formulazione definitiva: si parte da un’istruzione semplice, si osserva il risultato e si integrano i dettagli mancanti in un secondo passaggio.

Quali sono i cinque elementi di un prompt efficace

Un’istruzione ben costruita si compone in genere di cinque elementi, riassunti nel framework noto come CRAFT. Seguire questa sequenza in modo ordinato consente di ottenere risultati più precisi già al primo tentativo.

1. Definire il contesto: descrivere la situazione di partenza, il settore o lo scenario a cui la richiesta si riferisce.
2. Assegnare un ruolo: indicare l’identità o l’esperienza che il modello deve assumere per rispondere.
3. Specificare l’azione: dichiarare con precisione il compito da svolgere, evitando richieste generiche.
4. Indicare il formato: precisare se l’output deve essere un elenco, una tabella, un testo discorsivo o uno schema.
5. Definire il tono: chiarire lo stile comunicativo desiderato, ad esempio formale, tecnico o discorsivo.

Ciascuno di questi elementi può essere omesso quando non rilevante per il compito richiesto, ma la loro presenza congiunta riduce in modo sensibile la necessità di riformulare l’istruzione dopo aver ricevuto una risposta insoddisfacente. Un’istruzione che specifica contesto e formato, ad esempio, permette di ottenere direttamente un testo strutturato in paragrafi con titoli, senza dover chiedere una seconda revisione.

Quali tecniche avanzate di prompting esistono

Oltre alla struttura di base, esistono tecniche specifiche che permettono di ottenere risultati più coerenti con modelli complessi o con compiti articolati su più fasi.

Few-shot prompting

Consiste nell’inserire nell’istruzione uno o più esempi del risultato atteso, così da guidare stile e formattazione prima che il modello generi il testo finale.

Chain prompting

Suddivide un compito complesso in più istruzioni consecutive, in modo che il modello elabori un passaggio alla volta invece di ricevere tutto in un’unica richiesta.

Iterative prompting

Raffina progressivamente la risposta ottenuta, chiedendo correzioni mirate su singoli aspetti del testo o dell’immagine generata.

Role prompting

Assegna al modello un’identità specifica, ad esempio quella di un professionista di un determinato settore, per orientare linguaggio e livello di dettaglio.

Template prompting

Utilizza uno schema predefinito, con campi da compilare, per mantenere coerenza quando la stessa tipologia di richiesta viene ripetuta più volte.

Uso di delimitatori

Separa le istruzioni operative dai testi o dati da analizzare tramite simboli come virgolette triple o tag, evitando che il modello confonda comando e contenuto.

Queste tecniche non si escludono a vicenda: un’istruzione può combinare un esempio (few-shot), un ruolo assegnato e un delimitatore per isolare il testo da elaborare. La scelta dipende dalla complessità del compito e dal tipo di output richiesto, testuale o multimodale.

Prompt debole o efficace: esempi a confronto

La differenza tra un’istruzione debole e una efficace si misura nella quantità di informazioni utili che il modello riceve prima di generare la risposta.

Se l’output risulta troppo generico: aggiungi contesto e vincoli

Quando la risposta ottenuta è ampia e poco mirata, la causa è quasi sempre l’assenza di contesto nell’istruzione originale. La soluzione consiste nel riformulare la richiesta aggiungendo il pubblico di riferimento, l’obiettivo finale e un vincolo di lunghezza o formato.

Se il compito è complesso: suddividi in più prompt sequenziali

1. Formula la prima istruzione limitandola a un solo sotto-obiettivo.
2. Valuta la risposta ottenuta prima di procedere al passaggio successivo.
3. Invia una seconda istruzione che si basa sull’output precedente, specificando la correzione o l’integrazione richiesta.

Esempi pratici di prompt per testo, immagini e didattica

La struttura di un’istruzione cambia a seconda del tipo di output richiesto, pur mantenendo gli stessi principi di chiarezza e specificità.

Per la generazione di testi, un’istruzione efficace indica argomento, lunghezza e pubblico: ad esempio una richiesta di un articolo di alcune centinaia di parole su un tema tecnico, rivolto a lettori senza conoscenze pregresse, con un elenco puntato dei punti chiave. Per contenuti destinati alla pubblicazione online, l’istruzione può includere anche la parola chiave principale e il tipo di titolo desiderato.

Per la generazione di immagini le regole cambiano: diventa necessario descrivere il soggetto, l’ambientazione, lo stile visivo, la luce e l’inquadratura, poiché il modello traduce ogni dettaglio testuale in un elemento grafico. Un’istruzione che specifica soggetto, sfondo, illuminazione e riferimento stilistico produce risultati più coerenti rispetto a una descrizione generica.

Nell’ambito della didattica, il prompt viene spesso utilizzato per generare materiali da adattare a una classe specifica: un’istruzione tipo indica il numero di studenti, la fascia d’età, il tempo a disposizione e l’obiettivo formativo, chiedendo al modello di proporre un’attività coerente con questi parametri. Questo tipo di richiesta permette a un docente di ottenere una scaletta operativa invece di una spiegazione teorica generica, ed è una delle applicazioni più diffuse del prompting in contesto scolastico.

In tutti e tre i casi, l’istruzione può essere corretta chiedendo al modello di riformulare il tono, allungare o accorciare il testo, oppure modificare un singolo dettaglio dell’immagine generata, senza dover ripartire da zero.

Cos’è il prompt engineering

Il prompt engineering è la disciplina che si occupa dello studio, della progettazione e dell’ottimizzazione sistematica delle istruzioni fornite ai modelli di intelligenza artificiale generativa. Mentre scrivere un prompt è un’azione episodica, il prompt engineering applica un metodo ripetibile per ottenere risultati costanti su compiti ricorrenti.

Chi si occupa di questa disciplina lavora su tre livelli: la formulazione dell’istruzione singola, la costruzione di modelli riutilizzabili (template prompting) e la definizione di istruzioni permanenti che condizionano il comportamento di un sistema in ogni conversazione, note come istruzioni di sistema. Quest’ultimo caso è frequente nelle applicazioni aziendali, dove un assistente virtuale deve mantenere un tono e un perimetro di risposta coerenti indipendentemente dalla domanda ricevuta.

La competenza richiesta combina conoscenza del funzionamento dei modelli linguistici, capacità di scrittura chiara e comprensione del dominio applicativo: un’istruzione efficace per un compito legale richiede riferimenti diversi rispetto a un’istruzione per un compito di marketing. Per questo il prompt engineering è considerato una competenza professionale trasversale, richiesta in ambiti che vanno dalla comunicazione al supporto tecnico, e non una tecnica riservata a chi sviluppa i modelli stessi.

Errori frequenti nella scrittura di un prompt

Alcuni errori ricorrono indipendentemente dal tipo di output richiesto e riducono la qualità della risposta prima ancora che il modello inizi l’elaborazione.

Il primo errore è la richiesta multipla in un’unica istruzione: chiedere contemporaneamente analisi, riscrittura e traduzione dello stesso testo porta spesso a un risultato parziale, perché il modello privilegia una delle richieste a scapito delle altre. La soluzione è suddividere il compito in passaggi distinti, come descritto per i compiti complessi.

Il secondo errore è l’assenza di un vincolo di lunghezza o formato: senza questa indicazione il modello sceglie autonomamente l’estensione della risposta, che può risultare troppo sintetica o eccessivamente dettagliata rispetto alle necessità reali.

Il terzo errore riguarda l’uso di termini ambigui o di riferimenti impliciti, come “questo argomento” senza averlo definito in precedenza: il modello non ha accesso a informazioni esterne al prompt stesso, quindi ogni riferimento va reso esplicito all’interno dell’istruzione.

Un ultimo caso limite riguarda le richieste che presuppongono dati aggiornati in tempo reale, come prezzi correnti o eventi recentissimi: in questi casi il prompt dovrebbe includere la richiesta esplicita di verificare la fonte o la data del dato, invece di accettare la risposta del modello come definitiva.

Domande frequenti

Cosa sono i prompt per l’intelligenza artificiale?

Sono le istruzioni testuali fornite a un modello generativo per ottenere una risposta, un testo, un’immagine o un’azione specifica. Più l’istruzione è chiara e contestualizzata, più l’output risulta pertinente rispetto all’obiettivo richiesto.

Quali sono i cinque elementi di un prompt efficace?

Contesto, ruolo, azione, formato e tono, riassunti nel framework CRAFT. Ogni elemento riduce l’ambiguità della richiesta e orienta il modello verso un output più mirato e immediatamente utilizzabile.

Quali tipi di prompt esistono?

Esistono istruzioni singole, istruzioni con esempi (few-shot), istruzioni concatenate su più passaggi (chain prompting) e istruzioni permanenti di sistema che condizionano il comportamento del modello in ogni conversazione successiva.

Cosa sono i prompt in didattica?

Sono istruzioni usate da docenti per generare materiali didattici adattati a una classe specifica, indicando numero di studenti, fascia d’età, tempo disponibile e obiettivo formativo dell’attività richiesta.

Cosa significa prompt in italiano?

Nell’uso legato all’intelligenza artificiale, prompt indica l’istruzione o lo stimolo di partenza dato al modello; il termine inglese originario significa letteralmente “pronto”, riferito alla disponibilità del sistema a ricevere un comando.

Qual è un sinonimo di prompt?

Nell’ambito dell’intelligenza artificiale, prompt può essere reso con istruzione, richiesta o comando: tutti indicano il testo che l’utente fornisce al modello per orientarne la risposta.

Come si può generare o migliorare un prompt?

Partendo da un’istruzione semplice, si osserva l’output ottenuto e si integrano progressivamente contesto, formato e tono mancanti, fino a ottenere un risultato coerente con l’obiettivo, senza affidarsi a un unico tentativo definitivo.