Prompt Engineering: le 7 tecniche che funzionano davvero (con esempi pratici in italiano)
Il 90% delle persone usa l’AI come userebbe un motore di ricerca degli anni ’90 — parole chiave buttate lì e speranza. Poi si lamentano che i risultati fanno schifo. Il problema non è l’AI.
Perché il 90% dei prompt non funziona (e cosa manca)
Facciamo un esperimento mentale. Immagina di assumere un consulente brillante — laureato, esperto, disponibile 24 ore su 24. Il primo giorno gli dici: “fammi una cosa sul marketing”. Lui ti guarda. Tu lo guardi. Silenzio imbarazzante.
È quello che succede quando scrivi “scrivimi un articolo sul marketing” a un modello AI. Non è che il modello sia stupido — è che non ha abbastanza informazioni per fare un lavoro decente. E siccome è addestrato a essere utile a tutti i costi, inventa qualcosa di generico che non serve a nessuno.
Il prompt engineering è l’arte di dare al tuo consulente AI le informazioni giuste, nel formato giusto, per ottenere output che valgono davvero qualcosa. Non è magia — è comunicazione precisa.
I messaggi legati al lavoro su ChatGPT sono cresciuti da 213 miliardi al giorno nel giugno 2024 a 716 miliardi al giorno nel giugno 2025. L’uso di workflow strutturati è aumentato di 19 volte dall’inizio del 2025. Le persone stanno capendo che usare l’AI bene fa una differenza enorme — e il prompt è il punto di partenza.
Il framework in 3 passi: contesto, obiettivo, esempio
Prima delle 7 tecniche, c’è una struttura base che vale per qualsiasi prompt. Chiamiamola COE: Contesto, Obiettivo, Esempio.
Contesto: chi sei, cosa stai facendo, per chi è il risultato. “Sono un freelance che gestisce social media per PMI italiane.”
Obiettivo: cosa vuoi esattamente, con tutti i vincoli rilevanti. “Scrivi 5 caption per Instagram su un prodotto artigianale, tono informale, massimo 150 caratteri ciascuna.”
Esempio: se puoi, mostra un esempio di cosa intendi come output ideale. “Qualcosa nello stile di: Fatto a mano, pensato per te. Ogni pezzo racconta una storia.“
Con questa struttura base ottieni già risultati notevolmente migliori. Le 7 tecniche che seguono si innestano su questo framework.
Le 7 tecniche fondamentali (con esempi copiabili)
1. Role Prompting — assegna un ruolo
Dì al modello chi deve essere, non solo cosa deve fare.
Prima: “Dammi consigli su come investire.” Dopo: “Sei un consulente finanziario indipendente con 20 anni di esperienza. Parla a un trentenne italiano con 10.000€ da investire per la prima volta e zero esperienza. Sii diretto e evita il gergo.”
Il ruolo attiva un registro linguistico e un livello di expertise specifici. Funziona sorprendentemente bene.
2. Few-Shot — mostra esempi
Invece di descrivere cosa vuoi, mostralo.
Esempio: “Scrivi titoli nello stile di questi: ‘Ho usato l’AI per 30 giorni: ecco cosa ho imparato’, ‘Il tool che ha dimezzato il mio tempo su Excel’. Ora scrivine 5 per un articolo sull’automazione.”
Tre esempi sono quasi sempre sufficienti. Uno è troppo poco, dieci sono eccessivi.
3. Chain-of-Thought — fai ragionare passo per passo
Per problemi complessi, chiedi esplicitamente di ragionare prima di rispondere.
Esempio: “Prima di darmi la risposta, ragiona passo per passo su tutti gli elementi da considerare. Poi dammi la conclusione.”
Questa tecnica riduce drasticamente gli errori su problemi logici, matematici o strategici. Il modello che “pensa ad alta voce” sbaglia molto meno di quello che risponde d’impulso.
4. Negative Prompting — di’ cosa NON vuoi
Spesso è più efficace specificare cosa escludere che descrivere cosa includere.
Esempio: “Scrivi una guida su n8n. Non usare elenchi puntati. Non usare il termine ‘sfruttare’. Non iniziare con una domanda retorica.”
I modelli hanno pattern ripetitivi che emergono automaticamente — il negative prompting li disattiva.
5. Output Format — specifica il formato
Se vuoi una tabella, dì tabella. Se vuoi JSON, dì JSON. Se vuoi tre paragrafi brevi, dì esattamente questo.
Esempio: “Rispondimi in formato tabella con tre colonne: Tool, Prezzo mensile, Caso d’uso ideale.”
Sembra ovvio, ma il 70% delle persone non lo fa — e poi si lamenta del formato della risposta.
6. Iterative Refinement — chiedi miglioramenti progressivi
Non aspettarti la perfezione al primo colpo. Usa la risposta iniziale come punto di partenza.
Esempio: “Questo paragrafo è troppo formale. Riscrivi con un tono più diretto e aggiungi un esempio concreto nel mezzo.”
L’AI è molto brava a migliorare qualcosa di esistente — spesso meglio che creare da zero.
7. Constraint Prompting — aggiungi vincoli precisi
I vincoli migliorano la qualità. Paradossalmente, più limiti dai, migliore è il risultato.
Esempio: “Spiegami cos’è il machine learning come se avessi 12 anni, in massimo 100 parole, senza usare la parola ‘algoritmo’.”
I vincoli forzano il modello a essere creativo all’interno di confini definiti — esattamente come funziona la creatività umana.
Pattern per la produttività: email, riassunti, analisi
Tre template pronti da usare subito:
Email professionale: “Sei un comunicatore aziendale. Scrivi un’email a [destinatario] per [obiettivo]. Tono: [formale/informale]. Lunghezza: massimo 150 parole. Non iniziare con ‘Spero che questa email ti trovi bene’.”
Riassunto documento: “Riassumi questo testo in 5 punti chiave, ognuno massimo 2 righe. Poi aggiungi una riga con ‘La cosa più importante da ricordare è:’. [incolla testo]”
Analisi decisionale: “Ho una decisione da prendere: [descrivi]. Elenca i pro e i contro in due colonne. Poi dimmi quale sceglieresti tu e perché, in 3 righe.”
Il tuo “prompt notebook”: come costruirlo
L’errore più comune è usare un buon prompt una volta e poi perderlo nel nulla di una chat archiviata.
La soluzione è banale ma efficace: tieni un documento — Notion, Google Docs, anche un file di testo — dove salvi i prompt che funzionano, organizzati per categoria. Email, contenuti, analisi, ricerca, codice.
Nel giro di un mese hai una libreria personale che vale oro. I prompt buoni si affinano nel tempo — ogni volta che ne migliori uno, aggiorni il documento. È il tuo asset più sottovalutato se lavori con l’AI ogni giorno.
In sintesi
Il prompt engineering non è una competenza tecnica riservata agli sviluppatori — è comunicazione precisa applicata a un nuovo tipo di interlocutore. Le 7 tecniche che hai visto non richiedono nessuna conoscenza di programmazione: richiedono solo l’abitudine a pensare prima di scrivere.
E quell’abitudine, sorprendentemente, migliora anche la comunicazione con gli esseri umani.
Un commento