<\/span><\/h2>\nIl primo errore che vedo ancora nelle aziende italiane \u00e8 considerare il prompt come una query di Google. Si scrive una frase secca, si attende una risposta, si commenta che “ChatGPT non capisce”. Il modello, in realt\u00e0, capisce benissimo. Sta solo rispondendo a una richiesta sotto-specificata.<\/p>\n
Un prompt operativo \u00e8 composto da quattro elementi: contesto<\/strong> (chi sei, per chi scrivi, su quale settore), compito<\/strong> (cosa devi produrre, in che forma), esempi<\/strong> (se possibile, due o tre input-output di riferimento), vincoli<\/strong> (lunghezza, registro, cose da non fare). Quando i quattro elementi sono chiari, l’output cambia in modo netto. Quando manca anche solo uno, la qualit\u00e0 precipita.<\/p>\nLo dico da quando insegnavo allo IED di Milano, e oggi lo ripeto nelle sessioni di formazione che la community AIPIA organizza per i professionisti che si certificano via EDC: il prompt \u00e8 un contratto. Pi\u00f9 \u00e8 preciso, meno spazio lasci all’interpretazione.<\/p>\n
<\/span>Chain-of-thought: quando, perch\u00e9 e come<\/span><\/h2>\nIl chain-of-thought (CoT) \u00e8 la tecnica di forzare il modello a esplicitare i passaggi di ragionamento prima di produrre la risposta finale. Wei e altri, in un paper del 2022 che \u00e8 ancora la fonte canonica, dimostrarono che sui task aritmetici l’accuratezza di GPT-3 saliva del 50% chiedendo semplicemente “Pensa passo passo prima di rispondere”.<\/p>\n
Nel 2026 i modelli reasoning di nuova generazione (o3, Claude 4.7 Extended Thinking, Gemini 3 Deep Think) hanno il CoT integrato. Non serve pi\u00f9 chiedergli di “pensare passo passo”, lo fanno di default in un thinking layer invisibile all’utente. Ma sui modelli standard (Claude 4.7 Sonnet senza extended thinking, GPT-5 senza modalit\u00e0 deep reasoning) la tecnica resta efficacissima.<\/p>\n
Quando ho lavorato sul brief di una campagna ADV per un cliente del lusso, ho testato lo stesso prompt creativo su Claude 4.7 Sonnet con e senza CoT. Versione secca: tre idee plausibili ma generiche. Versione con CoT esplicito (“prima analizza i tre archetipi del brand, poi confrontali con i trend visivi della categoria, poi proponi tre concept coerenti”): tre idee pi\u00f9 strutturate, due usabili senza ritocchi.<\/p>\n
Il CoT non si attiva su tutto. Per task creativi puri (titolo accattivante, headline) pu\u00f2 rendere l’output pi\u00f9 meccanico. Per task analitici (sintesi di un report, valutazione di tre opzioni, debugging logico) \u00e8 quasi sempre vincente.<\/p>\n
<\/span>Few-shot: l’arma pi\u00f9 sottovalutata<\/span><\/h2>\nIl few-shot prompting consiste nel fornire al modello 2-5 esempi di input-output corretti, prima di chiedergli di processare un nuovo input. Sembra banale, \u00e8 la tecnica pi\u00f9 potente disponibile a chi non pu\u00f2 fine-tunare un modello.<\/p>\n
Esempio reale. Un cliente B2B mi ha chiesto di automatizzare la classificazione di 4.000 ticket di customer support in cinque categorie. Versione zero-shot (“Classifica questo ticket in una delle cinque categorie: A, B, C, D, E”): accuratezza del 71%. Versione few-shot, con tre esempi per categoria forniti nel prompt: accuratezza del 94%. Stesso modello, stesso costo per token, performance da SaaS verticale a costo zero di setup.<\/p>\n
Il punto \u00e8 che il few-shot funziona perch\u00e9 il modello inferisce il pattern dai pochi esempi e lo applica. \u00c8 inferenza statistica, non logica. Per questo serve scegliere gli esempi con cura: devono essere rappresentativi della distribuzione reale dei dati, non i casi facili.<\/p>\n
<\/span>System prompt: il livello che separa amatori da professionisti<\/span><\/h2>\nIl system prompt \u00e8 l’istruzione di alto livello che precede tutte le conversazioni in un’applicazione costruita su API. Su ChatGPT consumer si vede solo se si lavora con i Custom GPT (dove diventa “Instructions”). Su Claude.ai compare nei Projects. Su Gemini lo si gestisce nei Gems. Per chi sviluppa su API, \u00e8 il primo blocco di ogni chiamata.<\/p>\n
Un system prompt scritto bene definisce: ruolo del modello, regole di output, gestione delle eccezioni, tono di voce, cose da non fare mai. Pochi paragrafi, scelti con precisione.<\/p>\n
L’errore tipico \u00e8 il system prompt-papiro. Tremila parole, contraddizioni interne, regole impossibili da rispettare. Il modello, nel dubbio, ne ignora un pezzo. L’altro estremo \u00e8 il system prompt-slogan: “Sei un assistente utile e gentile”. Inutile.<\/p>\n
La soglia di qualit\u00e0 si misura su un esercizio: se prendi il system prompt e lo dai a un junior umano come istruzione operativa, capisce cosa deve fare? Se s\u00ec, \u00e8 buono. Se no, va riscritto.<\/p>\n
<\/span>Errori comuni che continuo a vedere<\/span><\/h2>\nTre errori ricorrono in quasi ogni azienda che inizia a strutturare un uso serio dei modelli.<\/p>\n
Il primo \u00e8 confondere il prompt con il modello. “Claude non funziona per questo task” \u00e8 quasi sempre la versione errata di “il mio prompt su Claude non funziona”. Lo stesso prompt rifattorizzato fa miracoli. Conviene sempre testare almeno due varianti del prompt prima di concludere che il modello \u00e8 inadeguato.<\/p>\n
Il secondo \u00e8 non gestire la temperatura. Per output deterministici (classificazione, estrazione dati, formattazione) la temperatura va abbassata a 0 o 0.2. Per output creativi (testi pubblicitari, brainstorming) si alza a 0.7 o 0.9. \u00c8 un parametro banale, lo cambia il 5% delle persone che usano i modelli professionalmente.<\/p>\n
Il terzo \u00e8 ignorare l’ordine delle istruzioni. I modelli pesano le istruzioni iniziali e finali pi\u00f9 di quelle centrali. Le regole critiche vanno in apertura o in chiusura. Mai sepolte a met\u00e0 di un blocco lungo.<\/p>\n
<\/span>Quando il prompt \u00e8 il problema, quando lo \u00e8 il modello<\/span><\/h2>\nLa domanda finale, in ogni progetto, \u00e8 capire se a parit\u00e0 di prompt cambierebbe il risultato con un modello diverso, o se a parit\u00e0 di modello cambierebbe con un prompt diverso. La risposta determina dove investire.<\/p>\n
Regola pratica. Se sullo stesso prompt due modelli di pari classe (GPT-5 e Claude 4.7, Gemini 3 e Claude 4.7) producono output sostanzialmente equivalenti, il modello non \u00e8 il problema. Se invece il delta \u00e8 grande, conviene cambiare modello. Se sullo stesso modello tre varianti di prompt producono tre risultati molto diversi, il prompt \u00e8 il problema. Va sistemato l\u00ec.<\/p>\n
Il prompt engineering, lo dico anche nelle Academy AIPIA, non \u00e8 una skill esoterica. \u00c8 metodo. Si impara facendo, si migliora misurando, si automatizza scrivendo prompt library riutilizzabili. Le aziende italiane che lo stanno trattando come una competenza interna stanno costruendo un vantaggio competitivo che, tra diciotto mesi, sar\u00e0 difficile colmare.<\/p>\n","protected":false},"excerpt":{"rendered":"
Tecniche operative di prompt engineering oltre il livello base. Chain-of-thought, few-shot, system prompt su Claude 4.7, GPT-5 e Gemini 3.<\/p>\n","protected":false},"author":10,"featured_media":2455,"comment_status":"","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_wds_title":"Prompt engineering avanzato 2026: tecniche operative","_wds_metadesc":"Chain-of-thought, few-shot e system prompt sui modelli 2026. Errori comuni, esempi concreti, metodo applicabile in azienda.","_wds_focus-keywords":"prompt engineering","_wds_canonical":"","wds_primary_category":0,"footnotes":"","_wds_robots-noindex":"0","_wds_robots-nofollow":"0","_wds_opengraph-title":"","_wds_opengraph-description":"","_wds_twitter-title":"","_wds_twitter-description":""},"categories":[466],"tags":[169,137,471,478,593],"class_list":["post-7206","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-prompt-engineering","tag-ai","tag-chatgpt","tag-claude","tag-gemini","tag-prompt-engineering"],"_links":{"self":[{"href":"https:\/\/rafaelpatron.com\/blog\/wp-json\/wp\/v2\/posts\/7206"}],"collection":[{"href":"https:\/\/rafaelpatron.com\/blog\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/rafaelpatron.com\/blog\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/rafaelpatron.com\/blog\/wp-json\/wp\/v2\/users\/10"}],"replies":[{"embeddable":true,"href":"https:\/\/rafaelpatron.com\/blog\/wp-json\/wp\/v2\/comments?post=7206"}],"version-history":[{"count":1,"href":"https:\/\/rafaelpatron.com\/blog\/wp-json\/wp\/v2\/posts\/7206\/revisions"}],"predecessor-version":[{"id":7292,"href":"https:\/\/rafaelpatron.com\/blog\/wp-json\/wp\/v2\/posts\/7206\/revisions\/7292"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/rafaelpatron.com\/blog\/wp-json\/wp\/v2\/media\/2455"}],"wp:attachment":[{"href":"https:\/\/rafaelpatron.com\/blog\/wp-json\/wp\/v2\/media?parent=7206"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/rafaelpatron.com\/blog\/wp-json\/wp\/v2\/categories?post=7206"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/rafaelpatron.com\/blog\/wp-json\/wp\/v2\/tags?post=7206"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}