# Chain of thought: cosa significa che un modello ragiona passo per passo

> Il chain of thought fa scrivere al modello i passaggi intermedi prima della risposta. Come funziona, quando aiuta, quali limiti ha e come usarlo in una PMI.

Fonte: Giallo Studio (giallostudio.it) · Pagina: https://giallostudio.it/blog/chain-of-thought-cos-e · Pubblicato: 2026-11-11 · Aggiornato: 2026-11-11

Il chain of thought è una tecnica di prompting che porta un modello AI a scomporre un problema in passaggi intermedi prima di dare la risposta finale. Il modello, invece di saltare direttamente alla conclusione, scrive i passaggi prima della risposta. Google Research lo descrive così: il modello produce <em>intermediate reasoning steps</em> prima della risposta a un problema a più passaggi ([Google Research](https://research.google/blog/language-models-perform-reasoning-via-chain-of-thought/)).

In una definizione netta: il chain of thought non è un nuovo modello e non è un software da installare. È un modo di chiedere. Con il prompting standard si chiede la risposta diretta; con il chain of thought si chiede, o si mostra con esempi, un percorso che passa per i passi intermedi.

Va però letto con attenzione. Le stesse fonti che ne mostrano i vantaggi avvertono che la spiegazione scritta dal modello non sempre coincide con quello che il modello ha fatto davvero. In questa guida vediamo l'idea, il meccanismo, i limiti e un modo prudente di usarlo in una piccola azienda o in uno studio.

<div class="key-points">
<p class="kp-title">In sintesi</p>
<ul>
<li>Il chain of thought fa produrre al modello passaggi intermedi prima della risposta finale, invece di chiedere subito il risultato.</li>
<li>Non richiede un grande dataset di addestramento né la modifica dei pesi: bastano esempi inseriti nel prompt, secondo <a href="https://research.google/blog/language-models-perform-reasoning-via-chain-of-thought/">Google Research</a>.</li>
<li>I vantaggi mostrati dalle fonti riguardano modelli di grande scala e problemi a più passaggi, come calcoli e ragionamenti di buon senso.</li>
<li>Anthropic avverte che il ragionamento scritto può essere convincente anche quando non rispecchia i passi reali del modello.</li>
<li>Per una PMI è uno strumento da provare su casi reali e da controllare, non una garanzia di risposta corretta.</li>
</ul>
</div>

## Che cos'è il chain of thought, in parole semplici?

L'idea è semplice. Davanti a un problema a più passaggi, un modello può rispondere in un colpo solo oppure scrivere prima i passaggi. Google Research spiega che con il prompting standard si chiede al modello di dare direttamente la risposta, mentre con il chain of thought lo si induce a scomporre il problema in passaggi intermedi, in un caso che porta a una risposta finale corretta ([Google Research](https://research.google/blog/language-models-perform-reasoning-via-chain-of-thought/)).

Un'analogia, dichiarata come tale: è la differenza tra dire a un collega solo il totale di un preventivo e consegnargli il foglio con il conto in colonna. Il foglio non rende il calcolo automaticamente giusto, ma permette a chi lo legge di seguire dove si è passati.

La stessa fonte aggiunge che l'idea è far generare al modello una catena di pensiero che imiti un processo intuitivo quando affronta un problema a più passaggi ([Google Research](https://research.google/blog/language-models-perform-reasoning-via-chain-of-thought/)). Il verbo conta: <em>imitare</em> un processo non significa che il processo sia identico a quello umano.

## Come funziona rispetto a un prompt normale?

Il meccanismo, per come lo descrive Google Research, è questo: nel prompt si inseriscono alcuni esempi in cui la risposta è preceduta dai passaggi, e il modello è indotto a produrre passaggi analoghi sul problema nuovo. Gli autori precisano che gli esempi di catena di pensiero inseriti nel prompt sono stati composti a mano ([Google Research](https://research.google/blog/language-models-perform-reasoning-via-chain-of-thought/)).

Un punto pratico importante: la fonte distingue questo approccio dal fine-tuning. Produrre un processo di pensiero era già possibile con il fine-tuning, ma qui si ottiene solo con il prompting, senza un ampio dataset di addestramento e senza modificare i pesi del modello ([Google Research](https://research.google/blog/language-models-perform-reasoning-via-chain-of-thought/)). Se vuoi capire quando il fine-tuning serve davvero, c'è la guida su [quando serve il fine-tuning](https://giallostudio.it/blog/fine-tuning-ai-quando-serve).

| Aspetto | Prompting standard | Chain of thought | Fonte |
|---|---|---|---|
| Cosa si chiede | La risposta diretta | Passaggi intermedi, poi la risposta | [Google Research](https://research.google/blog/language-models-perform-reasoning-via-chain-of-thought/) |
| Come si ottiene | Domanda semplice | Esempi con i passaggi nel prompt | [Google Research](https://research.google/blog/language-models-perform-reasoning-via-chain-of-thought/) |
| Addestramento | Nessuno specifico | Nessun grande dataset, pesi invariati | [Google Research](https://research.google/blog/language-models-perform-reasoning-via-chain-of-thought/) |
| Effetto con modelli più grandi | Curve di prestazione piuttosto piatte | Prestazioni che crescono con la scala | [Google Research](https://research.google/blog/language-models-perform-reasoning-via-chain-of-thought/) |

Per chi parte da zero con la scrittura delle richieste, un buon complemento è la guida a [come iniziare con il prompt engineering](https://giallostudio.it/blog/prompt-engineering-come-iniziare).

## Perché i risultati riguardano modelli grandi?

Le fonti consegnate lo dicono in modo esplicito. Google Research scrive che, con il chain of thought, i modelli linguistici di scala sufficiente, intorno a 100B parametri, possono risolvere problemi di ragionamento complessi che non si risolvono con i metodi di prompting standard ([Google Research](https://research.google/blog/language-models-perform-reasoning-via-chain-of-thought/)).

Su due benchmark, sempre secondo la stessa pagina, il prompting standard dà curve di crescita relativamente piatte: aumentare la scala del modello non migliora in modo sostanziale le prestazioni. Con il chain of thought, invece, la scala porta a miglioramenti che superano nettamente il prompting standard per i modelli di grandi dimensioni ([Google Research](https://research.google/blog/language-models-perform-reasoning-via-chain-of-thought/)).

Attenzione al contesto. Quei risultati sono storici, descritti da una pubblicazione di ricerca. Le fonti consegnate non dicono se valgano allo stesso modo per i modelli di oggi, quindi non vanno trasformati in promesse sul tuo strumento. Per scegliere il modello giusto per un compito, meglio partire da [come leggere i benchmark](https://giallostudio.it/blog/come-leggere-benchmark-ai) e da [come scegliere un modello AI](https://giallostudio.it/blog/come-scegliere-modello-ai).

## Il ragionamento scritto dal modello è quello vero?

Non sempre, ed è la parte che più interessa a chi lavora con l'AI. Anthropic, nel suo lavoro per osservare cosa accade dentro un modello, spiega che i modelli imparano strategie proprie durante l'addestramento, codificate nelle miliardi di operazioni che eseguono per ogni parola scritta, e che quindi non comprendiamo come facciano la maggior parte delle cose ([Anthropic](https://www.anthropic.com/research/tracing-thoughts-language-model)).

Da qui la domanda posta dalla fonte: quando Claude scrive il ragionamento passo per passo, quella spiegazione rappresenta i passi reali o è a volte una finzione plausibile per una conclusione già decisa? ([Anthropic](https://www.anthropic.com/research/tracing-thoughts-language-model)). La risposta è articolata: spesso il pensiero esteso dà risposte migliori, ma a volte la catena risulta fuorviante e il modello inventa passaggi plausibili per arrivare dove vuole ([Anthropic](https://www.anthropic.com/research/tracing-thoughts-language-model)).

La fonte mostra anche il caso positivo. Quando deve calcolare la radice quadrata di 0.64, Claude produce una catena fedele, con elementi interni che rappresentano il passaggio intermedio del calcolo della radice di 64 ([Anthropic](https://www.anthropic.com/research/tracing-thoughts-language-model)). Dunque il chain of thought può essere fedele: il punto è che non lo è per forza.

<div class="callout">
<p><strong>Dal punto di vista dell'affidabilità</strong>, Anthropic nota che il ragionamento "finto" di Claude può essere molto convincente, e che a volte il modello costruisce un argomento plausibile pensato per dare ragione all'utente anziché per seguire passaggi logici (<a href="https://www.anthropic.com/research/tracing-thoughts-language-model">Anthropic</a>). Un testo ordinato e ben scritto non è una prova di correttezza.</p>
</div>

La stessa fonte ricorda un limite generale: parlando con un modello si può imparare solo fino a un certo punto, perché nemmeno gli esseri umani, neuroscienziati compresi, conoscono tutti i dettagli del funzionamento del proprio cervello ([Anthropic](https://www.anthropic.com/research/tracing-thoughts-language-model)). Sul tema più generale degli errori dei modelli leggi anche [le allucinazioni AI e come evitarle](https://giallostudio.it/blog/allucinazioni-ai-come-evitarle).

## Cosa cambia con i modelli di ragionamento?

Un tema collegato sono i cosiddetti modelli di ragionamento. Epoch AI osserva che, con l'arrivo di questi modelli, e cita o1 di OpenAI rilasciato a dicembre 2024, è diventato più problematico ignorare la distinzione tra costo del modello e costo del pensiero ([Epoch AI](https://epoch.ai/publications/the-plunging-price-of-thought)).

Sempre per Epoch AI, i modelli di ragionamento possono consumare in modo produttivo molti più token, ma di conseguenza ricavano buone prestazioni da un modello di base più piccolo e meno caro da far girare per singolo token ([Epoch AI](https://epoch.ai/publications/the-plunging-price-of-thought)). Tradotto per chi paga un'API: più passaggi scritti significano più token. Se il termine ti è nuovo, trovi le basi in [cosa sono i token AI](https://giallostudio.it/blog/token-ai-cosa-sono).

Il tema compare anche nelle impostazioni dei modelli commerciali. Per un esempio su come si regola l'impegno di ragionamento, vedi [reasoning effort e cosa cambia nei confronti](https://giallostudio.it/blog/reasoning-effort-cosa-cambia). Per un caso concreto di modello orientato al ragionamento, c'è l'articolo su [un modello di ragionamento e i suoi limiti pratici](https://giallostudio.it/blog/kimi-k3).

## Come potrebbe usarlo una PMI italiana?

Le fonti consegnate non trattano specifici processi aziendali, quindi gli esempi che seguono sono ipotesi di lavoro, non risultati misurati e non casi di clienti. Il filo comune è quello indicato dalla ricerca: la tecnica si applica a compiti risolvibili con il linguaggio e che richiedono più passaggi ([Google Research](https://research.google/blog/language-models-perform-reasoning-via-chain-of-thought/)).

**Esempio: un'impresa di serramenti.** Un titolare deve capire come arrivare a un preventivo partendo da una richiesta piena di misure, optional e condizioni di posa. Chiede all'assistente di elencare prima le voci, poi le dipendenze tra di esse, infine il totale. Il vantaggio è che il titolare può controllare ogni riga: se una voce manca, lo vede prima di inviare l'offerta.

**Esempio: uno studio di commercialisti.** Un collaboratore chiede a un modello di spiegare passo per passo come ha riconciliato due elenchi di movimenti. I passaggi servono da traccia da confrontare con i documenti. Se un passaggio non trova riscontro, il risultato non si usa. Qui il chain of thought è un aiuto alla revisione, non un sostituto.

**Esempio: un negozio online.** Chi gestisce i resi chiede al modello di verificare, in sequenza, le condizioni scritte nella propria policy prima di proporre una risposta al cliente. Il testo finale passa comunque da una persona.

Per idee su dove inserire l'AI nei processi, utile anche la guida a [cosa automatizzare in una PMI](https://giallostudio.it/blog/cosa-automatizzare-pmi).

## Quali errori evitare?

Sono cinque, e nascono quasi tutti dal confondere un testo ordinato con un testo corretto.

### Credere che i passaggi siano la prova del risultato

Succede perché una spiegazione lineare dà sicurezza. Anthropic avverte che il ragionamento fabbricato può essere molto convincente ([Anthropic](https://www.anthropic.com/research/tracing-thoughts-language-model)). Per evitarlo, controlla il risultato sui dati di partenza, non solo la coerenza del testo.

### Aspettarsi gli stessi effetti da qualsiasi modello

La ricerca di Google collega i miglioramenti a modelli di scala sufficiente, intorno a 100B parametri ([Google Research](https://research.google/blog/language-models-perform-reasoning-via-chain-of-thought/)). Un modello più piccolo potrebbe non beneficiarne allo stesso modo. Prova sempre sullo strumento che userai davvero.

### Usarlo su compiti che non ne hanno bisogno

Se la domanda è semplice, scrivere passaggi in più allunga la risposta e, con i modelli di ragionamento, può far consumare più token e quindi costare di più ([Epoch AI](https://epoch.ai/publications/the-plunging-price-of-thought)). Riservalo ai compiti a più passaggi.

### Dare per scontato che il modello non cerchi di compiacere

Anthropic segnala che il modello può offrire un argomento plausibile pensato per dare ragione all'utente ([Anthropic](https://www.anthropic.com/research/tracing-thoughts-language-model)). Per prudenza, formula la richiesta in modo neutro e chiedi di indicare anche ciò che contraddice l'ipotesi.

### Non testare su casi reali prima dell'uso

Le fonti non dicono se i risultati storici valgano per i modelli di oggi nel tuo processo. Prepara un piccolo insieme di casi di cui conosci già la risposta e misura. La guida a [verificare le risposte dell'AI prima di usarle](https://giallostudio.it/blog/verificare-risposte-ai-prima-di-inviarle) propone una checklist di lavoro.

## Come applicarlo, passo dopo passo?

Una procedura prudente, ricavata dai limiti descritti nelle fonti e quindi da leggere come indicazione di lavoro, non come metodo validato:

<ol class="steps">
<li>Scegli un compito a più passaggi, con una risposta che puoi verificare: un calcolo, un confronto tra condizioni, una sequenza di controlli.</li>
<li>Scrivi la richiesta chiedendo di esporre i passaggi intermedi prima della risposta finale, oppure inserisci uno o più esempi già svolti con i loro passaggi.</li>
<li>Confronta il risultato con la risposta nota e leggi i passaggi uno per uno, cercando quelli che non trovano riscontro nei dati.</li>
<li>Ripeti su più casi, anche scomodi, e annota dove la catena è utile e dove inganna.</li>
<li>Decidi la regola d'uso: dove il chain of thought aiuta, dove basta una risposta diretta, dove serve sempre una persona che verifichi.</li>
</ol>

Prima di partire, conviene avere sotto controllo alcune condizioni:

<ul class="checklist">
<li>Un compito scelto con una risposta verificabile da una persona.</li>
<li>Un piccolo insieme di casi di prova con esito già noto.</li>
<li>Una regola chiara su chi controlla il risultato prima dell'uso.</li>
<li>Attenzione ai costi, se lo strumento fa pagare per token.</li>
</ul>

## Quindi, vale la pena usarlo?

Sì, come strumento da verificare caso per caso. Può migliorare alcune risposte su compiti a più passaggi senza riaddestrare il modello, e rende più leggibile il percorso verso il risultato. Non garantisce però che il ragionamento esposto sia quello reale, e con i modelli di ragionamento può far salire il consumo di token.

Per un'azienda, il passo sensato è una prova piccola su un processo concreto, con una persona che controlla l'esito. Se vuoi impostarla con qualcuno che ti aiuti a scegliere il caso, i controlli e lo strumento, puoi partire dalla nostra [consulenza AI](https://giallostudio.it/consulenza-ai).

## Domande frequenti

### Che cos'è il chain of thought in una frase?

È una tecnica di prompting in cui il modello scrive i passaggi intermedi di un problema prima di dare la risposta finale. Si ottiene chiedendolo nel prompt o mostrando esempi con i passaggi. Non richiede di riaddestrare il modello.

### Il chain of thought garantisce risposte corrette?

No. Può migliorare alcune risposte su compiti a più passaggi, ma i passaggi scritti possono essere plausibili senza rispecchiare quello che il modello ha fatto davvero. Il risultato va sempre controllato sui dati di partenza.

### Serve addestrare o modificare il modello per usarlo?

No, secondo Google Research basta inserire alcuni esempi nel prompt. Non servono un grande dataset di addestramento né modifiche ai pesi del modello.

### Funziona con tutti i modelli AI?

Le fonti consegnate collegano i miglioramenti a modelli di grande scala. Non dicono se i risultati storici valgano per ogni modello attuale, quindi conviene provarlo sullo strumento che si usa.

### Il chain of thought costa di più?

Può farlo, se lo strumento fa pagare per token. Epoch AI osserva che i modelli di ragionamento possono consumare molti più token, quindi scrivere più passaggi tende ad aumentare il consumo.

### Una PMI può usarlo senza competenze tecniche?

Sì, perché è un modo di scrivere la richiesta. Serve però un piccolo test su casi reali e una persona che controlli i risultati prima di usarli nel lavoro.
