Prompt engineering: cos'è e come iniziare

Il prompt engineering è la pratica di scrivere istruzioni chiare e ben strutturate per un modello AI — come ChatGPT, Claude o Gemini — in modo da ottenere risposte utili, precise e ripetibili. In pratica, è il modo in cui parli all'AI: non basta fare una domanda, conta come la fai. Lo stesso modello, con la stessa richiesta scritta in due modi diversi, può darti un output da buttare o uno pronto da usare.

La cosa importante da capire subito è questa: il prompt engineering non è programmazione. Si fa in linguaggio naturale, in italiano o in inglese, come istruiresti un nuovo collaboratore che è bravissimo ma non sa nulla della tua azienda. Devi dirgli chi deve essere, cosa deve fare, con quali dati, entro quali limiti e in che formato. Saltare questi passaggi è la causa numero uno delle risposte deludenti.

In questa guida vediamo cos'è davvero il prompt engineering, un framework concreto in sei parti per costruire prompt che funzionano, esempi reali "prima/dopo", gli errori più comuni e come applicare tutto questo nei processi di una PMI.

Cos'è il prompt engineering e perché conta

Un prompt è l'istruzione che scrivi a un modello AI. Il prompt engineering è il metodo per costruirla, testarla e migliorarla finché produce risultati buoni in modo costante. La differenza è la stessa che passa tra fare una domanda improvvisata e preparare un briefing per un collaboratore: nel secondo caso ottieni quello che ti serve, nel primo speri che indovini.

Conta perché i modelli linguistici come i grandi modelli linguistici (LLM) non "capiscono" come una persona: prevedono la continuazione più probabile del testo che hanno davanti. Più il tuo testo è chiaro, specifico e ben contestualizzato, più la continuazione sarà quella che vuoi tu. Meno contesto dai, più il modello riempie i vuoti con ciò che è statisticamente comune — cioè generico, o a volte inventato.

Un secondo motivo è economico e operativo: in azienda non scrivi un prompt una volta sola. Lo riusi cento volte sullo stesso processo. Un prompt scritto bene fa risparmiare ore di revisione; uno scritto male moltiplica le correzioni. Per capire perché conta anche la lunghezza, è utile sapere come l'AI conta il testo: vedi i token AI.

Il framework del prompt: ruolo, contesto, vincoli, dati, formato, controllo

Non serve memorizzare tecniche esotiche. La maggior parte dei prompt efficaci si costruisce con sei mattoni. Non sempre li userai tutti, ma quando una risposta è scadente di solito ne manca uno.

Il principio dietro a tutto: togli ambiguità. Ogni componente che aggiungi riduce lo spazio di interpretazioni in cui il modello potrebbe sbagliare. Il componente più sottovalutato è l'ultimo — il controllo — perché è quello che ti protegge dalle allucinazioni AI, cioè informazioni plausibili ma false.

Quando bastano due componenti e quando ne servono sei

Per un compito banale ("riassumi questo testo in 5 punti") bastano dati e formato. Per un compito aziendale ripetitivo e a rischio — una risposta a un cliente, una bozza di contratto, una classificazione — vale la pena usarli quasi tutti. La regola pratica è proporzionata al rischio: più l'errore costa, più vale strutturare il prompt.

Come scrivere un prompt, passo per passo

Ecco un metodo ripetibile per passare da un'idea vaga a un prompt che funziona. Funziona con qualsiasi modello e per quasi ogni compito di testo.

1. Definisci l'obiettivo in una frase. Cosa deve produrre esattamente l'AI e per chi? "Una risposta email al cliente, pronta da inviare" è chiaro; "aiutami col cliente" no.
2. Assegna un ruolo. Dì al modello chi è (es. "Sei un copywriter per e-commerce di arredamento"). Orienta tono e competenza.
3. Incolla i dati reali. Non far indovinare: fornisci l'email, la scheda prodotto, i numeri. I dati nel prompt battono la memoria del modello.
4. Metti i vincoli. Lunghezza, tono, cose da evitare, lingua. "Massimo 100 parole, niente superlativi, in italiano."
5. Chiedi il formato esatto. Tabella, bullet, JSON, email con oggetto e corpo. Un output strutturato si riusa meglio.
6. Aggiungi il controllo. "Se un dato manca, segnalalo. Non inventare prezzi o date." Riduci il rischio di errori silenziosi.
7. Testa e itera. Lancia, leggi cosa non va, correggi una cosa alla volta. Quando funziona due o tre volte di fila, salvalo come modello.

L'ultimo passo è quello che separa il prompt engineering dall'improvvisazione: iterare. Il primo prompt raramente è perfetto. La differenza la fa il salvare la versione che funziona e riusarla, invece di riscrivere da zero ogni volta.

Esempi pratici

Tre esempi reali di prompt "prima/dopo", presi da situazioni di PMI italiane. Apri ciascun blocco per vedere la versione povera e quella strutturata.

Il filo comune dei tre esempi: la versione "dopo" non è più creativa, è più vincolata. Meno libertà lasci all'interpretazione, più il risultato è affidabile e riusabile.

Tecniche utili da conoscere

Oltre al framework di base, poche tecniche ricorrono in quasi tutti i prompt aziendali. Non sono trucchi: sono modi diversi di dare contesto.

• Dare esempi (few-shot): mostra 1-3 esempi di input e output desiderato. Il modello imita il pattern molto meglio di una descrizione astratta.
• Chiedere ragionamento a step: per compiti con più passaggi, chiedi di procedere "passo per passo" prima di dare la risposta finale. Riduce errori di logica.
• Delimitare i dati: separa istruzioni e dati con marcatori chiari (es. "TESTO DA ANALIZZARE:" seguito dal contenuto). Evita che il modello confonda i tuoi dati con un comando.
• Iterare in conversazione: non rifare il prompt da zero, correggi: "Più corto", "Tono più formale", "Togli l'ultimo punto". Spesso è la via più rapida.

La tecnica più sottovalutata è la prima. Un solo esempio concreto del risultato che vuoi vale più di un paragrafo di spiegazioni. Se hai una risposta passata che ti piaceva, incollala come modello.

Errori da evitare

• Chiedere senza contesto. "Scrivimi un'email al cliente" senza dire chi è il cliente, cosa vuoi ottenere e in che tono produce testo generico. Il contesto non è opzionale: è la materia prima.
• Far indovinare i dati al modello. Se non incolli i numeri, le date o i fatti, il modello li inventa in modo plausibile. Fornisci sempre i dati reali nel prompt e chiedi di non inventare. Approfondisci con le allucinazioni AI.
• Non specificare il formato. Se non dici "tabella" o "massimo 5 bullet", ottieni un muro di testo da riformattare a mano. Il formato richiesto fa risparmiare il lavoro a valle.
• Accumulare istruzioni contraddittorie. "Sii breve ma esaustivo, formale ma amichevole" manda il modello in confusione. Scegli le priorità e ordinale.
• Inserire dati sensibili senza criterio. Incollare dati personali di clienti in strumenti pubblici può violare il GDPR. Definisci prima cosa si può condividere e cosa no.

Come applicarlo in azienda

In una PMI il prompt engineering smette di essere un esperimento personale e diventa utile quando un prompt che funziona viene trasformato in uno standard riusabile. La differenza tra "ho provato ChatGPT" e "l'AI è entrata nel processo" sta tutta qui.

Il percorso pratico è breve: individua un'attività ripetitiva, costruisci il prompt con il framework, testalo su casi reali finché è stabile, poi salvalo come template aziendale che chiunque può usare riempiendo solo i dati. Quando il prompt deve operare da solo dentro un flusso — leggere una mail, classificarla, aggiornare un gestionale — entri nel territorio degli agenti AI e dell'automazione dei processi aziendali, dove il prompt è il pezzo che istruisce il sistema.

Questo è esattamente il lavoro di una consulenza AI: capire quali processi vale la pena standardizzare, scrivere i prompt giusti e collegarli agli strumenti che già usi. Se vuoi vedere prove concrete e prototipi, dai un'occhiata agli esperimenti del The Lab.

Conclusione

Il prompt engineering non è una competenza tecnica riservata agli addetti ai lavori: è la disciplina di dire all'AI, con chiarezza, chi deve essere, cosa deve fare, con quali dati e in che formato, aggiungendo un controllo per evitare errori silenziosi. Padroneggiare il framework in sei parti — ruolo, contesto, vincoli, dati, formato, controllo — e l'abitudine di iterare è ciò che trasforma risposte casuali in risultati ripetibili. Per una PMI il vero salto avviene quando un buon prompt diventa uno standard riusato su un processo concreto. Da qui puoi proseguire con l'AI generativa per capire cosa c'è sotto, e con la guida AI per aziende per inquadrare priorità e costi.

L'AI diventa utile quando entra nei processi. Giallo Studio aiuta PMI e team a costruire automazioni concrete, misurabili e sostenibili.