Prompt engineering: la guida pratica ai prompt che funzionano

Il prompt engineering è la differenza tra chi riceve da ChatGPT risposte generiche e chi ottiene testi pronti da consegnare. Non è un trucco né una formula magica: è un'abilità strutturata che decide la qualità di quasi tutto quello che esce da un LLM. La buona notizia è che si impara in fretta, perché poggia su pochi principi ripetibili.

In questa guida non trovi liste di "prompt segreti" da copiare alla cieca. Trovi un metodo: un framework con quattro ingredienti, le tecniche che spostano davvero il risultato e gli errori che vediamo più spesso. Alla fine saprai costruire i tuoi prompt invece di rincorrere quelli degli altri.

Cosa imparerai:

• Cos'è il prompt engineering e perché lo stesso modello dà risposte così diverse.
• Il framework R-C-C-F (Ruolo, Compito, Contesto, Formato) per scrivere un prompt completo.
• Le tecniche che funzionano: few-shot, chain-of-thought e l'uso dei vincoli.
• Come iterare su un prompt debole e gli errori comuni da evitare.

In breve

• Il prompt engineering è scrivere istruzioni efficaci per un LLM, non indovinare parole chiave.
• Quattro ingredienti coprono il 90% dei casi: Ruolo, Compito, Contesto, Formato.
• Mostrare un esempio (few-shot) e chiedere di ragionare a passi (chain-of-thought) alza la qualità.
• I vincoli espliciti (lunghezza, tono, cosa evitare) riducono le risposte fuori bersaglio.
• Il primo prompt è una bozza: iterare è parte del lavoro, non un fallimento.

Cos'è il prompt engineering e perché conta

Il prompt engineering è la pratica di scrivere e affinare le istruzioni che dai a un modello linguistico per ottenere l'output che ti serve. Un LLM non "capisce" la tua intenzione: predice la continuazione più probabile del testo che gli fornisci. Più il tuo input è chiaro e contestualizzato, più la previsione si avvicina a ciò che hai in mente.

Conta perché lo stesso modello, con lo stesso obiettivo, produce risultati opposti a seconda di come lo interroghi. Chiedi "scrivimi una mail" e ottieni un testo anonimo. Chiedi "scrivi una mail di sollecito a un cliente che paga in ritardo da 30 giorni, tono fermo ma cordiale, massimo 120 parole" e ottieni qualcosa di usabile. La differenza non è il modello: è il prompt.

Se stai muovendo i primi passi con questi strumenti, parti dalla nostra guida pratica su come usare ChatGPT e poi torna qui per la parte di metodo. Il prompt engineering è il livello successivo: non cosa puoi chiedere, ma come chiederlo per ottenere risultati ripetibili.

I quattro ingredienti: il framework R-C-C-F

La maggior parte dei prompt deboli manca di uno o più di quattro elementi. Li chiamiamo R-C-C-F: Ruolo, Compito, Contesto, Formato. Non è una regola rigida, è una checklist mentale: prima di inviare un prompt, controlla che ci siano tutti e quattro.

• Ruolo — chi deve essere il modello. "Sei un copywriter specializzato in email B2B" orienta tono e competenza.
• Compito — cosa deve fare, in modo specifico e con un verbo d'azione. "Riscrivi", "riassumi in 3 punti", "genera 5 varianti".
• Contesto — le informazioni rilevanti per il tuo caso: pubblico, vincoli, dati di partenza, esempi del tuo stile.
• Formato — come vuoi la risposta: lista, tabella, lunghezza, tono, lingua.

I quattro ingredienti di un prompt completo. Mancarne uno è la causa più frequente di risposte generiche.

Il valore di R-C-C-F è che ti dà un ordine di controllo. Se l'output è fuori tono, manca il Ruolo o il Formato. Se è generico, manca il Contesto. Se fa la cosa sbagliata, il Compito non era abbastanza specifico. Avere quattro caselle da spuntare trasforma il "non funziona" in un problema diagnosticabile.

Tecniche che spostano davvero il risultato

Oltre agli ingredienti di base, alcune tecniche cambiano la qualità in modo misurabile. Sono documentate dai provider stessi: vale la pena conoscerle e usarle quando il compito lo richiede.

Few-shot: mostra invece di spiegare

Il few-shot consiste nel dare al modello uno o più esempi del tipo di output che vuoi, prima di chiedergli il tuo caso reale. Invece di descrivere a parole lo stile, lo mostri. È particolarmente efficace per classificazione, formattazione coerente e per replicare un tono di voce.

Classifica il sentiment di queste recensioni come Positivo, Neutro o Negativo.

Recensione: "Spedizione velocissima, prodotto perfetto." → Positivo
Recensione: "È arrivato, fa il suo lavoro." → Neutro
Recensione: "Si è rotto dopo due giorni." → Negativo

Recensione: "Bel design ma la batteria dura pochissimo." →

Testato con ChatGPT (GPT-4o) e Claude, maggio 2026.

Anche un solo esempio (one-shot) spesso basta a far collassare l'ambiguità. La documentazione di OpenAI sul prompt engineering{target="_blank" rel="noopener"} indica gli esempi come una delle leve più affidabili.

Chain-of-thought: chiedi di ragionare a passi

Il chain of thought consiste nel chiedere al modello di esplicitare i passaggi prima di dare la risposta finale: "ragiona passo per passo". Su problemi con più step — calcoli, logica, decisioni con vincoli — guidare il ragionamento riduce gli errori rispetto a pretendere subito la conclusione.

Un avvertimento: il ragionamento "a voce alta" non è una garanzia di correttezza, e può aumentare il rischio di allucinazioni se la catena parte da una premessa sbagliata. Usalo per problemi che lo richiedono, non per ogni richiesta banale.

Vincoli: dì cosa NON vuoi

I vincoli sono limiti espliciti che restringono lo spazio delle risposte. Lunghezza ("massimo 100 parole"), formato ("solo una tabella"), perimetro ("non inventare dati: se non li hai, scrivi 'non disponibile'"). I vincoli negativi sono spesso i più potenti, perché chiudono le strade che non vuoi che il modello prenda.

Tecnica	Quando usarla	Effetto principale
Few-shot	Tono, formato, classificazione	Coerenza con esempi reali
Chain-of-thought	Logica, calcoli, decisioni multi-step	Meno errori di ragionamento
Vincoli	Output troppo lungo o fuori bersaglio	Risposte mirate e prevedibili
Ruolo esplicito	Tono o competenza specifici	Registro e lessico adeguati

Prompt vago vs prompt efficace: un esempio reale

La teoria si capisce meglio sul concreto. Prendiamo un compito comune: scrivere un post LinkedIn per annunciare un webinar. Ecco la versione che quasi tutti scrivono.

Prompt vago: "Scrivi un post LinkedIn per il mio webinar sull'AI."

Il risultato è prevedibile: un testo generico, pieno di entusiasmo vuoto, senza pubblico né call to action chiara. Non è colpa del modello — non gli hai dato nulla con cui lavorare. Ora la stessa richiesta con R-C-C-F applicato.

Prompt efficace: "Sei un esperto di personal branding su LinkedIn. Scrivi un post per annunciare il mio webinar gratuito 'AI per chi lavora in ufficio', giovedì 12 giugno alle 18:00. Pubblico: impiegati e manager non tecnici curiosi dell'AI. Tono diretto e concreto, niente hype. Apri con una domanda, chiudi con un invito a iscriversi. Massimo 120 parole, nessun hashtag generico tipo #innovation."

Stesso obiettivo, due prompt: a sinistra l'input vago e il suo output generico, a destra il prompt efficace con R-C-C-F e un risultato pubblicabile.

La seconda versione contiene tutti e quattro gli ingredienti: Ruolo (esperto di personal branding), Compito (annuncia il webinar), Contesto (data, pubblico, niente hype) e Formato (apertura, chiusura, lunghezza, vincoli). Il risultato non è perfetto al primo colpo, ma è una bozza vera su cui lavorare. Trovi altri modelli pronti nella nostra raccolta di esempi di prompt per ChatGPT.

Iterare: il primo prompt è una bozza

Nei nostri corsi vediamo spesso lo stesso schema: chi è alle prime armi si aspetta la risposta giusta al primo tentativo, si scoraggia e dà la colpa al modello. Chi è esperto sa che il primo prompt è una bozza e che il valore sta nell'iterazione.

Iterare in modo efficace significa cambiare una variabile alla volta. Se l'output è troppo lungo, aggiungi solo il vincolo di lunghezza e rilancia. Se il tono non va, modifica solo il Ruolo. Cambiare tutto insieme ti impedisce di capire cosa ha funzionato.

Un metodo pratico in tre mosse:

1. Invia il prompt R-C-C-F e leggi l'output con occhio critico.
2. Isola il problema: tono, lunghezza, contenuto o formato?
3. Correggi l'ingrediente corrispondente e rilancia, conservando il resto.

Dopo due o tre cicli arrivi quasi sempre a un risultato usabile. Quando un prompt funziona bene, salvalo: diventa un template riutilizzabile per quel tipo di compito.

Errori comuni da evitare

Alcuni errori si ripetono indipendentemente dal modello usato. Riconoscerli ti fa risparmiare ore.

• Prompt troppo corti. "Riassumi questo" senza dire per chi, quanto lungo e in che formato. Manca il Contesto e il Formato.
• Troppe richieste insieme. Chiedere analisi, traduzione e riscrittura in un solo prompt confonde il modello. Spezza in passi.
• Nessun esempio quando servirebbe. Per compiti di stile o classificazione, descrivere a parole è più debole che mostrare un esempio.
• Fidarsi dell'output come fosse un fatto. Un LLM può produrre affermazioni plausibili ma false. Verifica sempre dati, nomi e citazioni.
• Non specificare modello e data nei test. Le capacità cambiano: un prompt ottimo a maggio 2026 può comportarsi diversamente sei mesi dopo.

L'ultimo punto merita attenzione: secondo Anthropic e OpenAI, il comportamento dei modelli evolve a ogni versione. Un prompt non è un asset eterno, è qualcosa da rivedere periodicamente.

Domande frequenti

Cos'è il prompt engineering in parole semplici?

È l'abilità di scrivere istruzioni chiare ed efficaci per un modello di AI come ChatGPT o Claude, in modo da ottenere risposte utili e coerenti. In pratica significa specificare ruolo, compito, contesto e formato invece di porre domande generiche.

Come si scrive un prompt efficace?

Includi quattro elementi: il Ruolo che il modello deve assumere, il Compito specifico, il Contesto rilevante e il Formato desiderato. Poi itera: il primo prompt è una bozza da affinare cambiando una variabile alla volta.

Cos'è la tecnica few-shot?

Il few-shot consiste nel fornire al modello uno o più esempi del tipo di output che vuoi, prima della richiesta vera. Mostrare un esempio è spesso più efficace che descrivere a parole il risultato atteso, soprattutto per stile e classificazione.

Cos'è il chain of thought nei prompt?

Il chain of thought è la tecnica di chiedere al modello di ragionare passo per passo prima di rispondere. Riduce gli errori su problemi logici e a più step, ma non garantisce la correttezza: va comunque verificato.

Serve un framework per scrivere i prompt?

Un framework come R-C-C-F non è obbligatorio, ma rende il lavoro ripetibile e diagnosticabile. Quando un output non va, sai subito quale ingrediente correggere invece di riscrivere tutto a caso.

Il prompt engineering serve solo per ChatGPT?

No. I principi valgono per qualsiasi LLM: ChatGPT, Claude, Gemini e altri. Cambiano dettagli e formati ottimali, ma Ruolo, Compito, Contesto e Formato restano la base trasversale.

Conclusione e prossimo passo

Il prompt engineering non è un elenco di trucchi: è un metodo. Con il framework R-C-C-F, le tecniche di few-shot e chain-of-thought e la disciplina di iterare, smetti di copiare i prompt degli altri e inizi a costruire i tuoi. È l'abilità che separa chi usa l'AI per giocare da chi la usa per lavorare.

Il modo più rapido per interiorizzarla è esercitarsi su casi reali con un feedback strutturato. Il nostro corso Prompting che funziona ti porta dalla teoria alla pratica con prompt veri, esercizi guidati e template riutilizzabili per il tuo lavoro. Inizia oggi e scrivi il tuo prossimo prompt con metodo.