Per qualche tempo abbiamo pensato che il futuro dell’Intelligenza Artificiale avrebbe reso il prompting quasi inutile.

L’idea era semplice: più i modelli diventano intelligenti, meno dovremo preoccuparci di spiegare loro cosa fare. Basterà una richiesta veloce, magari una frase, e l’AI comprenderà automaticamente obiettivo, contesto e risultato desiderato.

Sta accadendo qualcosa di diverso.

I nuovi modelli sono certamente più capaci di comprendere richieste incomplete, gestire ambiguità e portare avanti compiti complessi. Ma proprio perché stanno diventando più autonomi, la qualità delle istruzioni che diamo loro diventa ancora più importante.

Il prompting non sta scomparendo.

Sta evolvendo da semplice tecnica per “fare domande all’AI” a una vera e propria disciplina di progettazione del lavoro.

Dal prompt alla delega

Con i primi chatbot bastava spesso formulare correttamente una domanda.

“Scrivimi una mail.”

“Riassumi questo documento.”

“Genera cinque idee per una campagna pubblicitaria.”

Il rapporto con l’AI era essenzialmente quello tra una persona e uno strumento.

Oggi stiamo entrando in una fase diversa.

I modelli più avanzati possono analizzare documenti, utilizzare strumenti, eseguire codice, consultare più fonti, lavorare su file e suddividere un problema in numerosi sottocompiti.

Il documento dedicato al prompting di Claude Fable 5 descrive, per esempio, un modello progettato per affrontare problemi complessi e attività end-to-end che, per una persona, potrebbero richiedere ore, giorni o addirittura settimane.

Questo cambia completamente il significato della parola “prompt”.

Non stiamo più semplicemente chiedendo una risposta.

Stiamo delegando un lavoro.

E quando deleghiamo un lavoro complesso a una persona, non diciamo semplicemente:

“Occupatene.”

Spieghiamo cosa vogliamo ottenere, per chi lo stiamo facendo, quali vincoli esistono e come capire se il risultato finale è corretto.

Con l’Intelligenza Artificiale sta iniziando ad accadere la stessa cosa.

Un buon prompt non dice soltanto “cosa fare”

Una delle indicazioni più interessanti contenute nel documento riguarda il contesto.

La raccomandazione è quella di fornire il motivo della richiesta, non soltanto la richiesta stessa.

Il modello tende a lavorare meglio quando comprende l’obiettivo più ampio, chi utilizzerà il risultato e cosa quel risultato deve rendere possibile.

È una differenza enorme.

Consideriamo due prompt.

Il primo potrebbe essere:

Analizza questo bilancio.

Tecnicamente è corretto.

Ma confrontiamolo con:

Sto preparando una presentazione per il consiglio di amministrazione. Devo capire se negli ultimi dodici mesi sono emersi segnali di deterioramento della marginalità e della generazione di cassa. Analizza il bilancio concentrandoti su questi aspetti e indicami le tre evidenze più importanti da presentare al management.

Il documento è lo stesso.

Il modello è lo stesso.

Ma il secondo prompt contiene qualcosa di molto più prezioso: l’intento.

Ed è proprio l’intento che permette all’AI di decidere quali informazioni siano rilevanti e quali invece possano essere ignorate.

Il prompting diventa progettazione dell’obiettivo

Questa è probabilmente la trasformazione più importante.

In passato un buon prompt cercava soprattutto di controllare la forma della risposta.

“Scrivi 500 parole.”

“Usa cinque punti.”

“Non utilizzare termini tecnici.”

“Inserisci una tabella.”

Tutte istruzioni ancora utili.

Ma con sistemi più capaci diventa molto più importante specificare:

qual è il risultato che vogliamo ottenere?

La guida sottolinea infatti che i modelli di nuova generazione mostrano una maggiore capacità di gestire richieste complesse, seguire istruzioni, affrontare l’ambiguità e svolgere workflow professionali su documenti, fogli di calcolo, presentazioni e analisi.

Questo significa che il prompt può diventare meno prescrittivo nei dettagli e più preciso negli obiettivi.

In altre parole:

meno micro-management, più direzione.

Attenzione: più autonomia significa anche più bisogno di confini

C’è però un paradosso.

Più l’Intelligenza Artificiale diventa autonoma, più dobbiamo essere chiari su ciò che non deve fare.

La guida evidenzia che un modello particolarmente proattivo può occasionalmente compiere azioni che l’utente non aveva richiesto. Per questo viene consigliato di definire esplicitamente i confini operativi: se l’utente sta soltanto chiedendo un’analisi, il sistema dovrebbe fornire l’analisi e fermarsi, invece di modificare autonomamente qualcosa.

Questo principio è fondamentale per comprendere il futuro del prompting.

Un prompt efficace dovrà sempre più contenere quattro elementi:

obiettivo, contesto, autonomia e confini.

Non soltanto:

“Cosa devi fare?”

Ma anche:

“Perché lo stai facendo?”

“Fino a dove puoi arrivare autonomamente?”

“Quando devi fermarti?”

“Quali azioni richiedono la mia approvazione?”

È esattamente ciò che facciamo quando deleghiamo un progetto a un collaboratore.

Il prompt migliore potrebbe essere più corto di quello che immaginiamo

C’è poi un altro elemento apparentemente controintuitivo.

Prompt più lunghi non significano necessariamente prompt migliori.

Con modelli capaci di seguire meglio le istruzioni, la guida suggerisce che una breve indicazione può spesso essere più efficace di decine di regole dettagliate.

Per esempio, invece di elencare una lunga serie di istruzioni sulla sintesi, può essere sufficiente dire al modello di partire dal risultato principale e aggiungere soltanto i dettagli che cambiano ciò che il lettore dovrebbe fare successivamente.

È un cambiamento significativo.

Negli ultimi anni si è sviluppata una sorta di “prompt engineering barocco”: prompt giganteschi, decine di regole, ruoli, eccezioni, formati e restrizioni.

Con modelli più capaci potremmo assistere al processo opposto.

Il buon prompting potrebbe diventare l’arte di dire poche cose, ma quelle giuste.

Non chiedere solo una risposta. Chiedi una verifica

Uno degli insegnamenti più importanti del documento riguarda l’auto-verifica.

Quando un modello lavora per molto tempo su un problema, non basta chiedergli di produrre un risultato.

Bisogna anche progettare il modo in cui quel risultato verrà controllato.

La guida suggerisce esplicitamente di introdurre meccanismi di verifica durante le esecuzioni lunghe e, nei compiti più complessi, persino di utilizzare agenti separati per controllare il lavoro prodotto.

È un principio che può essere applicato anche dall’utente normale.

Invece di scrivere:

Preparami una ricerca sui principali concorrenti.

Possiamo chiedere:

Preparami una ricerca sui principali concorrenti. Per ogni dato numerico indica la fonte. Prima di concludere verifica che le informazioni più importanti siano coerenti tra almeno due fonti indipendenti e segnala chiaramente ciò che non sei riuscito a verificare.

Il secondo prompt non chiede semplicemente all’AI di produrre.

Le chiede anche di controllare ciò che produce.

Ed è probabilmente una delle competenze più importanti del prompting moderno.

Il prompting è anche gestione del livello di sforzo

Un altro concetto interessante riguarda quello che il documento definisce effort.

Per attività semplici non sempre serve utilizzare tutta la capacità di ragionamento disponibile.

Per problemi complessi, invece, un livello di elaborazione maggiore può migliorare verifica, ragionamento e qualità del risultato.

La guida descrive esplicitamente questo compromesso tra capacità, latenza e costo.

Il principio generale è molto importante anche al di fuori di uno specifico modello.

Non tutte le domande meritano lo stesso livello di elaborazione.

Chiedere:

“Traduci questa frase.”

non è equivalente a:

“Analizza questi tre contratti, identifica le clausole incompatibili e proponi una versione consolidata.”

Nel secondo caso il modo in cui formuliamo il compito dovrebbe invitare il sistema ad analizzare, confrontare, verificare e controllare il risultato prima di consegnarlo.

Il prompting diventa quindi anche allocazione dell’intelligenza.

Gli agenti cambiano ancora una volta le regole

Il vero salto arriverà però con gli agenti AI.

Un chatbot risponde.

Un agente agisce.

Può utilizzare strumenti, interrogare database, produrre documenti, modificare file e coordinare altri agenti.

La guida evidenzia proprio la capacità dei nuovi sistemi di delegare attività indipendenti a subagenti e coordinare lavorazioni parallele.

A quel punto il prompting assomiglierà sempre meno a una ricerca su Google e sempre più alla scrittura di un brief operativo.

Immaginiamo di dire:

Organizza il lancio del nuovo prodotto.

Per un agente AI questa frase potrebbe significare decine di azioni.

Analizzare il mercato.

Studiare i concorrenti.

Preparare il piano marketing.

Creare una presentazione.

Elaborare il budget.

Scrivere una campagna social.

Contattare fornitori.

Programmare attività.

Diventa quindi fondamentale definire cosa l’agente può fare autonomamente e cosa richiede invece una decisione umana.

Dal prompt engineering al context engineering

È per questo che probabilmente nei prossimi anni parleremo sempre meno di semplice prompt engineering e sempre più di context engineering.

La differenza è sostanziale.

Il prompt è la richiesta.

Il contesto è l’ambiente dentro cui l’Intelligenza Artificiale deve prendere decisioni.

Comprende documenti, memoria, obiettivi, esempi precedenti, strumenti disponibili, permessi, vincoli e criteri di successo.

La stessa guida dedica grande attenzione alla memoria: suggerisce di permettere al sistema di conservare lezioni apprese da sessioni precedenti, evitando duplicazioni e aggiornando le conoscenze quando emergono informazioni migliori.

Questo significa che il futuro dell’interazione con l’AI probabilmente non sarà:

scrivere ogni volta il prompt perfetto.

Sarà:

costruire un ambiente nel quale l’AI possiede il contesto giusto per lavorare bene.

Un possibile schema per i prompt del futuro

Possiamo quindi immaginare un modello molto semplice per strutturare una richiesta efficace.

Contesto

Cosa stiamo facendo e perché?

Obiettivo

Qual è il risultato finale che vogliamo ottenere?

Destinatario

Chi utilizzerà il risultato?

Materiale disponibile

Quali documenti, dati o strumenti può utilizzare il modello?

Vincoli

Cosa non deve fare?

Autonomia

Quali decisioni può prendere senza chiedere conferma?

Verifica

Come deve controllare che il risultato sia corretto?

Output

In quale forma deve consegnare il lavoro?

Per esempio:

Sto preparando un articolo per un blog rivolto a imprenditori e manager che conoscono l’AI ma non sono tecnici. Voglio spiegare quali effetti avranno gli agenti AI sul lavoro d’ufficio nei prossimi tre anni. Utilizza i documenti che ti ho fornito e fonti pubbliche aggiornate. Distingui chiaramente fatti, previsioni e opinioni. Verifica tutte le statistiche prima di utilizzarle. Produci un articolo di circa 1.500 parole con titolo, introduzione, sezioni e conclusione. Usa un linguaggio divulgativo e concreto.

Non contiene formule magiche.

Non contiene strane istruzioni segrete.

Contiene semplicemente un buon brief.

Ed è probabilmente questo il punto.

La nuova competenza digitale sarà saper delegare all’AI

Per vent’anni abbiamo imparato a utilizzare i motori di ricerca.

Abbiamo imparato quali parole digitare, come restringere una ricerca e come distinguere una fonte affidabile da una poco attendibile.

Con l’Intelligenza Artificiale stiamo sviluppando una competenza differente.

Dobbiamo imparare a delegare.

Significa spiegare bene un obiettivo.

Fornire il contesto necessario.

Stabilire confini.

Definire criteri di qualità.

E soprattutto saper valutare il risultato.

Per questo il prompting non è una moda destinata a scomparire quando i modelli diventeranno più intelligenti.

Probabilmente accadrà l’esatto contrario.

Più l’AI sarà capace di agire autonomamente, più sarà importante saperle spiegare che cosa vogliamo davvero ottenere.

La vera competenza del futuro potrebbe quindi non essere quella di conoscere cento “prompt magici”.

Sarà molto più semplice da descrivere e molto più difficile da padroneggiare:

saper trasformare un’intenzione umana in un obiettivo che una macchina possa comprendere, eseguire e verificare.

Ed è forse questa la nuova alfabetizzazione digitale dell’era dell’Intelligenza Artificiale.