Una sola frase aggiunta prima della risposta a un problema di aritmetica, «Let’s think step by step», ha portato un modello di OpenAI dal 17,7% al 78,7% di risposte giuste. Questo è il prompt engineering in una riga: stesso modello, stessa domanda, risultato diverso solo per come è scritta la richiesta.
Indice dei contenuti
ToggleQui trovi sei tecniche di base, ciascuna con un esempio da adattare al tuo lavoro. Le indicazioni vengono dalla documentazione ufficiale di OpenAI, Anthropic e Google, consultata il 24 ottobre 2026, e dagli studi che hanno dato il nome alle tecniche. In fondo trovi il punto in cui questa abilità diventa una professione descritta da una norma UNI.
Prompt engineering: cos’è e perché è un metodo, non un trucco
OpenAI lo definisce come il processo di scrivere istruzioni efficaci per un modello, con un obiettivo preciso: ottenere risposte che rispettano i tuoi requisiti in modo costante. La parola che conta è processo. Google lo dice in modo ancora più netto nella guida per sviluppatori di Gemini: il prompt engineering è iterativo, e le regole sono un punto di partenza da correggere guardando le risposte.
L’idea di istruire un modello solo con il testo ha una data. Nel maggio 2020 Tom B. Brown e i colleghi di OpenAI hanno pubblicato lo studio su GPT-3, intitolato Language Models are Few-Shot Learners. Compiti ed esempi venivano indicati al modello soltanto attraverso il testo, senza riaddestrarlo.
C’è un secondo punto che cambia il modo di scrivere. OpenAI distingue i modelli che ragionano, da trattare come un collega esperto a cui affidi un obiettivo, dai modelli GPT, più simili a un collega junior che ha bisogno di istruzioni esplicite. Lo stesso prompt può rendere bene su uno e male sull’altro. Per questo OpenAI consiglia di costruire test che misurano il comportamento dei prompt, soprattutto prima di passare a un modello nuovo.
Zero-shot e few-shot: quando bastano le istruzioni e quando servono esempi
La prima tecnica è la più semplice. Un prompt zero-shot contiene solo l’istruzione, senza esempi, e funziona per i compiti comuni a patto di essere chiaro e diretto. Anthropic aggiunge un dettaglio: se vuoi più di quanto il compito richiede in senso stretto, devi chiederlo in modo esplicito, perché il modello non lo deduce da una richiesta vaga.
Esempio zero-shot: «Riassumi in cinque punti la delibera qui sotto per un consiglio di amministrazione che non ha tempo di leggerla. Ogni punto al massimo 20 parole, in ordine di impatto sul bilancio.»
La seconda tecnica è il few-shot, cioè il prompt con alcuni esempi di domanda e risposta. Google raccomanda di includere sempre esempi nei prompt, con due avvertenze: se ne metti troppi il modello rischia di adattarsi troppo a quelli, e tutti devono avere la stessa struttura e la stessa formattazione. Anthropic consiglia da tre a cinque esempi, vicini al caso reale e abbastanza vari da coprire anche i casi limite.
Ecco un prompt few-shot per smistare la posta di un ufficio, da incollare riga per riga:
- Classifica ogni mail come URGENTE, NORMALE o INFORMATIVA.
- Mail: Il gestionale degli ordini è fermo da stamattina. Categoria: URGENTE
- Mail: Ti mando in allegato il listino aggiornato. Categoria: INFORMATIVA
- Mail: Possiamo spostare la riunione di martedì alle 15? Categoria: NORMALE
- Mail: [incolla qui la mail da classificare]. Categoria:
Guarda l’ultima riga, lasciata a metà. Google chiama questo accorgimento prefisso di risposta: fornisci l’inizio dell’output e lasci che il modello lo completi, così la risposta arriva nel formato che hai mostrato. OpenAI dà un consiglio complementare: scegli esempi che coprono una gamma varia di input, non tre varianti della stessa mail.
Ragionamento passo per passo: la chain of thought e cosa è cambiato
La terza tecnica nasce da due studi pubblicati a pochi mesi di distanza. Nel gennaio 2022 Jason Wei e altri otto autori hanno pubblicato lo studio sulla chain-of-thought prompting, la catena di ragionamento: invece di mostrare al modello solo domande e risposte, gli mostri esempi con i passaggi intermedi. Un modello da 540 miliardi di parametri, con otto esempi costruiti così, ha raggiunto il miglior risultato di allora su GSM8K, una raccolta di problemi di matematica a parole.
Nel maggio dello stesso anno Takeshi Kojima e colleghi hanno mostrato che gli esempi non sono nemmeno indispensabili. Nello studio Large Language Models are Zero-Shot Reasoners bastava aggiungere «Let’s think step by step» prima della risposta. Con il modello text-davinci-002 di OpenAI l’accuratezza su MultiArith è salita dal 17,7% al 78,7%, quella su GSM8K dal 10,4% al 40,7%.
Oggi però molti modelli ragionano da soli prima di rispondere, e la tecnica va usata in modo diverso. La guida di Google spiega che con Gemini 2.5 e 3 di solito non serve chiedere i passaggi del ragionamento nella risposta, mentre chiedere di pensare più a fondo aiuta sui problemi difficili, al costo di più token. Anthropic va oltre: un’istruzione generale come «rifletti a fondo» spesso produce un ragionamento migliore di un piano passo per passo scritto a mano.
La regola pratica dipende quindi dallo strumento. Se il modello non ha una modalità di ragionamento, la catena esplicita resta utile, e Anthropic la indica come soluzione di riserva quando il ragionamento interno è spento:
- Modello senza ragionamento: «Prima di rispondere, elenca i dati del problema e i passaggi del calcolo. Poi scrivi la risposta finale su una riga separata che inizia con Risposta:.»
- Modello che ragiona: «Confronta con attenzione le tre offerte allegate e dimmi quale conviene a uno studio di quattro persone. Spiega i criteri in tre righe.»
Nel secondo caso dai l’obiettivo e i vincoli, non la procedura: è il collega esperto descritto da OpenAI.
Ruolo, struttura e formato: le tecniche che mettono ordine nel prompt
La quarta tecnica è assegnare un ruolo. Secondo Anthropic, indicare un ruolo nel prompt di sistema concentra comportamento e tono del modello sul tuo caso, e anche una sola frase fa la differenza. In chat il prompt di sistema non lo vedi, ma puoi aprire il primo messaggio con il ruolo: «Sei il responsabile commerciale di una cantina che risponde ai clienti esteri.»
La quinta tecnica riguarda la struttura. Quando un prompt mescola istruzioni, contesto, esempi e documenti, il modello può confondere un pezzo con l’altro. OpenAI suggerisce titoli ed elenchi in Markdown per separare le sezioni, e tag in stile XML, cioè etichette tra parentesi angolari, per segnare dove un documento inizia e dove finisce. Anthropic usa etichette dedicate per istruzioni, contesto e input, mentre Google chiede di scegliere un solo formato e di usarlo in modo coerente nello stesso prompt.
Un prompt strutturato in Markdown, pronto da adattare, può avere questa forma:
- ### Ruolo: sei un consulente del lavoro che scrive per titolari di piccole imprese.
- ### Documento: [incolla qui la circolare].
- ### Compito: spiega in parole semplici le novità della circolare.
- ### Formato: una tabella con tre colonne, cioè novità, chi riguarda, cosa fare ed entro quando.
L’ordine non è casuale. Con documenti lunghi Anthropic consiglia di mettere il materiale in alto e la domanda in fondo: nei suoi test questa disposizione migliora la qualità delle risposte fino al 30%, soprattutto quando i documenti sono più di uno. Google dà la stessa indicazione per Gemini: prima tutto il contesto, poi le istruzioni.
Per il formato conta come lo chiedi. Google suggerisce di dichiarare i vincoli e la forma della risposta, che sia una tabella, un elenco o un paragrafo. Anthropic consiglia di dire cosa vuoi invece di cosa vuoi evitare, e osserva che lo stile del prompt influenza quello della risposta: se togli il Markdown dal prompt, ne ottieni meno anche nel testo generato.
Catene di prompt e autoverifica: dividere il lavoro per sbagliare meno
La sesta tecnica serve quando il compito è lungo o delicato. Invece di chiedere tutto in un messaggio, lo dividi in passaggi e usi il risultato di uno come materiale del successivo. Google parla di prompt concatenati e suggerisce anche di lavorare in parallelo su parti diverse dei dati, per poi unire i risultati.
Anthropic precisa che i modelli più recenti gestiscono da soli gran parte del ragionamento in più passaggi, ma che la catena esplicita resta utile quando vuoi controllare i risultati intermedi. Lo schema più comune è l’autocorrezione: una bozza, una revisione rispetto a criteri precisi, una versione finale. Ecco come appare con tre prompt in sequenza:
- «Estrai dal verbale della riunione qui sotto le richieste del cliente, in un elenco numerato.»
- «Usando solo questo elenco, scrivi la bozza di un’offerta di una pagina.»
- «Rileggi la bozza e controlla che ogni richiesta dell’elenco abbia una risposta. Segnala quelle mancanti e correggi il testo.»
Il vantaggio è che puoi fermarti dopo il primo passaggio: se l’elenco è sbagliato, lo correggi prima che l’errore finisca nell’offerta. Anthropic consiglia anche una frase finale di verifica, come «prima di concludere, controlla la risposta rispetto a questi criteri», che intercetta gli errori soprattutto nel codice e nei calcoli. Per Claude Opus 5 la stessa guida avverte che l’istruzione è superflua, perché il modello verifica già il proprio lavoro.
Nessuna tecnica elimina il rischio che il modello inventi un dato con sicurezza. La guida AIPIA su allucinazioni, bias e affidabilità dell’AI spiega come controllare una risposta prima di usarla. Se incolli nel prompt testi presi dal web o da mail ricevute, leggi anche l’articolo su AI, cybersecurity e prompt injection: quei testi possono contenere istruzioni nascoste rivolte al modello.
Dalle tecniche alla professione: il profilo UNI di AI Prompt Engineer
Le sei tecniche servono a chiunque usi un chatbot. Quando il prompt entra in un processo aziendale, però, scriverlo bene non basta: serve qualcuno che lo progetti, lo provi e lo mantenga nel tempo. È il lavoro descritto dalla norma UNI 11621-8:2026, pubblicata il 30 aprile 2026, che definisce dodici profili di ruolo professionale per l’intelligenza artificiale, fra cui l’AI Prompt Engineer.
Secondo la notizia ufficiale di UNI, la norma è stata sviluppata dalla Commissione Tecnica 526 di UNI, istituita presso UNINFO, insieme alla Commissione Tecnica 533 «AI». Si applica a chi progetta, sviluppa, integra e gestisce sistemi di intelligenza artificiale, ed esclude il semplice utilizzatore di strumenti già esistenti. Per ogni figura fissa compiti e attività, conoscenze e abilità, autonomia e responsabilità, indicatori di performance.
L’articolo AIPIA su il profilo di AI Prompt Engineer nella UNI 11621-8 entra nel dettaglio: scrittura e manutenzione delle istruzioni di sistema, casi di prova per verificare che il comportamento resti stabile, monitoraggio degli output, protezioni contro la prompt injection. Sono le tecniche di questa guida, applicate con metodo e documentate.
Per passare dalla prova alla pratica di ogni giorno, la guida AIPIA al prompt engineering, riservata ai soci, raccoglie tecniche, applicazioni per professionisti e Pubblica Amministrazione e una libreria di modelli. Se cerchi una base completa, il Corso AI Base con credenziale europea parte da come funzionano i modelli linguistici e arriva al loro uso nel lavoro. AIPIA conta oltre 1.188 soci, ha rilasciato 241 credenziali e organizza oltre 200 serate formative l’anno. Per domande sui percorsi scrivi a segreteria@aipia.it.
Domande frequenti
Il prompt engineering serve ancora con i modelli che ragionano?
Sì, ma cambia forma. OpenAI scrive che i modelli che ragionano rendono meglio con indicazioni di alto livello: conta meno la lista dei passaggi, contano di più obiettivo, contesto, vincoli ed esempi.
Quanti esempi devo mettere in un prompt few-shot?
Anthropic consiglia da tre a cinque esempi vari e pertinenti. Google avverte che troppi esempi spingono il modello a ricalcarli e chiede che abbiano tutti la stessa struttura.
Serve saper programmare per fare prompt engineering?
No. Le sei tecniche funzionano in qualsiasi chat. La programmazione entra in gioco quando porti i prompt dentro un’applicazione: lì OpenAI consiglia di conservarli nel codice e di misurarli con test prima di ogni cambio di modello.
Chi è l’AI Prompt Engineer secondo la norma UNI?
È uno dei dodici profili della UNI 11621-8:2026. Riguarda chi progetta e integra sistemi di intelligenza artificiale, non chi si limita a usare strumenti già pronti.
di Redazione AIPIA
Contenuti a cura della redazione dell'Associazione Italiana Professionisti dell'Intelligenza Artificiale.
Articoli correlati
- Prompt: cos'è, cosa significa e come scriverne uno che funziona
- 20 prompt per ChatGPT da copiare al lavoro: email, riunioni, decisioni
- Come parlare con gli LLM: guida completa al prompt engineering nel 2026
- Gemini Pro per studenti: in Italia l'anno gratis è Google AI Plus
- Intelligenza artificiale a scuola: la mappa per docenti e genitori
























