Prompt engineering per principianti: uno schema che funziona

Perché i prompt falliscono

Il prompt engineering per principianti non consiste nel memorizzare frasi astute. Consiste nel dare a un modello di IA il compito, le prove, i confini e la forma dell'output di cui ha bisogno per produrre qualcosa di utile. La maggior parte dei prompt scadenti fallisce perché chiedono aiuto senza definire cosa significhi "buono". Il modello riempie i vuoti con schemi probabili, e quegli schemi possono suonare rifiniti mentre mancano il tuo vero obiettivo.

Il fallimento più comune è un compito poco chiaro. "Migliora questo" può significare più breve, più caloroso, più persuasivo, più accurato, meno tecnico o più facile da scorrere. Un secondo fallimento è il contesto mancante. Se il modello non conosce il pubblico, il materiale di partenza, i criteri decisionali o l'obiettivo di business, ottimizzerà per una qualità generica. Un terzo fallimento sono i vincoli deboli. Senza regole su lunghezza, tono, fonte, privacy, formato e cosa evitare, la risposta può andare alla deriva. Un quarto fallimento è l'assenza di un ciclo di revisione. La prima risposta è di solito una bozza, non il traguardo.

Un buon flusso di lavoro per principianti tratta il prompt come un breve briefing più un controllo di qualità. Definisci il compito, includi il contesto, imposti i vincoli, chiedi un formato, poi chiedi al modello di esporre ipotesi o incertezze. Questa semplice abitudine migliora i prompt per la scrittura, i prompt per la ricerca, i prompt di pianificazione e i prompt di analisi perché trasforma il modello da assistente vago a collaboratore strutturato.

Schema: istruzione, contesto, vincoli e formato

Usa questo schema per quasi ogni prompt serio: Istruzione, Contesto, Vincoli, Formato. Funziona su tutti i modelli principali e ogni parte cambia l'output in un modo che si vede.

Parte	A cosa risponde	Versione debole	Versione forte
Istruzione	Che cosa deve fare?	"Aiutami con la ricerca di mercato"	"Crea una tabella di confronto dei concorrenti per cinque prodotti di questa categoria"
Contesto	Che cosa deve sapere?	Niente di fornito	Pubblico, obiettivo, testo di partenza, criteri di decisione, esempi
Vincoli	Quali sono le regole?	Nessuna	Meno di 400 parole, niente gergo, segnala tutto ciò che è incerto, non inventare numeri
Formato	In che forma deve tornare?	Non specificato	Una tabella con colonne affermazione, prova e fiducia

L'istruzione è l'azione. Inizia con un verbo e un risultato concreto: riassumi, confronta, riscrivi, estrai, critica, classifica, fai lo schema, correggi errori o pianifica. Invece di "Aiutami con la ricerca di mercato", scrivi "Crea una tabella di confronto dei concorrenti per cinque prodotti di questa categoria". Più chiara è l'istruzione, più facile è giudicare l'output.

Il contesto è il materiale di cui il modello ha bisogno per non tirare a indovinare. Includi pubblico, obiettivo, contesto di sfondo, testo di partenza, esempi, criteri decisionali e definizioni. Per gli input lunghi, etichetta chiaramente la fonte e metti le tue istruzioni prima o dopo il contenuto in una struttura coerente. Le indicazioni sul contesto lungo dei fornitori di modelli sottolineano spesso l'organizzazione chiara perché i grandi input hanno comunque bisogno di segnaletica.

I vincoli sono le regole. Aggiungi lunghezza, tono, ambito, affermazioni escluse, prove richieste, confini di privacy, livello di lettura e cosa fare quando manca un'informazione. I vincoli sono particolarmente utili quando ti servono prompt che migliorano l'accuratezza: di' al modello di segnare gli elementi ignoti invece di inventare dettagli, separare i fatti dalle ipotesi e citare la sezione di origine quando possibile.

Il formato è il contenitore dell'output. Chiedi una tabella, una lista di controllo, una nota, uno schema, campi in stile JSON, un'email, una griglia di valutazione o un piano passo dopo passo. Le indicazioni sull'output strutturato di OpenAI e Gemini sono utili perché rafforzano la stessa lezione pratica: quando la forma desiderata è esplicita, gli output sono più facili da leggere, confrontare e riutilizzare.

Modello di prompt da copiare e incollare: "Istruzione: [azione specifica e risultato]. Contesto: [pubblico, obiettivo, materiale di partenza, esempi, definizioni, criteri decisionali]. Vincoli: [lunghezza, tono, cosa includere, cosa evitare, regole sulle prove, regole sulla privacy, regole sull'incertezza]. Formato: [tabella/lista di controllo/nota/email/schema/campi in stile JSON]. Prima di finalizzare, elenca ipotesi, informazioni mancanti e una domanda di approfondimento che migliorerebbe il risultato."

Esempi per compito

I migliori prompt per il lavoro sono schemi riutilizzabili, non righe magiche isolate. Usa gli esempi qui sotto come punti di partenza, poi salva quelli che producono costantemente output utili.

Prompt di scrittura: "Istruzione: Riscrivi questa bozza per chiarezza e specificità. Contesto: Il pubblico è [pubblico], l'obiettivo è [obiettivo] e la bozza è [incolla la bozza]. Vincoli: Mantieni invariati tutti i fatti, evita l'enfasi, usa un linguaggio semplice e rendi ovvio il passo successivo. Formato: Restituisci una bozza rivista, poi una tabella con problema originale, modifica fatta e motivo." Funziona perché dà al modello un lavoro, un lettore, uno standard e una traccia delle modifiche rivedibile.

Prompt di ricerca: "Istruzione: Trasforma queste fonti in un briefing di ricerca. Contesto: Sto valutando [domanda] per [decisione]. Fonti: [incolla estratti di fonti o link/note]. Vincoli: Usa solo il materiale fornito, separa le prove dall'inferenza, segna le prove deboli e non inventare statistiche. Formato: Restituisci risultati chiave, tabella delle prove, domande aperte e prossime fonti consigliate." È meglio che chiedere "Fai ricerca su questo argomento" perché protegge la tracciabilità.

Prompt di pianificazione: "Istruzione: Crea un piano di esecuzione di due settimane. Contesto: L'obiettivo è [obiettivo], il team è [team], la scadenza è [data], i vincoli sono [vincoli]. Vincoli: Dai priorità ai passi reversibili, individua presto gli ostacoli e mantieni ogni compito gestibile dal responsabile. Formato: Tabella con giorno, compito, responsabile, output, rischio e controllo di successo." L'output diventa qualcosa che un team può davvero usare.

Prompt di analisi: "Istruzione: Confronta queste opzioni e raccomandane una. Contesto: Le opzioni sono [opzioni]. I criteri decisionali sono [criteri]. Vincoli: Includi i compromessi, la controargomentazione più forte e cosa cambierebbe la raccomandazione. Formato: Tabella di valutazione più una breve nota decisionale." Questo incoraggia il giudizio senza nascondere l'incertezza.

Prompt di revisione: "Istruzione: Critica questo output prima che io lo usi. Contesto: L'uso previsto è [caso d'uso]. Output da rivedere: [incolla]. Vincoli: Controlla accuratezza, affermazioni non supportate, contesto mancante, tono, rischio e punti che necessitano di revisione umana. Formato: Restituisci prima i problemi critici, poi le modifiche suggerite, poi una valutazione finale di fiducia." Questo trasforma l'IA in un passo di controllo qualità anziché in un semplice generatore di bozze.

Ciclo di iterazione

Un buon prompt engineering è iterativo. Dovresti aspettarti che la prima risposta riveli cosa il prompt ha dimenticato. Invece di ricominciare da zero, usa un ciclo: valuta, diagnostica, rivedi, confronta, salva.

Valuta la risposta rispetto a cinque domande. Ha completato il compito esatto? Ha usato il contesto fornito? Ha rispettato i vincoli? Il formato è facile da usare? Affermazioni, ipotesi e incertezze sono visibili? Se la risposta fallisce, diagnostica il prompt prima di incolpare il modello. Un output vago spesso significa che il compito era vago. Un output generico spesso significa che il contesto era scarso. Un output rischioso spesso significa che mancavano i vincoli.

Poi rivedi con un'istruzione precisa alla volta. Di' "rendi la raccomandazione più basata sulle prove e segna gli elementi ignoti" invece di "riprova". Di' "converti questo in una tabella con colonne per affermazione, prova, fiducia e prossimo controllo" invece di "sii più strutturato".

Quando l'output conta, esegui il prompt rivisto su due modelli e confrontali su quattro aspetti: accuratezza, completezza, controllo del tono e quanta revisione serve ancora a ciascuno. La seconda esecuzione costa poco. Secondo l'indice dei costi dei modelli di Whizi (prezzi di listino rilevati il 2026-08-20), una risposta standard da 1.000 token in ingresso e 500 in uscita costa $0.007 su Claude Sonnet 5 e $0.02 su GPT-5.5: un secondo parere su un lavoro importante costa pochi centesimi, una risposta sbagliata no.

Usa questa lista di iterazione: 1. Nomina il fallimento in una frase. 2. Aggiungi il contesto o il vincolo mancante. 3. Restringi il formato dell'output. 4. Chiedi ipotesi e incertezza. 5. Esegui un secondo modello quando il compito è importante. 6. Salva il prompt migliorato solo dopo che funziona su un compito reale, non su un esempio giocattolo.

Costruisci la tua libreria di prompt riutilizzabili

Una libreria di prompt riutilizzabili è dove il prompting per principianti diventa un flusso di lavoro quotidiano. Invece di tenere prompt casuali nella cronologia della chat, organizza i modelli per lavoro: scrittura, ricerca, pianificazione, programmazione, analisi clienti, revisione di documenti e supporto alle decisioni. Ogni modello dovrebbe includere gli stessi quattro campi: istruzione, contesto, vincoli e formato.

Aggiungi una breve nota d'uso a ogni prompt salvato: quando usarlo, quali input richiede, quale modello ha reso meglio e come verificare l'output. Per esempio, un prompt di ricerca potrebbe richiedere estratti di fonti e una tabella affermazione-prova. Un prompt di scrittura potrebbe richiedere pubblico, campione di voce e fatti da mantenere. Un prompt di revisione del codice potrebbe richiedere il diff, il comportamento atteso e il contesto dei test.

Whizi si adatta a questo flusso di lavoro perché puoi eseguire lo stesso schema su GPT-5.5, Claude Sonnet 5, Gemini e DeepSeek V3.2 in un unico spazio di lavoro invece di legarti a un modello per sempre, e puoi indirizzare le esecuzioni di routine a un modello economico: DeepSeek V3.2 risponde per circa $0.0005 ai prezzi di listino, all'incirca 40 volte meno di GPT-5.5. Inizia con tre modelli questa settimana: una riscrittura di scrittura, un briefing di ricerca e una tabella decisionale. Esegui ogni modello su un compito reale, confronta gli output dei modelli, rivedi il modello e tieni la versione che produce il risultato più utile con la minor pulizia.

Per una guida per principianti più ampia, leggi Come usare l'IA. Per il lavoro con molta ricerca, prova il Founder Research Stack. Quando sei pronto a trasformare il prompting in uno spazio di lavoro ripetibile, crea il tuo account.