Introduzione: perché il prompt è diventato la nuova magia

Nel gennaio 2022 Jason Wei e il team di Google Research hanno pubblicato il paper Chain‑of‑Thought Prompting Elicits Reasoning in Large Language Models. Con soli otto esempi ben scritti, un modello da 540 miliardi di parametri ha battuto GPT‑3 fine‑tuned sul benchmark matematico GSM8K. Nessun training da milioni di dollari, nessun dataset custom, nessuna settimana di lavoro: otto esempi scritti a mano sono stati sufficienti. Da allora, nel 2026, chi sa costruire prompt con metodo produce risultati che sembrano magia agli altri.

Io lavoro quotidianamente con Claude, GPT‑5 e Gemini dal 2023. Il divario tra chi utilizza framework strutturati e chi si limita a “fammi un articolo bello su X” è diventato imbarazzante. Questa guida mostra i framework che uso davvero, i paper che li giustificano e il passaggio dal Prompt Engineering al Context Engineering.

Perché i framework di prompting sono diventati indispensabili

Un modello linguistico non “capisce” nel senso umano: calcola la probabilità della parola successiva dato il contesto precedente. È un fatto tecnico, non un’opinione. La qualità del contesto determina la qualità dell’output. Il principio GIGO (Garbage In, Garbage Out) non è mai stato così letterale.

I framework fanno tre cose concrete:

Riduzione delle allucinazioni: ancorando il modello a ruoli, fatti e vincoli espliciti, si limita la creatività parassita.
Aumento della riproducibilità: lo stesso framework applicato a 100 prompt produce output omogenei per stile e qualità.
Risparmio di token: comunicare con metodo richiede meno parole, riducendo i costi sia in API sia nella context window.

Nel 2024 uno studio di OpenAI, riportato nel blog “Prompting Guide”, ha mostrato che i prompt strutturati producono output preferiti dagli annotatori umani nel 73 % dei casi rispetto a prompt non strutturati, su task di scrittura libera.

I 3 framework rapidi: il coltellino svizzero per l’80 % dei casi

RTF – Role, Task, Format

Il più diffuso. Prima di scrivere, pensa a tre cose: chi deve essere l’IA, cosa deve fare, come deve apparire l’output.

Esempio concreto:

Role: Sei un nutrizionista sportivo specializzato in maratoneti amatoriali.
Task: Crea un piano alimentare di 7 giorni per un uomo di 40 anni, 75 kg, che si allena 4 volte a settimana.
Format: Tabella HTML con colonne Giorno, Colazione, Pranzo, Spuntino, Cena. Calorie totali per riga.

TAG – Task, Action, Goal

Focus puro sull’operatività. Lo uso quando so già chi è l’IA e voglio solo indicare cosa fare e perché.

Task: l’attività macro (es. “analizza questo codice”).
Action: l’azione immediata (es. “trova i bug di sicurezza”).
Goal: il risultato finale (es. “voglio un elenco OWASP Top 10 con righe di codice coinvolte”).

TASS – Task, Audience, Style, Structure

Il migliore per chi scrive contenuti. Il parametro Audience è la carta vincente: cambiare lettore cambia completamente l’output.

Esempio: “Spiegami cos’è una blockchain” con Audience diverso produce:

“Un bambino di 8 anni”: racconto con metafore di quaderni e orsetti.
“Un professore di informatica”: spiegazione con hash crittografici e proof‑of‑work.
“Mia madre che non è tecnica”: esempio con ricette di cucina condivise tra amici.

I framework intermedi: business, marketing, analisi

BAB – Before, After, Bridge

Arriva dal copywriting classico ed è perfetto per risolvere problemi aziendali. Descrivi la situazione problematica, il futuro desiderato e chiedi all’IA di costruire il ponte.

Esempio di case study: “Before: cliente con 3 % conversion rate. After: cliente con 8 % conversion rate. Bridge: dimmi quali 5 interventi prioritari hanno permesso il salto”.

CARE – Context, Action, Result, Example

Il preferito per le analisi professionali. L’ultima lettera, Example, è cruciale: fornire un esempio concreto di output desiderato riduce gli errori in modo drammatico. Questa tecnica si chiama Few‑Shot Prompting e ha un paper dietro.

Nel 2020 Tom Brown e il team di OpenAI hanno pubblicato Language Models are Few‑Shot Learners. Dando al modello tra 10 e 100 esempi della tipologia di output desiderato, GPT‑3 raggiungeva o superava i modelli fine‑tuned su task specifici, senza aggiornare i pesi.

Regola pratica (Brown 2020): includi almeno 2‑3 esempi di input/output desiderato. I modelli sotto i 100 miliardi di parametri beneficiano più degli esempi, ma l’effetto resta positivo su tutti. Io inserisco sempre 3 esempi in prompt critici: è il miglior rapporto qualità/token che ho testato.

CREATE – Character, Request, Examples, Additions, Type, Extras

Il framework più completo per progetti seri. Copre ogni angolo della comunicazione con l’IA:

Character: chi è l