Scrivere a un modello di AI, oggi, può sembrare una di due cose:
o una conversazione produttiva, come scambiarsi note con un collega paziente,
oppure un interrogatorio in una stanza senza finestre, sotto una lampada accecante, con un caffè che sa di segreto di stato.

E indovina un po’?
Il modello rende molto meglio nella prima modalità.

Quello che segue non è un manuale operativo per addestrare cyborg, ma una piccola guida pratica — e un po’ narrativa — per costruire prompt chiari, efficaci e soprattutto collaborativi. Perché sì: anche quando parli con un sistema statistico, il modo in cui ti esprimi cambia tutto, anche e soprattutto le sue risposte.

1. Il modello non è un sospettato: parla da collaboratore

La tentazione, quando si vuole una risposta precisa, è usare un tono perentorio.
“Dammi questo. Dammi quello. Subito.”
Il modello obbedisce… ma male.

Prendi un esempio:

Interrogatorio:

“Dammi una lista di soluzioni SEO. Subito.”

Il modello ti risponderà, certo, ma come un impiegato stanco a fine turno.

Conversazione:

“Sto lavorando su un blog personale. Mi dai una lista di strategie SEO pensate per un autore indipendente? Preferisco suggerimenti pratici e spiegati in modo semplice.”

La magia si trova in contesto, tono e scopo.
Il modello capisce perché chiedi qualcosa, non solo cosa. E ti restituisce risposte più adatte a te.

2. Essere specifici non significa essere aggressivi

La chiarezza è fondamentale, l’aggressività… un po’ meno.

Versione sergente istruttore:

“Scrivi in 10 punti. Nessuna intro. Nessuna conclusione. Se sbagli, correggi.”

Sembra quasi di sentire il fischietto.

Versione umana:

“Mi serve una lista in circa 10 punti, senza intro né conclusione. Se qualcosa non ti è chiaro posso chiedere modifiche.”

Puoi notare di essere davanti alla stessa richiesta ma ad un tono completamente diverso.
La seconda formula permette al modello di generare testo più fluido, meno “spezzato” e più naturale.

3. Il contesto è l’oro del prompt design

Non serve dilungarsi come in una tesi di dottorato, ma qualche coordinata sì.
Tre sono quelle che cambiano tutto:

• Perché stai chiedendo qualcosa
• Chi sei (o chi è il tuo pubblico)
• Come vuoi che sia strutturata la risposta

Esempio:

“Sto preparando un workshop introduttivo sul machine learning per studenti universitari. Hanno basi di Python. Mi prepari una scaletta con esempi pratici e tono accessibile?”

Il risultato?
Non un elenco generico, ma un contenuto calibrato sulle tue esigenze: zero telepatia richiesta.

4. Dai un ruolo, non un distintivo da superspia

I role prompt funzionano.
Funzionano malissimo quando si chiede al modello di diventare un “esperto infallibile, onnisciente, esoterico”.

Evita:

“Sei un esperto assoluto di cybersecurity. Infallibile. Onnisciente.”

Molto meglio:

“Assumi il ruolo di un consulente di cybersecurity esperto, con un tono pratico e amichevole. Preferisco consigli applicabili subito.”

In questo modo il modello si adatta a un registro più realistico, più utile e meno teatrale.

5. Domanda aperta = idee. Domanda chiusa = precisione.

Una domanda aperta spalanca la porta alle idee.
Una domanda chiusa costringe il modello a essere preciso.

Aperta (brainstorming):

“Quali approcci creativi posso usare per promuovere un progetto open-source?”

Chiusa (output strutturato):

“Mi elenchi 5 modi per promuovere un progetto open-source senza budget?”

Usa la forma in base al risultato che cerchi — e la risposta si allineerà da sola.

6. La cortesia funziona (anche se l’AI non ha sentimenti)

No, il modello non si offende.
Sì, risponde diversamente in base al tono.

Tono irritato:

“Correggi questo. Adesso.”

Tono collaborativo:

“Puoi correggere questo testo mantenendo lo stile originale? Vorrei maggiore chiarezza.”

Sembra un dettaglio, ma cambia l’intero ritmo dell’output: meno metallico, più coerente.

7. Itera. Seriamente: itera.

Il primo prompt è sempre una bozza.
Il secondo è un aggiustamento.
Il terzo inizia a funzionare.

La sequenza classica è:

1. Scrivi il prompt
2. Leggi la risposta
3. Aggiusta
4. Rifinisci
5. Ottieni quello che volevi

E quando non sai cosa aggiustare, puoi chiedere:

“Come posso migliorare il mio prompt?”

Il paradosso: l’AI è ottima a insegnarti come parlarle meglio.

8. Prima & dopo, formato CodexSprawl

❌ Prompt stile CIA:

“Analisi dettagliata del mercato AI. Non divagare. 500 parole. Tono professionale.”

Sì, risponderà ma in modo molto asciutto.

✅ Prompt stile collaborativo (e sensato):

“Sto preparando un breve report sul mercato dell’AI per un pubblico non tecnico.
Puoi riassumere i trend principali in circa 500 parole, con un tono professionale ma accessibile?
Se ti serve chiarimento, chiedi pure.”

Questo è il tipo di prompt che costruisce davvero una conversazione.

9. Mini-checklist da tenere sul desktop

• ❑ Ho spiegato perché voglio questa risposta?
• ❑ Ho specificato tono e contesto?
• ❑ Ho chiesto un formato senza fare il generale dell’esercito?
• ❑ Ho dato abbastanza dati per evitare ambiguità?
• ❑ Ho mantenuto un tono collaborativo?
• ❑ Sto lasciando spazio per proposte alternative?

Se spunti almeno 4 caselle, sei sulla strada giusta.
Se le spunti tutte, hai già superato metà dell’umanità in competenze di prompt design.

Conclusione

Un buon prompt non è un ordine, è un dialogo.
Più sei chiaro, contestualizzato e collaborativo, più il modello risponderà in modo utile, fluido e sorprendentemente… umano.

Appendice: Esempi tecnici di prompt che funzionano davvero

1. Prompt per DevOps: da caos operativo a output lineare

❌ Stile interrogatorio

“Dammi la pipeline CI/CD per un’app Docker. Dev’essere sicura. Niente errori.”

Problemi: troppo vago, troppo autoritario e non presenta un contesto.

✅ Stile collaborativo

“Sto configurando una pipeline CI/CD per un’app Flask containerizzata in Docker.
Uso GitHub Actions e voglio integrare test automatici + build dell’immagine + push su registry privato.
Puoi propormi una pipeline completa e spiegare perché hai scelto quei passaggi?”

Risultato: YAML sensato, passaggi logici, niente magie nere.

2. Prompt per Sysadmin: configurazioni senza lotterie

❌ Interrogatorio

“Configura un server Nginx sicuro. Output completo.”

✅ Collaborativo

“Sto preparando un server Ubuntu 22.04 per un’applicazione web REST.
Puoi generarmi una configurazione Nginx ottimizzata per:
– reverse proxy verso un backend su 127.0.0.1:5000
– HTTPS con certbot
– rate limiting leggero

Preferisco commenti inline che spieghino ogni blocco.”

Risultato: un file leggibile, adattabile e con logica interna.

3. Prompt per Sviluppatori: codice chiaro, non oracolare

❌ Interrogatorio

“Scrivi codice pulito in Python per usare un database. Niente errori. Chiaro.”

✅ Collaborativo

“Sto facendo refactoring di un modulo Python che interagisce con PostgreSQL.
Mi serve un esempio pulito, con:
– connessione tramite asyncpg
– gestione errori
– query parametrizzate
– un pattern riutilizzabile

Mantieni il codice leggibile: 30–40 righe massimo.”

Risultato: snippet concreto e riutilizzabile, non un tomo di 200 righe.

4. Prompt per ML Engineer: niente black box, solo pipeline sensata

❌ Interrogatorio

“Dammi un modello di classificazione immagini. Deve essere efficace.”

✅ Collaborativo

“Devo costruire una demo di classificazione immagini per una presentazione interna.
Dataset medio (≈20k immagini), hardware limitato (una singola GPU 12GB).
Puoi suggerire una pipeline semplice con:
– modello pre-addestrato consigliato
– tecnica di fine-tuning
– dimensione batch ideale
– note sui tempi stimati di training?”

Risultato: una strategia realistica invece della generica “usa ResNet, ciao”.

5. Prompt per InfoSec: niente paranoia superflua

❌ Interrogatorio

“Dammi una checklist di sicurezza per Kubernetes, dettagliata e perfetta.”

❌ (ancora peggio)

“Agisci come un esperto infallibile di sicurezza Kubernetes di livello NSA.”

✅ Collaborativo

“Sto preparando un audit preliminare su un cluster Kubernetes on-prem orientato a microservizi.
Puoi fornirmi una checklist ragionata che copra:
– RBAC e service accounts
– Network policies
– Pod Security Standards
– gestione segreti
– logging e observability

Livello di profondità: intermedio, adatto per una prima revisione.”

Risultato: checklist utile, non fantascienza paranoica.

6. Prompt per Documentazione: generare contenuti tecnici leggibili

❌ Interrogatorio

“Scrivi la documentazione API. Dev’essere completa.”

❌ (il classico errore)

“Scrivi tutta la documentazione API.”

✅ Collaborativo

“Sto aggiornando la documentazione API di un servizio interno.
Puoi generarmi una sezione di esempio per l’endpoint /v1/users/{id} con:
– descrizione
– parametri
– struttura della risposta
– errori comuni

Tono: conciso e tecnico, stile FastAPI docs.”

Risultato: documentazione realmente plug-and-play.

7. Prompt per Debugging: far lavorare l’AI come un collega, non come un oracolo

❌ Interrogatorio

“Perché il mio script non funziona? Fixalo.”

❌ Versione “telepatica”

“Il codice è lungo, ma tu capirai.”

✅ Collaborativo

“Sto debug-gando questo script Python (incollato sotto).
L’errore appare quando eseguo la funzione process_events().
Puoi:

1. riassumere cosa fa il codice,
2. indicare dove potrebbe rompersi,
3. proporre una soluzione?

Preferisco una spiegazione passo passo.”

Risultato: debugging sensato, non un patch magico.

8. Prompt per Architetture Software: chiedere una visione d’insieme

❌ Interrogatorio

“Disegna un’architettura scalabile per un’app grande.”

✅ Collaborativo

“Sto progettando un servizio di log centralizzato per ~200 microservizi.
Riceve eventi JSON, li normalizza e li inserisce in un backend di ricerca.
Mi proponi un’architettura indicativa che includa:
– ingress/queueing
– normalizzazione
– storage/indice
– scaling strategy

Livello: high-level, stile diagramma di flusso.”

Risultato: uno schema ragionato, non un edificio di Lego senza istruzioni.