- Il prompt resta decisivo: l'AI risponde in modo tecnicamente corretto ma spesso alla domanda sbagliata, colmando i vuoti informativi con supposizioni invisibili
- Una singola frase finale funziona come soluzione: "Prima di rispondere, dimmi cosa hai bisogno di sapere per rispondere correttamente e segnalami le supposizioni che faresti altrimenti"
- Il trucco funziona con Claude, ChatGPT, Gemini e qualsiasi LLM, rendendo superflue molte tecniche di prompt engineering più elaborate
Il prompt resta il singolo elemento più importante in ogni interazione con un’intelligenza artificiale. I modelli diventano più potenti, gli strumenti più sofisticati, ma se la richiesta iniziale non è formulata nel modo giusto, la risposta sarà inevitabilmente fuori bersaglio. Una tecnica semplicissima, fatta di una sola riga aggiunta in fondo alla richiesta, sta cambiando il modo in cui molti utenti riescono a migliorare le risposte dell’AI in modo immediato.
Perché l’AI risponde bene alla domanda sbagliata
Esiste un problema che nessun benchmark riesce a catturare e che chiunque usi regolarmente un modello linguistico conosce bene: ricevere una risposta perfettamente accurata, ma a una domanda diversa da quella che si aveva in mente. Non si tratta di un’allucinazione, perché il contenuto è tecnicamente corretto. Il modello ha semplicemente interpretato la richiesta in modo leggermente diverso da come la intendeva l’utente, e ha proceduto con sicurezza lungo quella direzione.
Il meccanismo ricorda ciò che accade tra persone. Se non fornisci abbastanza contesto, chi ti ascolta riempie i vuoti con le proprie supposizioni. Un interlocutore umano spesso si ferma per chiedere chiarimenti, ma Claude e gli altri modelli lo fanno solo quando la richiesta è palesemente vaga. Chiedere di costruire una pagina web, ad esempio, produce quasi sempre una domanda di follow-up sul tipo di layout desiderato. Chiedere un saggio sulla Rivoluzione francese, invece, sembra già abbastanza specifico: il modello parte senza esitare.
In quel momento, però, sta prendendo una serie di decisioni al posto dell’utente. La lunghezza del testo, il registro, il livello di approfondimento, il pubblico di riferimento: ognuna di queste scelte invisibili può allontanare la risposta da ciò che si voleva davvero. E poiché nulla è tecnicamente sbagliato, non scatta nessun campanello di allarme.
Dodici parole per migliorare le risposte di qualsiasi AI
La soluzione non è un template elaborato e nemmeno un messaggio di sistema copiato da qualche forum di prompt engineering. È una singola frase da incollare alla fine di qualsiasi richiesta. La versione originale, in inglese, recita: “Before you answer, tell me what you need to know to answer well, and point out any assumptions you’d otherwise make.” In italiano si può adattare così: “Prima di rispondere, dimmi cosa hai bisogno di sapere per rispondere correttamente e segnalami le supposizioni che faresti altrimenti.“
Questa riga costringe il modello a fare qualcosa che normalmente evita: esplicitare i vuoti informativi prima di produrre una risposta. Tornando all’esempio del saggio storico, con questa frase in fondo Claude non produce nemmeno una parola del testo. Chiede invece quanto deve essere lungo, a chi è destinato, se serve un’argomentazione focalizzata o una panoramica generale, quanto formale deve essere il tono, se servono fonti.
In pratica, le decisioni che il modello avrebbe preso in silenzio diventano domande esplicite rivolte all’utente. Senza questa riga, il modello si limita a chiarire uno o due punti che considera evidentemente ambigui. Con la riga, emerge l’intera lista di supposizioni, comprese quelle che il modello si sentiva abbastanza sicuro da fare in autonomia. Sono proprio quelle le più insidiose, perché mandano fuori rotta una risposta senza che nessuno se ne accorga.
Il vantaggio pratico è chiaro: invece di rincorrere il modello con messaggi di correzione, oppure di cercare di anticipare ogni dettaglio nella richiesta iniziale, si ottiene una sorta di briefing inverso. Il modello comunica all’utente cosa gli manca, l’utente risponde, e solo a quel punto parte la generazione vera e propria.
Funziona con Claude, ChatGPT e tutti gli altri modelli
La tendenza a riempire i vuoti informativi e a procedere con sicurezza non è un comportamento esclusivo di Anthropic e del suo modello. È una caratteristica strutturale dei modelli linguistici: sono addestrati per produrre risposte fluide e complete, e questo li porta a colmare le lacune con le proprie inferenze piuttosto che fermarsi. La stessa frase funziona quindi con ChatGPT, Gemini, modelli locali come Llama e qualsiasi altro strumento basato su un LLM.
Non serve nessuna configurazione particolare. La riga va aggiunta in fondo alla richiesta e può essere adattata al contesto specifico. Il principio resta identico: forzare il modello a mostrare il proprio ragionamento prima di impegnarsi in una risposta. Anche quando l’intelligenza artificiale viene applicata a scenari più ambiziosi come l’integrazione con hardware fisico tramite Raspberry Pi, la qualità del prompt resta il fattore che determina l’utilità effettiva dello strumento.
La corsa ai modelli più capaci ha spostato l’attenzione dalle tecniche di prompting elaborate alla qualità dell’interazione di base. La lezione più utile che ne emerge si riduce a un concetto semplice: prima di pretendere una buona risposta, conviene chiedere al modello cosa gli serve per poterla dare. È un cambio di prospettiva minimo che potrebbe rendere superflua buona parte delle guide e dei corsi sul prompt engineering ancora in circolazione.
