Articolo di Mattia Gottardello – Full-stack Developer in AzzurroDigitale
Nella scorsa puntata — “Oltre l’Hype“ — abbiamo smontato la mistica degli LLM: non sono oracoli, ma motori statistici che prevedono la parola successiva. Bene. Ora che sappiamo cos’è un LLM, dobbiamo imparare a guidarlo. Perché la differenza tra una risposta banale e un output che ti fa risparmiare due ore di lavoro non sta nel modello: sta in come glielo chiedi.
Business Case: Capire il valore per l’azienda
Il Prompt Engineering non è magia nera, è ottimizzazione di processo. Stessa tecnologia, risultati radicalmente diversi a seconda di come imposti la richiesta.
Un prompt scritto male è come assegnare un incarico ad uno stagista al primo giorno senza contesto: ti ritrovi con un testo generico, fuori tono, da riscrivere da capo.
Un prompt strutturato è come parlare con un collaboratore senior: riceve le istruzioni, conosce il contesto, e produce qualcosa di usabile al primo colpo.
Tradotto in termini concreti per l’azienda:
- Email commerciali che rispecchiano il tuo tone of voice invece di suonare robotiche.
- Report e sintesi di documenti già nel formato interno che usate, senza rielaborazioni manuali.
- Output coerenti su larga scala, non dipendenti dall’umore della giornata o dalla fretta.
Il ROI è banale da calcolare: meno tempo a correggere, più tempo a decidere.
How It Works: Semplificare la complessità
Prendiamo una task quotidiana: scrivere un’email al cliente per un ritardo di consegna.
Prompt Sbagliato (zero-shot pigro):
Risultato: un testo anonimo, formale alla maniera americana, firmato “Il Team”. Inutilizzabile.
Prompt Corretto (strutturato):
Stesso modello, altro pianeta. La regola è una sola: dai all’AI lo stesso contesto che daresti a un essere umano. Ruolo, obiettivo, vincoli, formato di output. Se omettere un dettaglio confonderebbe un collega, confonderà anche il modello.
Deep Tech: Approfondimento tecnico e best practices
Quando si passa dalla chat all’integrazione via API, il gioco cambia. La prima distinzione fondamentale è architetturale:
- System Prompt — le “regole d’ingaggio” persistenti dell’agente: chi è, cosa può e non può fare, in che formato deve rispondere. Si definisce una volta.
- User Prompt — la richiesta puntuale dell’utente finale, variabile ad ogni chiamata.
Due tecniche che uso ogni giorno in produzione:
Few-Shot Prompting — inserisci 2-3 esempi di input/output direttamente nel payload. Il modello impara il pattern meglio di qualsiasi descrizione astratta. È essenziale per tassonomie custom, estrazione di dati strutturati e classificazioni di dominio.
Chain-of-Thought — forzi il modello a ragionare prima di rispondere. Istruzione tipica: “Analizza i passaggi in un campo reasoning , poi restituisci il risultato finale in output “. Riduce drasticamente le allucinazioni su task logiche, al costo di qualche token in più. Quando l’output deve essere un JSON consumato da altro codice,
questo pattern fa la differenza tra un’integrazione affidabile e un bug in produzione alle 3 di notte.
Conclusione e prossima puntata
Oggi il codice migliore non è fatto solo di Python, TypeScript o Go: include anche istruzioni in linguaggio naturale ben ingegnerizzate. Trattate i prompt come trattate il codice: versionati, testati, documentati.
Prossima puntata — “LLM in Produzione: Costi, Sicurezza e Integrazione”: come portare questi modelli sui server aziendali senza far esplodere il budget o rischiare la
fuga di dati. Parleremo di token economics, RAG, self-hosting e privacy. Restate sintonizzati.