C’è un equivoco che frena molti professionisti nell’adozione dell’intelligenza artificiale generativa. Si chiama prompt engineering, e il solo nome intimorisce. Engineering evoca codice, parametri, architetture neurali. Evoca il reparto IT, non la riunione di marketing.
Il problema è che molte aziende hanno dedotto da questo nome una conclusione sbagliata: che usare bene l’AI richieda competenze tecniche avanzate. E chi interiorizza questa idea smette di sperimentare, delega allo specialista, ottiene risultati mediocri e conferma la propria diffidenza. Il ciclo si chiude su se stesso.
La verità è che il prompt engineering è una disciplina specialistica che riguarda pochi. Ma saper comunicare efficacemente con un modello linguistico riguarda tutti. E per farlo non serve l’engineering: serve il design. La distinzione non è semantica. È la differenza tra una competenza che rimane nei reparti tecnici e una che può diffondersi in tutta l’organizzazione.
Ma c’è una terza dimensione che nessuna delle due cattura completamente: l’arte del prompt. Non nel senso ornamentale del termine, ma nel senso di una competenza che, con la pratica, diventa intuizione. Qualcosa che si impara facendo, si affina sbagliando, e alla fine si riconosce più che si spiega.
Indice degli argomenti:
Prompt engineering e prompt design: due competenze da non confondere
Il prompt engineering è una disciplina tecnica. Riguarda l’ottimizzazione delle istruzioni a livello di sistema: la scelta dei parametri, la costruzione di pipeline automatizzate, le tecniche avanzate come il chain-of-thought prompting, il few-shot learning, il retrieval-augmented generation. È il territorio degli sviluppatori AI, dei ricercatori, di chi progetta prodotti e infrastrutture basati su modelli linguistici. Richiede conoscenza profonda di come funziona un LLM sotto il cofano, delle sue capacità e dei suoi limiti strutturali. È una competenza rara, specialistica, e giustamente concentrata in poche figure all’interno delle aziende.
Il prompt design è tutt’altra cosa. È una competenza professionale nel senso più concreto del termine: la capacità di formulare istruzioni chiare, contestualizzate e iterabili per ottenere output utili in contesti di lavoro reali. Non richiede di sapere come è addestrato un modello, né di conoscere l’architettura dei transformer. Richiede di sapere cosa si vuole ottenere, per chi, con quale scopo, entro quali vincoli. È il territorio del manager, del consulente, dell’analista, del marketer, del responsabile HR. Ed è una competenza che molti professionisti possiedono già in forma latente, senza saperlo riconoscere.
Questa distinzione non è solo semantica. È strategica. Se il prompt viene percepito come una questione tecnica, viene delegato ai pochi. Se viene percepito come una competenza professionale, può essere sviluppato nei molti. E la differenza tra un’organizzazione in cui pochi sanno usare bene l’AI e una in cui tutti la usano bene è, nel medio periodo, una differenza competitiva difficile da colmare.
Un effetto collaterale del prompt design
C’è un effetto collaterale del prompt design che viene raramente menzionato, ma che chi lo pratica con costanza riconosce immediatamente. Imparare a costruire prompt migliori non sviluppa solo la capacità di dare istruzioni più chiare: sviluppa la capacità di anticipare l’output prima ancora di riceverlo.
Chi ha dimestichezza con i modelli linguistici sa già, mentre scrive il prompt, se la risposta sarà generica o precisa, se il tono sarà quello giusto, se la struttura richiesta verrà rispettata. Non perché abbia competenze tecniche sul funzionamento del modello, ma perché ha accumulato esperienza su come le macchine interpretano le istruzioni. È una forma di pensiero anticipatorio che si affina con la pratica, esattamente come un buon fotografo sa già, prima di scattare, come verrà la luce.
Questa capacità è preziosa per le aziende perché riduce il ciclo di revisione, aumenta la qualità del primo output e, soprattutto, rende il professionista più consapevole di cosa vuole davvero prima ancora di chiederlo. Il prompt, in questo senso, non è solo uno strumento per ottenere risposte: è uno strumento per chiarire le proprie domande.
Prompt design come capacità di delegare meglio
C’è una lettura del prompt design che viene quasi sempre trascurata, e che ha invece un valore pedagogico enorme: è la capacità di delegare bene.
Chi ha esperienza nel gestire persone sa che una delega efficace non è “fai questo”. È “fai questo, in questo modo, per questo scopo, entro questi vincoli, tenendo conto di questo contesto, e dimmi se hai bisogno di chiarimenti”. Chi sa costruire istruzioni chiare per un collaboratore junior ha già sviluppato la maggior parte delle competenze cognitive necessarie per diventare un buon prompt designer.
La differenza rispetto alla delega tradizionale è che il modello è più veloce, sempre disponibile, instancabile, capace di operare su volumi di testo che nessun essere umano potrebbe gestire in tempi ragionevoli. Ma è anche radicalmente privo di contesto, di giudizio autonomo, di memoria tra una sessione e l’altra, e di buon senso situazionale. Sa eseguire istruzioni con straordinaria efficienza, ma non sa quali istruzioni eseguire se non gliele fornisci tu.
Questa asimmetria è la chiave per capire perché il prompt design sia una competenza professionale e non tecnica. Non si tratta di capire come funziona il modello. Si tratta di capire cosa vuoi da lui, e di saperlo dire nel modo giusto. Esattamente come si fa con un collaboratore competente ma nuovo, che conosce le procedure ma non conosce ancora il tuo mondo.
Con il tempo, questa capacità smette di essere procedurale e diventa qualcosa di più sottile. I professionisti che usano i modelli linguistici da mesi sviluppano un senso quasi tattico di come inquadrare un problema, quale angolazione usare, quale livello di dettaglio fornire. Non seguono più una checklist. Hanno interiorizzato un’arte.
Tre dimensioni del prompt design
Chi sviluppa questa competenza in modo sistematico lavora su tre dimensioni distinte, che si sovrappongono e si rafforzano reciprocamente.
La prima è la struttura. Un prompt efficace non è una frase. È un’istruzione con componenti precise: cosa vuoi ottenere, in quale forma, con quale scopo, per quale destinatario, con quale tono. Non “riassumi questo documento” ma “riassumi questo contratto in tre punti essenziali, usando linguaggio non tecnico, per una presentazione al consiglio di amministrazione che non ha letto il testo originale”. La differenza tra i due output è abissale, e non richiede nessuna competenza tecnica per essere prodotta. Richiede chiarezza di intento, che è una competenza professionale.
La seconda dimensione è il contesto. I modelli linguistici non hanno memoria persistente, non conoscono il tuo settore, non sanno chi è il tuo pubblico, non conoscono la storia del progetto su cui stai lavorando. Ogni prompt è, per il modello, un mondo nuovo da ricostruire da zero. Chi riesce a comprimere in poche righe le informazioni davvero rilevanti, il livello di familiarità dell’interlocutore con l’argomento, i vincoli del caso, il tono atteso, ottiene risposte immediatamente più precise e utili. Anche questa è una competenza comunicativa, non tecnica. È la stessa capacità di sintesi che si usa scrivendo un briefing, preparando un onboarding, o introducendo un collaboratore a un nuovo progetto.
La terza dimensione è l’iterazione. Il prompt non è un atto unico: è l’inizio di una conversazione. I professionisti più efficaci nell’uso dei modelli linguistici non si aspettano la risposta perfetta al primo colpo. Raffinano l’istruzione, chiedono varianti, specificano cosa non ha funzionato nell’output precedente, aggiungono esempi di ciò che cercano. Chi tratta il prompt come una ricerca su Google si ferma al primo risultato, spesso mediocre. Chi lo tratta come una conversazione da costruire progressivamente ottiene risultati radicalmente diversi.
Ed è proprio nell’iterazione che l’arte del prompt emerge con più chiarezza. La struttura si può insegnare con una checklist. Il contesto si può spiegare con esempi. Ma la capacità di capire perché un output non ha funzionato, e di correggere il tiro con una modifica chirurgica, è qualcosa che assomiglia più all’intuizione di un artigiano esperto che alla procedura di un tecnico. Si accumula con l’esperienza, non si acquisisce con un corso.
Motori di ricerca e modelli linguistici
Per decenni abbiamo imparato a fare domande alle macchine nel modo peggiore possibile. Tre parole chiave, nessun contesto, aspettativa di un risultato istantaneo. I motori di ricerca ci hanno addestrati alla vaghezza. I modelli linguistici richiedono l’opposto.
La differenza fondamentale è che un LLM non restituisce link: genera testo. E la qualità di quel testo dipende quasi interamente dalla qualità dell’istruzione che gli viene data. I modelli generativi sono, in un certo senso, superfici di amplificazione: amplificano la chiarezza di chi li usa, ma amplificano anche la confusione.
Un input vago produce un output generico. Un input preciso produce un output che può davvero fare la differenza in un processo decisionale, in una comunicazione, in un’analisi.
Qui si vede con chiarezza la distanza tra chi usa i modelli come strumenti e chi li usa come estensione del proprio pensiero professionale. I primi ottengono risposte. I secondi ottengono collaboratori. La differenza non sta nella potenza del modello, ma nella qualità dell’interazione. E quella qualità è, in larga misura, un’arte che si coltiva.
Il problema delle competenze che svaniscono
C’è un ostacolo sistemico che le aziende tendono a sottovalutare, e che riguarda qualsiasi programma di sviluppo delle competenze legate all’AI. Le conoscenze apprese senza pratica immediata svaniscono rapidamente. La ricerca sulla curva dell’oblio di Ebbinghaus mostra che il 50% di quanto appreso viene dimenticato entro un’ora, il 70% entro 24 ore, il 90% entro una settimana. Questo vale per qualsiasi competenza, e vale in modo particolare per quelle che richiedono applicazione pratica per essere consolidate.
Il punto non è organizzare un corso sul prompt design. È costruire un contesto organizzativo in cui le persone usino, sperimentino e condividano ogni giorno. Le aziende che ottengono risultati concreti dall’intelligenza artificiale generativa non sono necessariamente quelle che hanno investito di più in formazione formale. Sono quelle in cui i collaboratori usano gli strumenti nel flusso reale del proprio lavoro quotidiano, si scambiano i prompt migliori, costruiscono una cultura pratica intorno all’uso dell’AI, e imparano gli uni dagli altri per tentativi ed errori.
Un modello efficace per strutturare questa transizione è il cosiddetto “70/20/10“: il 70% dell’apprendimento avviene nell’esperienza diretta, il 20% nel confronto tra pari, solo il 10% nella formazione formale. Il corso introduttivo può costruire consapevolezza e abbattere le resistenze iniziali. Ma senza pratica quotidiana e senza comunità di confronto, non genera vantaggio competitivo. Genera, nel migliore dei casi, una finestra di entusiasmo che si chiude nel giro di pochi giorni.
Il gap fra accesso e uso reale
C’è un dato che vale la pena tenere a mente. Secondo l’Osservatorio Artificial Intelligence del Politecnico di Milano, solo una grande azienda italiana su cinque ha una pervasività reale dell’AI in diverse funzioni, nonostante l’84% abbia già acquistato licenze di strumenti di AI generativa. Il gap tra accesso e uso reale è enorme. E secondo la ricerca Salesforce su oltre mille lavoratori italiani, solo il 15% dichiara di lavorare per un’azienda con linee guida ben definite sull’uso dell’AI, e solo il 23% ha ricevuto formazione specifica su come utilizzarla.
Il gap tra aspettative e adozione reale non è un problema di tecnologia. I modelli sono accessibili, potenti, integrati in molte piattaforme già in uso. Il gap è culturale. Le persone non sperimentano perché non hanno tempo dedicato, perché non esiste un contesto in cui farlo senza rischio, perché non vedono esempi concreti di colleghi che ottengono risultati migliori grazie all’AI.
A questo si aggiunge un problema di governo che le aziende tendono a ignorare fino a quando è troppo tardi. Quando mancano linee guida chiare e strumenti aziendali adeguati, i lavoratori non smettono di usare l’AI: la usano lo stesso, ma con strumenti personali, account privati, modelli esterni al perimetro aziendale. Nessun log, nessuna traccia, nessun controllo su quali dati vengono condivisi con quali modelli. Le aziende si trovano così in una situazione paradossale: credono di non avere un problema di AI, mentre in realtà hanno un problema di AI invisibile. La shadow AI non è una minaccia futura. È già dentro le aziende, nei laptop dei collaboratori più proattivi, proprio quelli che l’azienda vorrebbe valorizzare.
Le aziende che trattano il prompt design come una skill da esternalizzare al reparto IT, o da affidare a poche figure dedicate, rischiano di perdere esattamente il vantaggio che cercano. Il valore dell’AI generativa non sta negli use case spettacolari costruiti da team specializzati: sta nei mille miglioramenti quotidiani che i professionisti possono ottenere se sanno come usare lo strumento. E quei miglioramenti dipendono dalla diffusione del prompt design, non dalla concentrazione del prompt engineering.
Una competenza che si costruisce insieme
Il prompt design si sviluppa meglio in comunità. Non nel senso romantico del termine, ma in senso molto pratico: condividere i prompt che funzionano, discutere quelli che non hanno funzionato, costruire librerie di istruzioni efficaci per i casi ricorrenti del proprio dominio professionale. Un team di marketing che condivide i prompt migliori per la generazione di copy, un team legale che ha costruito un set di istruzioni collaudato per l’analisi dei contratti, un team HR che ha sviluppato template efficaci per le comunicazioni interne: questi sono esempi concreti di come il prompt design possa diventare un asset organizzativo, non solo una competenza individuale.
Questo richiede una scelta consapevole da parte della leadership. Non basta abilitare l’accesso agli strumenti. Bisogna creare le condizioni perché la competenza si diffonda, si accumuli e si trasferisca. Bisogna dedicare tempo all’esplorazione, valorizzare chi sperimenta e condivide, costruire spazi di confronto informale in cui le persone possano imparare le une dalle altre senza la pressione del risultato immediato.
In questo senso, il prompt design condivide la logica delle arti artigianali: si tramanda per osmosi, per imitazione, per correzione reciproca. Il maestro non spiega la tecnica in astratto: mostra come si fa, e lascia che l’apprendista provi, sbagli e aggiusti. Le aziende più avanzate nell’uso dell’AI hanno capito questo. Hanno smesso di cercare un corso che insegni il prompt perfetto, e hanno iniziato a costruire comunità in cui il prompt migliore emerge dall’esperienza collettiva.
Alla fine, la distinzione tra prompt engineering e prompt design porta a una conclusione semplice ma importante. Non serve sapere come funziona un modello linguistico per usarlo bene nel proprio lavoro. Serve sapere cosa si vuole dire, a chi, e perché. Serve la stessa chiarezza di intento che rende efficace qualsiasi comunicazione professionale.
Quella competenza, i tuoi professionisti la hanno già. La usano ogni volta che scrivono una email chiara, che preparano un briefing efficace, che danno istruzioni precise a un collaboratore. Il prompt design non è una competenza nuova da acquisire da zero. È una competenza esistente da trasferire consapevolmente a un nuovo tipo di interlocutore.
E con il tempo, per chi pratica con costanza e curiosità, diventa qualcosa di più. Diventa un’arte. Non nel senso di qualcosa di raro o irraggiungibile, ma nel senso di qualcosa che ha smesso di essere sforzo e ha iniziato a essere stile. Il modo in cui un professionista esperto sa esattamente come inquadrare un problema per ottenere il meglio dal modello, senza seguire nessuna regola scritta, è la stessa cosa che distingue un artigiano da un esecutore.
Conclusione
Riconoscere questa dimensione non è un esercizio retorico. È la condizione per costruire un’organizzazione in cui l’intelligenza artificiale genera valore distribuito, a tutti i livelli, ogni giorno. Il vantaggio competitivo dell’AI non appartiene a chi ha i modelli più potenti. Appartiene a chi sa usarli con arte.
