Che cos’è il prompt design e perché è un lavoro da linguista

Floriana Carlotta Sciumbata

Università di Trieste

Per mesi ho passato più tempo a litigare con l’intelligenza artificiale che ad avere risposte utili: chiedevo una cosa e me ne dava un’altra, o mi diceva di sì e poi non la faceva. Io pensavo di essere chiarissima, chiedevo le cose con gentilezza. Riformulavo, insistevo, semplificavo. Chiedevo “per favore” e dicevo “grazie”. Niente.

Poi ho scoperto il prompt design (o prompt engineering), cioè quell’insieme di tecniche che servono a dialogare efficacemente con chatbot come ChatGPT, Gemini e simili per dare istruzioni precise. Si potrebbe pensare che si tratti di un’abilità tecnica, di informatica, di una nuova forma di programmazione. Ma, a guardarla bene, è soprattutto una questione di linguaggio.

Perché sembra che l’IA mi capisca (senza capirmi davvero)

I modelli linguistici di grandi dimensioni (LLM) non ragionano come le persone e non consultano archivi di risposte pronte, che invece avevano a disposizione i primi sistemi di IA. Oggi vengono addestrati a leggere enormi quantità di testi e imparare a prevedere quale parola tende a seguire un’altra. In una fase successiva, detta training supervisionato, degli esseri umani guidano il modello con esempi e correzioni, insegnandogli come dovrebbe rispondere in una conversazione in modo fluido, coerente e sicuro, ma non necessariamente vero.

In conseguenza all’addestramento, il prompt attiva la risposta dell’IA, che cercherà di continuare il nostro input imitandone lo stile e interpretando il contesto. Perciò il modo in cui formuliamo la richiesta incide profondamente sull’output: una richiesta vaga dà una risposta vaga; una richiesta ben costruita guida il sistema verso un risultato più controllato.

Le regole del prompt perfetto

Un prompt perfetto in assoluto non esiste, ma si possono usare strategie a seconda del risultato atteso. A volte basta una semplice istruzione (zero-shot prompting: “traduci questo testo”), altre volte è utile fornire esempi (few-shot prompting) per guidare il tipo di risposta.  Per esempio, invece di chiedere solo “trasforma queste frasi dalla forma attiva alla forma passiva”, si possono mostrare uno o due casi risolti. Altre volte conviene chiedere al modello di spiegare il ragionamento passo per passo (chain of thought), oppure assegnargli esplicitamente un ruolo (“sei un agente di viaggio: organizza tre giorni a Trieste”). Un prompt efficace può includere anche dei vincoli: lunghezza, formato (se voglio una tabella o una presentazione Powerpoint), stile, pubblico di riferimento ecc. In questo senso possono essere utili schemi come CRISPE: anche se non sono ricette fisse, riassumono in modo intuitivo ciò che spesso funziona meglio.

Dal punto di vista linguistico, pesano soprattutto alcuni elementi precisi: la scelta del verbo, l’ordine delle informazioni, il numero di istruzioni (mai eccessivo, perché l’IA non è in grado di seguirne troppe), l’uso della negazione, il tipo di frase e persino il tempo e il modo verbale. Contano molto meno, invece, la lunghezza complessiva del prompt, la sua ‘naturalezza’, piccoli errori grammaticali o la punteggiatura. E no: aggiungere ‘per favore’ o ‘grazie’ non migliora il risultato. Oltre a consumare inutilmente acqua ed elettricità, non ci renderà più simpatici all’IA e non ci salverà se un giorno le macchine si rivolteranno contro gli esseri umani.

Una soluzione pigra per il prompting può essere farlo fare direttamente all’IA, cioè chiedere di migliorare la richiesta che abbiamo scritto da soli, oppure di scrivere un prompt per ottenere un certo risultato. È anche molto istruttivo: la rielaborazione dell’IA ci mostra come ha interpretato la richiesta, quali aspetti considera centrali e quali invece trascura. È un modo efficace per rendere visibili fraintendimenti, impliciti non controllati o obiettivi mal definiti, e ci permette di correggere il tiro prima di arrivare al risultato finale.

In generale, un consiglio che vale sempre, al di là del prompting, è quello di controllare sempre il contenuto della risposta del chatbot, per evitare brutte figure. La responsabilità infatti non è dell’IA, ma di chi valida il risultato finale.

Il prompt come azione: fare cose con le parole

Un’idea fondamentale per capire il prompting viene da un filosofo del linguaggio, John L. Austin. Negli anni ’60, Austin ha mostrato che quando parliamo non ci limitiamo a descrivere il mondo: facciamo cose con le parole, dicendo ‘prometto’, ‘ordino’, ‘chiedo’, ‘spiego’. Non sono solo informazioni, ma vere e proprie azioni. È esattamente quello che facciamo quando interagiamo con l’IA con un prompt: non stiamo ‘chiacchierando’, stiamo impartendo istruzioni in attesa di un risultato. La descrizione dell’azione da compiere diventa centrale perché orienta il comportamento del modello verso ciò che ci aspettiamo.

Dopo Austin, il filosofo John Searle ha poi proposto una classificazione degli atti linguistici, chiarendo che non tutte le azioni compiute con le parole funzionano allo stesso modo. Nel prompt design risultano particolarmente rilevanti gli atti direttivi, con cui chiediamo o istruiamo il modello su cosa fare, e gli atti dichiarativi, che servono a creare un contesto o un ruolo all’interno della conversazione. Quando scriviamo “da ora in poi sei un medico” o “assumi il ruolo di un giornalista”, non stiamo descrivendo una competenza: stiamo attivando un frame, cioè una cornice interpretativa che dice all’IA che tipo di situazione comunicativa deve simulare.

Qui il modello mette in gioco anche degli script, ovvero sequenze tipiche di linguaggio associate a quel ruolo, non perché sappia che cosa significhi davvero essere medico o giornalista, ma perché durante l’addestramento ha incontrato moltissimi testi prodotti in quei contesti. In pratica, stiamo fornendo un copione comunicativo già pronto. È lo stesso meccanismo che usiamo nella vita quotidiana quando adattiamo il nostro modo di parlare alla situazione e all’interlocutore: un professore universitario scrive articoli molto specialistici o con un taglio più divulgativo a seconda di chi li leggerà.

La cooperazione nella conversazione (anche con le macchine)

Un altro riferimento importante è il filosofo Paul Grice, che ha inventato le massime conversazionali, secondo cui nelle conversazioni diamo per scontato che gli interlocutori collaborino seguendo alcune regole implicite: dare la quantità giusta di informazioni, dire cose pertinenti e vere, essere chiari. Gli stessi principi si applicano anche alle IA: se il prompt è troppo generico, la risposta sarà generica; se contiene informazioni irrilevanti o ambigue, l’output ne risentirà; se il prompt è disordinato, anche la risposta tenderà a esserlo.

È per gli stessi principi di cooperazione che tendiamo a fidarci dell’IA e ci restiamo male quando ci dice qualcosa di falso: in questi casi viene violata soprattutto la massima di qualità, quella secondo cui non si dovrebbero dire cose false o non verificate. L’IA continua a essere chiara, pertinente e ben organizzata, ma può produrre informazioni sbagliate con grande sicurezza, perché non sta controllando i fatti, ma sta solo cavalcando la statistica. Un esempio tipico: le chiediamo di citare tre articoli scientifici a sostegno di una tesi, e ci fornisce titoli, autori, date e addirittura abstract perfettamente plausibili. Peccato che non esistano. Dal punto di vista dell’interazione, almeno all’apparenza, funziona; dal punto di vista della qualità dell’informazione, no.

Impliciti, presupposizioni e fraintendimenti

Un ulteriore aspetto centrale è ciò che non diciamo. Le IA, come gli esseri umani, fanno inferenze: se qualcosa non è specificato, cercano di colmare il vuoto nel modo più probabile. Questo può essere utile, ma anche rischioso, e può portare a risultati lontani da quelli immaginati. Dire “valuta se questo testo va bene” presuppone criteri che non vengono esplicitati: va bene per chi? Per quale contesto? Con quali obiettivi? L’IA accetterà queste presupposizioni senza discuterle e costruirà una risposta su basi che potremmo non condividere.

Per questo, nel prompt design è fondamentale rendere espliciti ruolo, scopo, pubblico e criteri di valutazione. Ancora una volta: è una competenza tipicamente linguistica.

Qualche esempio istruttivo

Al di là della qualità dei prompt, uno dei comportamenti più insidiosi dell’IA è la sua tendenza ad assecondare l’utente, a dire di sì anche quando in realtà non può farlo. Se il prompt lascia intendere che ci aspettiamo un certo risultato, il modello cercherà di fornirlo comunque: adattandosi, forzando il contesto, a volte semplicemente inventando o affermando il falso.

Un episodio capitato a settembre 2025 lo mostra bene. Io e il collega Stefano Ondelli, mentre preparavamo una lezione, abbiamo chiesto a ChatGPT di creare un corpus di dieci romanzi dell’Ottocento, senza specifiche o vincoli particolari. Il sistema ha iniziato a raccontare con grande sicurezza che cosa stava facendo, passo dopo passo, e alla fine ha confermato di aver completato il compito, restituendoci un file .txt. Per un attimo abbiamo pensato “Funziona! Chissà quante ricerche possiamo fare…”. Poi abbiamo aperto il file. Il contenuto ricordava più la celebre scena di Shining che un corpus letterario: una stessa frase ripetuta ossessivamente.

Abbiamo fatto anche un altro esperimento: estrarre 500 romanzi da una lista strutturata di oltre 1200 testi che conteneva informazioni come autore, sesso dell’autore, genere letterario e altri metadati, per costruire un corpus. Anche in questo caso ChatGPT ci ha confermato senza esitazioni di aver eseguito l’operazione. Il risultato finale, però, conteneva 430 romanzi. Non per una scelta metodologica, ma per un limite ben noto: il modello non sa contare, anche se lo ammetterà solo se messo alle strette.

Episodi come questi sono divertenti, ma soprattutto istruttivi: l’IA può confermare ipotesi sbagliate, accettare presupposti infondati o simulare competenze che non ha. Dice ‘certo’ a richieste impossibili, promette precisione dove può offrire solo approssimazione, e apparentemente procede con grande sicurezza anche quando sta andando fuori strada. Proprio per questo, mantenere uno sguardo critico su ciò che produce non è un optional, ma una competenza essenziale.

Perché tutto questo riguarda i linguisti

Il prompt design dimostra che l’IA non è altro che un interlocutore artificiale che reagisce in modo estremamente sensibile al linguaggio: non ‘capisce’ le intenzioni, ma le ricostruisce dalle parole, e non valuta ciò che è giusto, ma ciò che suona adeguato in un certo contesto. È qui che la competenza linguistica diventa centrale: l’attenzione a ruoli, contesti, impliciti, registri e atti comunicativi è esattamente ciò che serve per costruire richieste efficaci e per leggere criticamente le risposte, distinguendo tra ciò che convince e ciò che è affidabile. Il prompting diventa così una palestra di logica e linguaggio: ci allena a dissipare le ambiguità e a strutturare il pensiero in modo che sia cristallino per chiunque ci ascolti, umano o artificiale che sia.

Per approfondire

Austin, John L. 1962. How to do things with words. Oxford, UK: Oxford University Press.

Fillmore, Charles J. 1982. Frame semantics. In Linguistic Society of Korea (Ed.), Linguistics in the morning calm, 111–137. Seoul: Hanshin.

Grice, Paul. 1975. Logic and conversation. In P. Cole & J. L. Morgan (Eds.), Syntax and semantics, vol. 3 (41–58). New York, NY: Academic Press.

Searle, John R. 1969. Speech acts: An essay in the philosophy of language. Cambridge, UK: Cambridge University Press.