Per anni abbiamo raccontato l’intelligenza artificiale partendo da una frase semplice: devi imparare a scrivere bene il prompt. Era vero. In parte lo è ancora. Una richiesta vaga produce una risposta vaga. Una richiesta senza contesto costringe il modello a immaginare il contesto. Una richiesta scritta male, senza obiettivo, senza pubblico, senza vincoli, senza criteri di verifica, apre la strada a risposte eleganti, magari anche convincenti, ma spesso poco utili.
Oggi, però, il prompt vive dentro un ambiente molto più complesso.
Al 2 maggio 2026, lavorare con l’IA significa spesso muoversi tra prompt, istruzioni personalizzate, memoria, system prompt, strumenti collegati, agenti, workflow, documenti caricati, cronologie di lavoro, preferenze persistenti e regole di comportamento che l’utente nemmeno vede sempre in modo diretto. Il prompt resta il punto in cui la persona entra in relazione con il sistema, però non è più l’unico luogo in cui si decide la qualità della risposta.
OpenAI, nella documentazione ufficiale per l’API, spiega che le istruzioni possono essere fornite al modello con livelli diversi di autorità, usando il parametro instructions o ruoli di messaggio, e precisa che le istruzioni date in quel modo hanno priorità rispetto al prompt inserito come input. Questo significa che, nei sistemi più strutturati, quello che l’utente scrive nella chat può convivere con altre istruzioni più alte, più stabili o più vincolanti.
Dal prompt singolo all’architettura delle istruzioni
Il prompt classico era una richiesta. Scrivevi: “Diventa esperto di marketing e aiutami a creare un piano editoriale”. Oppure: “Analizza questo testo e riscrivilo in modo più chiaro”. Il risultato dipendeva molto da quella singola domanda.
Nei sistemi complessi, invece, la domanda dell’utente è solo uno strato.
Sopra, o accanto, possono esserci istruzioni di sistema, istruzioni dello sviluppatore, regole di sicurezza, preferenze dell’utente, memoria salvata, cronologia richiamata, strumenti disponibili, limiti aziendali, formati obbligatori, procedure interne. OpenAI, nel Model Spec, descrive proprio una catena di comando delle istruzioni, dove le istruzioni con autorità più alta prevalgono su quelle di livello più basso. La logica dichiarata è rendere il comportamento del modello più governabile, consentendo a sviluppatori e utenti di adattarlo ai propri bisogni dentro confini chiari.
Questo passaggio cambia completamente il modo in cui dobbiamo ragionare.
Quando una risposta non esce come vogliamo, il problema potrebbe essere nel prompt. Potrebbe essere anche nelle istruzioni persistenti. Potrebbe essere nella memoria. Potrebbe essere nel fatto che il sistema sta rispettando una regola superiore. Potrebbe essere nel contesto caricato. Potrebbe essere nel flusso automatizzato che passa al modello informazioni incomplete.
Il prompt, da solo, diventa una parte visibile di una struttura più grande.
System prompt, istruzioni personalizzate e memoria: tre piani diversi
Per usare bene l’IA, bisogna distinguere i piani.
Il system prompt è uno strato di istruzioni che orienta il comportamento generale del modello o dell’applicazione. Nel mondo delle API e degli agenti, può contenere regole sul ruolo, sul tono, sui limiti, sugli strumenti, sulle azioni consentite. Anthropic, nella documentazione sui system prompt di Claude, spiega che l’interfaccia web e mobile di Claude usa un system prompt per fornire informazioni aggiornate, come la data corrente, e per incoraggiare alcuni comportamenti, con aggiornamenti periodici. Precisa anche che questi aggiornamenti non si applicano automaticamente alla Claude API.
Le istruzioni personalizzate, invece, sono il modo con cui l’utente può dire al sistema che cosa deve tenere in considerazione nelle risposte. OpenAI spiega che le istruzioni personalizzate di ChatGPT permettono di condividere preferenze o requisiti da applicare alle risposte e che, quando attive, vengono applicate immediatamente a tutte le chat.
La memoria aggiunge un altro piano ancora. OpenAI distingue tra memorie salvate e riferimento alla cronologia delle chat. Le memorie salvate sono dettagli che l’utente ha chiesto esplicitamente di ricordare, mentre il riferimento alla cronologia permette a ChatGPT di usare conversazioni passate per personalizzare meglio le risposte future. La documentazione ufficiale chiarisce anche che l’utente può attivare, disattivare e gestire queste funzioni dalle impostazioni.
Questi tre livelli non vanno confusi.
Una cosa è dire, nel prompt del momento, “scrivimi questo testo con tono semplice”. Altra cosa è avere un’istruzione personalizzata che dice sempre “usa un tono semplice, professionale, senza tecnicismi inutili”. Altra cosa ancora è una memoria che ricorda che il tuo pubblico è composto da imprenditori, docenti o professionisti. Il risultato nasce dall’incontro tra questi piani.
Perché la qualità dell’input diventa ancora più decisiva
A prima vista potremmo pensare il contrario. Se i modelli diventano più potenti, se hanno memoria, se leggono più contesto, se usano strumenti, allora il prompt potrebbe diventare meno importante. La realtà professionale va nella direzione opposta.
Più il sistema è potente, più può amplificare un input sbagliato.
Una richiesta confusa data a un modello semplice produce una risposta confusa. Una richiesta confusa data a un sistema complesso, collegato a strumenti, memoria e workflow, può produrre un risultato molto più articolato, molto più credibile e proprio per questo più pericoloso. Può generare una bozza di comunicazione, aggiornare una tabella, classificare un cliente, preparare un report, proporre una decisione, attivare un passaggio successivo.
OpenAI, nella guida sugli agenti, descrive gli agenti come applicazioni capaci di pianificare, chiamare strumenti, collaborare tra specialisti e mantenere abbastanza stato per completare lavori multi-step. Questo vuol dire che le istruzioni non orientano più soltanto una risposta testuale. Possono orientare una sequenza di azioni.
Da qui nasce una responsabilità nuova.
Quando lavori con un sistema complesso, l’input deve dire che cosa vuoi, certo, ma deve anche chiarire che cosa non deve accadere, quali dati usare, quali dati ignorare, quali fonti verificare, quale formato produrre, quando fermarsi, quando chiedere conferma, quando evitare di procedere.
Il passaggio dal prompt engineering al context engineering
Anthropic ha descritto il context engineering come una naturale evoluzione del prompt engineering. Il prompt engineering riguarda il modo in cui scriviamo e organizziamo le istruzioni per ottenere risultati migliori. Il context engineering riguarda il modo in cui costruiamo l’intero contesto che l’agente deve usare: istruzioni, strumenti, memoria, esempi, documenti, stato del lavoro, informazioni disponibili.
Questa distinzione è molto utile per aziende e professionisti.
Il vecchio approccio diceva: “Scrivi un prompt migliore”. Il nuovo approccio dice: “Costruisci un ambiente migliore per far lavorare l’IA”. Dentro questo ambiente il prompt conta, ma conta anche la qualità dei documenti caricati, la pulizia delle informazioni, la chiarezza delle regole, la separazione tra dati pubblici e dati riservati, la gestione della memoria, il controllo degli output, la scelta degli strumenti collegati.
Un esempio concreto.
Se uno studio professionale usa l’IA per preparare bozze di comunicazioni ai clienti, non basta scrivere ogni volta: “Rispondi in modo professionale”. Serve una base stabile: tono dello studio, limiti sulle affermazioni normative, obbligo di segnalare incertezze, divieto di inventare riferimenti, richiesta di distinguere tra bozza e consulenza finale, passaggio umano prima dell’invio. Poi, nel prompt specifico, si inserisce il caso concreto.
In questo modo il prompt non porta tutto il peso. Lavora insieme a una struttura.
Come scrivere istruzioni migliori nei sistemi complessi
Una buona istruzione, oggi, dovrebbe contenere almeno cinque elementi: ruolo, contesto, obiettivo, vincoli e controllo.
Il ruolo chiarisce da quale punto di vista il sistema deve lavorare. “Agisci come assistente operativo di uno studio professionale” è diverso da “agisci come copywriter creativo”. Il contesto spiega la situazione. L’obiettivo definisce il risultato atteso. I vincoli indicano ciò che va rispettato. Il controllo stabilisce come verificare, quando fermarsi, quando chiedere conferma.
Una formula pratica potrebbe essere questa: “Lavora come assistente per [contesto]. Devi aiutarmi a [obiettivo]. Usa solo [fonti o dati disponibili]. Rispetta questi vincoli [elenco breve]. Prima di concludere, segnala eventuali punti incerti, dati mancanti o passaggi che richiedono verifica umana”.
La parte finale è decisiva. Nei sistemi complessi, chiedere al modello di segnalare limiti e incertezze vale quanto chiedergli di produrre il risultato. Anzi, spesso vale di più.
OpenAI, nella guida di prompt guidance, invita a evitare il trasferimento automatico di vecchi prompt troppo carichi di istruzioni, perché possono aggiungere rumore, restringere lo spazio di ricerca del modello o produrre risposte meccaniche. La stessa guida suggerisce di usare parole assolute come “sempre” o “mai” solo per veri vincoli invarianti, e di preferire regole decisionali quando il modello deve valutare caso per caso.
Questo è un punto molto importante. I nuovi modelli non hanno bisogno di prompt pieni di comandi urlati. Hanno bisogno di istruzioni ordinate, gerarchiche, leggibili.
Il prompt diventa un atto di governo
Nel lavoro professionale, il prompt non va più trattato come una frase furba per ottenere una buona risposta. Diventa un atto di governo del sistema.
Quando scrivi un prompt, stai decidendo quale parte del lavoro affidi all’IA, quale parte resta a te, quali dati entrano, quali criteri guidano la risposta, quali rischi vuoi contenere. Quando definisci istruzioni persistenti, stai costruendo una postura stabile. Quando gestisci la memoria, stai decidendo che cosa può continuare a influenzare le risposte future. Quando lavori con agenti o workflow, stai trasformando una richiesta in una possibile azione.
Questa è la ragione per cui il prompt non basta più.
Serve una cultura delle istruzioni. Serve imparare a distinguere tra istruzione temporanea e istruzione permanente, tra contesto utile e rumore, tra memoria produttiva e memoria pericolosa, tra automatismo e decisione, tra velocità e affidabilità.
Per aziende, professionisti, scuole e pubbliche amministrazioni, questa competenza diventerà sempre più importante. Non basterà sapere “fare una domanda a ChatGPT”. Servirà sapere progettare l’interazione con l’IA. Servirà sapere quando usare una chat semplice, quando creare istruzioni personalizzate, quando evitare la memoria, quando costruire un workflow, quando pretendere una verifica umana, quando fermarsi.
Il prompt resta la porta. La stanza, però, è diventata più grande.
Chi saprà lavorare solo sulla porta entrerà ogni volta in modo casuale. Chi saprà progettare la stanza, invece, userà l’intelligenza artificiale con più lucidità, più continuità, più responsabilità.
Antonio Sinibaldi è formatore e docente di intelligenza artificiale, specializzato nell’uso consapevole dell’IA, nel ragionamento umano e nella responsabilità professionale. Formatore in Intelligenza Artificiale per aziende e professionisti. Docente del corso IA per l’Istituto Nazionale Tributaristi. Autore della collana IA PRATICA