Perché come parli all’AI cambia tutto
Se avete mai usato un modello di linguaggio come ChatGPT, Claude o Gemini, vi sarete accorti che a volte basta cambiare una singola parola per ottenere una risposta completamente diversa. Non è magia, è Prompt Engineering: la disciplina di progettare e ottimizzare gli input per estrarre il massimo valore dai Large Language Models (LLM).
Oggi esploriamo un concetto tecnico fondamentale che trasforma l’AI da semplice “motore di ricerca evoluto” a un vero e proprio collaboratore logico: il Chain-of-Thought (CoT).
Il problema del “pensiero istantaneo”
I modelli linguistici standard non “pensano” come noi, ma funzionano per associazione statistica. Quando poniamo una domanda, l’AI genera il testo un token alla volta (porzioni di parole o sillabe), calcolando quale sia la parola successiva più probabile nel contesto.
Se chiediamo a un LLM di risolvere un problema di logica o un calcolo matematico articolato in modo diretto, spesso fallisce (le cosiddette allucinazioni). Il motivo è puramente strutturale: ovvero il limite del calcolo immediato.
L’AI tenta di indovinare la risposta finale subito, allocando pochissima potenza di calcolo (o “tempo di calcolo dei token”) per elaborare la logica interna del problema prima di rispondere.
La soluzione tecnica: Chain-of-Thought
Il Chain-of-Thought prompting è una tecnica che costringe l’LLM a scomporre un problema complesso in sotto-problemi più piccoli, risolvendoli uno alla volta in sequenza prima di arrivare alla conclusione.
Le statistiche dimostrano che le prestazioni dei modelli scalano verticalmente quando viene attivato questo comportamento. Esistono due modi principali per implementarlo:
- Zero-Shot CoT: è il metodo più semplice e sorprendente. Basta aggiungere alla fine del prompt la frase: “Ragiona passo dopo passo”. Questa istruzione sblocca una modalità di generazione in cui il modello è costretto a esplicitare i passaggi logici, riducendo drasticamente gli errori.
- Few-Shot CoT: in questo caso, siamo noi a inserire nel prompt uno o più esempi di problemi già risolti, mostrando esplicitamente la catena di passaggi. L’AI imiterà quella precisa struttura logica per risolvere il nuovo problema che le sottoporremo.
Imitare il ragionamento umano
Perché questa tecnica funziona così bene? Perché ricalca esattamente il modo in cui funziona la mente umana.
Se vi chiedessi quanto fa 24 per 17, difficilmente mi dareste il risultato esatto in un millisecondo. Prima fareste una scomposizione mentale!
Il segreto del Prompt Engineering non è parlare il linguaggio delle macchine, ma insegnare alle macchine a imitare il nostro metodo di ragionamento. I modelli di ultima generazione (come i modelli di “reasoning” nativi) integrano già questo processo, ma saperlo guidare manualmente vi darà sempre una marcia in più.
Il trick da provare
La prossima volta che devi analizzare un testo lungo, risolvere un bug di programmazione o prendere una decisione complessa, non chiedere direttamente il risultato finale.
Usa questa struttura di prompt:
“Analizza la situazione attuale, elenca i pro e i contro in tre punti separati, evidenzia i potenziali rischi e, solo alla fine, trai una conclusione logica.”
Vedrai la qualità dell’output fare un salto di qualità impressionante!