Perché ChatGPT ti da risposte sbagliate, e come risolvere questo problema
Il modello non è pigro. Sta solo indovinando — perché la maggior parte di noi gli dà quasi nulla su cui lavorare.
Il mese scorso ho chiesto a ChatGPT di scrivere un'email di follow-up per un cliente che era rimasto in silenzio dopo una proposta. Quello che è tornato indietro era educato, grammaticalmente impeccabile, e completamente sbagliato per la situazione — sembrava potesse essere stato inviato a chiunque, per qualsiasi cosa. Ho finito per riscriverlo quasi interamente a mano, chiedendomi a quel punto cosa avessi davvero delegato.
È lì che ho capito: il problema non era il modello. Era che gli avevo dato quasi nulla su cui lavorare.
Il modello non è pigro — sta solo indovinando
Prendi una richiesta come:
Scrivi un post LinkedIn sull'AI.
Non c'è nulla qui ad ancorare la risposta. Per chi è? Che taglio deve avere? Educativo, provocatorio, promozionale? Il modello deve inventarsi tutto da solo — e quando un modello deve inventare, sceglie sempre la versione più sicura e mediata che riesce a trovare. È da lì che arrivano i punti elenco vaghi e le conclusioni che non dicono nulla.
Ora confrontala con questa:
Scrivi un post LinkedIn per founder B2B SaaS su come usare l'AI per ridurre il lavoro ripetitivo nel customer support. Il pubblico usa già l'AI, quindi salta le basi. Un solo esempio concreto, non un elenco di casi d'uso. Tono conversazionale, sotto le 180 parole. Apri con un problema che i team di supporto riconoscono davvero. Niente frasi tipo "l'AI sta trasformando il modo in cui lavoriamo".
Non è successo nulla di particolarmente furbo. Ho semplicemente smesso di lasciare decisioni sul tavolo che il modello avrebbe dovuto prendere al posto mio.
Ogni prompt vago è un elenco di decisioni non prese
"Scrivi un'email a un cliente" può significare una dozzina di cose diverse. Richiesta di rimborso? Follow-up su una vendita? Un ticket di supporto rimasto senza risposta per tre giorni? Ognuna di queste situazioni richiede un'email completamente diversa — e il modello non ha modo di sapere a quale ti riferisci.
Basta una frase in più per cambiare tutto:
Scrivi un'email a un cliente la cui richiesta di supporto è rimasta senza risposta per tre giorni. Scusati per il ritardo, spiega che il problema è in fase di verifica, e sii chiaro su cosa succederà dopo.
Ora sa davvero cosa deve risolvere.
Cinque lacune da colmare prima di premere invio
Non serve un manuale di prompt engineering. Servono cinque controlli — che non sono un'alternativa al metodo in tre passaggi, ma quello stesso metodo nel dettaglio. Risultato, contesto e output sono i tre da cui non si scappa. Pubblico e vincoli sono i due che iniziano a contare appena il compito si fa delicato.
La situazione — il tuo contesto. Cosa sta succedendo davvero? Cosa è già accaduto, e che il modello deve sapere?
L'obiettivo — il tuo risultato. Non "scrivi un'email al cliente" — ma cosa deve ottenere quell'email: calmare qualcuno, ottenere un'informazione mancante, ricostruire fiducia.
Il lettore — il tuo pubblico. Un CFO che valuta un acquisto e uno studente al primo anno che scopre lo stesso concetto hanno bisogno degli stessi fatti raccontati in modo completamente diverso.
I vincoli. Numero di parole, niente gergo, tre opzioni invece di un muro di testo — sono ciò che impedisce al modello di scivolare nel riempitivo.
La forma dell'output. "Analizza queste recensioni" è un campo aperto. "Dammi i cinque reclami più frequenti, le tre richieste di miglioramento più comuni e una tabella con la frequenza" è una destinazione precisa.
Prima e dopo, su un caso reale
Ecco come appare una richiesta vaga:
Crea una content strategy per la mia azienda.
Ed ecco cosa succede quando colmi le lacune:
Stai aiutando un'azienda B2B SaaS che aiuta professionisti non tecnici a scrivere prompt AI più efficaci. Gli utenti usano già ChatGPT ma ottengono spesso risultati generici. Costruisci un piano editoriale di 30 giorni per portare traffico organico e convertire i lettori in utenti del prodotto. Concentrati su problemi pratici, salta le news sull'AI e le spiegazioni per principianti. Restituisci una tabella: argomento, pubblico, intento di ricerca, titolo, CTA — raggruppati in quattro pilastri di contenuto.
Stessa richiesta. Stesso tempo di scrittura. Molto meno da indovinare per il modello.
La vera competenza non è il prompt engineering
È notare quali decisioni hai delegato al modello senza volerlo. La prossima volta che una risposta torna piatta, non iniziare subito a riscriverla. Torna indietro e chiediti: ho spiegato la situazione? L'obiettivo? Per chi è? Ci sono vincoli reali che ho omesso? Che forma dovrebbe avere il risultato finale?
Di solito basta correggerne anche solo una per cambiare tutto.