Come lavorare con l’IA? Tre competenze più importanti dei prompt già pronti

Stai preparando con ChatGPT il testo di una landing page. Ricevi un’offerta ben scritta e, nel mezzo, trovi questa frase: «Gli studi dimostrano che il 67% dei clienti abbandona il carrello quando non vede subito i costi di spedizione». Il numero è perfetto: concreto, credibile, pronto per diventare un titolo. C’è solo un problema: il modello se l’è appena inventato. Studio compreso.

Se gestisci un’impresa o ti occupi di marketing, probabilmente ti trovi in una di due situazioni. Usi già l’IA per offerte, post ed e-mail commerciali, e ogni tanto sorprendi il modello a inventare. Oppure non ti sei ancora deciso: hai sentito parlare di allucinazioni e preferisci evitare di presentarti a un cliente con un testo in cui metà dei fatti è sbagliata. Sono entrambe posizioni ragionevoli.

In entrambi i casi puoi gestire, in larga misura, i limiti dell’IA. Ti servono le tre competenze descritte qui. Prima, però, devo mostrarti perché il problema non è soltanto nella macchina. È anche in noi.

Perché ci fidiamo delle macchine che inventano?

Abbiamo messo alla prova la nostra fiducia nelle macchine molto prima che qualcuno sentisse parlare di ChatGPT. In un celebre studio, le psicologhe Kathleen Mosier e Linda Skitka fecero sedere piloti professionisti in un simulatore di volo sulla rotta San Francisco–Los Angeles. Mosier ha dedicato la carriera alle decisioni degli equipaggi in cabina, collaborando con l’Ames Research Center della NASA. Skitka è una psicologa sociale divenuta nota in seguito per le ricerche sulle convinzioni morali.

Nel simulatore li attendeva una trappola: segnali contraddittori su un incendio al motore. Gli strumenti indicavano che bruciava quello sinistro. Il tablet con la procedura d’emergenza – una checklist elettronica – ordinava di spegnere… quello destro.

Tre piloti su quattro seguirono l’automazione. Gli strumenti e l’addestramento dicevano il contrario, eppure il 75% degli equipaggi spense il motore sano perché il sistema lo aveva suggerito. Nel gruppo di controllo, che usava una checklist cartacea, commise lo stesso errore soltanto il 25%.

Le ricercatrici chiamarono il fenomeno automation bias: quando una macchina suggerisce qualcosa, le persone smettono di cercare e valutare le informazioni con la stessa attenzione. Il suggerimento diventa una scorciatoia. Invece di pensare, controlliamo che cosa dice il sistema e proseguiamo. Mosier e Skitka descrissero poi due errori: di omissione – il sistema non ha notato qualcosa, quindi neppure noi – e di commissione – il sistema lo ha ordinato, quindi lo abbiamo fatto senza verificare.

Con l’IA cadiamo nella stessa trappola. Leggiamo in fretta e non vediamo i dati inventati. Oppure non riflettiamo affatto: il sistema ci offre una strategia e noi la eseguiamo.

C’è anche una buona notizia. I piloti che si sentivano personalmente responsabili del modo in cui usavano l’automazione verificavano più spesso i suggerimenti e commettevano molti meno errori. Essere consapevoli di usare un sistema automatico e sentire di dover firmare il risultato finale: cominciamo da qui. Poi servono tre competenze per restare al comando.

Prima competenza: capisci da dove arriva ciò che il modello sa

Per controllare le invenzioni del modello devi capire come «parla». Il meccanismo è più semplice di quanto sembri.

Un modello linguistico fa essenzialmente una cosa: prevede il token successivo, cioè un frammento di parola. Riceve del testo e stima che cosa dovrebbe comparire dopo, in termini statistici. Poi ricomincia. E ricomincia ancora. Tutta l’eloquenza di ChatGPT deriva da due elementi:

il processo viene ripetuto migliaia di volte, anche più volte per una singola parola;
nel calcolo entrano decine di miliardi di parametri. È una scala difficile da comprendere per la mente umana, perciò ci appare simile alla magia o all’intelligenza.

Ma sai una cosa? Anche tu fai qualcosa del genere. Quando parli non pianifichi la frase fino all’ultima parola: il cervello ti serve le successive mentre procedi. Quando racconti un aneddoto di anni fa e manca un dettaglio, inserisce in silenzio qualcosa di plausibile. Non ricordi il colore dell’auto a noleggio? Ne comparirà uno inventato. Lo stesso vale per il nome del cameriere o l’importo del conto. Gli psicologi parlano di confabulazione. Nessuno se ne accorge, perché il riempitivo si adatta alla storia. A volte non ce ne accorgiamo neppure noi.

Il modello confabula nello stesso modo, token dopo token. Finché la previsione si basa su qualcosa che ha davvero «visto» – nei dati di addestramento o nei materiali che gli hai fornito –, il risultato rimane vicino ai fatti. Quando però incontra un buco, non si ferma con un errore. Continua e lo riempie con qualcosa di statisticamente adatto: un numero plausibile, il titolo plausibile di un rapporto, il nome plausibile di un esperto. È così che è nato il mio «studio sul 67% dei carrelli abbandonati»: il modello sapeva come suonano le statistiche nel marketing e ne ha generata una.

Andrej Karpathy, uno dei fondatori di OpenAI, definisce i modelli dream machines: l’allucinazione sarebbe il loro stato naturale, mentre noi ci limitiamo a orientarne i sogni con i prompt. Inventare una statistica e creare uno slogan efficace sono manifestazioni dello stesso meccanismo. Non puoi eliminarne una senza uccidere l’altra.

Se l’invenzione non si può estirpare, resta il controllo. E il controllo comincia da una domanda: da dove prende il modello quello che ti sta dicendo? Le fonti sono tre e ciascuna richiede qualcosa di diverso da te.

I pesi del modello – ciò che porta con sé

I pesi sono la memoria compressa dei dati con cui il modello è stato addestrato: miliardi di pagine ridotte a parametri. Da qui il modello «conosce» le regole del copywriting, i formati dei post LinkedIn e le nozioni generali sul tuo settore.

Un test pratico per chiunque gestisca un’impresa: chiedi al modello informazioni sulla tua azienda e sui concorrenti, senza concedergli accesso a Internet. Vedrai che cosa c’è nei pesi: a volte sorprendentemente molto, a volte nulla e a volte – il caso più pericoloso – un miscuglio di verità e confabulazione. Questo esperimento ti insegnerà sui limiti del modello più di tanti corsi.

La cattiva notizia: non puoi modificare i pesi. Quando si parla di «addestrare la propria IA», nel 99,9% dei casi non si intende cambiare i pesi del modello. È un processo costoso, lungo e poco conveniente per quasi tutti noi.

Due buone notizie. La prima: puoi sempre cambiare modello, passando da ChatGPT a Gemini o Claude. Questa possibilità diventerà più interessante con la terza competenza. La seconda: i pesi sono solo uno degli elementi che il modello usa per creare qualcosa. Gli altri due puoi modificarli.

Il contesto visibile – ciò che inserisci tu

La seconda fonte è nelle tue mani: tutto ciò che scrivi e incolli nella conversazione. Domande, istruzioni, documenti, file. È la memoria di lavoro del modello e il tuo strumento più forte contro le allucinazioni. Un modello che può citare non deve indovinare.

Nel lavoro di marketing funziona così. Stai preparando un’offerta? Inserisci listino, descrizione del servizio e due vere testimonianze, invece di presumere che il modello «sappia qualcosa» della tua azienda. Vuoi post di vendita? Allega la pagina prodotto e le obiezioni più comuni emerse nelle chiamate commerciali. Vuoi analizzare una campagna? Esporta i dati e passa il file, invece di raccontare i numeri a memoria.

Fornire contesto può essere noioso. Ma nel lavoro quotidiano con l’IA è il metodo più efficace che conosciamo per limitare le invenzioni – e la strada più breve verso testi che suonano come la tua impresa, non come la media di Internet.

Di nuovo, una cattiva e una buona notizia. Senza allenamento siamo pessimi nel fornire contesto. Supponiamo che il modello sappia cose che non può sapere, poi ci arrabbiamo quando allucina. La buona notizia è che le strutture di prompting risolvono proprio questo problema: è la terza competenza.

Il contesto invisibile – ciò che il modello recupera da solo

La terza fonte è la più recente e insidiosa. I modelli moderni possono uscire dalla conversazione mentre lavorano: cercare su Internet, leggere pagine, collegarsi ai tuoi strumenti tramite server MCP. Il Model Context Protocol permette al modello di consultare calendario, CRM o posta. Tutto ciò che trova finisce nella stessa memoria di lavoro delle tue istruzioni. Con una differenza: tu non vedi necessariamente come ci sia arrivato.

Gli affidi una ricerca sui concorrenti prima di preparare un’offerta. Il modello esplora il Web e torna con un’analisi. Su che cosa si basa? Su un rapporto di settore o sul post di un forum scritto da qualcuno con opinioni forti e fonti deboli? Se non controlli, non lo sai. Abituati a una domanda: «Su quali fonti si basa questa risposta? Mostrami l’elenco». Bastano trenta secondi per guardarlo. Inviare a un cliente un’analisi costruita su una leggenda da forum costa di più.

Un consiglio: strumenti come ChatGPT hanno istruzioni permanenti, che il modello segue in ogni nuova conversazione. Inserisci lì l’obbligo di mostrare sempre le fonti.

John Lee e Katrina See, studiosi della fiducia nell’automazione, parlano di calibrazione della fiducia. L’abilità non consiste nel fidarsi o nel diffidare sempre della macchina, ma nel sapere quando merita fiducia. Le tre fonti offrono una scala semplice. Una risposta dai pesi: trattala come l’opinione di un amico molto informato, interessante ma da verificare. Una risposta dai tuoi documenti è molto più solida. Una risposta da Internet vale quanto le fonti trovate dal modello: controllale.

Un’ultima trappola. Le ricerche sulla collaborazione con l’IA mostrano il paradosso della spiegazione: più il modello giustifica la risposta in modo fluido e dettagliato, più ci fidiamo – che abbia ragione o no. Facciamo lo stesso con le persone: chi spiega qualcosa con grande sicurezza sembra più credibile.

Seconda competenza: passa dalla chat ai file

Questa competenza richiede di cambiare idea su che cosa significhi lavorare con l’IA. Quasi tutti pensano a una sola modalità: la finestra di chat. Scrivi una domanda, ricevi una risposta, copi in Word. Nel frattempo, gli strumenti si sono divisi in tre livelli, adatti a lavori diversi.

Modalità chat: è una conversazione. Il modello risponde con testo e a volte genera immagini. Sei tu a trasportare manualmente il risultato. Ottima per pensare: brainstorming di campagna, bozza di offerta, test dei titoli, apprendimento. Limitata se l’output deve essere un file, un foglio o una presentazione.
Modalità task: lavora direttamente sui file. Il modello accede a una cartella, ai documenti e agli strumenti; invece di raccontare che cosa si potrebbe fare, lo fa. Esempi di marketing: riceve foto e un CSV, restituisce ottanta descrizioni prodotto. Riceve un export della piattaforma e-mail, restituisce un rapporto con segmentazione e raccomandazioni. Da una registrazione commerciale produce nota, offerta e voce nel CRM tramite MCP. Smetti di fare il corriere tra la chat e il resto del computer.
Modalità code: il modello non si limita ai file; può scrivere un programma che lo aiuti a portare a termine il compito. Nel marketing possiamo chiamarlo livello avanzato. Alla maggior parte di noi non serve.

Il problema è che ogni fornitore chiama questi livelli in modo diverso. Ecco lo schema aggiornato a luglio 2026.

OpenAI

Livello chat: ChatGPT
Livello task: ChatGPT Work da luglio 2026; prima Codex
Livello code: Codex o ChatGPT Code

Google

Livello chat: Gemini
Livello task: Antigravity 2.0 da giugno 2026; prima Google non aveva uno strumento di questo livello
Livello code: Antigravity IDE e Antigravity CLI da giugno 2026; prima Gemini CLI

Anthropic

Anthropic ha «sempre» riunito le tre modalità in Claude, ma anche la loro disposizione cambia spesso.

Livello chat: scheda Home, modalità Chat; prima di luglio 2026, scheda Chat
Livello task: scheda Home, modalità Cowork; prima, scheda Cowork
Livello code: scheda Code, praticamente da sempre

Questa lista invecchierà più velocemente di quanto vorrei. Soltanto tra giugno e luglio 2026 quasi tutti i fornitori hanno rimescolato i nomi. I brand continueranno a cambiare. La divisione chat–task–code resterà, perché corrisponde a tre tipi di lavoro realmente diversi.

Perché considero il passaggio dalla chat alla modalità task una competenza autonoma, e non un dettaglio tecnico? Per due ragioni.

La prima è pratica: il salto di produttività è netto. In chat chiedi il testo di un rapporto e poi lo formatti tu, paragrafo per paragrafo. In modalità task ricevi un file finito e, nel frattempo, il modello ha consultato da solo i materiali nella cartella. È la differenza tra dettare una lettera e delegare la corrispondenza.

La seconda ragione è psicologica. Uno studio di Michael Gerlich del 2025, condotto su 666 persone, ha rilevato un’associazione fra uso frequente dell’IA e minore pensiero critico, mediata dal cognitive offloading: affidare attività mentali alla macchina. Sembra un argomento contro l’IA, ma la conclusione è più sottile. Il problema nasce quando deleghiamo alla macchina il pensiero. La modalità task permette di delegare altro: l’esecuzione.

Copiare, formattare, incollare e ordinare file non richiede la tua testa; è una tassa sul pensiero. L’automazione usata bene la paga per te, lasciandoti energia per decidere: a chi parliamo, che cosa promettiamo, che cosa ci distingue? A una condizione: quelle decisioni rimangono tue. In modalità task il controllo del contesto è ancora più importante, perché il modello lavora più a lungo e con maggiore autonomia.

Terza competenza: costruisci i prompt, non collezionarli

Resta la competenza da cui parte la maggior parte delle guide, e che io ho lasciato apposta alla fine. Un prompt scritto senza capire da dove arriva la conoscenza del modello e in quale modalità stia lavorando è come una domanda formulata benissimo alla persona sbagliata, nella stanza sbagliata.

Un buon prompt contiene almeno tre elementi.

Ruolo. Se scrivi «Sei uno strategist e-commerce esperto», non stai recitando. Stai mandando il modello in una zona precisa della sua nuvola di conoscenza. Nei pesi, i testi degli strategist sono vicini; il ruolo spinge la risposta verso quel quartiere, non verso l’intera Internet dove tutti hanno un’opinione sulle vendite.
Compito. Definisci il risultato finale: che cosa deve nascere, in quale struttura, per chi e con quale lunghezza. Non «Scrivi qualcosa sul nostro prodotto», ma «Scrivi tre titoli per una landing page rivolta a chi ci confronta con i concorrenti e teme i costi di implementazione».
Indicazione. L’elemento dimenticato più spesso: qualcosa che impedisca al modello di scrivere «come tutti». L’esempio di un’e-mail che ha funzionato. Un brano nel tuo stile. Un controesempio: «Evita un tono in cui ogni frase sembra uno slogan». Senza indicazione, il modello torna al centro della propria distribuzione statistica: la lingua media di Internet, la stessa che i concorrenti ottengono dallo stesso modello. L’indicazione dice: non da lì, da qui.

Ruolo, compito e indicazione bastano nella maggior parte dei casi. Mostro questa logica in sedici esempi nell’articolo sui prompt ChatGPT per il copywriting.

Per un lavoro più serio – strategia di comunicazione, offerta per un cliente chiave, piano di campagna – consiglio la struttura CRIT resa popolare da Geoff Woods: Context, Role, Interview, Task, cioè contesto, ruolo, intervista, compito.

Il terzo elemento è il più interessante. Nel prompting classico sei tu a indovinare che cosa serve al modello e a stipare tutto in un’unica istruzione. CRIT capovolge le parti: chiedi prima al modello di intervistarti. «Prima di cominciare, fammi una domanda alla volta finché non avrai raccolto tutto ciò che ti serve». Ti chiederà cose alle quali non avevi pensato: chi decide dal lato del cliente, che cosa ha già provato, perché non ha funzionato.

Tu rispondi alle domande invece di scrivere un tema.

Ed eccoci di nuovo alla prima competenza. L’intervista riempie il contesto visibile, ma stavolta è il modello a guidare il processo e indicare i vuoti della propria conoscenza. Invece di confabulare i fatti mancanti, li chiede. Le tre competenze di questo articolo non sono lezioni separate. Sono un unico sistema.

Da dove cominciare?

Se qualcuno mi chiedesse come lavorare con l’IA e potessi rispondere con una sola frase, direi: sii il pilota, non il passeggero. Il passeggero sale, si fida e consuma il risultato. Il pilota sa da dove arrivano i dati della macchina, sceglie la modalità di volo e comunica con precisione la destinazione. Dalle ricerche di Mosier e Skitka sappiamo che cosa distingue i buoni piloti dell’automazione: sentono che a firmare il risultato saranno loro, non la macchina.

Per oggi hai tre esercizi, uno per competenza:

Primo: chiedi a un modello senza ricerca Internet informazioni sulla tua azienda e sui concorrenti. Scopri che cosa c’è nei pesi. Poi, prima di usare una risposta con un cliente, domanda: «Come lo sai? Mostrami le fonti».
Secondo: prova la modalità task. Apri gli strumenti o le schede citate. Affida a un agente un compito che debba produrre file veri – per esempio descrizioni prodotto ricavate da fotografie. Abituati a questo modo di lavorare: è il futuro.
Terzo: prendi il prompt che usi più spesso e controlla se contiene ruolo, compito e indicazione. Se manca l’indicazione – di solito manca –, aggiungi un esempio di testo che consideri ben riuscito.

Se vuoi approfondire, leggi come funzionano i modelli linguistici, oppure passa subito alla pratica con i 16 prompt per il copywriting. Per allenare il processo insieme al tuo team, scopri i miei workshop. Le sessioni dal vivo sono in inglese; i materiali possono essere localizzati su richiesta.