L’AI nel content writing: smettere di interrogarla e iniziare a darle istruzioni

Chi usa quotidianamente un assistente come Claude o ChatGPT conosce la sensazione: la risposta è corretta, scritta bene, e completamente inutilizzabile. Troppo lunga, rivolta al lettore sbagliato, in un formato che non si incolla da nessuna parte. La reazione tipica è riformulare la domanda e riprovare. Poi di nuovo. Alla quinta volta il testo finalmente serve, ma il tempo risparmiato dall'AI se n'è andato in correzioni.

Il problema quasi mai è il modello. È che lo stiamo trattando come un motore di ricerca, quando funziona come un collaboratore. A un motore di ricerca si fa una domanda. A un collaboratore si dà un task. E un taask, per essere eseguito bene la prima volta, ha bisogno di poche cose dette in modo esplicito.

Questa non è una raccolta di trucchi. È un modo di impostare il lavoro che vale la pena trasformare in abitudine, soprattutto per chi produce deliverable concreti: una nota per un cliente, un articolo, una sintesi tecnica, un documento da firmare. Per le richieste usa-e-getta che restano dentro la chat (riformula questa frase, traduci questo paragrafo) la domanda secca basta. Per tutto il resto, il metodo paga.

La differenza che cambia tutto: tema contro obiettivo

"Parlami della nuova normativa sugli ammortamenti" è un tema. "Prepara una nota di due pagine per un cliente manifatturiero che spiega cosa cambia sui suoi nuovi macchinari" è un obiettivo.

La prima formula apre una conversazione, la seconda chiede una consegna. Quando il prompt esprime solo un tema, il modello fa l'unica cosa sensata che può fare: esplora. Apre un dossier teorico, sceglie un lettore medio, decide un formato a caso. Esce un testo interessante e da rilavorare da capo.

L'obiettivo, una volta dichiarato, orienta tutte le scelte successive senza che tu debba ripeterle. Il modello capisce quanto scrivere, in che ordine mettere le cose, cosa lasciare fuori. È la bussola di tutto il resto. Per questo conviene scriverlo come prima frase del messaggio, in forma di consegna: prepara X per Y, da consegnare in formato Z. Tre informazioni in una riga.

Un avvertimento che vale per esperienza diretta: due obiettivi diversi nello stesso prompt ("spiegami e poi preparami") costringono il modello a sceglierne uno, di solito non quello che ti interessava. Un compito per volta.

Le due identità: la tua e quella che assegni

Prima ancora dell'obiettivo, due righe di identità cambiano il registro dell'intera conversazione. Una è la tua, e serve perché il modello capisca il vocabolario che usi e le sensibilità del tuo settore. L'altra è quella che assegni al modello, e serve perché scelga la postura giusta.

Non è un dettaglio cosmetico. Un consulente sintetizza e raccomanda. Un revisore obietta e cerca le crepe. Un formatore spiega per gradi. Sono tre risposte diverse alla stessa domanda, e si ottengono cambiando una riga: sei il mio collega senior che mi rilegge prima dell'invio produce un testo molto diverso da sei un esperto che spiega a chi parte da zero.

Senza un'identità dichiarata, il modello scivola verso un registro neutro-divulgativo, quello che funziona sui social e risulta sciapo sulle scrivanie professionali. È il livello di un'enciclopedia generalista, mentre il lavoro vero chiede il livello del collega esperto. L'identità è il primo segnale che dice al modello di alzare l'asticella. Va dichiarata all'inizio della chat: se a metà ti accorgi che serviva un ruolo diverso, conviene aprire una conversazione nuova invece di correggere in corsa.

Il contesto e il perché di ogni vincolo

Il contesto è la materia grezza che separa una risposta cucita sul caso da una risposta da catalogo. Quattro elementi servono quasi sempre: la situazione (il caso specifico), i vincoli (cosa non si può fare), la storia (cosa è già stato provato), le scelte già prese (dove non si torna indietro). Quattro righe, e il modello smette di lavorare per un cliente medio che non esiste.

Caricare il contesto giusto, però, non vuol dire caricarlo tutto. Più materiale dai, più il modello fatica a distinguere il centrale dallo sfondo. La regola pratica è semplice: ogni elemento di contesto deve poter spiegare perché cambia la risposta. Se non la cambia, è rumore.

C'è un punto che fa la differenza più di ogni altro, ed è il modo in cui si scrivono i vincoli. Un vincolo dichiarato senza la sua ragione è cieco: uno motivato, invece, si generalizza. Non scrivere non superare le duecento parole. Scrivi la risposta finisce in una mail di sintesi che il cliente legge dallo smartphone in pausa pranzo, quindi tienila sotto le duecento parole, altrimenti la salta. Il "perché" permette al modello di adattare il vincolo ai casi simili: se la mail include un allegato, capirà che la sintesi può essere ancora più corta. Il vincolo senza ragione, invece, si rompe alla prima eccezione, oppure viene aggirato perché sembra arbitrario.

Mostrare un esempio invece di descriverlo

Questa è la mossa più sottovalutata e quella con il miglior rapporto tra sforzo e risultato. Spiegare a parole come deve venire il testo (sintetico, professionale, con un occhio al destinatario) lascia tre o quattro interpretazioni aperte. Mostrare un paragrafo di esempio le riduce a una.

È il principio che nella documentazione tecnica viene chiamato few-shot prompting e funziona perché toglie al modello il margine di interpretazione su cosa significa, in concreto, "come piace a me". Un esempio basta nella maggior parte dei casi. Due quando vuoi mostrare due varianti. Da tre in su il guadagno marginale crolla.

Il consiglio operativo è di pescare l'esempio da un lavoro vero già fatto: una mail uscita bene, una nota già firmata, un riassunto che ti era piaciuto. È già del livello giusto. L'errore speculare è inventare un esempio approssimativo per non perdere tempo: l'esempio diventa il riferimento, e se è mediocre l'output sarà mediocre per imitazione.

I tag XML: una grammatica che Claude legge meglio

Questa è specifica di Claude e non compare nella maggior parte dei tutorial generalisti. Anthropic ha addestrato il modello a riconoscere i tag in stile XML come segnali strutturali forti: dichiarano dove inizia e finisce un blocco, qual è l'istruzione, qual è il materiale di lavoro.

Quando un prompt è lungo e contiene cose diverse, un documento da analizzare, le istruzioni su cosa farne, un esempio del risultato voluto, i tag separano i livelli e il modello smette di confondere il materiale con la consegna. Non serve un dizionario: bastano cinque o sei etichette usate sempre, in italiano o in inglese, indifferentemente.

<contesto>
Cliente manifatturiero, fatturato 1,8 milioni, dieci dipendenti.
Ha appena investito in nuovi macchinari.
</contesto>
<istruzioni>
Prepara una nota di due pagine sugli ammortamenti.
</istruzioni>
<formato>
Prosa in paragrafi che scorrono, italiano professionale, circa 700 parole.
</formato>

Sotto le cinque righe i tag sono inutili. Sopra le quindici sono quasi sempre utili. Il tempo speso a metterli viene restituito dalla prima risposta che non devi correggere. L'alternativa, un misto di asterischi, trattini e parentesi sperando che il modello capisca, funziona, ma con meno precisione.

Il formato, detto in positivo

Il formato è la cornice in cui consegni l'output: una tabella comparativa, una mail pronta, una checklist numerata, una bozza per LinkedIn. Senza una cornice dichiarata, il modello ne sceglie una verosimile, quasi mai quella che ti serve. Quasi sempre è una prosa lunga che dovrai impaginare a mano.

Aiuta riconoscere tre famiglie. I formati narrativi servono per comunicare (mail, articolo, newsletter). Quelli operativi servono per agire (checklist, scaletta, sequenza di passi). Quelli comparativi servono per decidere (tabella di confronto, matrice pro e contro). Sapere quale famiglia ti serve è già metà del lavoro.

E poi la precisione. “Fammi un riassunto breve” lascia spazio a interpretazioni che vanno da cinquanta a cinquecento parole. Riassumi in centocinquanta parole, in tre paragrafi, senza elenchi toglie l'ambiguità. Misure, non aggettivi.

Su questo c'è una regola che merita di essere isolata, perché vale ben oltre il formato: le istruzioni in positivo guidano, quelle in negativo lasciano un vuoto. Invece di non usare elenchi puntati, scrivi rispondi in paragrafi di prosa che scorrono. Invece di non essere prolisso, scrivi resta sotto le centocinquanta parole. L'istruzione positiva dice dove andare. Quella negativa dice solo dove non andare e lascia al modello la libertà di sbagliare strada lo stesso.

Tono e destinatario: per chi è questo testo

La domanda "per chi è questo testo?" cambia il vocabolario, il livello di assunzioni, la velocità con cui si arriva al punto. A un collega tecnico scrivi riduzione del contenzioso fiscale. Allo stesso cliente, non tecnico, scrivi evitare di finire davanti al giudice tributario. Stessa cosa, detta in due modi, perché i destinatari sono due.

Basta un descrittore corto e specifico: un imprenditore non tecnico, un giovane collega che inizia, un cliente che ha letto solo il titolo del decreto. Tre parole orientano vocabolario, numero di esempi e lunghezza della spiegazione tutti insieme. L'errore da evitare è mescolare due destinatari nello stesso testo ("tecnici e profani"): il modello finisce in mezzo, e il testo non parla davvero a nessuno dei due.

Far ragionare il modello a voce alta

Su problemi che richiedono passaggi, un calcolo articolato, un confronto tra più opzioni, una catena di implicazioni, chiedere al modello di mostrare il ragionamento prima della risposta finale alza la qualità in modo misurabile. Su una domanda fattuale non aggiunge nulla. Su una decisione che dipende da tre o più fattori che interagiscono ("per questo cliente conviene il regime A o B?") cambia il risultato.

Qui c'è una distinzione che nel 2026 è diventata importante. Una cosa è chiedere nel prompt mostra i passaggi del ragionamento. Un'altra è attivare la modalità di extended thinking, in cui il modello dedica tempo a costruire la risposta prima di scriverla, come funzione a sé. Sui modelli che la supportano, la riga nel prompt può diventare ridondante: il ragionamento avviene comunque e chiederlo di nuovo rischia solo di farti ritrovare tre paragrafi di analisi prima di un dato che bastava in una riga. Conviene scegliere uno dei due strumenti in base al problema, non sommarli per inerzia.

Inizio e fine: dove vanno gli ancoraggi

Nei prompt lunghi, le istruzioni messe a metà rischiano di passare in secondo piano. Il modello, come una persona che legge in fretta, ricorda meglio l'apertura e la chiusura. Sotto le dieci righe la ripetizione è inutile. Sopra, due ancoraggi salvano una buona parte del tempo di revisione.

Un piccolo schema mentale aiuta. La prima riga porta identità, obiettivo e formato in una frase compatta: è la cornice di tutto ciò che segue. L'ultima riga ribadisce i vincoli che, se persi, rovinano l'output: la lingua, le esclusioni, il formato di nuovo. Non è ridondanza, è ancoraggio. Scrivere il vincolo importante una sola volta a metà del prompt è il modo più comune per ritrovarselo ignorato.

Iterare, non sparare un prompt unico

L'ultimo punto è anche il cambio di mentalità più grande. Il modello dà il meglio quando la richiesta diventa una conversazione: tu chiedi, lui prova, tu correggi, lui rifà. Quando risponde la prima volta, la sua bozza entra nel contesto della conversazione, e la seconda risposta non riparte da zero: parte da quella bozza più le tue correzioni.

Le tre mosse sono semplici. Prima, chiedi una bozza grezza per vedere la direzione. Poi, indica cosa funziona e cosa no, con esempi specifici. Ancora, chiedi la rifinitura solo sui punti aperti, non sull'intero testo. La correzione mirata ("il secondo paragrafo è troppo astratto") produce un cambiamento mirato. L'errore qui è scartare l'intera risposta e riscrivere il prompt daccapo: si butta via metà del lavoro che il modello aveva già fatto bene.

Una struttura, mille casi

Lette una per una, queste indicazioni sembrano tante. Messe insieme in un prompt vero diventano una sola cosa: una richiesta lavorata, scritta una volta e riusabile.

Del prompt costruito bene si salva la struttura, identità, ruolo del modello, formato, vincoli, esempio di output. Si cambiano i tre parametri che variano da caso a caso: chi è il cliente, qual è il vincolo del momento, qual è la materia in agenda. Cinque minuti di adattamento al posto di venti di scrittura daccapo. Per chi nel proprio lavoro produce gli stessi tipi di documento più volte, salvare due o tre di questi prompt come modelli è probabilmente l'intervento a più alto rendimento sull'uso quotidiano dell'AI.

C'è un test mentale che riassume tutto, e vale come controllo finale prima di premere invio: mostreresti questo prompt a un collega che non sa nulla del caso, e lui saprebbe eseguirlo? Se si fermerebbe a chiederti "ma il cliente è grande o piccolo?", "ma in che lingua?", "ma quanto lungo?", il modello si sta facendo le stesse domande in silenzio. La differenza è che lui non te le chiede. Risponde, e inventa la parte mancante.

Tutto questo, finché resta un'abitudine del singolo professionista, vale fino a un certo punto. Il salto arriva quando smette di essere una pratica personale e diventa un metodo condiviso: prompt salvati come modelli, ruoli definiti, flussi che reggono anche quando a usarli è un intero reparto.

E qui l'essere espliciti smette di essere solo una questione di tempo risparmiato. Con l'AI Act, l'Unione Europea ha scelto un approccio risk-based: più un sistema di intelligenza artificiale incide su persone e decisioni, più deve essere trasparente, documentato, tracciabile. Chi porta l'AI dentro i processi di un'azienda non risponde più solo a "funziona?", ma anche a "come l'abbiamo usata, con quali istruzioni, con quali dati". La stessa disciplina che ti fa scrivere una consegna con obiettivo, contesto e vincoli dichiarati è quella che rende quell'uso verificabile e spiegabile a chi deve controllarlo. Quello che per il singolo è un metodo per lavorare meglio, per l'organizzazione diventa una forma di igiene che il quadro europeo, di fatto, premia. Ne abbiamo scritto più diffusamente parlando dell'AI Act, il primo tentativo europeo di regolamentare l'intelligenza artificiale.

Disegnare quel modo di lavorare e costruire gli strumenti su misura che lo rendono operativo è esattamente ciò che facciamo quando affianchiamo un'azienda. Se è il punto in cui vi trovate, prenotate un primo confronto con il nostro team.