Il prompt engineering in azienda non è scrivere prompt brillanti. È costruire prompt che funzionano in modo ripetibile su input variabili, che sopravvivono al cambio di modello, che possono essere usati da chi non ha scritto il prompt originale.
Questa guida descrive il metodo che usiamo nei workshop Metodo AI per portare un team da uso erratico dell'AI a una prompt library aziendale stabile in 4-6 settimane.
Perché 'sapere fare prompt' non basta in azienda
L'errore più comune è trattare il prompt engineering come abilità individuale: ogni persona scrive i propri prompt, ognuno con stile diverso, nessuno scritto. Il risultato è che la qualità dell'output dipende da chi è in chat oggi, non dal processo. Quando quella persona è in ferie o cambia ruolo, il know-how se ne va con lei.
Il prompt engineering aziendale risolve questo: il prompt diventa asset di processo, scritto, versionato, condiviso, misurato. Chi non l'ha scritto può usarlo con qualità consistente. Quando si cambia modello o cambia il task, si modifica il prompt centralmente e tutto il team si aggiorna.
Anatomia di un prompt aziendale efficace
Un prompt che funziona in produzione ha quasi sempre 5 sezioni nello stesso ordine.
- Ruolo e contesto — chi è il modello in questa interazione, qual è l'obiettivo, qual è il contesto aziendale rilevante.
- Compito — cosa deve fare esattamente, espresso come azione concreta misurabile.
- Regole e vincoli — cosa il modello deve fare sempre e cosa non deve mai fare, in elenco puntato.
- Esempi (few-shot) — 2-4 esempi reali di input e output desiderato, possibilmente anonimizzati.
- Formato dell'output — struttura precisa dell'output (markdown, JSON, sezioni fisse). Il modello rispetta meglio i formati specificati esplicitamente.
I 7 errori più frequenti nel prompt engineering aziendale
Sono gli errori che vediamo in quasi tutte le aziende che provano a scalare l'uso dell'AI senza un metodo.
- Prompt troppo astratti — 'aiutami con questa email'. Senza compito specifico il modello indovina.
- Mancano gli esempi — il modello ha bisogno di vedere 'fatto bene' per esempi reali, non solo di leggerlo.
- Regole espresse in negativo senza esempi positivi — 'non essere troppo formale' è ambiguo, meglio 'usa il tono di queste 3 email allegate'.
- Tutto in un solo prompt monstre — meglio una catena di 2-3 prompt brevi che uno enorme.
- Output non strutturato — senza un format esplicito è impossibile usare l'output a valle.
- Mai validato con dati reali — un prompt che non è stato testato su 20+ input reali fallirà in produzione.
- Nessun versioning — il prompt vive in una chat persa, non è recuperabile, non è migliorabile in modo incrementale.
Come costruire una prompt library aziendale
La prompt library è il repository dei prompt operativi del team. Per una PMI può vivere in 3 posti: Notion, GitHub, oppure un sistema dedicato (PromptLayer, Humanloop, Vellum). Per cominciare Notion va benissimo: serve un database con 5-6 proprietà.
- Titolo — descrittivo, in italiano, leggibile.
- Categoria — vendite, marketing, customer care, operations.
- Use case — descrizione del caso d'uso in 1-2 frasi.
- Versione corrente del prompt — il testo del prompt aggiornato.
- Esempio di input + output — un esempio reale che mostra il prompt in azione.
- Owner — chi è responsabile del prompt e raccoglie feedback.
Few-shot prompting: 3 regole pratiche
Il few-shot prompting è la tecnica più efficace per portare un prompt da 60% a 90% di output utilizzabile. Tre regole che fanno la differenza.
- Usa 3-5 esempi reali, non sintetici. Il modello impara da come si parla nella tua azienda, non da come parla un manuale.
- Includi sempre 1 esempio difficile o ambiguo, non solo i casi facili. Il modello impara a gestire l'eccezione vedendola.
- Mantieni il formato degli esempi identico al formato che vuoi nell'output. Ogni differenza tra esempi e output desiderato confonde il modello.
Chain-of-thought e prompt strutturati
Quando il task richiede ragionamento (analisi di un contratto, classificazione complessa, scelta tra opzioni con vincoli), aggiungere una sezione 'pensa passo per passo' nel prompt migliora sensibilmente la qualità dell'output e riduce gli errori.
La versione moderna di questa tecnica è il prompt strutturato in fasi: il modello produce prima un'analisi (sezione 'analisi') e solo dopo l'output finale (sezione 'risposta'). L'utente legge solo la risposta finale, ma l'analisi nel mezzo funge da scaffolding cognitivo per il modello.
Prompt operativi vs system prompt
In azienda conviene distinguere due livelli. Il system prompt definisce ruolo, voice del brand, vincoli permanenti del modello. Cambia raramente. Il prompt operativo è il task specifico richiesto in una singola sessione. Cambia ad ogni interazione.
Mettere il voice del brand nel prompt operativo è uno spreco di token e una fonte di inconsistenza. Mettere il task del momento nel system prompt blocca il riuso del system prompt su altri task. La separazione netta paga nel medio termine.
Come misurare se un prompt funziona davvero
Tre metriche bastano per valutare un prompt operativo: 1) % di output utilizzabili senza modifiche (target: >70%), 2) tempo medio di revisione umana sui restanti, 3) varianza della qualità su input diversi (più è bassa, più il prompt è robusto).
Si misura su un campione di 20-30 input reali. Se il prompt non raggiunge questi numeri, va riscritto, non difeso. Un prompt che funziona 50% delle volte abbassa la fiducia del team e fa abbandonare lo strumento.
Quando il prompt non basta: RAG, Skills, agenti
Il prompt engineering ha limiti. Quando il task richiede di consultare dati aziendali in continuo aggiornamento (knowledge base, FAQ interne, documentazione tecnica), serve RAG. Quando il task ricorre frequentemente con regole stabili, serve una Skill o un workflow. Quando il task richiede operazioni su più sistemi, serve un agente con MCP server.
Riconoscere quando smettere di iterare sul prompt e passare a un livello superiore di astrazione è una skill in sé. La regola pratica: se hai iterato su un prompt più di 4-5 volte senza superare l'80% di output utilizzabili, il problema non è il prompt.
In sintesi
Il prompt engineering aziendale è un percorso di metodo, non di brillantezza. Una prompt library curata, validata sui dati reali e versionata vale più di 100 prompt geniali sparsi nelle chat individuali del team.
Nei workshop Metodo AI costruiamo insieme al tuo team la prima prompt library su 5-7 use case prioritari, in 2 giornate intensive sui processi reali. Prenota una call di assessment per capire da quali prompt conviene partire.
Vuoi parlarne con un consulente?
Prenota una call di assessment gratuita di 30 minuti.
Analizziamo insieme i casi d'uso più adatti alla tua azienda e ti diciamo onestamente da dove conviene partire.