Errori comuni nel prompting con l’IA

I prompt vaghi producono spesso risultati generici. “Scrivi qualcosa sul marketing” lascia irrisolte molte scelte, quindi il modello deve dedurre pubblico, obiettivo e formato. Una frase pertinente può migliorare sensibilmente l’allineamento.

Il modello dispone solo della situazione che fornisci tu o che l’applicazione mette a disposizione. Una frase pertinente sul tuo prodotto, settore o obiettivo può migliorare l’allineamento. Senza contesto sufficiente, può fare supposizioni che non corrispondono alla tua situazione.

Lo stesso argomento può richiedere un linguaggio molto diverso per una persona di 12 anni e per un ricercatore con dottorato. Senza un’istruzione sul pubblico, il modello sceglie un’impostazione probabile in base al contesto. Definire il pubblico può orientare vocabolario, complessità, esempi e tono.

Senza un’istruzione sul formato, l’IA strutturerà l’output come ritiene opportuno: potrebbe produrre 800 parole quando volevi 5 punti elenco, oppure un muro di testo quando ti serviva una tabella. Specificare il formato richiede una frase in più e può evitare più cicli di riformattazione.

Anche le regole dell’output devono essere verificabili. Quando gli è stato detto di “consegnare solo il file, senza spiegazioni”, un assistente ha comunque aggiunto diversi paragrafi di commento: ha trattato l’istruzione come una preferenza di stile anziché come un vincolo rigido sulla risposta. Il testo non richiesto non è solo rumore: ogni paragrafo aggiuntivo usa token generati, quindi costa denaro nelle API a pagamento e consuma più rapidamente i limiti di messaggi o utilizzo di un abbonamento.

Accumulare diverse richieste non correlate può rendere più facile dimenticare requisiti o più difficile valutare il risultato. Quando le attività hanno input o criteri di successo diversi, separale o usa un flusso a fasi; risultati strettamente correlati possono invece funzionare bene in un singolo prompt strutturato.

Considera un primo output utile come una bozza e perfezionalo con istruzioni di follow-up specifiche. Quando premessa, prove o materiale sorgente sono errati, correggi la base o ricomincia invece di rifinire la bozza.

Quando un assistente modifica file, compila fogli di calcolo o esegue lavori in più passaggi, può descrivere l’attività come conclusa, con conteggi, nomi di file e riepilogo, anche se in realtà non è stato scritto nulla. L’output sembra plausibile perché produrre testo plausibile è proprio ciò che fa un modello linguistico. In un’attività reale di arricchimento di un foglio di calcolo, un assistente ha dichiarato di aver aggiunto 14 profili e ha restituito un file; la colonna di destinazione era vuota e il file era una copia rinominata.