[Editor’s Note: This is the third in a series by Oren Etzioni about AI usage and best practices. See also “AI Coach or AI Ghostwriter? The Choice Is Yours,” and “How to read with AI.”]
Un amico ha chiesto a ChatGPT un enter su una questione professionale e ha ricevuto una risposta banale e poco brillante. Le ho suggerito di provare un approccio diverso: chiedere 15 idee various, scansionarle, scegliere le due che sembravano più promettenti e poi chiedere a ChatGPT di perfezionarle. È tornata felicissima. ChatGPT non è diventata più intelligente, ma è diventata più brava nel fornire suggerimenti.
Questa è la mia mossa preferita: chiedi all’IA molte opzioni, approfondisci quelle promettenti e, soprattutto, se all’inizio non ci riesci, sollecita, sollecita ancora!
Quello che segue è un consiglio pratico su come utilizzare l’intelligenza artificiale come uno strumento elettrico piuttosto che come una slot machine. Per una semplice richiesta, è eccessivo, ma se sei seriamente intenzionato a sollecitare, continua a leggere.
La guida di Anthropic per incoraggiare Claude contiene un suggerimento utile: trattare il modello come un nuovo dipendente brillante ma con una mentalità letterale il primo giorno. Sono capaci. Sono anche nuovi. Faranno esattamente quello che chiedi, quindi devi chiedere esattamente quello che vuoi.
La regola d’oro del staff Anthropic è mostrare il tuo suggerimento a un collega senza contesto e chiedere se può seguirlo. Se la risposta è no, neanche il modello può farlo. Questo principio genera una manciata di abitudini che migliorano immediatamente la qualità dell’output, prima che entrino in gioco le tecniche più avanzate.
Un avvertimento da parte mia, però: non pensare al modello come a una persona. Non lo è. L’inquadramento del “nuovo dipendente brillante” è un utile punto di partenza, ma è una metafora, non la realtà. Un nuovo assunto pone domande di follow-up, ricorda ciò che hai detto ieri e nota quando un’istruzione è stupida. Claude non fa nulla di tutto ciò per impostazione predefinita. Appoggiati alla metafora per ricordare di essere specifico e fornire il contesto, ma abbandonala nel momento in cui inizi advert aspettarti un giudizio umano che semplicemente non c’è.
Ecco il playbook, organizzato come un elenco per una facile consultazione e una revisione periodica.
Sii specifico riguardo al formato, alla durata, al pubblico e ai vincoli.
Immediate vaghi producono risultati vaghi. La soluzione è dire quello che vuoi veramente.
- Prima: Scrivi sulle tendenze di advertising.
- Dopo: Analizza le tre tendenze di advertising SaaS B2B più significative degli ultimi sei mesi. Per ciascuno, fornire un esempio aziendale e una valutazione in una frase per stabilire se il development accelererà o si stabilizzerà. Scrivilo come un temporary di 400 parole per un comitato non tecnico.
Migliorare la qualità del pronto spesso significa semplicemente stabilire dei vincoli. Suggerimenti vaghi producono risposte sicure, coperte ed enciclopediche perché il modello non ha segnali su cosa ottimizzare e per impostazione predefinita utilizza la copertura. Suggerimenti specifici producono risposte utili e supponenti perché i vincoli eliminano le opzioni sicure ma inutili. Chiedere “tre” anziché “alcuni” forza la classifica. Chiedere “accelera o stabilizza” forza una chiamata. Chiedere “un briefing del consiglio” determina cosa verrà tagliato. Ogni vincolo aggiunto è una decisione che il modello non può più evitare.
Fornire alcuni esempi.
Questa è la mossa con la leva più alta nei suggerimenti quotidiani. I modelli raccolgono modelli dagli esempi più velocemente che dalle descrizioni.
- Prima: Trasforma queste be aware della riunione in elementi di azione.
- Dopo: Trasforma queste be aware della riunione in elementi di azione. Corrisponde a questo formato: Esempio 1: Nota: “Sara esaminerà la domanda sui prezzi e ci ricontatterà la prossima settimana.” Azione: Sarah → ricerca opzioni di prezzo → scadenza venerdì prossimo. Esempio 2: Nota: “Abbiamo concordato di posticipare il lancio.” Azione da compiere: Group → rivedere la sequenza temporale del lancio → scadenza prima dello standup di lunedì. Ora fai lo stesso per queste be aware: [paste]
Di’ al modello cosa fare, non cosa non fare.
Le istruzioni unfavorable sono più facili da violare rispetto a quelle constructive. La riformulazione in senso affermativo ti dà risultati più puliti.
- Prima: Non essere troppo formale. Non usare il gergo. Non renderlo noioso.
- Dopo: Scrivi con un tono caldo e colloquiale, nel modo in cui un collega intelligente lo spiegherebbe davanti a un caffè. Usa un inglese semplice e frasi brevi.
Abbina lo stile del tuo immediate allo stile dell’output che desideri.
Questo sorprende alcune persone. Se il tuo immediate è pieno di punti elenco e testo in grassetto, il modello restituirà punti elenco e testo in grassetto. Se vuoi una prosa fluida, scrivi in prosa fluida.
Queste abitudini sembrano modeste. Ma applicati insieme, prendono suggerimenti dal livello in cui operava il mio amico, dove ChatGPT sembrava inutile, a un livello in cui l’intelligenza artificiale produce dividendi a destra e a manca. Le tecniche avanzate nel resto di questo pezzo si basano su queste fondamenta, ma non salveranno un suggerimento che fallisce nelle basi.
Al di là delle nozioni di base, ecco una serie di abitudini efficaci che compaiono nelle indicazioni di OpenAI, Google, sviluppatori attivi e persone che costruiscono sistemi IA di produzione per vivere. Queste non sono tanto tecniche quanto self-discipline del flusso di lavoro.
Iterare; considerare i suggerimenti come guidati dal check.
Il tuo primo suggerimento è una bozza. I professionisti più esperti costruiscono piccoli insiemi di casi di check (gli enter a cui tengono), li attraversano con i loro suggerimenti e li perfezionano fino a quando l’output è costantemente buono. Esistono diversi toolkit open supply per formalizzare questo ciclo.
- Prima: Scrivi il suggerimento. Provalo con un esempio. Sembra buono. Spediscilo.
- Dopo: Scrivi il suggerimento. Scegli cinque enter, inclusi i casi limite scomodi. Esegui il immediate su tutti e cinque. Dove fallisce, cambia una cosa nel immediate e riprova. Conserva la versione che funziona nella maggior parte dei casi.
Specificare una definizione di fatto.
La guida di OpenAI per GPT-5 sottolinea che è necessario dire al modello cosa conta come risposta completa. Senza ciò, il modello resolve da solo, spesso fermandosi alla prima risposta apparentemente plausibile.
- Prima: Aiutami a eseguire il debug di questo errore Python.
- Dopo: Aiutami a eseguire il debug di questo errore Python. Hai finito quando: (1) hai identificato la causa principale, (2) hai proposto una soluzione specifica con il codice corretto e (3) hai spiegato perché l’originale non è riuscito. Se non sei sicuro di nessuno di questi tre, dillo esplicitamente invece di tirare a indovinare.
Calibrare lo sforzo in base al compito.
I modelli di ragionamento moderni hanno quadranti dello sforzo o del pensiero. Basso sforzo per l’estrazione e il triage; alto per sintesi e strategia. La maggior parte degli utenti li lascia in default e li paga per problemi difficili.
- Prima: Riassumi questo rapporto di 80 pagine.
- Dopo: Imposta lo sforzo di pensiero su alto. Leggi l’intero rapporto. Identifica i tre risultati più importanti, le due affermazioni più deboli e l’unica domanda che dovrei porre agli autori. Citare i numeri di pagina.
Iniettare direttamente il contesto corrente o proprietario.
Fare attenzione advert evitare termini tecnici e abbreviazioni sconosciute al modello (al posto dell’acronimo PMO, advert esempio “Venture Administration Workplace”). Le modelle non hanno accesso ai tuoi documenti interni. Incolla il materiale pertinente.
- Prima: Come dovrei strutturare una sezione di lavoro correlata confrontando il mio quadro con le precedenti proposte di governance degli agenti?
- Dopo: Di seguito è riportata la sezione del mio lavoro correlato alla bozza attuale, oltre ai PDF dei tre articoli su cui mi sto posizionando (incollati). Basandomi solo su queste fonti, identifica i punti di sovrapposizione che non ho ancora riconosciuto e qualsiasi affermazione nella mia bozza che i documenti citati in realtà non sosterrebbero.
Costruisci una libreria di immediate personale.
Questa è una mossa potente per un professionista. Gli schemi che hanno funzionato ieri probabilmente funzioneranno domani. Smettila di riscriverli da zero. Salvare le istruzioni che producono costantemente buoni risultati, organizzate per tipo di attività. Trattateli come documenti viventi, non come tentativi una tantum.
- Prima: Apri una nuova chat. Scrivi a memoria l’inquadratura, i vincoli, gli esempi e la domanda. Guardati e dimenticane due.
- Dopo: Apri la tua libreria di immediate. Copia il modello “crea un promemoria per il mio supervisor”. Incolla l’argomento specifico di oggi e il materiale di partenza. Correre.
Ecco alcune cose da non fare:
Non dire ai modelli di ragionamento di “pensare passo dopo passo”.
Modelli come la serie o di OpenAI e il pensiero GPT-5 lo fanno già internamente. L’aggiunta dell’istruzione può ferire anziché aiutare. Risparmiatelo per i modelli di tutti i giorni.
Non affidarti alle istruzioni “non fare” o “mai” per tutto.
I modelli, in particolare quelli Gemini, possono sovraindicizzare su ampi vincoli negativi e peggiorare il ragionamento di base. Preferisci l’inquadratura positiva: dì al modello cosa fare.
Non fidarti della prosa raffinata come prova di correttezza.
Le allucinazioni sono più pericolose quando sono ben scritte. Come ho sottolineato in Come leggere con l’intelligenza artificiale, devi verificare attentamente l’output dell’intelligenza artificiale.
Non utilizzare un linguaggio aggressivo (“CRITICO: DEVI…”).
I modelli moderni sono altamente reattivi alle istruzioni ordinarie. Un fraseggio aggressivo può produrre risultati eccessivamente cauti e innescare rifiuti. Usa un linguaggio normale.
Non includere acronimi non definiti nel tuo immediate.
Degradano sensibilmente la produzione. Per la ricerca sull’impatto dei cambiamenti rapidi vedere questo recente articolo su Panca fragile.
Non modificare tre cose contemporaneamente durante l’iterazione.
Quando un immediate non funziona, modifica una variabile, prova, quindi modifica quella successiva. Altrimenti non sai cosa ti ha aiutato.
Non dare per scontato che lo stesso immediate funzioni su tutti i modelli.
Famiglie di modelli diversi necessitano di suggerimenti diversi. La stessa istruzione può aiutare uno e ferire un altro. Le impostazioni di temperatura e sforzo che funzionano per GPT non sono quelle che funzionano per Claude o Gemini.
Non considerare la prima risposta come quella finale.
La mancata iterazione è una modalità di errore comune nell’uso quotidiano dell’IA. Ecco un trucco per migliorare l’IA nelle attività in più fasi: dopo ogni tentativo, chiedi all’IA di scrivere una breve critica su ciò che è andato storto e di inserire quella nota nella sua memoria per il tentativo successivo. Nessuna meccanica fantasiosa, solo il modello che “parla da solo” in un inglese semplice. Al tentativo successivo, legge le proprie riflessioni passate e si adatta. Questo ciclo può produrre guadagni significativi rispetto ai immediate one-shot.
Le persone che ottengono il massimo dall’intelligenza artificiale non sono quelle con i migliori modelli di immediate. Sono loro che trattano il modello come un potente strumento per far avanzare il proprio lavoro. Non è necessario presentarsi con perfetta chiarezza su ciò che desideri. Un buon dialogo può portarti lì, facendo emergere opzioni e domande che da solo ti saresti perso. Ciò che non può fare è riconoscere la risposta giusta quando appare. Quella parte spetta ancora a te.
Per ulteriori letture …
Documentazione del fornitore:
- Ingegneria tempestiva antropica migliori pratiche.
- Richiesta OpenAI guida ingegneristica.
- OpenAI GPT-5 guida tempestiva.
- Google Gemelli strategie di stimolo.
- IA di Google Vertex progettazione tempestiva.
Risorse per i professionisti:
- Promptfoo (ingegneria tempestiva basata sui check).
- Promptimizzare (Messaggi preimpostati e guidati da check).
- PromptHub (criteri di successo e valutazioni).
- GitHub sulla pratica ingegneristica tempestiva.
Nota dell’editore: GeekWire pubblica le opinioni degli ospiti per favorire una discussione informata ed evidenziare una diversità di prospettive su questioni che plasmano la comunità tecnologica e delle startup. Se sei interessato a inviare una colonna ospite, inviaci un’e-mail atips@geekwire.com. I contributi vengono esaminati dal nostro staff editoriale per pertinenza e customary editoriali.
