Trash in, trash out: la qualita' della risposta dipende dal primo prompt

C'e' un principio antico nell'ingegneria del software, talmente vecchio che molti programmatori lo conoscono come acronimo: garbage in, garbage out. Se l'input e' spazzatura, l'output sara' spazzatura. Era vero per i mainframe degli anni Sessanta, e' vero per il foglio di calcolo che apri ogni mattina, e' vero per i modelli AI di oggi. Solo che con l'AI il principio si chiama trash in, trash out, e ha conseguenze piu' sottili. From many perspectives, to one decision, yours: per arrivare a una decisione consapevole, il punto di partenza conta quanto il sistema che la lavora.

Il principio fondante

Un modello AI generativo produce risposte sulla base di una distribuzione statistica di completamenti plausibili. Quando il prompt e' chiaro, il modello restringe la distribuzione ai completamenti pertinenti, e la risposta che esce e' utile. Quando il prompt e' vago, la distribuzione resta larga, e il modello pesca un completamento generico che ha l'aria di essere una risposta ma non risolve la tua domanda.

Questo non e' un difetto del modello. E' una conseguenza diretta del suo funzionamento. Un modello generativo lavora su quello che riceve. Se cio' che riceve e' impreciso, lavora bene su qualcosa di impreciso. Il risultato e' una risposta che sembra autorevole e ben formulata, ma che non corrisponde davvero alla tua domanda perche' la tua domanda non era davvero quella scritta nel prompt.

La conseguenza pratica e' contro-intuitiva. La leva piu' sottovalutata nella produttivita' con l'AI non e' "trovare il modello migliore". E' "scrivere meglio il prompt iniziale". Un modello medio con un prompt eccellente batte un modello eccellente con un prompt mediocre nella stragrande maggioranza dei casi d'uso reali.

Le tre patologie

Tre patologie ricorrenti raccontano da sole quasi tutto il problema dei prompt che non funzionano.

La prima e' il prompt vago. "Aiutami con il marketing." "Dammi un consiglio su questa decisione." "Cosa dovrei fare?" Il modello non ha contesto, non ha vincoli, non ha un task definito. Deve riempire i buchi inventando ipotesi su cosa intendi. Le sue ipotesi non sono le tue. La risposta esce generica per costruzione, perche' la domanda non aveva mai abbastanza struttura per generare una risposta specifica.

La seconda e' il prompt ambiguo. "Scrivimi qualcosa di breve ma completo sul tema X, in tono professionale ma anche un po' creativo, per un pubblico generalista ma con esperienza." Ogni clausola contraddice l'altra. Il modello deve scegliere una lettura unica tra molte possibili, e qualunque scelta tradira' almeno meta' delle tue istruzioni. La risposta non e' sbagliata: e' una delle possibili risposte compatibili con le istruzioni, ma probabilmente non quella che avevi in mente.

La terza e' il prompt sovraccarico. Una richiesta enorme che impasta dieci cose insieme, con contesto di pagine, vincoli sparsi e formati misti. Il modello, anche quando ha la capacita' tecnica di gestire un input lungo, tende a disperdere l'attenzione. Le parti finali del prompt ricevono meno peso. Le istruzioni in mezzo vengono perse. Il risultato e' una risposta che copre tutto in superficie e niente in profondita'.

Queste tre patologie spiegano la stragrande maggioranza dei "l'AI non mi ha dato quello che volevo" che si raccontano nelle riunioni. Il problema, quasi sempre, non era la risposta. Era la domanda.

L'anatomia di un prompt che funziona

Un prompt costruito bene non e' un capolavoro di scrittura. E' un blocco preciso di informazioni minime. Sei elementi, da tenere a mente come check-list.

Il primo elemento e' il ruolo target. Chi deve rispondere? Un analista? Un consulente? Un creativo? Specificare il ruolo non e' una formalita': cambia il modo in cui il modello legge la domanda. Lo stesso prompt rivolto a "un analista finanziario" o a "un brand strategist" produce risposte strutturalmente diverse, perche' i due ruoli portano contesti di default diversi.

Il secondo elemento e' il contesto d'uso. Per chi e' la risposta? In che situazione viene letta? E' un memo interno o una presentazione esterna? E' una decisione personale o un argomento da portare in un comitato? Il contesto d'uso determina il registro, la profondita', il tipo di evidenze che servono.

Il terzo elemento e' il task specifico. Cosa esattamente deve produrre il modello? "Scrivere", "analizzare", "elencare", "valutare", "criticare". Verbi diversi attivano comportamenti diversi. "Scrivere un memo" non e' lo stesso che "analizzare un problema". Essere precisi sul verbo iniziale e' una delle leve piu' efficaci.

Il quarto elemento sono i vincoli espliciti. Tempo, lunghezza, tono, cose da includere, cose da evitare. I vincoli sembrano limitanti, e nella scrittura umana spesso lo sono. Per un modello AI sono il contrario: piu' i vincoli sono espliciti, piu' la risposta e' utile. Un prompt senza vincoli e' un invito alla genericita'.

Il quinto elemento e' il formato di risposta. Lista? Tabella? Paragrafi numerati? Un'unica riga di sintesi? Dichiarare il formato in anticipo evita il problema piu' frequente: avere una risposta giusta nei contenuti ma sbagliata nella forma, e dover rilanciare per riformattarla.

Il sesto elemento, opzionale ma potente, e' il criterio di successo. Come si misura una buona risposta? "Una risposta utile e' una che mi permette di X." Dichiararlo orienta il modello in modo molto piu' efficace di qualunque aggettivo qualitativo. "Sii preciso" non significa nulla. "Una risposta utile e' quella che il mio CFO puo' usare in riunione senza ulteriore lavoro" significa molto.

Questi sei elementi non vanno tutti sempre dichiarati. Vanno tenuti come griglia mentale. Quando una risposta esce male, il problema e' quasi sempre in uno dei sei punti che era stato lasciato implicito.

Perche' il problema persiste

Se la diagnosi e' cosi' chiara, perche' il problema dei prompt mal costruiti non e' gia' stato risolto? Tre ragioni convergono.

La prima e' che la formulazione di un buon prompt e' un lavoro cognitivo, e gli esseri umani tendono a evitarlo quando possono. E' piu' veloce buttare giu' una domanda vaga e vedere cosa esce. Solo che cio' che esce richiede dieci giri di affinamento, e nel totale si spende piu' tempo di quanto se ne sarebbe speso a formulare bene la domanda all'inizio.

La seconda e' che il prompt engineering non e' insegnato a scuola, ne' in azienda, ne' come pratica generale. Si impara per tentativi, lentamente, e molte persone restano alla formulazione naive anche dopo anni di uso intensivo dell'AI. Il principio trash in trash out e' noto come slogan, raro come pratica.

La terza, piu' interessante, e' che molti modelli AI hanno imparato a "rimediare" ai prompt vaghi producendo risposte che sembrano buone anche quando non lo sono. Hai chiesto poco, ricevi qualcosa di plausibile, sei soddisfatto in superficie. Il modello e' diventato bravissimo a nascondere il problema senza risolverlo. Questo rinforza l'abitudine di formulare male.

La soluzione strutturale

La soluzione individuale e' imparare a costruire prompt migliori. La soluzione strutturale e' costruire sistemi che lavorano la qualita' del prompt prima che il prompt arrivi al modello che deve rispondere.

Questo cambia il punto di leva. Invece di chiedere a ogni utente di diventare un esperto di prompt engineering, il sistema mette un livello di intelligenza fra l'utente e il modello generativo. Quel livello interroga l'utente per capire cosa serve davvero, ricostruisce intent, contesto e vincoli, e produce il prompt strutturato che alimenta il flusso successivo.

In pratica: invece di un campo di testo vuoto che chiede all'utente "cosa vuoi", un sistema strutturato chiede "raccontami cosa stai cercando di fare", poi rilancia "in che contesto ti trovi", poi "qual e' il vincolo piu' importante", poi "su che cosa hai bisogno di certezza". L'utente non sta scrivendo un prompt, sta facendo una conversazione naturale. Il prompt nasce a partire da quella conversazione, costruito da una componente di prodotto, non improvvisato dall'utente nervoso che ha cinque minuti.

Questa soluzione strutturale risolve due problemi insieme. Il primo e' la qualita' del prompt: arriva al modello in una forma che il modello puo' lavorare bene. Il secondo e' l'esperienza utente: l'utente non e' costretto a diventare un esperto di prompt engineering per avere risposte utili. Il sistema fa il lavoro che chiedeva sforzo cognitivo non pertinente al suo problema.

Cosa cambia per chi decide

Se usi l'AI per istruire decisioni importanti, il principio trash in trash out smette di essere accademico e diventa operativo. Una decisione presa sulla base di una risposta AI a un prompt vago e' una decisione fragile, perche' la risposta era una di mille possibili e tu non hai visto le altre. Lavorare la qualita' del prompt non e' un'attivita' di tooling, e' un'attivita' di rigore decisionale.

Lavorare il prompt non significa solo "formulare meglio la domanda". Significa anche dichiarare i vincoli che spesso tieni impliciti. Quali risorse hai davvero. Quale e' il criterio di successo non negoziabile. Quale e' il rischio piu' importante da evitare. Sono cose che spesso non scriviamo perche' "le sappiamo". Il modello AI non le sa. Scriverle ti costringe a esplicitarle anche per te stesso, e questo gia' migliora la qualita' della decisione, indipendentemente dalla risposta che ricevi.

Cosa fa Arena

Arena affronta strutturalmente il problema trash in trash out con un componente di prodotto dedicato. All'ingresso del flusso, prima ancora di scegliere il team, l'utente puo' essere accolto da un agente intervistatore che ricostruisce intent, contesto, vincoli e criterio di successo, e produce il primo prompt strutturato che alimentera' il flusso. Non e' un wizard rigido a campi obbligatori: e' una conversazione naturale.

Da li' in poi, il prompt ben costruito viene letto in parallelo da molti specialisti complementari, ognuno con un focus differente. Le risposte arrivano insieme, l'utente seleziona le piu' utili, l'Orchestrator scrive la relazione conclusiva e propone il prompt successivo gia' costruito, modificabile dall'utente. Il loop di affinamento eredita la qualita' del primo prompt e la amplifica.

Questo significa che la leva trash in trash out non resta in carico all'utente individuale. Diventa una proprieta' strutturale del flusso. Trasparenza, tutto resta visibile, niente black box: vedi come il tuo primo prompt e' stato strutturato, puoi modificarlo, puoi capire perche' una certa formulazione produce certe risposte.

Cambia il modo

Cambia il modo in cui usi l'AI. Cambia il modo in cui prendi decisioni consapevoli.

Entra in Arena perche' la qualita' della risposta inizia dalla qualita' della domanda, e la qualita' della domanda non puo' restare un problema dell'utente: confronta, scegli, approfondisci, decidi, partendo da un primo prompt costruito bene insieme al sistema.