Prompt engineering per il marketing: principi di base

Nella lezione precedente abbiamo definito il ruolo giusto per l'AI nella produzione di contenuti: ricerca e struttura. Ma perché l'AI svolga bene anche solo quel ruolo, serve saperle parlare. Questa lezione copre i principi di base del prompt engineering, applicati a un contesto di marketing quotidiano: email, contenuti social, brief creativi, analisi di dati.

## In breve

Il prompt engineering è la pratica di formulare istruzioni chiare e strutturate per ottenere risposte utili da un modello di AI generativa. Non è una formula magica né una scienza esatta: è un processo iterativo di comunicazione, in cui più contesto e più chiarezza producono quasi sempre un risultato migliore. I principi di base, ruolo, contesto, compito, formato, esempi, sono condivisi dalle guide ufficiali di guida OpenAI e guida Anthropic, i due principali fornitori di modelli generativi.

Che cos'è (e cosa NON è)

Il prompt engineering è comunicazione applicata: dire al modello cosa deve fare, con quali vincoli, per chi, e in che forma. Anthropic lo descrive bene nella propria documentazione: comunicazione con l'AI, e il prompt migliore non è il più lungo o complesso, ma quello che raggiunge l'obiettivo in modo affidabile con la struttura minima necessaria.

Non è, invece, un insieme di "trucchi" o parole magiche da inserire per sbloccare risposte migliori. E non è nemmeno un sostituto della competenza: un prompt perfetto su un argomento che non conosci ti dà comunque un output che non sai valutare, cosa che riporta dritti al principio della lezione precedente.

Come funziona

Le indicazioni ufficiali di OpenAI per l'uso della propria API convergono su alcuni principi pratici: istruzioni chiare per l'AI. Un principio spesso sottovalutato: i modelli lavorano meglio quando ricevono subito il contesto necessario, invece di doverlo dedurre o chiederlo in un secondo momento.

Tradotto in pratica per un contesto marketing, un prompt efficace tende ad avere quattro componenti:

• Ruolo, chi deve "impersonare" l'AI nel rispondere (es. "agisci come un copywriter specializzato in email B2B").
• Contesto, le informazioni di sfondo che il modello non può conoscere da solo: il business, il pubblico, il posizionamento, il tono di voce.
• Compito, cosa deve produrre esattamente, in modo specifico e non generico.
• Formato, lunghezza, struttura, stile, vincoli di output.

A questi si può aggiungere un quinto elemento, gli esempi: mostrare al modello uno o due casi di output desiderato (quello che in gergo tecnico si chiama few-shot prompting) migliora sensibilmente la coerenza della risposta, soprattutto per compiti di scrittura dove il tono conta quanto il contenuto.

## Perché conta

I dati sull'adozione dell'AI nel marketing mostrano perché questo passaggio non è opzionale. Secondo la ricerca di HubSpot, distinguere contenuti AI, e una parte consistente ritiene che l'AI abbia reso i contenuti nel complesso meno efficaci. Una causa diretta di questo fenomeno è la qualità dei prompt: un prompt vago ("scrivi un post per Instagram") produce quasi sempre un output vago, intercambiabile con quello di qualsiasi altra azienda che ha fatto la stessa richiesta generica. Un prompt specifico, con ruolo, contesto e formato definiti, produce un output molto più vicino a ciò che serve davvero, anche se, come visto nella lezione precedente, resta comunque un punto di partenza da rivedere, non un risultato finale.

## Esempio lampante

### Contesto ipotetico

una palestra di quartiere vuole promuovere un nuovo corso di allenamento funzionale sui propri canali social.

INPUT (prompt generico), "Scrivi un post per Instagram sul nuovo corso di functional training."

ANALISI. Il risultato è un testo corretto ma anonimo: potrebbe essere il post di qualsiasi palestra in qualsiasi città, con toni entusiastici generici ("Allenati con noi!") e nessun elemento realmente specifico del pubblico o del brand.

DECISIONE. Il team riscrive il prompt aggiungendo ruolo, contesto, compito e formato: "Agisci come un social media copywriter specializzato in fitness locale. Il nostro pubblico è composto da professionisti 30-45 anni che si allenano prima o dopo il lavoro, spesso a corto di tempo. Il tono è diretto e motivante, mai urlato. Scrivi 3 varianti di didascalia per Instagram (massimo 150 caratteri ciascuna) per annunciare il nuovo corso di functional training del martedì e giovedì alle 18:30, evidenziando che dura 45 minuti."

OUTPUT. Le tre varianti risultanti sono più mirate, coerenti con un pubblico specifico e con vincoli di formato rispettati, pronte per una revisione editoriale invece che per una riscrittura completa.

Come farlo

1. Definisci prima l'obiettivo reale della richiesta: a cosa servirà l'output, e per chi.
2. Assegna un ruolo specifico all'AI, coerente con il compito (non "assistente marketing" generico, ma "copywriter per email B2B nel settore SaaS", se è quello il caso).
3. Fornisci il contesto che il modello non può conoscere da solo: business, pubblico, tono di voce, vincoli di brand.
4. Formula il compito in modo puntuale, evitando richieste generiche ("scrivi qualcosa su...").
5. Specifica il formato desiderato: lunghezza, struttura, numero di varianti, canale di destinazione.
6. Se il compito è delicato o ripetuto spesso, fornisci uno o due esempi del risultato che consideri buono.
7. Tratta la prima risposta come una bozza di lavoro: itera, chiedi modifiche puntuali, non accettare la prima versione come definitiva.
8. Verifica sempre l'output prima di usarlo, in particolare per fatti, numeri o affermazioni specifiche.

## Errori comuni

### Scrivere prompt troppo generici e aspettarsi risultati specifici

Il modello non può indovinare un contesto che non gli è stato fornito.

Non specificare il formato dell'output

Senza vincoli su lunghezza e struttura, il risultato richiede quasi sempre più editing di quanto sarebbe servito con un prompt più preciso.

### Accettare la prima risposta senza iterare

Il prompt engineering è un processo di affinamento, non un'unica richiesta perfetta.

Dare per scontato che l'AI conosca il brand

Senza un contesto esplicito su tono di voce e posizionamento, l'output tende a un tono neutro e generico.

Quando questo lavoro conta meno

Per compiti molto semplici e a basso rischio, un breve riassunto interno, una singola riformulazione di una frase già scritta, investire tempo in un prompt strutturato non è necessario: il ritorno non giustifica lo sforzo. Il prompt engineering vale l'investimento quando l'output verrà usato pubblicamente, ripetuto più volte, o richiede un tono e un contesto specifici che il modello non può indovinare da solo.

## In sintesi

Un buon prompt non è un trucco, è comunicazione chiara: ruolo, contesto, compito e formato, affinati attraverso l'iterazione. Le linee guida ufficiali di OpenAI e Anthropic convergono su questi stessi principi, ed è la base pratica per ottenere dall'AI ciò che davvero serve nel ruolo di ricerca e struttura definito nella lezione precedente.

## Cosa imparare dopo

Nella prossima lezione applichiamo questi stessi principi a un altro ambito in forte crescita nel marketing: la immagini e creatività AI.