La settimana scorsa ho eliminato metà del mio prompt preferito e il risultato è migliorato.
Non è falsa modestia. È l’ammissione che per circa due anni ho sprecato token e, probabilmente, peggiorato i risultati. Quel prompt conteneva tutto ciò che il vecchio manuale prescriveva: un ruolo ("sei un data analyst senior"), un lungo blocco di contesto, sei passaggi numerati, tre esempi svolti e un paragrafo finale che ricordava al modello di "riflettere con attenzione, non avere fretta e ricontrollare il lavoro". Era il genere di prompt che avresti trovato in qualsiasi corso di prompt engineering del 2024.
Poi ho letto le nuove indicazioni di OpenAI per GPT-5.6, che mi invitavano a buttare via quasi tutto.
Il consiglio mi ha punto sul vivo, perché quel prompt mi era costato: non solo token, ma tempo. Più ci riflettevo, però, più aveva senso.
Perché l’idea che "più lungo è meglio" ha smesso di funzionare
Per due anni, i consigli standard sul prompt engineering hanno indicato una sola direzione: aggiungere. Aggiungere un personaggio. Aggiungere contesto. Aggiungere passaggi. Aggiungere esempi. Aggiungere un ultimo richiamo perché il modello non si impigrisse. All’epoca i modelli erano abbastanza deboli da trarne davvero beneficio: ogni istruzione in più era un’impalcatura che non sapevano costruirsi da soli.
GPT-5.6 non è quel tipo di modello.
OpenAI lo dice senza mezzi termini: i modelli più recenti sanno dedurre meglio dal contesto l’obiettivo di fondo e il livello qualitativo atteso, senza che sia necessario esplicitare ogni passaggio. Se dai al modello istruzioni passo passo di cui non ha più bisogno, non lo stai aiutando. Stai aggiungendo rumore.
Continuo a tornare sulla stessa analogia, perché è il modo più chiaro per spiegare il cambiamento. Il vecchio approccio trattava il modello come un esordiente a cui va indicato ogni movimento: piede sinistro, piede destro, occhio al difensore. GPT-5.6 somiglia più a Messi. Se dalla panchina gli urli istruzioni per ogni singola azione, penserà soltanto che sei un idiota. Il giocatore è migliorato; il manuale dell’allenatore no.
Che cosa dicono davvero i numeri di OpenAI
Di solito alzo gli occhi al cielo davanti ai benchmark pubblicati dai fornitori, ma questi sono abbastanza specifici da meritare attenzione.
Nelle valutazioni interne di OpenAI sugli agenti di programmazione, le configurazioni con prompt di sistema più snelli hanno migliorato i punteggi di circa il 10–15%, riducendo al tempo stesso i token totali del 41–66% e i costi del 33–67%.
Rileggi, perché è uno dei rari casi in cui due fattori si muovono entrambi a tuo favore. I prompt più brevi hanno ottenuto punteggi più alti e sono costati meno. Non serve sacrificare la qualità per l’efficienza: il prompt gonfio perdeva su entrambi i fronti.
OpenAI precisa che questi numeri sono "indicativi" e invita a verificarli sulle proprie attività. Giusto. Ma è difficile contestare la direzione, che coincide con quanto ho visto provandola di persona.
Nella guida si nasconde un secondo risultato, meno evidente, che spiega molti degli strani errori in cui si imbattono gli utenti. GPT-5.6 rispetta il contratto del prompt in modo molto rigoroso. I modelli precedenti sceglievano tacitamente una fra due istruzioni in conflitto e ignoravano l’altra; GPT-5.6 può invece cercare di rispettarle entrambe, consumando token di ragionamento e diventando così più lento e costoso. Un prompt che in un paragrafo dice "sii dettagliato" e in un altro "sii conciso" non è più soltanto ridondante: crea vera instabilità.
Questo cambia il modo di vedere un prompt sovraccarico. Non è solo uno spreco: ogni regola aggiuntiva è un’altra occasione per contraddire una regola scritta tre paragrafi prima.
Il confronto prima e dopo che mi ha convinto
Quando ho letto tutto questo avevo davanti un’attività concreta, quindi l’ho usata come prova.
Il vecchio metodo, quello con cui avevo scritto prompt per due anni:
"Per prima cosa, crea un elenco di tutte le descrizioni univoche delle transazioni. Poi raggruppa le descrizioni simili e assegna una categoria a ciascun gruppo. Crea una tabella di ricerca con descrizioni e categorie. Quindi aggiungi una colonna Categoria al foglio delle transazioni e usa XLOOKUP per assegnare ogni transazione alla categoria corretta. Assicurati che la formula venga estesa automaticamente quando si aggiungono nuove transazioni."
Quel prompt funziona. Ma significa anche che ragiono al posto del modello: primo passaggio, secondo, terzo, con tanto di nome dello strumento.
Il nuovo metodo, con il risultato al primo posto:
"Ho un elenco di transazioni con descrizioni incoerenti. Voglio categorizzarle tutte automaticamente e la soluzione deve continuare a funzionare quando arrivano nuove transazioni. Qual è l’approccio migliore?"
Stesso obiettivo, stessi vincoli. Ma il primo prompt dice al modello come camminare; il secondo gli dice dove voglio arrivare e lascia che trovi il percorso.
Il secondo mi ha dato una risposta migliore e, cosa ancora più importante, mi ha spiegato perché avesse scelto quell’approccio, cosa che il primo prompt non avrebbe mai fatto. Quando smetti di imporre il metodo, a volte scopri qualcosa proprio sul metodo su cui insistevi.
Come scrivere un prompt più snello senza perdere ciò che conta
Accorciare un prompt non significa svuotarlo. Meritano di restare le informazioni che non si possono dedurre dal contesto: il risultato, i vincoli e l’aspetto che deve avere un lavoro "finito". Tutto il resto può essere eliminato.
In pratica, ciò che rimane ha questa forma:
- Il risultato che vuoi. Non i passaggi, non il metodo. Che cosa deve esistere alla fine.
- I vincoli. I limiti da non oltrepassare: non inventare funzionalità, non eliminare nulla, consulta soltanto questi file.
- I criteri di accettazione. Come deve controllare il proprio lavoro prima di consegnarlo.
Di solito basta questo. Niente personaggio, niente "ragiona passo passo", nessun invito a non essere pigro. Erano impalcature per un modello più debole. GPT-5.6 non ne ha bisogno e formularle consuma token.
L’elenco dei tagli suggeriti da OpenAI merita di stare attaccato al monitor: ripetizioni della stessa regola, indicazioni di stile che non modificano il comportamento, esempi che non modificano il comportamento e istruzioni procedurali per operazioni che il modello svolge già in modo affidabile. L’elenco di ciò che va conservato è breve: il risultato visibile all’utente, i criteri di successo, le condizioni di arresto e i vincoli relativi a sicurezza o prove.
Una nota pratica, se stai intervenendo su un prompt che funziona già: elimina una cosa alla volta. Rimuovi un gruppo di istruzioni, ripeti la stessa valutazione e confronta. Se togli tutto insieme e il risultato peggiora, non saprai quale taglio abbia fatto la differenza.
È la stessa regola che uso quando provo gli strumenti per NSFWAITool: mantengo stabile l’attività, cambio una variabile e verifico se il risultato migliora davvero. La nostra metodologia di valutazione si fonda proprio sulla distinzione fra ciò che un fornitore afferma e ciò che dimostra una prova ripetibile.
Quando le istruzioni dettagliate continuano a essere utili
Voglio essere prudente, perché "più breve è meglio" diventa a sua volta una formula vuota se la si applica alla cieca.
La guida di OpenAI dice comunque di mantenere esempi e indicazioni stilistiche quando rappresentano un vero requisito del prodotto o correggono una lacuna misurata. Se il risultato deve rispettare una voce, un formato o un vincolo legale specifico, quell’informazione deve restare. Se un esempio few-shot è l’unico modo affidabile per insegnare un formato, va conservato. L’obiettivo non è usare meno token in assoluto, ma il minor numero di token che permetta comunque di svolgere il lavoro.
Si capisce perché sia importante appena ci si allontana dai chatbot generici. Un compagno virtuale basato sull’AI può avere davvero bisogno di indicazioni sul personaggio, sul tono e sul contesto ricordato, mentre un generatore video AI richiede vincoli concreti su immagini e movimenti. Ridurre entrambi i prompt alla stessa formula di tre righe significherebbe non cogliere il punto. Il prompt utile è il più breve possibile senza perdere ciò di cui quello specifico strumento ha bisogno.
Il vero cambiamento riguarda l’ordine. Il vecchio riflesso era mettere tutto all’inizio: inserire ogni istruzione nel prompt iniziale, per sicurezza. Il nuovo è "prima lascia fare, poi stringi". Assegna l’attività al modello, osserva come la gestisce e aggiungi istruzioni soltanto dove mostra davvero dei limiti. È più rapido che scrivere subito un prompt di mille parole e rivela quali istruzioni fossero davvero utili.
La distinzione che tutti sbagliano: personaggio e percorso
Da quando è uscita la guida, ho visto persone spingersi troppo nella direzione opposta, dando per scontato che il personaggio fosse morto. Non lo è, e confondere i due concetti provoca errori concreti.
Un personaggio controlla come suona il risultato: tono, registro, ruolo, voce del testo. Un’istruzione passo passo controlla invece come il modello arriva al risultato, cioè il percorso di esecuzione. Sono due leve diverse.
Le nuove indicazioni invitano a smettere di specificare eccessivamente il percorso. Non dicono di rinunciare al controllo sulla voce. Se scrivi testi rivolti ai clienti e vuoi che rispecchino un marchio preciso, devi ancora dirlo: è un requisito del prodotto, non un copione passo passo. Lo stile lo stabilisci tu; il percorso lo sceglie il modello.
In altre parole: indica al modello la destinazione e i limiti da rispettare, poi smetti di dirgli come guidare.
Parti da un prompt più breve, non più lungo
Se c’è una cosa da ricordare, è l’ordine. Scrivi prima il risultato desiderato e i criteri di accettazione. Poi dimezza il numero di parole. Quindi dimezzalo ancora. Se sei ancora preoccupato, invia il prompt e guarda che cosa ottieni: puoi sempre reinserire una riga dove il risultato mostra davvero una carenza.
È la lezione che ho dovuto imparare a mie spese. La maggior parte delle istruzioni che aggiungevo non aiutava il modello: rassicurava me. Oggi GPT-5.6 è abbastanza capace da trasformare quella rassicurazione in semplice rumore fra me e la risposta.
Nel 2023 abbiamo imparato a scrivere prompt più lunghi. Nel 2024, a gestire la finestra di contesto. La lezione del 2026 è più semplice e più difficile: impara a tacere, descrivi il risultato e lascia che il modello faccia il lavoro per cui è stato creato.
Domande frequenti
Con GPT-5.6 i prompt più brevi sono sempre migliori?
No, ed è qui che il titolo può trasformarsi in un cattivo consiglio. I prompt più brevi hanno vinto nel campione di valutazioni interne di OpenAI sugli agenti di programmazione, ma OpenAI definisce il risultato indicativo. Se eliminare una riga peggiora la tua attività reale, rimettila.
Che cosa dovrei eliminare per primo?
Parti dagli elementi più imbarazzanti: la stessa regola ripetuta due volte, i ruoli generici che non cambiano nulla, gli esempi di cui il modello non ha più bisogno e gli inviti a riflettere con attenzione. Non toccare il risultato, i vincoli e la definizione di lavoro completato.
Quando è ancora giustificato un prompt lungo?
Quando la lunghezza contiene informazioni davvero necessarie al modello: lo stile editoriale, uno schema di output fisso, un contesto specialistico, vincoli legali o esempi che correggono un errore effettivamente osservato. Il problema non è la lunghezza, ma ciò che è superfluo.
Dovrei smettere di usare i personaggi?
Solo se il personaggio è decorativo. Se determina la voce, il pubblico o lo standard professionale della risposta, svolge un lavoro concreto. Va messo in discussione il percorso prestabilito, non il controllo sulla personalità del risultato.
Lo stesso consiglio vale per chat AI e strumenti per immagini e video?
Non automaticamente. Questi prodotti interpretano i prompt in modo diverso e falliscono in modi diversi. Uno strumento di chat può richiedere il contesto della relazione e dei ricordi; uno strumento video può avere bisogno di vincoli precisi su azione e telecamera. Prova ogni flusso di lavoro, invece di applicare un unico modello universale.
Come posso verificare se un prompt più breve è davvero migliore?
Usa lo stesso insieme di attività, rimuovi un gruppo di istruzioni e confronta qualità, errori, consumo di token, latenza e costo. Una sola risposta fortunata non dimostra quasi nulla. Il taglio è giustificato quando il miglioramento resiste alla ripetizione.