Come chiedere all'AI quello che ti serve, quando la metti dentro un processo aziendale

L’errore più comune che vedo nei progetti AI è non sapere come chiedere le cose al modello. Si scrive una richiesta vaga, il risultato è vago, e si conclude che l’AI per quel compito non funziona. Molte volte il modello andava bene: mancavano una richiesta precisa e un modo per controllare le risposte.

Uso come esempio la lettura dei curriculum, perché è un lavoro che ho fatto per un portale di annunci di lavoro: un plugin WordPress collegato al backend degli annunci e un flusso AI che legge e classifica i CV. Lo stesso ragionamento vale per fatture, email, moduli o richieste di assistenza.

In breve

• Decidi prima cosa deve uscire: campi, formato, categorie ammesse, cosa fare se un dato manca.
• Spiega il contesto e quale errore costa di più, e aggiungi qualche esempio.
• Chiedi un output strutturato (JSON con uno schema).
• Prova su documenti veri e conta quante volte il risultato è corretto.
• Dove un errore pesa sulle persone, decide qualcuno che può cambiare il risultato.
• Manda al modello solo i dati che servono e verifica gli obblighi del GDPR.

Prima della richiesta, decidi cosa vuoi ottenere

“Leggi questo CV e dimmi se va bene” produce risposte diverse ogni volta. Non dice per cosa deve andare bene né in che forma rispondere, così il modello riempie i vuoti a modo suo.

Prima del prompt conviene scrivere l’output, come un modulo da compilare. È lo stesso modo in cui lavoro sul codice: scompongo il problema e lo mostro al cliente, come schema o come testo, prima di scrivere qualcosa. Per un CV potrebbe essere così:

Campo	Tipo	Valori ammessi
Area	una categoria	amministrazione, logistica, vendite, produzione, altro
Anni di esperienza nell’area	numero	intero, oppure vuoto se non ricavabile
Lingue dichiarate	elenco	nomi delle lingue
Da verificare	sì/no	sì se il documento è ambiguo o illeggibile

Le categorie dipendono dal tuo processo; conta che siano un elenco chiuso, con una voce per i casi che non rientrano.

Anthropic suggerisce una prova semplice: fai leggere il prompt a un collega che non sa nulla del compito. Se lui si confonde, si confonde anche il modello (Anthropic, prompting best practices).

Dai il contesto, compreso il costo degli errori

Spiegare il perché di un’istruzione aiuta il modello a rispondere in modo più mirato (Anthropic). Per i CV vuol dire: chi legge la classificazione, cosa ci fa, quale errore è peggio.

Classifichi i curriculum ricevuti da un portale di annunci di lavoro.
Il risultato viene letto da un selezionatore, che decide chi contattare.
Per lui è peggio un CV messo nell'area sbagliata che un CV segnato
"da verificare": nel dubbio, segna "da verificare".
Usa solo le informazioni scritte nel documento. Se un dato manca,
lascia il campo vuoto.

L’ultima riga serve a evitare dati inventati. Anthropic indica proprio di dare al modello il permesso esplicito di dire che non lo sa (Anthropic, reduce hallucinations). OpenAI suggerisce di scrivere nel prompt cosa restituire quando l’input non c’entra con il compito, per esempio campi vuoti (OpenAI, structured outputs).

Mostra degli esempi, anche quelli scomodi

Anthropic consiglia da 3 a 5 esempi, vicini al caso reale e abbastanza diversi da coprire i casi limite (Anthropic). OpenAI dà la stessa indicazione (OpenAI, prompt engineering).

I casi limite sono quelli che si dimenticano: il CV in inglese, la scansione storta, chi ha cambiato settore due volte, il documento che non è un CV. Se gli esempi sono tutti puliti, il modello si regola su quelli. Vanno anonimizzati o scritti apposta: in un prompt non servono dati di persone reali.

Chiedi un output strutturato

Una risposta in prosa va interpretata da qualcuno. Un JSON con campi fissi lo legge direttamente il gestionale o il plugin:

{
  "area": "logistica",
  "anni_esperienza": 4,
  "lingue": ["italiano", "inglese"],
  "da_verificare": false
}

OpenAI e Anthropic offrono gli structured outputs: passi uno schema JSON e la risposta lo rispetta, senza campi obbligatori mancanti (OpenAI; Anthropic, structured outputs). Garantiscono la forma, il contenuto no. OpenAI lo scrive chiaramente: gli output strutturati possono comunque contenere errori (OpenAI). Un campo “area” valido può contenere l’area sbagliata.

Per l’estrazione di dati conviene chiedere, per ogni valore, la frase del documento da cui viene. Anthropic lo suggerisce per rendere le risposte verificabili (Anthropic, reduce hallucinations), e a chi controlla risparmia la ricerca nel PDF.

Prova su documenti veri e conta quante volte ha ragione

Una demo su tre documenti scelti bene dice poco. Meglio così:

1. Raccogli un campione di documenti veri, compresi quelli brutti.
2. Fai preparare a una persona le risposte corrette, nello stesso formato dell’output.
3. Esegui il flusso e confronta campo per campo. Con l’output strutturato il confronto lo fa un programma.
4. Guarda gli errori uno per uno: spesso hanno una causa comune, come una categoria definita male.
5. Correggi la richiesta e rifai la prova sullo stesso campione.

Decidi prima, con un numero, quale risultato è accettabile. Anthropic consiglia criteri specifici e misurabili, e di contare anche la gravità: quanti errori sono un fastidio e quanti un danno (Anthropic, success criteria). Un CV in più da verificare costa un minuto al selezionatore; un candidato adatto finito nell’area sbagliata rischia di non essere chiamato.

Quando cambi modello, la prova va rifatta. OpenAI raccomanda di fissare in produzione una versione precisa del modello e di avere test sul comportamento del prompt (OpenAI, prompt engineering).

Dove l’errore pesa sulle persone, decide una persona

Il GDPR dà all’interessato il diritto di non essere sottoposto a una decisione basata unicamente su un trattamento automatizzato che produca effetti giuridici o lo riguardi in modo analogo e significativo (GDPR, art. 22). Le linee guida sul processo decisionale automatizzato, fatte proprie dall’EDPB, precisano che il controllo umano deve avere un peso reale sul risultato e spettare a chi ha autorità e competenza per cambiare la decisione (Linee guida WP251; EDPB).

Il flusso va quindi progettato perché la revisione sia facile: una coda dei documenti “da verificare”, la frase di origine accanto a ogni dato, la possibilità di correggere. Una persona che approva tutto senza guardare non conta come revisione.

I dati: cosa mandi al modello e a chi

Questa parte va vista con chi segue la privacy in azienda. Non è un parere legale: sono i punti da controllare prima di andare in produzione.

• Manda solo quello che serve. La minimizzazione vale anche per il prompt (GDPR, art. 5 par. 1 lett. c). Se per classificare un CV non servono foto, data di nascita o recapiti, si possono togliere prima dell’invio.
• Il fornitore del modello tratta i dati per tuo conto, quindi servono garanzie adeguate e un contratto conforme all’art. 28 (GDPR, art. 28). Sulle API, OpenAI e Anthropic dichiarano di non usare per default input e output per addestrare i modelli (OpenAI, data controls; Anthropic, privacy center). OpenAI conserva per default fino a 30 giorni i log per il monitoraggio degli abusi, che possono contenere prompt e risposte.
• Verifica se serve la valutazione d’impatto. È obbligatoria, tra l’altro, per valutazioni sistematiche di aspetti personali basate su trattamenti automatizzati da cui dipendono decisioni significative (GDPR, art. 35 par. 3). Il Garante ha pubblicato l’elenco dei trattamenti per cui va fatta (Garante, provv. 467/2018).
• La selezione del personale ha regole sue. L’AI Act classifica ad alto rischio i sistemi usati per “analizzare o filtrare le candidature e valutare i candidati” (AI Act, Allegato III punto 4); i relativi obblighi si applicano dal 2 dicembre 2027 (Reg. UE 2026/1744). In Italia l’art. 41 del D.Lgs. 179/2026, in vigore dal 23 ottobre 2026, riserva a una persona le decisioni finali sul rapporto di lavoro. Ne esclude la ricerca e selezione delle candidature, ma restano l’art. 22 del GDPR e il principio di non discriminazione (D.Lgs. 179/2026, art. 41).

Da dove partire

1. Scegli un’attività ripetitiva, con un risultato che si può dire giusto o sbagliato.
2. Scrivi l’output come tabella di campi, con categorie chiuse e la voce “da verificare”.
3. Prepara un campione di documenti veri con le risposte corrette, prima di scrivere il prompt.
4. Decidi dove passa una persona e cosa le serve per controllare in fretta.

Tieni il flusso corto: pochi passaggi chiari funzionano meglio di una catena lunga, perché ogni passaggio in più moltiplica le occasioni di errore.

Se vuoi provare questo metodo su un tuo processo, partendo da dati reali, trovi come lavoro nella pagina sulla consulenza per integrazioni AI.