TL;DR
Lasciata incontrollata, ogni IA risponde nella stessa forma: il saggio di media lunghezza — sicuro, imbottito e per lo più riempitivo. I limiti di scope dicono al modello cosa non trattare, e i vincoli di formato dettano esattamente che forma deve avere la risposta; insieme convertono testi divaganti in output denso e utilizzabile.
L'analogia
Immagina di ingaggiare uno chef maestro, e l'unica istruzione che dai è: "cibo."
Lo chef è deliziato — e pericoloso con un budget. Fuori esce un menù degustazione di dodici portate: zuppe che non volevi, un sorbetto, tre dessert, un monologo sulle riduzioni. Ogni portata è tecnicamente eccellente. Il conto è enorme. E da qualche parte alla portata nove, ti accorgi che volevi solo un panino.
Ora guarda lo stesso chef ricevere: "Un toast grigliato, pane a lievitazione naturale, tagliato a metà, su un piatto piccolo." Niente menù degustazione. Niente monologo. Trenta secondi di pura competenza a forma di panino.
Un prompt senza vincoli è "cibo." Limitare lo scope è scegliere il piatto invece del menù. Imporre il formato è specificare il piatto da portata. L'IA, come lo chef, è costruita per impressionare — e senza confini, "impressionare" significa "di più". Parole, sezioni, avvertenze, opzioni, una parata a forma di saggio di impegno che pagherai riga per riga e di cui leggerai quasi nulla.
Ecco il dettaglio che i più si perdono: i vincoli non limitano la qualità, la concentrano. Chiedi dodici portate e la qualità media per portata cala; chiedi un panino perfetto e ogni oncia di abilità atterra tra due fette di pane. Lo chef è sempre stato questo bravo. Finalmente l'hai puntato.
Come funziona e l'economia (Uzu)
Due manopole, entrambe girate nel prompt stesso.
Manopola uno — scope: definisci cosa è fuori. Un modello davanti a una domanda aperta si copre in ogni direzione in una volta sola, perché coprire tutto è la risposta media più sicura. Chiudi le uscite: nomina il pubblico, lo scopo, la profondità e cosa escludere. Questa è metà dell'anatomia del prompt one-shot — la componente contesto — che fa il suo lavoro silenzioso.
Manopola due — formato: definisce la forma. Un vincolo di formato ("come tabella", "esattamente 3 bullet", "max 100 parole", "un paragrafo, senza preambolo") fa qualcosa di sottile: dà al modello un contenitore fisso da riempire, così il suo sforzo va nella sostanza invece che nella struttura. La differenza si sente nella prima frase — le risposte vincolate si aprono con la risposta, non con "Certamente! Ecco una panoramica completa..."
| Tipo di vincolo | Cosa scrivi | Cosa uccide |
|---|---|---|
| Lunghezza | "max 100 parole" / "esattamente 3 bullet" | Imbottitura, preamboli, paragrafi di riepilogo |
| Struttura | "come tabella" / "elenco numerato" / "un paragrafo" | Deriva da saggio, conclusioni sepolte |
| Esclusione | "nessuna introduzione, nessuna conclusione" | Cerimoniale e schiarimenti di voce |
| Profondità | "per un principiante" / "livello esperto" | Sia il sovra-spiegare che il sotto-spiegare |
E i vincoli si sommano dove conta: una risposta stretta è una risposta piccola, e le risposte piccole lasciano più spazio sulla finestra di contesto — il bancone dove ogni domanda successiva rilegge tutto. Una chat costruita da risposte a tre bullet resta affilata per dozzine di turni; una chat costruita da saggi affoga le proprie istruzioni al messaggio quindici.
È anche dove Uzu rende visibile la fisica: i crediti. Generare una risposta lunga e divagante costa molto più che generarne una stretta, quindi imporre un formato compatto non è solo leggibilità — è una strategia finanziaria. Ogni parola che il modello non scrive è una frazione di G-Credit che tieni. Il prompt che dice "esattamente 3 bullet, max 20 parole ciascuno" e il prompt che dice "dimmi tutto" possono essere entrambi 'corretti', ma bruciano quantità selvaggiamente diverse della tua economia — e solo uno dei due produce una risposta che userai davvero.
Quindi la regola operativa è semplice:
Vincola prima, poi chiedi. Se puoi descrivere la forma della risposta ideale, metti quella descrizione nel prompt — il modello riempie contenitori molto meglio di quanto li indovini.
Prima e dopo (i vincoli)
Esempio 1 — la domanda aperta
Spiega la fotosintesi.
Quattro paragrafi, una sezione sulla storia, due metafore e un riassunto. Bellissimo, e il triplo della lunghezza che ti serviva.
Spiega la fotosintesi a un bambino di 10 anni esattamente in 3 frasi. Nessuna analogia con le fabbriche.
Stessa conoscenza, compressa in un contenitore che un bambino può tenere in mano. Nota l'esclusione — "niente analogie con le fabbriche" — che chiude un'uscita da cui la maggior parte delle risposte vagherebbe felicemente.
Esempio 2 — il confronto
Confronta l'energia solare ed eolica.
Un saggio equilibrato con sei sotto-argomenti, conclusioni prudenti e i numeri chiave sparsi tra i paragrafi nove e undici.
Confronta solare vs. eolico per un'installazione domestica come tabella con esattamente 3 righe: costo iniziale, tempo di ritorno, spazio richiesto. Verdetto in una parola dopo la tabella.
La tabella forza il confronto in fatti paralleli; il vincolo di verdetto forza una decisione. Non sopravvive nulla che non si guadagni la sua riga.
Esempio 3 — la riscrittura
Migliora questa email.
Il modello restituisce un'email più lunga — perché "più approfondito" è la sua definizione di default di "meglio".
Riscrivi questa email sotto le 80 parole, mantenendo la prima riga come richiesta, mettendo in bullet le due questioni logistiche, senza cambiare la firma.
Lunghezza limitata, struttura dettata, scope bloccato su questa email. Il risultato è più corto dell'originale e migliore, cosa che nessuna impostazione di default produrrebbe mai.
Errori comuni
- Assumere che l'IA sappia quando fermarsi. Non lo sa — i modelli non hanno senso del "bastare", solo del "completo". Senza un limite, "completo" cresce verso il saggio. Attacca sempre una dimensione al deliverable.
- Vincolare il formato ma non lo scope. "Come tabella" applicato a una domanda enorme produce una tabella enorme. Le due manopole lavorano insieme: restringi il territorio, poi scegli il contenitore.
- Impostare limiti che non vuoi davvero. "Max 50 parole" quando ti serviva sfumatura produce una risposta tagliata e distorta. I vincoli dovrebbero rispecchiare la forma reale del tuo deliverable ideale — se accetteresti 200 parole di insight genuino, non pretenderne 50.
- Dimenticare che i vincoli negativi esistono. "Niente preambolo", "niente emoji", "non menzionare i prezzi", "salta la storia" — i principianti descrivono solo cosa vogliono, mai cosa lasciare fuori. Le esclusioni sono lo strumento di scope più affilato della cassetta.
- Risparmiare i vincoli per il messaggio dopo. Inviare "più corto, per favore" dopo una risposta gonfia significa che i token erano già stati generati — e in Uzu, già pagati. I vincoli sono economici prima della generazione e costosi dopo.
FAQ
Come faccio a far dare all'IA risposte più corte?
Attacca un vincolo esplicito e misurabile al prompt stesso: "in esattamente 3 bullet", "sotto le 100 parole", "un paragrafo, senza preambolo". Le richieste vaghe di "essere brevi" falliscono perché non hanno un test — "esattamente 3 bullet" non può essere frainteso. Aggiungi vincoli negativi ("nessuna introduzione, nessuna conclusione") per tagliare il cerimoniale che i modelli aggiungono di default.
Cosa significa limitare lo scope nel prompting?
Limitare lo scope significa definire i confini della risposta prima che venga generata: il pubblico, la profondità, cosa è incluso e — più potente — cosa è escluso. È la differenza tra "parlami di marketing" e "3 idee di caption Instagram per una pasticceria, sotto le 20 parole ciascuna". Stesso modello, densità selvaggiamente diversa.
Una risposta dell'IA più corta fa risparmiare?
Sì. I modelli linguistici generano testo token per token, e la generazione è la parte costosa — una risposta di 900 parole costa circa nove volte una di 100. In Uzu, quella differenza si paga in G-Credits, quindi un formato forzato-stretto allunga direttamente il tuo saldo: vincola prima la forma, paga la sostanza invece dell'imbottitura.
Prossima lezione
Finora ogni tecnica riguardava parole in ingresso, parole in uscita. Ma i modelli moderni hanno un altro senso: possono vedere. Dar loro un'immagine cambia le regole del prompting — il vocabolario sostituisce la sintassi, e cambia anche il modello di costi. Benvenuto nell'input più frainteso dell'IA.
Continua alla prossima lezione: Prompt visivi e costi degli allegati
Esercizio pratico prima di andare: prendi l'ultima risposta lunga dell'IA che hai ricevuto e retro-progetta il vincolo che l'avrebbe prodotta a un terzo della dimensione — il conteggio esatto di parole, il contenitore esatto, l'unica esclusione che avrebbe tagliato il riempitivo. Al prossimo prompt, scrivi prima quel vincolo.