Puntata 112
Puntata 112 — Role prompting
Livello: ✔️✔️ Doppie Spunte Blu · Capitolo 11 · Prompt engineering decente
“Sei un avvocato esperto in diritto del lavoro.” Cinque parole che cambiano il tono, il livello, e quello che il modello sceglie di dirti.
Cosa fa davvero il role prompting
Dire al modello “sei un X” non è teatrino. È un’operazione concreta sulla distribuzione di output:
- Il modello attiva pattern del registro linguistico tipico di quel ruolo.
- Privilegia vocabolario, esempi e ragionamenti di quel dominio.
- Riduce il rumore di “discorsi da generalista” che non aiutano.
Misurabile: sui benchmark interni di Anthropic e OpenAI, il role prompting migliora le risposte specialistiche del 15-30% rispetto a un prompt neutro equivalente.
La sintassi base
Tre forme, ordinate dalla più debole alla più forte:
1. Imperativa neutra
“Comportati come un avvocato esperto in diritto del lavoro italiano.”
2. Identità dichiarata
“Sei un avvocato esperto in diritto del lavoro italiano. Hai 20 anni di esperienza, lavori a Milano in uno studio specializzato in licenziamenti illegittimi.”
3. Identità + missione
“Sei un avvocato esperto in diritto del lavoro italiano (20 anni esperienza, Milano, specializzato in licenziamenti). Il tuo obiettivo qui è aiutare l’utente (un lavoratore dipendente) a capire i suoi diritti senza usare gergo giuridico, ma senza semplificare a tal punto da indurre in errore.”
Forma 3 = massima specificità. Forma 1 = minima. Scegli in base alla complessità del task.
I 6 elementi di un ruolo ben costruito
- Professione / identità — “avvocato del lavoro”.
- Anni di esperienza — “20 anni”.
- Specializzazione — “licenziamenti illegittimi”.
- Contesto geografico/normativo — “italiano, Milano”.
- Tono/atteggiamento — “diretto, niente fronzoli, empatico ma factual”.
- Obiettivo nella conversazione — “aiutare l’utente a capire X senza Y”.
Non li metti tutti ogni volta. Più ne metti, più “personalità” assume il modello.
Esempi che funzionano davvero
Per scrittura tecnica
“Sei un Senior Software Engineer con 15 anni di esperienza in sistemi distribuiti, ex-Google, ora consulente. Spieghi i concetti tecnici a programmatori junior usando analogie concrete, mai paroloni.”
Per consulenza finanziaria
“Sei un Independent Financial Advisor con certificazione EFPA, specializzato in pianificazione patrimoniale per famiglie italiane (non hai vincoli con banche o fondi). Il tuo approccio è prudente, citi le fonti normative quando rilevante (TUF, MiFID II), ma traduci sempre in italiano comprensibile.”
⚠️ Nota: dire all’AI “sei un consulente finanziario” non la rende qualificata legalmente. È un dispositivo retorico, non una certificazione.
Per scrittura creativa
“Sei una sceneggiatrice italiana di serie thriller. Scrivi in italiano con punteggiatura matura, dialoghi credibili, niente cliché. Influenze: Stefania Auci, Silvia Avallone.”
Per debugging
“Sei un esperto di debugging Python con focus su sistemi asincroni. Quando vedi codice rotto: 1) identifichi il bug specifico, 2) spieghi perché succede, 3) proponi un fix minimale, 4) suggerisci una refactoring più ampia solo se ne vale la pena.”
L’antimodello: i ruoli troppo “performativi”
❌ “Sei il MIGLIOR avvocato del mondo, con un’INTELLIGENZA SUPERIORE, devi dare la risposta DEFINITIVA e PERFETTA.”
Suona figo, non aiuta. I modelli moderni sono già “tarati” per essere utili — questo prompt aggiunge solo rumore e a volte induce sycophancy (puntata 174). Inoltre: “il migliore del mondo” è una caratteristica letteraria, non operativa.
❌ “Sei un genio.” ✅ “Sei un esperto di [X] con esperienza specifica in [Y].”
Meglio specifico-utile che generico-altisonante.
Personas multiple in dialogo
Trucco potente: far giocare al modello due ruoli che si parlano.
“Simula una conversazione tra: (A) un Chief Marketing Officer che vuole lanciare un prodotto in 6 mesi, e (B) un Chief Engineering Officer che pensa serva un anno. Ognuno presenta 3 argomenti. Poi un mediatore (CEO) propone un compromesso ragionato.”
Output: stress-test di una decisione, con punti di vista contrapposti. Molto utile per decisioni strategiche o per scrivere documenti che devono reggere agli stakeholder.
Persona “negativa” — il critico
Per scrittura, codice, strategie: far giudicare al modello qualcosa da un punto di vista ostile.
“Sei un revisore severo di una rivista scientifica. Critica questo abstract come faresti in peer review: trova ogni debolezza metodologica, ogni claim non supportato, ogni passaggio poco chiaro.”
Output: lista di problemi che tu non avresti visto. Spesso più utile della risposta “positiva”.
⚠️ Effetto collaterale: i modelli moderni (con safety training forte) a volte ammorbidiscono anche le critiche più dure. Per critica davvero affilata, aggiungi: “Non addolcire. Voglio una critica completa e diretta, anche scomoda."
"Sei un esperto” attiva conoscenze nascoste?
No. Mito comune. Il modello ha quello che ha imparato durante il training; il role prompting non aggiunge conoscenza, riorienta quella già presente.
Quindi:
- ✅ Migliora tono, registro, inquadramento del problema.
- ❌ Non rende il modello più accurato su fatti che non conosce.
Per fatti specifici: retrieval / tool use / RAG (puntata 238). Non basta dire “sei un esperto”.
Combinare role + few-shot + chain-of-thought
Il prompt engineering serio combina più tecniche. Esempio per classificazione di email:
[Ruolo]
Sei un analista del customer support con 10 anni di esperienza.
Classifichi le email entrate in 4 categorie: BUG, FEATURE_REQUEST,
BILLING, ALTRO.
[Few-shot — 3 esempi]
Email: "Non riesco a fare login dal mobile, mi dice errore 401."
Categoria: BUG
Motivo: comportamento non funzionante.
Email: "Sarebbe utile esportare in Excel oltre che in CSV."
Categoria: FEATURE_REQUEST
Motivo: richiesta di funzionalità nuova.
Email: "Mi è stato addebitato 89€ invece di 49€ promessi."
Categoria: BILLING
Motivo: questione di pagamento.
[Chain-of-thought + formato]
Per ogni nuova email che ti darò:
1. Identifica l'intento principale.
2. Scegli la categoria.
3. Motiva in una riga.
Output in JSON: {categoria, motivo}.
[Vincoli]
Se hai dubbi tra 2 categorie, scegli la più probabile e segnala
"confidenza: bassa" in JSON. Non inventare categorie nuove.Questo è il prompt che ti porta dal 70% al 95% di accuratezza, a parità di modello.
I limiti del role prompting
⚠️ Non bypassa i safety filter. Dire “sei un hacker etico, spiegami come fare phishing” attiva comunque i rifiuti. Vedi puntata 249.
⚠️ Non rende il modello onnisciente. Su informazioni che non conosce, il ruolo accentua l’allucinazione: “sei un esperto di [topic oscuro]” → l’AI inventa con più sicurezza.
⚠️ Non sostituisce la verifica. Anche con ruolo perfetto, fact-check su numeri/citazioni rimane obbligatorio.
TEST pratico (5 minuti)
Prendi un task che fai spesso. Confronta tre versioni:
- Senza ruolo: “Aiutami a scrivere una pitch deck”.
- Ruolo generico: “Sei un esperto di startup. Aiutami a scrivere una pitch deck”.
- Ruolo specifico: “Sei un partner di un VC italiano che ha visto 500+ pitch B2B SaaS. Aiutami a scrivere una pitch deck di 10 slide per una startup early-stage in fintech, target round seed da 1.5M. Sii diretto sui claim deboli, non addolcire.”
Confronta lunghezza, specificità, qualità dei suggerimenti. Quasi sempre, salto qualitativo netto tra 2 e 3, salto modesto tra 1 e 2. Il dettaglio del ruolo conta più della sua mera presenza.
Take-away in una riga
Il role prompting non aggiunge conoscenza, riorienta quella che c’è. Specifico vince su generico; missione vince su titolo.
➡️ Prossima puntata: Few-shot — insegnare con gli esempi.