Torna al blog

Chain-of-thought: far ragionare l'IA passo dopo passo

La tecnica di prompting che ha portato l'IA dal 18% al 79% di accuratezza nei compiti di ragionamento — con esempi pronti da copiare per il lavoro quotidiano.

Chain-of-thought: far ragionare l'IA passo dopo passo
Hai fatto a ChatGPT una domanda che richiedeva di ragionare un attimo — magari confrontare due opzioni, valutare una scelta o risolvere un problema in più passaggi. L'IA ha risposto al volo, sicura di sé. Unico problema: la risposta era completamente sbagliata.
Capita più spesso di quanto pensi. Gli assistenti IA sono addestrati a produrre risposte che suonano plausibili, non a ragionare davvero sui problemi. Quando fai una domanda complessa nel modo classico, l'IA spesso salta del tutto il momento del ragionamento e va dritta a una risposta — a volte sbagliando in modo clamoroso, ma con tono assolutamente sicuro.
C'è un rimedio. Nel 2022, alcuni ricercatori di Google hanno scoperto che aggiungere una sola frase ai prompt — "Ragioniamo passo dopo passo" — ha portato l'accuratezza sui problemi matematici dal 17,7% al 78,7%. Non è un refuso. Una frase ha reso l'IA quattro volte più precisa.
Questa tecnica si chiama chain-of-thought prompting e funziona perché costringe l'IA a mostrare il proprio ragionamento invece di saltare alle conclusioni. Ecco come usarla per compiti reali — non solo per problemi di matematica.

Cos'è il chain-of-thought prompting?

Il chain-of-thought (CoT) prompting è esattamente quello che sembra: chiedi all'IA di spiegare il suo ragionamento passo dopo passo prima di darti la risposta finale. Invece di "Qual è la risposta?" chiedi "Spiegami il tuo ragionamento, poi dammi la risposta".
Pensaci come quando chiedi a un collega di mostrarti come è arrivato a una conclusione. Se qualcuno ti dà un consiglio senza spiegazioni, non puoi sapere se ci ha ragionato davvero o ha tirato a indovinare. Ma se ti spiega il ragionamento — "Ho considerato X, ho escluso Y per via di Z, e così sono arrivato a questa conclusione" — riesci a vedere subito eventuali falle nella logica.
Con l'IA vale lo stesso principio. Quando la costringi ad esplicitare i passaggi intermedi, succedono due cose:
  1. L'IA si accorge dei propri errori mentre ragiona
  2. Tu vedi esattamente dove la logica è andata storta, se la risposta non torna

Perché l'IA salta i passaggi (e sbaglia)

Una cosa che molti non sanno: i modelli di IA non "pensano" davvero come gli esseri umani. Cercano pattern in miliardi di esempi di testo per prevedere quali parole dovrebbero venire dopo. Quando fai una domanda diretta, vanno verso la risposta statisticamente più probabile.
Per le domande semplici funziona benissimo. "Qual è la capitale dell'Italia?" non richiede ragionamento — l'IA ha visto questa domanda e la sua risposta accoppiate milioni di volte.
Ma per qualunque cosa richieda logica vera — confrontare opzioni, valutare compromessi, risolvere problemi in più passaggi — l'approccio basato sui pattern crolla. L'IA sceglie una risposta che suona giusta senza fare il lavoro per verificare se è davvero giusta.
Il chain-of-thought prompting interrompe questa scorciatoia. Chiedendo all'IA di ragionare ad alta voce, la costringi a generare i passaggi intermedi — e quei passaggi vincolano la risposta finale. È più difficile arrivare a una conclusione sbagliata se devi mostrare il percorso che ti ci ha portato.
Confronto tra l'IA che salta direttamente a una risposta e l'IA che ragiona per passaggi prima di rispondere
Confronto tra l'IA che salta direttamente a una risposta e l'IA che ragiona per passaggi prima di rispondere

Il modo più semplice per usare il chain-of-thought

La versione più facile non richiede nessuna preparazione. Aggiungi semplicemente una di queste frasi alla fine del tuo prompt:
  • "Ragioniamo passo dopo passo."
  • "Spiegami il tuo ragionamento."
  • "Mostrami il ragionamento prima di darmi la risposta finale."
  • "Scomponi il problema passo dopo passo."
I ricercatori hanno scoperto che "Ragioniamo passo dopo passo" ha funzionato meglio nei loro test, anche se una ricerca successiva ha trovato una formulazione ancora più efficace: "Affrontiamo la cosa passo dopo passo per essere sicuri di avere la risposta giusta".
Vediamo come si applica nella pratica. Diciamo che stai decidendo se accettare un'offerta di lavoro.
Senza chain-of-thought:

Dovrei accettare un'offerta di lavoro che paga il 20% in più ma richiede di trasferirmi in una città con il 40% di costo della vita più alto?


L'IA potrebbe darti un "sì" o un "no" rapido basato su un riconoscimento di pattern superficiale.
Con chain-of-thought:

Dovrei accettare un'offerta di lavoro che paga il 20% in più ma richiede di trasferirmi in una città con il 40% di costo della vita più alto?

Ragioniamo passo dopo passo, considerando le implicazioni economiche, i fattori legati alla qualità della vita e l'impatto sulla carriera prima di arrivare a una conclusione.


A questo punto l'IA scomporrà ogni fattore, farà i calcoli su quanto un 20% in più di stipendio copra davvero un 40% di costi in più, valuterà cosa potresti guadagnare o perdere e ti darà un consiglio motivato.

Few-shot CoT: insegnare all'IA come ragionare

L'approccio "Ragioniamo passo dopo passo" si chiama zero-shot CoT perché non stai mostrando alcun esempio. Funziona bene in molte situazioni, ma per compiti complessi o specialistici puoi ottenere risultati ancora migliori se mostri all'IA lo schema di ragionamento che vuoi vedere.
Si chiama few-shot CoT — includi uno o due esempi svolti che mostrano all'IA esattamente come ragionare su problemi simili.
Ecco un template per analizzare decisioni di business:

Ho bisogno di valutare delle opzioni. Ecco come voglio che tu ragioni su ciascuna:

Esempio:
Domanda: Conviene passare dalla fatturazione mensile a quella annuale?

Passo 1 - Identificare i fattori chiave: prevedibilità del flusso di cassa, rischio di abbandono, psicologia del prezzo.

Passo 2 - Analizzare ogni fattore:
- Flusso di cassa: la fatturazione annuale ci dà i ricavi anticipati, migliorando la prevedibilità
- Rischio di abbandono: i clienti che pagano annualmente hanno tassi di churn più bassi
- Prezzo: possiamo offrire uno sconto sul piano annuale senza perderci

Passo 3 - Soppesare i compromessi: il principale lato negativo è una maggiore frizione per i nuovi iscritti.

Passo 4 - Conclusione: sì, ma offrendo entrambe le opzioni, con l'annuale al 15% di sconto.

Ora applica la stessa struttura di ragionamento alla mia domanda:
{{question}}
L'esempio non deve coincidere esattamente con la tua domanda — basta che mostri la struttura di ragionamento che vuoi. L'IA adatterà lo schema alla tua situazione specifica.

Quando il chain-of-thought aiuta davvero (e quando no)

Il CoT prompting non è una bacchetta magica per ogni interazione con l'IA. Una ricerca della Wharton ha rilevato che, anche se migliora le prestazioni sui problemi difficili, può addirittura peggiorare l'accuratezza su quelli facili, introducendo complessità inutile.
Usa il chain-of-thought quando:
  • Stai confrontando più opzioni o valutando compromessi
  • Il compito richiede ragionamenti o calcoli in più passaggi
  • Devi diagnosticare o risolvere un problema
  • La risposta richiede un'analisi di causa ed effetto
  • Vuoi capire il ragionamento dell'IA, non solo ottenere una risposta
Lascia perdere il chain-of-thought quando:
  • Stai chiedendo fatti o definizioni semplici
  • Ti serve un output creativo, come brainstorming o scrittura
  • Vuoi un riassunto o una traduzione
  • La velocità conta più dell'accuratezza
  • Il compito non richiede ragionamento logico
Da tenere a mente: il CoT prompting è meno efficace con i modelli di IA più piccoli. La ricerca originale di Google ha rilevato che i miglioramenti significativi compaiono solo nei modelli con più di 100 miliardi di parametri. Con gli strumenti di IA per uso quotidiano come ChatGPT-4, Claude e Gemini, sei nel range giusto. Ma se usi modelli vecchi o più piccoli, i risultati possono variare.

5 prompt CoT pronti all'uso per il lavoro reale

Ecco dei prompt da copiare e incollare che puoi iniziare a usare oggi. Ognuno ha già la struttura chain-of-thought integrata.

1. Analisi di una decisione

Aiutami a decidere: {{decision_to_make}}

Affronta la cosa passo dopo passo:
1. Elenca i fattori chiave da considerare
2. Analizza come si comporta ogni opzione su questi fattori
3. Individua i rischi principali e i compromessi
4. Dammi una raccomandazione motivata

Sii specifico e parti dalla mia situazione reale, non da consigli generici.

2. Confronto pro e contro

Confronta queste opzioni: {{option_1}} vs {{option_2}}

Ragiona in modo sistematico:
1. Per prima cosa, individua 5 criteri che contano di più per questo tipo di decisione
2. Valuta ogni opzione rispetto a ogni criterio
3. Segnala eventuali requisiti irrinunciabili o motivi di scarto
4. Soppesa i compromessi nel complesso
5. Dammi una raccomandazione chiara

Non limitarti a elencare pro e contro — ragiona davvero su quali fattori contano di più e perché.

3. Analisi della causa principale

Aiutami a capire perché sta succedendo questo: {{problem_description}}

Usa questo processo di ragionamento:
1. Chiarisci cosa sta succedendo davvero rispetto a cosa dovrebbe succedere
2. Elenca tutte le cause possibili (anche quelle improbabili)
3. Per ogni causa, indica quale prova la confermerebbe o la escluderebbe
4. In base alle informazioni disponibili, individua la causa principale più probabile
5. Suggerisci come verificarlo e cosa fare a riguardo

4. Pianificazione passo dopo passo

Devo {{goal}}.

Scomponi il tutto in passaggi:
1. Per prima cosa, individua cosa deve avvenire prima di tutto il resto (i prerequisiti)
2. Poi mappa le fasi principali o le tappe chiave
3. Per ogni fase, elenca le azioni concrete necessarie
4. Segnala le dipendenze (cosa deve succedere prima che qualcos'altro possa partire)
5. Indica i possibili ostacoli e come gestirli

Sii concreto — dammi passaggi azionabili, non consigli vaghi.

5. Analisi di una domanda complessa

{{complex_question}}

Prima di rispondere, ragioniamoci sopra con calma:
1. Scomponi cosa sta chiedendo davvero questa domanda
2. Individua eventuali assunti impliciti nella domanda stessa
3. Considera i fattori chiave che influenzano la risposta
4. Ragiona su ciascuno di quei fattori
5. Poi dammi la tua risposta con il ragionamento che la sostiene

Se c'è una vera incertezza, riconoscilo invece di fingere sicurezza.
Questi prompt seguono lo stesso schema: dichiari cosa ti serve e poi descrivi esplicitamente il processo di ragionamento che vuoi che l'IA segua. La struttura guida l'IA verso un'analisi approfondita invece di lasciarla saltare alle conclusioni.
Una scheda template di un prompt con segnaposto variabili personalizzati per compiti diversi
Una scheda template di un prompt con segnaposto variabili personalizzati per compiti diversi
Se ti accorgi di riutilizzare questi prompt — cambiando ogni volta decisione, problema o domanda — uno strumento come PromptNest ti permette di salvarli con i {{variabili}} già al loro posto. Quando ti serve un prompt, riempi gli spazi e copi la versione completa.

Risoluzione dei problemi: quando il ragionamento va storto

Ogni tanto userai il chain-of-thought prompting e l'IA mostrerà i suoi passaggi… ma arriverà comunque a una conclusione sbagliata. Ecco come gestire questi casi.
Il ragionamento sembra a posto ma la conclusione è sbagliata. L'IA potrebbe essere partita da un assunto sbagliato. Chiedi: "Su quali assunti ti stai basando? Elencali esplicitamente". Spesso l'errore è in una premessa non detta, non nella logica vera e propria.
L'IA ha ignorato fattori importanti. Rispondi con: "Non hai considerato {{fattore}}. Come cambia la tua analisi?" L'IA integrerà la nuova informazione e spesso rivedrà la conclusione.
Il ragionamento è circolare o vago. Chiedi più precisione: "Al passaggio 2 hai detto che 'questo potrebbe essere rischioso'. A quali rischi specifici ti riferisci e come li quantificheresti?" Costringerla a essere concreta fa emergere il pensiero confuso.
Sospetti che l'IA sia troppo sicura di sé. Prova così: "Fai l'avvocato del diavolo. Qual è l'argomento più forte contro questa conclusione?" Spesso fa emergere debolezze che l'IA aveva sorvolato la prima volta.
Lo scopo del chain-of-thought prompting non è solo ottenere risposte migliori — è rendere visibile il ragionamento dell'IA in modo da poter cogliere e correggere gli errori. Tratta la prima risposta come un punto di partenza, non come la risposta definitiva.

Inizia a usare il chain-of-thought oggi

Non devi memorizzare tecniche o seguire framework complicati. Ricorda solo l'idea di fondo: quando ti serve che l'IA ragioni davvero invece di tirare a indovinare, chiedile di mostrare il proprio lavoro.
Parti da un compito per cui usi regolarmente l'IA — qualcosa che richieda analisi, confronto o diagnosi. Aggiungi "Ragioniamoci sopra passo dopo passo" e vedi come cambia la risposta. Una volta vista la differenza, inizierai a riconoscere quando ha senso usarlo.
Se vuoi costruirti una libreria di prompt di ragionamento come quelli qui sopra, puoi salvarli ovunque — un'app per le note, un documento, qualsiasi cosa tu già usi. Oppure, se preferisci uno strumento pensato apposta, PromptNest è un'app nativa per Mac (19,99 $ una tantum sul Mac App Store, niente abbonamento, niente account, gira in locale) che tiene i tuoi prompt organizzati con le variabili già integrate. In ogni caso, il punto è avere i tuoi prompt migliori a portata di mano quando ti servono — non sepolti in vecchie cronologie di chat.
La differenza tra un'IA che ti aiuta a pensare e un'IA che semplicemente suona sicura di sé spesso si gioca in cinque parole: "Ragioniamo passo dopo passo".