Immagina di chiedere a un'intelligenza artificiale di risolvere un problema matematico complesso. Se le dici solo "Quanto fa 287 moltiplicato per 43 diviso 5", riceverai una risposta numerica. Ma se è sbagliata, non sai dove il ragionamento si è interrotto. Invece, se le chiedi di mostrarvi ogni passaggio calcolato singolarmente, capisci esattamente come ha pensato. Questo è il nucleo della chain of thought: guidare l'IA lungo un percorso di ragionamento visibile e verificabile.
Il termine "chain of thought" è stato reso popolare in ambito accademico intorno al 2023, quando i ricercatori hanno notato che le intelligenze artificiali generative risolvevano i problemi più accuratamente quando veniva loro chiesto di esplicitare il loro ragionamento intermedio. Non è magia. È semplicemente il risultato di insegnare all'IA a pensare ad alta voce, come farebbe un matematico che scrive i calcoli prima di darvi il risultato finale.
Perché funziona
L'intelligenza artificiale lavora per previsione sequenziale: genera la parola o il concetto successivo basandosi sul contesto di tutto ciò che è venuto prima. Quando le chiedi di mostrare il ragionamento passo dopo passo, la obblighi a costruire una strada logica che facilita l'arrivo alla risposta corretta. È come costruire un ponte con pali intermedi anziché un salto nel vuoto.
Un secondo motivo: quando l'IA scrive il suo ragionamento, usa il contesto precedente per validare se sta procedendo sulla strada giusta. Se nel passaggio numero tre deduce qualcosa di incoerente rispetto ai passaggi uno e due, ha una probabilità maggiore di auto-correggersi perché il ragionamento è esplicito e verificabile. Nel ragionamento nascosto, questi errori rimangono invisibili fino al risultato finale.
Come costruire un prompt con chain of thought
Un prompt senza chain of thought potrebbe essere: "Un negozio vende mele a tre euro al chilo. Marco compra due chili e paga con una banconota da venti euro. Quanto resto riceve?"
Un prompt con chain of thought avrebbe questa struttura: "Un negozio vende mele a tre euro al chilo. Marco compra due chili e paga con una banconota da venti euro. Quanto resto riceve? Per favore, risolvi il problema mostrando ogni passaggio: prima calcola il costo totale delle mele, poi il resto ricevuto. Mostra i calcoli passo dopo passo."
La differenza è sottile ma decisiva: il secondo prompt non solo pone il problema, ma descrive esattamente come dovrebbe essere affrontato. L'IA sa già cosa fare, però gli hai dato una strada da seguire invece di lasciarla improvvisare.
Applicazioni nei prompt complessi
I prompt complessi sono quelli che richiedono analisi articolate, categorizzazione, confronti o sintesi di informazioni. Supponiamo tu voglia che l'IA analizza un testo di un articolo e identifichi tre aspetti: il messaggio principale, gli argomenti a supporto e le possibili controreplica. Senza chain of thought, rischi una risposta confusa e superficiale.
Con chain of thought, il prompt assomiglierebbe a questo: "Analizza il seguente articolo e identifica: 1) Leggilo interamente. 2) Individua il messaggio centrale in una frase. 3) Scrivi tre argomenti che lo supportano, presi direttamente dal testo. 4) Per ogni argomento, pensa a una possibile controreplica. 5) Riassumi il tutto in un'unica conclusione." Hai trasformato un'analisi vaga in una lista di passaggi ordinati.
Un altro caso: la correzzione di testi. Se chiedi all'IA di correggere un articolo per chiarezza e gramm atica, riceverai un testo rimaneggiato ma senza sapere cosa ha modificato. Con chain of thought, il prompt diventerebbe: "Correggi il testo seguente rispetto a: 1) errori di ortografia e grammatica. 2) chiarezza della struttura frasale. 3) eliminazione di ridondanze. Per ogni sezione, spiega il cambio che stai facendo e perché." Adesso il processo è trasparente.
La questione della lunghezza
Una domanda comune: la chain of thought non rende i prompt troppo lunghi? Sì, di fatto li rende più lunghi. Ma è una lunghezza utile. Un prompt esteso e strutturato è sempre preferibile a un prompt breve e vago che genera risposte sbagliate. Se dovessi rifare dieci volte la richiesta perché la risposta è imprecisa, il tempo speso alla fine è molto superiore.
Inoltre, la lunghezza non è casuale. Non è "scrivi un'analisi lunga e dettagliata del tema" (generico e lungo). È piuttosto una sequenza di istruzioni precise che il sistema deve seguire. Questo tipo di lunghezza è efficiente perché ogni parola serve a qualcosa.
Quando usarla e quando no
Non tutti i compiti richiedono chain of thought. Se chiedi all'IA "Qual è la capitale della Francia", non hai bisogno di farla ragionare passo dopo passo. La risposta è univoca e immediata.
Usala quando il compito è articolato: analisi, risoluzione di problemi, argomenti multifase, sintesi di informazioni contraddittorie, giudizi che richiedono ponderazione. Usala anche quando il risultato deve essere verificabile e trasparente. Se pubblicherai l'analisi dell'IA da qualche parte, le persone vorranno sapere come sei arrivato a quella conclusione.
Non usarla quando il tempo di risposta è critico (aggiunge latenza), quando la semplicità è l'obiettivo, o quando stai lavorando con modelli vecchi o molto piccoli, che potrebbero faticare a seguire istruzioni articolate.
Un esempio concreto
Supponiamo tu sia un copywriter e debba scrivere il titolo di un articolo di blog. Un prompt senza chain of thought: "Scrivi un titolo SEO-friendly per un articolo sui benefici del sonno."
Un prompt con chain of thought: "Scrivi un titolo SEO-friendly per un articolo sui benefici del sonno. Procedi così: 1) identifica la parola chiave principale di questo articolo. 2) Scrivi tre titoli alternativi, ognuno con un angolo diverso (medico, pratico, sorpresa). 3) Per ogni titolo, valuta la lunghezza in caratteri rispetto agli standard Google (55-80 caratteri). 4) Scegli il migliore e spiega perché. 5) Fornisci la risposta finale." Adesso non ricevi solo un titolo, ricevi una decisione motivata.
Oltre il ragionamento visibile
La chain of thought non è una tecnica perfetta. Anche seguendo passaggi logici, l'IA può comunque generare errori fattici o dedurre cose sbagliate. Il vantaggio è che gli errori diventano diagnosticabili. Se nel passaggio tre l'IA afferma qualcosa di falso, tu lo vedi e lo correggi prima che influenzi il risultato finale.
Il futuro di questa tecnica probabilmente si sposterà verso prompt ancora più sofisticati, dove l'IA non solo mostra i passaggi, ma li valuta e li revede autonomamente se trova incongruenze. Per ora, la chain of thought rimane lo strumento più semplice e affidabile per trasformare il black box dell'intelligenza artificiale in un processo che gli umani possono seguire e verificare.
