Il problema che nessuno nomina nelle riunioni sull'AI
Hai introdotto ChatGPT o Claude in azienda. Qualcuno del team produce risultati ottimi, qualcun altro si lamenta che "l'AI non funziona". Il reparto marketing scrive prompt in un modo, il customer service in un altro, le vendite improvvisano ogni volta. Dopo sei mesi di utilizzo non hai idea di cosa stia funzionando davvero e perché.
Questo è lo stato normale di quasi tutte le PMI che hanno adottato i modelli linguistici senza una strategia di governance. Non è un problema di strumenti. È un problema di sistema. E finché non lo tratti come tale, stai lasciando sul tavolo la maggior parte del valore che l'AI potrebbe portare.
Perché il "buon prompt" individuale non basta
La narrativa dominante attorno al prompt engineering si concentra sull'individuo: impara a scrivere prompt migliori e otterrai risultati migliori. È vero, ma incompleto. Quando sei solo tu a usare uno strumento, ottimizzare la tua tecnica ha senso. Quando sono in dieci a usarlo, la variabilità individuale diventa rumore che invalida qualsiasi tentativo di misurazione.
Immaginalo in questi termini: se dieci venditori usassero script di vendita completamente diversi, non sapresti mai quale funziona e quale no. Non potresti formare i nuovi assunti. Non potresti migliorare nel tempo. Con i prompt succede esattamente la stessa cosa, solo che il problema è meno visibile perché ogni interazione sparisce nella chat.
Il risultato pratico è che le aziende si trovano a dipendere dalle competenze personali di uno o due persone "brave con l'AI", con tutto il rischio che questo comporta in termini di continuità operativa e scalabilità.
La prompt library: il primo mattone del sistema
Il punto di partenza per standardizzare l'uso degli LLM in team è costruire una libreria di prompt condivisa, versionata e contestualizzata. Non un documento Google con trenta esempi copiati da Reddit. Una raccolta strutturata, con un formato consistente per ogni prompt.
Ogni voce della libreria dovrebbe contenere almeno:
- Il contesto d'uso (per quale task, in quale reparto)
- Il prompt completo con le variabili evidenziate tra parentesi o placeholder
- Il modello testato e la versione (GPT-4o, Claude 3.5 Sonnet, ecc.)
- Un esempio di output atteso
- Le limitazioni note (cosa non fare con questo prompt)
- Il responsabile e la data dell'ultima revisione
Strumenti come Notion, Confluence o anche un semplice repository GitHub possono funzionare benissimo. La scelta dello strumento è secondaria rispetto alla disciplina di aggiornamento. Una libreria non aggiornata è peggio di nessuna libreria, perché crea falsa sicurezza.
Governance: chi decide cosa è un prompt valido
Una libreria senza governance degenera in poco tempo. Hai bisogno di definire chi può aggiungere prompt, chi li approva e con quale criterio. Non serve una burocrazia pesante, ma serve un processo.
In una PMI con dieci persone che usano gli LLM, il modello minimo funzionante è quello del "prompt owner" per area: una persona per il marketing, una per le vendite, una per il customer service. Queste persone hanno il compito di raccogliere le varianti che il team sperimenta, testare quelle promettenti e aggiornare la libreria. Non è un ruolo a tempo pieno: sono due ore a settimana, se il processo è ben disegnato.
Il momento critico è quello dell'onboarding. Ogni nuovo membro del team che inizia a usare gli LLM dovrebbe ricevere una formazione specifica sui prompt aziendali, non un tutorial generico su "come usare ChatGPT". La differenza è sostanziale: nel secondo caso stai allenando la persona su una competenza individuale, nel primo caso la stai integrando in un sistema.
Misurare per migliorare: output evaluation senza impazzire
Il punto più trascurato della governance AI in team è la misurazione degli output. Se non valuti sistematicamente la qualità di ciò che i modelli producono, non puoi migliorare i prompt nel tempo e non puoi dimostrare il valore del sistema a chi prende le decisioni di budget.
Non ti serve un sistema complesso. Per la maggior parte dei casi aziendali, una scala semplice funziona: l'output era utilizzabile così com'è, richiedeva modifiche minori, o era da riscrivere? Se il team annota questo dato per ogni utilizzo significativo (non per ogni chat occasionale), in tre mesi hai abbastanza informazioni per identificare i prompt che performano e quelli che vanno rivisti.
Alcuni team introducono anche una metrica di "tempo risparmiato percepito": quanto tempo hai impiegato con l'AI rispetto a quanto avresti impiegato senza. È una metrica soggettiva, ma raccolta in modo consistente nel tempo diventa un indicatore utile per la direzione. La ricerca di Stanford AI Index documenta come le organizzazioni che introducono processi strutturati di valutazione degli output AI ottengano risultati significativamente più stabili nel tempo rispetto a quelle che adottano gli strumenti in modo ad hoc.
Il cambio di mentalità che sblocca tutto
La resistenza più comune che incontro quando lavoro con le PMI sull'adozione strutturata degli LLM non è tecnica. È culturale. Le persone che hanno sviluppato una competenza individuale nel prompt writing spesso vivono la standardizzazione come una minaccia al proprio valore. "Se metto il mio prompt nella libreria, divento sostituibile."
Il modo in cui inquadri la cosa cambia tutto. Chi contribuisce ai prompt aziendali non si rende sostituibile: diventa il riferimento per quell'area. La libreria non azzera le competenze individuali, le amplifica moltiplicandole per il numero di persone nel team. Un buon prompt scritto da una persona e usato da dieci vale dieci volte di più del prompt usato da una sola.
C'è anche un beneficio collaterale che spesso convince anche i più scettici: quando i prompt sono documentati e condivisi, il team smette di reinventare la ruota ogni volta. Il tempo risparmiato nella fase di setup di ogni task è reale e immediato, e si sente.
La mossa che puoi fare domani mattina
Scegli un solo processo ripetitivo che il tuo team esegue usando gli LLM, ad esempio la bozza delle email commerciali, la risposta ai ticket di supporto o la sintesi delle call con i clienti. Dedica novanta minuti a mappare come ognuno del team affronta quel task con l'AI, raccogli i prompt che usano, scegli il migliore come punto di partenza e mettilo in un documento condiviso con il formato strutturato descritto sopra. Poi chiedi a tutto il team di usare quello per due settimane e di annotare quando l'output era soddisfacente e quando no. Con quei dati, hai già la base per un sistema che scala.