Prompt e leadership: cosa imparano i manager usando l’AI

Ogni volta che scriviamo un prompt, non solo chiediamo delle cose, ma ne riveliamo anche delle altre, ad esempio, come pensiamo, come guidiamo, come gestiamo l’ambiguità. In questo articolo, condivideremo che le competenze necessarie per scrivere un buon prompt sono strutturalmente le stesse che servono per guidare persone e organizzazioni — e che imparare a interagire meglio con l’intelligenza artificiale è, di conseguenza, un modo concreto e pratico per diventare leader migliori.

Quante volte l’intelligenza artificiale ci restituisce risposte che giudichiamo sbagliate, irrilevanti, non appropriate o semplicemente inadeguate? Recenti studi diversi, fatti su Large Language Model diversi da prospettive diverse, convergono sorprendentemente verso una percentuale piuttosto rilevante del 20% e, nonostante abbiamo una quasi irresistibile tentazione di dare sempre la colpa ai sistemi, molte volte il problema sta proprio nei nostri prompt.

Questa osservazione, solo apparentemente tecnica, ha una portata molto più ampia di quanto sembri, perché ciò che rende un prompt efficace non è tanto la conoscenza di tecniche speciali né tanto meno la disponibilità di ricette universali (che ovviamente non esistono), quanto la fondamentale capacità di sapere cosa si vuole, di saperlo comunicare con precisione, di dare il contesto necessario perché l’entità con cui si interagisce — umana o artificiale — possa agire in modo utile: e queste sono, esattamente, le stesse competenze che distinguono un leader efficace da uno che si limita a delegare “al buio”.

Oggi i Large Language Model — i modelli linguistici alla base di strumenti come ChatGPT, Claude, Gemini, Copilot — sono entrati stabilmente nei flussi di lavoro delle organizzazioni, soprattutto di grandi dimensioni: vengono usati, ad esempio, per sintetizzare documenti, preparare comunicazioni, analizzare dati, generare opzioni strategiche, supportare decisioni.

Sappiamo anche che una quota crescente di manager li utilizza già su base quotidiana, spesso in modo autonomo, senza formazione specifica e senza una riflessione consapevole su cosa questo comporti, utilizzando usa l’IA come se questa fosse un motore di ricerca avanzato: si digita una richiesta, si aspetta una risposta, si aggiusta qualcosa se questa non soddisfa.

Questo approccio funziona senz’altro, ma fino a un certo punto, perché lascia sul tavolo qualcosa di importante, ovvero la consapevolezza che ogni interazione con un sistema di IA generativa è, in realtà, un atto di comunicazione intenzionale — e che la qualità di quell’atto rivela, con sorprendente accuratezza, il modo in cui chi scrive pensa, organizza le idee, gestisce l’ambiguità, e guida gli altri.

Infatti un prompt, in una sua forma abbastanza completa, contiene almeno quattro elementi fondamentali: un obiettivo (cosa si vuole ottenere), un contesto (le informazioni necessarie perché il sistema possa agire in modo pertinente e soddisfacente), una struttura di output attesa (come si desidera ricevere la risposta), e uno standard di qualità (cosa rende quella risposta buona, adeguata, utile): il che non è così diverso da una brief manageriale ben costruita, da un incarico assegnato con chiarezza a un collaboratore, da un obiettivo SMART formulato in modo che chi lo riceve sappia esattamente dove puntare.

La tesi di questo articolo è semplice, ma ha implicazioni profonde: le competenze necessarie per scrivere un buon prompt sono, guarda caso, molto simili a quelle che servono per guidare persone e organizzazioni. Questo non per analogia superficiale, non per metafora suggestiva, ma per identità strutturale, ma perché chi sa formulare un prompt efficace sta esercitando — in forma visibile, misurabile, iterabile — alcune delle stesse capacità cognitive e comunicative che la letteratura sulla leadership identifica come centrali: chiarezza di intenti, contestualizzazione, gestione dell’incertezza, capacità di iterare, responsabilità dell’intenzione.

E la conseguenza più interessante di questa tesi è che vale anche il contrario: imparare a scrivere prompt migliori si rivela anche un modo concreto, pratico e costo/efficace di migliorare nella leadership.

Il prompt come struttura di leadership

Quando si utilizza un sistema di intelligenza artificiale generativa, ci si trova spesso davanti a un risultato inaspettato: non nel senso positivo del termine, ma nel senso che quello che si ottiene non corrisponde a quello che si aveva in mente — e la ragione, quasi sempre, non dipende dal modello scelto, dalla piattaforma usata o dalla lunghezza del testo inserito. Dipende da qualcosa di più fondamentale: da quanto chi scrive il prompt abbia davvero fatto il lavoro preliminare di capire cosa sta cercando, per chi, in quale contesto, con quali vincoli e con quali criteri per valutare se il risultato è buono.

È un lavoro che sembra ovvio, ma che nella pratica viene quasi sempre saltato, perché siamo abituati a pensare che fare una domanda sia semplice e che la difficoltà stia nella risposta. Con i sistemi IA — come con le persone — si scopre rapidamente che non è così: la qualità della risposta dipende quasi interamente dalla qualità della domanda, e la qualità della domanda dipende dalla chiarezza di chi la pone.

Questa osservazione apre una riflessione più profonda e più interessante: scrivere un prompt efficace richiede esattamente le stesse operazioni cognitive che stanno alla base di una buona leadership, ovvero definire l’obiettivo in modo che orienti senza bloccare, fornire il contesto che rende il lavoro comprensibile e significativo, indicare una direzione di ragionamento senza prescrivere ogni singolo passaggio, e stabilire in anticipo cosa rende buona una risposta, così che il risultato possa essere valutato su criteri condivisi e non giudicato a posteriori sulla base di aspettative che non erano mai state esplicitate.

Quattro operazioni che nella pratica quotidiana — sia con le persone che con i sistemi IA — vengono sistematicamente sottovalutate, aggirate o date per scontate, con risultati che rispecchiano fedelmente la qualità dell’intenzione che le ha generate.

Per capire quanto questo parallelismo sia reale e non solo metaforico, un esempio concreto lo rende immediatamente evidente: un manager che chiede a un sistema di intelligenza artificiale generativa di analizzare i dati di vendita dell’ultimo trimestre. Un prompt generico suonerebbe così: “Analizza questi dati di vendita.”. Il sistema probabilmente risponderà con un’analisi standard, formalmente corretta, strutturata in modo apparentemente professionale, ma quasi certamente inutile ai fini pratici, perché priva di tutto ciò che avrebbe reso quella risposta davvero rilevante: a chi è destinata, a quale decisione deve servire, quale tipo di ragionamento si sta cercando, cosa conta in questo contesto specifico e cosa invece può essere tralasciato.

Un prompt efficace, invece, potrebbe essere costruito così: “Sei un market analyst con esperienza nel settore retail. Ti fornisco i dati di vendita del Q1 2025 per tre categorie di prodotto. Analizza le tendenze principali, identifica le anomalie rispetto al trimestre precedente e formula tre ipotesi che spieghino le variazioni più significative. Il tuo output servirà al management per una decisione di allocazione del budget.”

La differenza tra i due prompt non è tecnica — è sostanziale: la stessa differenza che passa tra dire a un collaboratore “occupati delle vendite” e consegnargli un brief preciso, con obiettivo chiaro, contesto rilevante, perimetro di lavoro definito e output atteso. Nel primo caso si delega il problema, scaricando sull’altro la responsabilità di interpretare cosa si vuole davvero, mentre nel secondo si delega il lavoro, mantenendo la regia: si definisce la direzione, si forniscono gli strumenti per muoversi, si stabilisce come misurare il risultato. Questa struttura — obiettivo, contesto, direzione di ragionamento, standard di qualità — è la stessa in entrambi i casi, e può essere resa esplicita in una tavola di riferimento utile per tutto il ragionamento che segue:

C’è un errore ricorrente che si commette sia con i team che con i sistemi di IA, e che nasce sempre dalla stessa radice: la tentazione di controllare ogni singolo passaggio del processo, come se la qualità del risultato dipendesse dalla quantità di supervisione esercitata lungo il percorso. Nelle organizzazioni questo atteggiamento si traduce in micromanagement — un modo di lavorare che, oltre a creare colli di bottiglia e rallentare le decisioni, ha un effetto collaterale spesso sottovalutato: impedisce alle persone di crescere, perché non lascia mai abbastanza spazio perché il ragionamento autonomo si sviluppi davvero.

Chi ha guidato un team anche solo per qualche anno lo sperimenta in modo diretto: nel momento in cui smette di entrare nel lato operativo di ogni decisione e inizia invece a fungere da guida — definendo la direzione con chiarezza, fornendo il contesto necessario per muoversi, lasciando che le persone trovino la loro strada verso il risultato — qualcosa cambia in modo significativo. Cambiano la qualità del lavoro, perché le persone si sentono responsabili di quello che producono; cambiano i tempi, perché non tutto deve passare per un unico punto di controllo. Infine, evolve il percorso di crescita delle persone stesse, perché l’autonomia, quando è esercitata dentro un perimetro chiaro, è il meccanismo più potente che esiste per sviluppare competenza e fiducia.

Con i sistemi di IA accade qualcosa di strutturalmente analogo, e la somiglianza non è casuale: un prompt esageratamente dettagliato, che cerca di anticipare e prescrivere ogni aspetto della risposta — il tono, la lunghezza, la struttura, i contenuti, persino le conclusioni — ottiene quasi sempre risultati peggiori di un prompt che definisce bene l’obiettivo, fornisce il contesto rilevante e poi lascia spazio al ragionamento del sistema.

Non perché i dettagli siano sbagliati in sé, ma perché il controllo totale è strutturalmente incompatibile con qualsiasi forma di intelligenza — umana o artificiale — che funziona meglio quando le viene dato un perimetro chiaro e poi la libertà di muoversi dentro quel perimetro con una certa autonomia. Vincolare ogni passaggio non produce più controllo: produce risposte più piatte, meno utili, meno capaci di sorprendere con qualcosa a cui non si aveva ancora pensato.

Il prompting efficace è quindi, prima di tutto, un atto di orientamento consapevole: si definisce dove si vuole arrivare, si costruisce il contesto che rende comprensibile il percorso, si stabilisce come misurare il risultato, e poi si lascia che il ragionamento avvenga — dentro confini pensati con intenzione, non imposti per paura di perdere il controllo. Questa capacità di coordinare istruzioni, ruoli, contesti e vincoli in modo intenzionale, senza il bisogno di presidiare ogni singolo passaggio del processo, è esattamente ciò che intendiamo con orchestrazione. Ed è la competenza che, più di ogni altra, definisce la leadership efficace nell’era dell’intelligenza artificiale.

Prompt e leadership nelle competenze manageriali

Sostanzialmente, ogni competenza di prompting è una competenza di leadership resa esplicita, con il vantaggio che, quindi, migliori competenze di prompting possono corrispondere a migliori competenze di leadership. Il principio fondamentale è quello di essere molto chiari, evitando “scorciatoie” chwe vadano nella direzione dell’indeterminatezza.

Sapere cosa si vuole

Nell’operatività, esistono delle forme di approssimazione o di superficialità che sono piuttosto frequenti, ma che nella vita organizzativa passano spesso inosservate: di solito non sono affatto dovute a mancanza di competenze, visto che chi le pratica generalmente sa benissimo di cosa si occupa, conosce il proprio settore, ha esperienza, ma costituiscono delle interazioni sintetiche più sottili, come, ad esempio, l’abitudine a comunicare per allusione, per approssimazione, per contesto condiviso — “Facciamo così”, “Aggiornami sulla situazione”, “Prepara qualcosa per la riunione”.

Nelle organizzazioni, questi shortcut funzionano grazie a anni di relazione, codici condivisi, lettura del non detto, ma hanno comunque un costo importante, perché perpetuano l’implicito, rendono difficile la delega verso chi non condivide lo stesso codice, e — soprattutto — non costringono mai chi delega a chiarire davvero a sé stesso cosa vuole.

Invece, un modello di IA generativa non ha codici condivisi, non ha anni di relazione, non sa leggere il non detto: se gli diciamo “fai così”, ci restituirà “qualcosa “, e quell’output sarà quasi sempre deludente, non perché il sistema sia di per sé mediocre, ma perché la nostra richiesta era sostanzialmente vuota. In sostanza, il nostro prompt rivela immediatamente e impietosamente la qualità dell’intenzione che lo ha generato.

Questo è il primo e forse più importante contributo del prompting come pratica di leadership: ci costringe a trasformare un’intenzione vaga in un obiettivo formulato. Non basta sapere, in modo generico, cosa si vuole, ma bisogna saperlo dire — con abbastanza precisione da riuscire a guidare altre persone e situazioni, e con abbastanza apertura da non introdurre vincoli non necessari.

Questa distinzione — tra precisione e rigidità — è cruciale: un obiettivo ben formulato non è di per sé un obiettivo iper-dettagliato, ma è piuttosto un obiettivo che contiene le informazioni necessarie perché chi lo riceve possa agire con autonomia “intelligente”. Ad esempio, “Scrivi un’analisi dei rischi del progetto” è troppo vago; “Descrivi passo per passo come costruire l’analisi dei rischi” è troppo prescrittivo — toglie spazio a eventuali alternative; “Identifica i tre rischi principali del progetto con maggiore impatto potenziale sul rispetto dei tempi, tenendo conto che il team è distribuito su tre fusi orari” è invece un obiettivo che guida senza introdurre vincoli inutili, e lascia al sistema — o al collaboratore — la libertà di approfondire diverse alternative, ma entro un perimetro chiaro.

Questa capacità di formulare obiettivi che possano guidare le azioni senza bloccare eventuali alternative è esattamente ciò che la letteratura sulla leadership definisce come directional clarity: la “chiarezza direzionale” che guida e orienta l’azione senza sostituirsi al giudizio di chi agisce, che, di per sé, non è l’approccio più semplice, perché comunque richiede un lavoro cognitivo non banale di selezione, di priorità, di scelta di cosa includere e cosa lasciare fuori.

In generale, infatti, chi non sa cosa vuole non può riuscire a ottenere quello che serve, e questo vale sia per i prompt che per i team. Tuttavia, il prompting può offrire qualcosa che poche altre pratiche manageriali offrono, come ad esempio, ogni volta, un feedback immediato sulla qualità della propria formulazione: in sostanza, se l’output non ha la qualità attesa, la prima domanda che possiamo farci non è tanto “cosa ha sbagliato il sistema?” quanto “cosa non ho detto con sufficiente chiarezza?” In definitiva, il prompting può anche essere visto come una disciplina cognitiva che, praticata con continuità, aiuta a “pensare meglio” prima ancora di “interagire meglio”.

Saper dare il contesto

Se la chiarezza dell’obiettivo risponde alla domanda cosa, il contesto risponde a una serie di domande ancora più complessa, quali perché, per chi, in quale situazione, con quali vincoli, e rappresenta un po’ la differenza tra consegnare un compito e trasferire la comprensione di uno scenario.

Nella pratica della leadership, la contestualizzazione è una delle competenze più sottovalutate e al contempo più decisive: ad esempio, un collaboratore a cui viene assegnato un compito senza condividere adeguatamente il contesto si trova in una situazione paradossale, dovendo completare il lavoro, ma non disponendo delle informazioni necessarie per farlo bene, per cui, ad esempio, potrebbe eseguire l’incarico alla lettera e non creare valore, oppure potrebbe ottimizzare secondo criteri sbagliati, oppure potrebbe produrre un output tecnicamente corretto ma nello stesso tempo strategicamente inutile perché non genera outcome — situazioni peraltro che quasi sempre vengono attribuite a lacune del collaboratore, e raramente a lacune di chi gli ha assegnato il compito.

Con un sistema di IA generativa, questo meccanismo diventa visibile in modo diretto e immediato. Il modello non ha accesso ad alcun contesto al di fuori di quello che gli viene fornito nel prompt, così come non conosce la storia del progetto, le dinamiche del team, i vincoli politici dell’organizzazione, le preferenze del cliente finale, il tono giusto per quel particolare interlocutore. Se queste informazioni non sono in qualche modo presenti nel prompt, non esistono per il sistema — e l’output rifletterà inevitabilmente questa mancanza con rigore sconcertante.

Contestualizzare un prompt significa, in concreto, trasmettere tre categorie di informazione: cosa conta (gli obiettivi rilevanti, i criteri di priorità), per chi (il destinatario finale dell’output, il suo livello di competenza, le sue aspettative), e con quali vincoli (di formato, di tono, di lunghezza, di sensibilità, di vincoli normativi o organizzativi). Non si tratta quindi di sovraccaricare il sistema di informazioni irrilevanti — anche questo è un errore frequente, che produce prompt prolissi e output confusi, quanto di selezionare il contesto pertinente, ovvero quello che, se mancasse, porterebbe il sistema a sbagliare strada.

Un esempio forse può aiutare a rendere concreta questa distinzione. “Scrivi una mail al cliente” è un prompt senza contesto. “Scrivi una mail al responsabile acquisti di una media impresa manifatturiera per comunicare un ritardo di due settimane nella consegna, mantenendo un tono professionale ma empatico, senza entrare nei dettagli tecnici delle cause, e concludendo con una proposta di call per allinearsi sui prossimi passi” è un prompt contestualizzato. La differenza nell’output è radicale — non perché il secondo sia più lungo, ma perché trasmette al sistema non solo il compito, ma il perimetro entro cui svolgerlo.

Questa competenza — la capacità di trasferire comprensione, non solo istruzioni — è ciò che distingue un leader autorevole che fa rendere al meglio i propri collaboratori da uno autoritario che, vincolandoli all’esecuzione meccanica, ne limita necessariamente i risultati. Infatti, un collaboratore che comprende il contesto può adattarsi, anticipare, proporre, reagire, mentre uno che ha ricevuto solo il compito può solo eseguire. Lo stesso vale per un sistema di IA: la qualità del contesto trasferito è proporzionale alla qualità dell’autonomia che il sistema può esercitare e, di conseguenza, si riflette nel risultato.

C’è una dimensione ulteriore, meno ovvia ma molto rilevante: il trasferimento del contesto richiede che chi lo fornisce abbia a propria volta una comprensione chiara della situazione — dei vincoli reali, degli obiettivi autentici, dei criteri di priorità, dato che, evidentemente, non si può trasferire una comprensione che non si possiede. Questo significa che il momento in cui si costruisce il contesto di un prompt è anche un momento di chiarificazione interna, in cui ci si chiede cosa si sa davvero della situazione, cosa si sta dando per scontato, cosa sarebbe opportuno esplicitare, e così via; in definitiva, il prompting assume anche in parte il ruolo di una forma di disciplina riflessiva, in tante situazioni in cui la pratica manageriale quotidiana tende — rischiosamente — a sorvolare.

Saper lavorare con l’incertezza

Uno degli aspetti che distingue più nettamente chi usa i sistemi di intelligenza artificiale generativa in modo efficace da chi li usa in modo superficiale è la capacità di gestire l’incertezza — non eliminarla, non aggirarla, ma lavorarci dentro con metodo. I sistemi di IA sono per loro natura probabilistici: non restituiscono una risposta giusta in senso assoluto, ma la risposta più plausibile dato il contesto che gli è stato fornito.

Questo significa che lo stesso prompt, formulato in modi leggermente diversi, può produrre risultati molto differenti, e che non esiste una garanzia che la prima risposta ottenuta sia quella più utile. Chi si aspetta certezza da questi strumenti rimane inevitabilmente deluso — o peggio, accetta come definitivo un output che avrebbe potuto essere significativamente migliore con un minimo di iterazione.

Questa caratteristica dei sistemi non è un difetto da correggere: è una proprietà strutturale con cui imparare a convivere, e che richiede un cambio di approccio abbastanza preciso. Lavorare con un sistema di IA assomiglia molto a lavorare con un collaboratore intelligente, ma nuovo al contesto: bisogna essere pronti a riformulare, a correggere il tiro, a introdurre feedback nel processo invece di aspettarsi che tutto funzioni al primo colpo.

Quando ci si rende conto che il risultato ottenuto non è quello voluto, la soluzione raramente è insistere con lo stesso prompt, ma cambiarlo, aggiungere contesto, riorientare il ragionamento: a volte basta una modifica piccola, altre volte è necessario ripartire da un’impostazione diversa, magari introducendo una sorta di ciclo di feedback esplicito — quello che in letteratura viene chiamato human in the loop — in cui si valuta l’output intermedio e si interviene per correggere la direzione prima di arrivare al risultato finale.

Il parallelismo con la leadership è diretto e chi ha guidato un team lo riconosce immediatamente: anche nella gestione delle persone non esiste una direttiva perfetta al primo colpo, e la capacità di intervenire in corso d’opera — di accorgersi che qualcosa non sta andando nella direzione giusta e correggere prima che il problema diventi irreversibile — è una delle competenze più preziose che un leader possa sviluppare.

La differenza, rispetto ai sistemi di IA, è che con le persone i tempi possono essere più lunghi e le conseguenze di un intervento tardivo più difficili da gestire: quando si riesce a intercettare il problema mentre si è ancora sul pezzo, la correzione è naturale e quasi indolore; quando si arriva a valle, si interviene su qualcosa che ha già preso una forma definita, e riorientarlo richiede uno sforzo molto maggiore. Questa asimmetria tra intervento tempestivo e intervento tardivo vale in entrambi i contesti — con i sistemi di IA come con i team — e rende la capacità di monitorare, leggere i segnali e agire per tempo una competenza trasversale di primaria importanza.

C’è però una dimensione di questa competenza che va oltre la pura gestione del processo, ed è quella che riguarda il rapporto con l’incertezza in quanto tale: saper lavorare con l’incertezza non significa solo essere bravi a correggere il tiro quando qualcosa non va, bensì riuscire a mantenere una direzione chiara anche quando il percorso non è definito, a prendere decisioni con informazioni incomplete, a tollerare l’ambiguità senza paralizzarsi. È una capacità che si sviluppa principalmente attraverso l’esperienza — vivendola, sbagliando, imparando a riconoscere i segnali che indicano che qualcosa va corretto. Ma è anche una capacità che si può coltivare, soprattutto quando c’è qualcuno al proprio fianco da cui prendere esempio — un leader che non elimina l’incertezza per chi lavora con lui, ma insegna come starci dentro senza perdersi.

Saper iterare

L’iterazione è forse la competenza più fraintesa nell’uso dei sistemi di intelligenza artificiale generativa: chi li utilizza per la prima volta tende a misurarne la qualità dalla capacità di produrre il risultato giusto senza bisogno di correzioni — come se un buon prompt fosse quello che funziona al primo colpo. È una convinzione comprensibile, ma sbagliata, e riconoscerla come tale è il primo passo per usare questi strumenti in modo davvero efficace. L’iterazione non è un segnale di fallimento: è il processo normale attraverso cui si arriva a un risultato buono, ed è strutturalmente identica al ciclo di feedback che sta alla base di qualsiasi forma di collaborazione efficace — con le persone come con i sistemi di IA.

Iterare con un sistema di intelligenza artificiale significa fare una cosa precisa: ricordare da dove si è partiti, seguire il ragionamento che il sistema ha fatto e valutare dove è arrivato rispetto a quello che si cercava. Non è un controllo passivo — è un processo attivo di verifica e riorientamento: a volte ci si rende conto che la risposta è formalmente corretta ma non risuona, perché mancava un dettaglio di contesto che sembrava ovvio, ma non era stato esplicitato; altre volte l’output porta in una direzione inaspettata che vale la pena esplorare, perché il sistema ha colto qualcosa che non si era ancora messo a fuoco.

Altre volte ancora si scopre semplicemente che la domanda era mal posta, e che riformularla porta a un risultato completamente diverso. In tutti questi casi, il valore non sta solo nel risultato finale, ma nel processo stesso: l’iterazione costringe a fare proprio l’output, a poterlo giustificare, a capire non solo cosa il sistema ha prodotto ma perché — e questo è esattamente il tipo di consapevolezza che distingue un uso superficiale da un uso davvero efficace di questi strumenti.

Il parallelismo con la leadership è, anche in questo caso, diretto: nessuna direttiva è perfetta al primo colpo, e nessun leader efficace si aspetta che lo sia. Quello che distingue chi guida bene non è la capacità di formulare istruzioni infallibili, ma quella di leggere i segnali nel corso del processo — di capire quando qualcosa non sta funzionando, di intervenire per riorientare senza aspettare che il problema si consolidi, di tenere la direzione anche mentre si correggono i passaggi intermedi. È un ciclo continuo di osservazione, valutazione e aggiustamento che non finisce mai davvero, perché il contesto cambia, le persone cambiano, i sistemi cambiano, e la capacità di adattarsi a questi cambiamenti senza perdere il filo è una delle competenze più difficili da sviluppare e più preziose da possedere.

L’iterazione non è semplicemente una tecnica che si impara e si applica: inizia come tecnica — la si studia, la si pratica, la si usa in modo deliberato — ma nel tempo, se interiorizzata davvero, diventa qualcosa di più profondo, ovvero un atteggiamento mentale, un modo di stare nel processo che non richiede più uno sforzo consapevole perché è diventato il modo naturale di lavorare. Ed è solo a quel punto che si trasforma in una competenza vera, solida, trasferibile. Questa progressione — dalla tecnica all’atteggiamento, dall’atteggiamento alla competenza — vale per il prompting come per la leadership, e descrive con precisione il percorso che chiunque voglia usare questi strumenti in modo davvero efficace è chiamato a fare.

Assumersi la responsabilità dell’intenzione

Ci può essere una tentazione sottile che accompagna l’uso dei sistemi di AI generativa, e che emerge con particolare frequenza nei contesti organizzativi, ovvero la tentazione di usare l’output del sistema come “schermo”. In pratica, se il risultato è buono, lo si adotta e diventa nostro, mentre, se è controverso per qualche motivo, si può sempre dire che “è un risultato della IA — o, in generale, della tecnologia”: la responsabilità si dissolve quindi con la sua attribuzione al sistema — uno strumento, un algoritmo, un processo automatico rispetto al quale, di fatto, non c’è una relazione né di vera autorialità, né di vera autorità.

Questa dinamica è umanamente comprensibile, ed è sempre la stessa che ha accompagnato l’introduzione di ogni strumento di supporto decisionale, dalla statistica ai fogli di calcolo ai sistemi ERP: ma è anche profondamente e oggettivamente sbagliata — e nel caso dell’IA generativa, è sbagliata in modo particolarmente insidioso, perché i sistemi attuali producono output che hanno l’apparenza della competenza e dell’autorevolezza, indipendentemente dalla qualità dell’intenzione che li ha generati.

La verità è che chi formula un prompt è l’autore di quello che ne deriva, non tanto dalla prospettiva tecnica del diritto d’autore, che rimane una questione aperta e dibattuta, quanto nella prospettiva fondamentale dell’intenzione, dell’obiettivo, del contesto, dello standard di qualità che hanno orientato la risposta del sistema. L’output è infatti la materializzazione di quella intenzione originale: se l’intenzione era vaga, l’output sarà generico; se l’intenzione era distorta — costruita per produrre un risultato desiderato piuttosto che per cercare la risposta più utile — l’output rifletterà quella distorsione; invece, se l’intenzione era chiara, onesta e ben contestualizzata, l’output avrà le condizioni per essere efficace e utile.

Questo principio — chi orienta è responsabile di dove si arriva — non è nuovo, perché è sostanzialmente il principio di responsabilità che governa ogni atto di leadership. Ad esempio, un leader che assegna un obiettivo distorto, che fornisce un contesto manipolato, che fissa criteri di successo disallineati rispetto agli interessi dell’organizzazione, non può poi chiamarsi fuori dai risultati adducendo che “li ha prodotti il team”. L’intenzione con cui si orienta e si guida il lavoro degli altri è una scelta a tutti gli effetti — e come ogni scelta, porta con sé una responsabilità.

Con l’IA, questa responsabilità costituisce un tema più visibile e più urgente da risolvere per almeno due ragioni: la prima è il fattore di scala, in quanto un singolo prompt ben o mal costruito può generare contenuti che raggiungono centinaia di destinatari, supportano decisioni ad alto impatto, o vengono incorporati in processi organizzativi senza ulteriore verifica; la seconda è la velocità, visto che il ciclo prompt-output-azione può essere così rapido da comprimere il tempo disponibile per la riflessione critica sull’intenzione che lo ha avviato.

Assumersi la responsabilità dell’intenzione significa, in pratica, tre cose:

Prima di formulare un prompt, chiedersi: sto cercando la risposta più utile, o sto cercando conferma di quello che già penso?

Dopo aver ricevuto un output, chiedersi: questo risultato è genuinamente buono, o lo accetto perché mi fa comodo?

Prima di utilizzare un output in un contesto organizzativo, chiedersi: posso sottoscrivere questo risultato?

Questa ultima domanda — posso sottoscrivere questo risultato? — è la stessa che ogni professionista dovrebbe porsi di fronte a qualsiasi lavoro che porta la propria firma, indipendentemente da chi o cosa lo ha prodotto materialmente. È un criterio semplice, ma per niente banale, e applicarlo sistematicamente all’uso dell’IA generativa è uno dei modi più concreti per trasformare l’uso dello strumento da una pratica automatica a una pratica consapevole — che corrispondono, esattamente, alla differenza tra eseguire e guidare.

Prompt e leadership come specchio e palestra

I sistemi di intelligenza artificiale generativa, usati con consapevolezza, rivelano qualcosa che va anche ben oltre la loro stretta utilità pratica, in quanto possono funzionano come uno specchio cognitivo: infatti, quando si formula un prompt, si esplicita anche il proprio modo di pensare — come si definiscono gli obiettivi, come si gestisce l’ambiguità, come si reagisce a un risultato inaspettato, come si riformula quando qualcosa non funziona.

Di conseguenza, il sistema restituisce un risultato che è il riflesso diretto della qualità dell’intenzione che lo ha generato, e chi sa “leggere” questo riflesso ha accesso a informazioni su se stesso che difficilmente emergerebbero in altro modo: il modo in cui si interagisce con un sistema di intelligenza artificiale racconta molto di come si pensa, di come si comunica, di come si gestisce l’incertezza, e comunicare con regolarità, con attenzione, con la volontà di imparare da ogni iterazione, costituisce anche un esercizio di autoconoscenza che ha pochi equivalenti nella pratica quotidiana del lavoro.

Questa funzione di specchio permette di mettere a fuoco pattern che a volte rimangono sullo sfondo perché non c’è mai il tempo o lo spazio per fermarsi a osservarli: infatti, si tratta di uno spazio in cui esternalizzare il ragionamento, dove vederlo scritto, valutarlo con una certa distanza e, a volte, riconoscervi qualcosa che non si era ancora riusciti a mettere a fuoco. L’interazione con questi sistemi apre spesso a punti di vista e approcci che non si conoscevano — formule, metodologie, angolature diverse su un problema — e questo ha un valore formativo reale e concreto, che va ben oltre il semplice completamento di un task e che si accumula nel tempo in modo quasi impercettibile, ma significativo.

Il meccanismo sottostante è lo stesso: il sistema non pensa al posto nostro, ma ci costringe a pensare in modo più esplicito, più strutturato, più consapevole — e questa costrizione, nel tempo, diventa un’abitudine mentale preziosa.

Ma la dimensione forse più interessante, per chi si occupa di formazione manageriale, è un’altra ancora: i sistemi di intelligenza artificiale offrono uno spazio in cui esercitare competenze di leadership ad alto impatto con un costo di errore bassissimo, e questa combinazione è rara quanto preziosa. Nella realtà organizzativa, sbagliare una delega, formulare un obiettivo in modo vago, gestire male un momento di incertezza o non saper leggere i segnali in tempo ha infatti conseguenze concrete e spesso difficili da invertire — sulle persone, sulla fiducia, sui risultati, sui tempi.

Con un sistema di intelligenza artificiale, lo stesso tipo di errore non produce conseguenze reali di nessun genere: si può riscrivere il prompt, cambiare approccio completamente, ricominciare da capo senza che nessuno ne paghi il costo e senza che la relazione con nessuno ne risenta. Questo trasforma l’interazione quotidiana con questi strumenti in qualcosa che assomiglia molto a una palestra — un luogo in cui ci si allena, si sbaglia liberamente, si corregge, si sperimenta, in un ciclo continuo che nel tempo produce una competenza reale e trasferibile al contesto organizzativo. Questa palestra è accessibile ogni giorno, in qualsiasi momento, senza bisogno di organizzare sessioni di formazione, senza costi aggiuntivi, senza dover aspettare che si presenti la situazione giusta per imparare qualcosa di nuovo.

Le competenze che questa palestra allena non sono quindi solo tecniche: infatti, non si tratta solo di imparare a usare uno strumento, ma anche di allenare un modo di pensare, incluse le capacità di definire obiettivi chiari, di dare contesto in modo efficace, di lavorare con l’incertezza senza blocarsi, di iterare con metodo senza perdere la direzione — a cui si aggiungono alcune competenze che nell’era dell’intelligenza artificiale diventano sempre più centrali per chi guida team e organizzazioni.

Il framing, ovvero la capacità di impostare un problema nel modo giusto prima ancora di cercare una soluzione, è forse una competenza fra la più sottovalutate: un problema mal posto produce soluzioni inutili indipendentemente dalla qualità degli strumenti usati per trovarne una. Il systems thinking, cioè la capacità di vedere le connessioni tra le parti invece di ragionare per compartimenti stagni, diventa essenziale perché i sistemi di intelligenza artificiale lavorano su contesti e relazioni, e chi non sa pensare in modo sistemico non riesce a fornire loro il tipo di input di cui hanno bisogno per essere davvero utili.

Il discernimento, invece, è la capacità di valutare un output — umano o artificiale — con spirito critico, di farlo proprio solo quando lo si può davvero giustificare, di riconoscere quando qualcosa non torna anche se è formulato in modo convincente. E infine la comunicazione intenzionale, che va intesa come la capacità di trasmettere non solo un contenuto ma un contesto, una direzione, un senso: comunicare in modo intenzionale significa assumersi la responsabilità di essere capiti, non solo di aver realizzato un atto comunicativo. Tutte queste sono competenze che i manager hanno sempre avuto bisogno di sviluppare, ma che l’interazione quotidiana con i sistemi di intelligenza artificiale rende improvvisamente esplicite, misurabili e allenabili in modo sistematico.

Dalla pratica del prompting alla AI leadership

La cosa più difficile nell’uso dei sistemi di intelligenza artificiale generativa non è tecnica, ma imparare a esplicitare il proprio modo di pensare: è una difficoltà che emerge con sorpresa, perché siamo abituati a dare per scontato di avere idee chiare — fino al momento in cui ci troviamo a dover mettere per iscritto un’intenzione in modo sufficientemente preciso da guidare un sistema che non può interpretare, intuire o leggere tra le righe.

La radice del problema è semplice quanto scomoda: a volte non sappiamo cosa vogliamo davvero, e non riusciamo a esprimerlo a parole. Quando il risultato non corrisponde alle aspettative, la reazione più comune è attribuire la colpa allo strumento — è l’IA che non capisce, che non funziona, che delude. Ma il problema è quasi sempre a monte: se l’intenzione non è chiara in noi, non possiamo trasmetterla in modo efficace a nessuno, umano o artificiale che sia. I sistemi di intelligenza artificiale non leggono nella mente e non suppliscono all’assenza di direzione — restituiscono esattamente quello che ricevono: questo vale in modo identico per la leadership, per cui un team che riceve istruzioni vaghe non produce risultati sbagliati perché non è capace, ma perché non aveva abbastanza informazioni per andare nella direzione giusta.

Quando invece si riesce a essere davvero chiari — quando l’obiettivo è definito, il contesto è fornito, l’intenzione è esplicitata — tutto cambia: il risultato è più immediato, più utile, più aderente a quello che si cercava. E insieme al risultato arriva qualcosa di più: una comprensione più profonda dello strumento, ma soprattutto una comprensione più nitida di se stessi e del problema che si stava affrontando. È questo il valore formativo più autentico del prompting — non la padronanza tecnica, ma la chiarezza che costringe a costruire prima di chiedere.

Formazione manageriale e laboratorio di prompting

Il prompting può anche essere visto come un vero e proprio laboratorio, che rende esplicita l’intenzione, impone di dare un contesto, misura il risultato: competenze che nella formazione manageriale si insegnano in astratto, qui diventano pratiche. Nella formazione manageriale tradizionale, alcune competenze fondamentali vengono insegnate attraverso framework, modelli, casi di studio, roleplay: ad esempio, si impara a definire obiettivi SMART, a costruire brief efficaci, a delegare con chiarezza, a valutare i risultati rispetto alle aspettative.

Tutti questi sono strumenti validi, ma hanno un limite strutturale difficile da aggirare: rimangono in larga misura astratti, perché il contesto in cui vengono applicati — l’interazione reale con persone reali in situazioni reali — porta con sé complessità, emotività e variabili che nessun esercizio d’aula riesce a replicare davvero, per cui il trasferimento dall’apprendimento alla pratica è lungo, spesso discontinuo, e dipende in modo cruciale dalla presenza di un contesto organizzativo favorevole.

Il prompting, inteso come pratica, risolve questo problema in modo “abbreviato”: rende concrete e immediatamente misurabili le stesse competenze che la formazione tradizionale insegna in astratto. Quando si costruisce un prompt, si è costretti a fare esattamente ciò che nessun framework riesce a imporre davvero, ovvero esplicitare l’intenzione prima di agire, invece di lasciarla implicita e sperare che venga capita.

Ogni prompt è, in questo senso, un laboratorio a ciclo rapido: si formula un’intenzione, si osserva l’output, si valuta lo scarto tra quello che si voleva e quello che si è ottenuto, si riformula; il ciclo è breve — pochi minuti —, il costo dell’errore è nullo, e il feedback è immediato e inequivocabile. Questo crea una condizione di apprendimento che la formazione manageriale classica fatica a replicare: la possibilità di sbagliare spesso, in modo sicuro, in contesti ad alta fedeltà.

Infatti, chi si allena a costruire prompt efficaci sviluppa, sessione dopo sessione, una competenza reale nella formulazione degli obiettivi — non tanto perché ha studiato la teoria degli obiettivi SMART, ma perché ha sperimentato direttamente, decine di volte, la differenza tra un obiettivo che guida in modo efficace e uno che non riesce a farlo, così come ha visto con i propri occhi cosa succede quando manca il contesto, quando lo standard di qualità non è esplicitato, quando si prescrive un processo invece di orientare verso un obiettivo. Tutti questi non risultano concetti appresi in modo astratto, ma costituiscono delle esperienze sedimentate, e la differenza è sostanziale.

C’è una dimensione ulteriore che merita attenzione: il prompting misura il risultato in modo diretto e non negoziabile. Nella leadership, la valutazione dell’efficacia di una comunicazione è infatti spesso mediata — ci sono interpretazioni, cortesie professionali, ritardi nel feedback, dinamiche relazionali che attutiscono il segnale, mentre, con un sistema di IA generativa, niente di tutto questo esiste: l’output è il risultato diretto dell’input, senza filtri.

Se il prompt è stato vago, l’output risulterà generico; se il contesto è mancato, l’output sarà fuori strada; se lo standard di qualità non è stato esplicitato, l’output sarà formalmente corretto ma inutile ai fini pratici. Questa brutalità del feedback è, paradossalmente, uno dei valori formativi più alti del prompting: crea un ambiente in cui non è possibile ingannare sé stessi sulla qualità della propria comunicazione.

Orchestrazione, automazione e aumentazione

Fino a questo punto, abbiamo parlato di prompting come pratica individuale — il singolo manager che interagisce con un sistema di intelligenza artificiale, formula un’intenzione, valuta un output, itera. Ma questa è solo una parte del quadro, e probabilmente non la più rilevante per chi guida organizzazioni complesse. La vera sfida, per i leader dell’era dell’intelligenza artificiale, è di ordine sistemico: non gestire una singola interazione con un sistema IA, ma governare ambienti di lavoro in cui l’intelligenza artificiale è un attore stabile, integrato nei processi decisionali, distribuito tra ruoli e funzioni, attivo in parallelo su più dimensioni contemporaneamente.

Questa è la competenza che definiamo orchestrazione — e che rappresenta l’evoluzione naturale, a livello sistemico, di tutto ciò che abbiamo descritto a livello individuale. Un leader che sa dare obiettivi chiari, contestualizzare, iterare e assumersi la responsabilità dell’intenzione in una singola interazione ha le basi necessarie. Ma governare un’organizzazione aumentata dall’IA richiede qualcosa di più: la capacità di coordinare flussi di lavoro in cui agenti umani e sistemi artificiali collaborano in modo fluido, di assegnare a ciascuno il tipo di lavoro per cui è più adatto, di mantenere la coerenza strategica attraverso processi che si svolgono in parallelo su molteplici livelli, e comunque, di assicurare l’accountability.

In concreto, l’orchestrazione come competenza dell’AI leader si declina su tre piani. Il primo è il piano dei flussi di lavoro: un’organizzazione che integra l’IA in modo maturo non usa questi sistemi per compiti isolati, ma li inserisce in processi end-to-end — dalla raccolta e sintesi delle informazioni all’analisi, dalla generazione di opzioni alla redazione di output operativi. Governare questi flussi significa decidere dove l’IA aggiunge valore autentico e dove invece il giudizio umano è insostituibile, e disegnare i processi in modo che i due si integrino senza sovrapposizioni disfunzionali o vuoti di responsabilità.

Il secondo è il piano dei team ibridi: sempre più frequentemente, le organizzazioni lavoreranno con team in cui alcuni ruoli sono svolti da persone, altri sono supportati o amplificati da sistemi IA, e altri ancora sono delegati integralmente a processi automatizzati. Gestire questi team richiede una nuova forma di intelligenza distribuita — la capacità di capire le rispettive forze e limitazioni, di creare le condizioni per cui ciascun elemento del sistema lavori al meglio, e di mantenere una visione unitaria del risultato atteso. Il terzo è il piano decisionale: in un’organizzazione aumentata, molte decisioni vengono preparate, istruite o supportate da sistemi di IA: il leader non decide meno — decide diversamente, con più informazioni, con analisi più rapide, ma con la responsabilità aggiuntiva di valutare criticamente ciò che il sistema propone, di riconoscerne i limiti, di integrare il giudizio umano laddove il contesto lo richiede.

Può a questo punto essere utile richiamare una distinzione che attraversa tutto il ragionamento di questo articolo, e che in questo contesto assume una rilevanza particolare: la distinzione tra automazione (automation) e aumentazione (augmentation). L’automazione esegue un compito “umano” per delega, l’aumentazione amplifica le sue capacità, permettendogli di fare meglio ciò che già sa fare — o di fare cose che non avrebbe potuto fare da solo.

Un AI leader che “orchestra” non automatizza la leadership, ma la esercita a un livello di ampiezza e profondità che prima non era accessibile. La competenza di orchestrazione è, in questo senso, la forma più alta di leadership aumentata: non delega la direzione al sistema, ma usa il sistema per amplificare la propria capacità di dare direzione, di mantenere la coerenza, di governare la complessità senza perdere il contatto con il dettaglio che conta.

Percorsi executive e Learning & Development

A questo punto, la domanda pratica che chi si occupa di formazione e sviluppo manageriale si trova ad affrontare potrebbe essere: come si porta tutto questo dentro un percorso formativo? Come si traduce il prompting — con tutto il suo potenziale di sviluppo delle competenze di leadership — in un’esperienza di apprendimento strutturata, trasferibile, scalabile? La risposta dipende dal contesto e dal target, ma alcune linee di indirizzo valgono trasversalmente. Il principio generale è che il prompting non va solo insegnato come tecnica, ma va anche praticato come laboratorio di sviluppo delle competenze: il focus non è “come si scrive un buon prompt”, ma “cosa emerge di te quando scrivi un prompt, e come puoi usarlo per crescere come leader”.

Per i percorsi executive, il punto di ingresso più efficace è la riflessione sulla propria pratica. I manager senior hanno già un modo consolidato di definire obiettivi, delegare, comunicare — spesso automatizzato al punto da non essere più visibile a se stessi: portarli a interagire con sistemi di IA in contesti vicini alla loro realtà operativa, e poi riflettere insieme su cosa i loro prompt rivelano del loro stile di guida, è un modo potente per rimettere in discussione pattern consolidati senza la resistenza che di solito accompagna i feedback diretti.

Un formato che funziona particolarmente bene è il laboratorio di prompting su casi reali: si porta un problema o una decisione concreta, si lavora in piccoli gruppi per costruire il prompt più efficace, si confrontano i risultati e si discute cosa le differenze tra i prompt dicono sulle diverse visioni del problema. Non è un esercizio tecnico: è un esercizio di leadership collettiva reso visibile.

Per i team Learning & Development, la sfida è di learning design: come si costruisce un percorso formativo che usi il prompting come leva per lo sviluppo delle competenze senza ridurlo a un banale corso sull’uso degli strumenti di IA? Alcune indicazioni operative: primo, integrare il prompting nei percorsi esistenti, non creare percorsi separati — il rischio è che venga percepito come un tema tecnico e gestito come tale; secondo, usare la riflessione sull’iterazione come strumento pedagogico — portare i partecipanti a documentare le proprie sessioni di prompting, a confrontarle con quelle dei colleghi, a identificare pattern e a collegarli alle proprie competenze di leadership; terzo, costruire raccordi espliciti tra la pratica del prompting e il contesto organizzativo — ogni sessione dovrebbe concludersi con una domanda: in quale situazione reale del tuo lavoro hai usato — o avresti potuto usare — le stesse competenze che hai esercitato oggi? — ed è proprio questa connessione, quando diventa pratica quotidiana, che trasforma l’apprendimento in competenza.

Prompt e leadership nelle organizzazioni aumentate

C’è una frase che ricorre spesso, in questi ultimi anni, nelle conversazioni sull’intelligenza artificiale generativa nei contesti organizzativi: “dobbiamo imparare a usare questi strumenti”. È una frase corretta, ma incompleta — e la sua incompletezza è rivelatrice, perché sembra suggerire che il problema sia tecnico, che si tratti di acquisire una competenza strumentale, di imparare una nuova interfaccia come si impara un nuovo software: tuttavia, chi ha percorso davvero questo apprendimento sa che non è così, in quanto il vero apprendimento non riguarda tanto lo strumento, ma quanto chi lo usa.

Guidare l’intelligenza artificiale significa, prima di tutto, imparare a guidare meglio se stessi. Le competenze che rendono un prompt efficace — la chiarezza dell’intenzione, la capacità di contestualizzare, la tolleranza all’incertezza, la disciplina dell’iterazione, la responsabilità dell’output — non sono competenze tecniche: sono competenze umane, cognitive, relazionali. Sono le stesse che la letteratura sulla leadership studia da decenni, che i programmi di sviluppo manageriale cercano di sviluppare, che i coach aiutano i manager a mettere a fuoco. Il fatto che emergano con tanta chiarezza nell’interazione con un sistema artificiale non è una coincidenza, ma è una conseguenza diretta del fatto che questi sistemi funzionano esattamente come funziona la comunicazione umana efficace — richiedono chiarezza, contesto, criterio e responsabilità.

Il prompt, quindi, è un test. Non un test tecnico, ma un test di leadership: chi sa cosa vuole, sa come chiederlo — a un sistema di IA come a un team, a un collaboratore come a un cliente. E chi non lo sa, lo scopre nel momento in cui il sistema restituisce qualcosa di inutile — uno specchio che riflette non la qualità del modello, ma la qualità dell’intenzione che lo ha interrogato.

Questo ha implicazioni concrete per le organizzazioni che prendono sul serio questa prospettiva. La prima è che l’adozione dell’IA non è solo una questione tecnologica o di processo: è una questione di sviluppo delle competenze, e le competenze che servono non sono solo quelle dei data scientist o degli ingegneri del software, ma anche quelle dei manager, dei leader, di chiunque debba orientare e guidare il lavoro di altri in contesti complessi. La seconda è che l’investimento nella formazione sul prompting è, al tempo stesso, un investimento nella formazione sulla leadership — non come effetto collaterale, ma come obiettivo primario, a condizione che la formazione sia progettata con questa consapevolezza.

La terza è che le organizzazioni che riusciranno a fare questo salto non saranno necessariamente quelle con le tecnologie più avanzate, ma quelle con i leader più capaci di esplicitare le proprie intenzioni, di dare contesto al lavoro degli altri, di assumersi la responsabilità dei risultati — con gli strumenti che hanno a disposizione, inclusi quelli artificiali.

Cosa possono fare, concretamente, le organizzazioni? Tre cose principali, nell’ordine: iniziare a guardare al prompting non come a un’abilità tecnica accessoria, ma come a una finestra sulle competenze di leadership dei propri manager — e usarla come tale; integrare la pratica del prompting nei percorsi di sviluppo esistenti, non come modulo aggiuntivo, ma come laboratorio trasversale che rende visibili e allenabili le competenze già al centro di quegli stessi percorsi; e, infine, investire sulla figura dell’AI leader — non uno specialista di tecnologia, ma un manager aumentato, capace di orchestrare risorse umane e artificiali verso obiettivi chiari, con la consapevolezza che la qualità di quella orchestrazione dipende, in ultima analisi, dalla qualità della propria intenzione.

Perché, alla fine, ogni prompt è un atto di leadership. E ogni atto di leadership è, in qualche misura, un prompt.