Chain of thought: quando serve e come scrivere i prompt

Il chain of thought prompting è utile quando un compito richiede passaggi intermedi espliciti, ma «ragiona passo dopo passo» non dovrebbe essere l'istruzione predefinita per un modello di ragionamento. La tecnica introdotta nel 2022 usava esempi svolti per guidare il modello verso una risposta; i modelli di ragionamento attuali possono elaborare quei passaggi internamente, senza mostrarli. Nei compiti aziendali, conviene specificare le evidenze e il risultato attesi, poi regolare l'impegno di ragionamento solo quando il compito lo giustifica.

Che cos'è il chain of thought prompting?

Il chain of thought prompting fornisce a un modello linguistico passaggi intermedi da seguire, oppure gli chiede di produrli, invece di limitarsi alla risposta finale. Un modello linguistico di grandi dimensioni, o LLM, genera testo a partire dalle istruzioni e dal contesto ricevuti. Il CoT è un modo per strutturare questa interazione.

Jason Wei e i suoi coautori hanno introdotto la tecnica con questo nome nell'articolo Chain-of-Thought Prompting Elicits Reasoning in Large Language Models, presentato per la prima volta il 28 gennaio 2022. Gli esempi nei prompt abbinavano un problema a una breve spiegazione e alla relativa risposta. Il modello proseguiva poi secondo lo stesso schema per risolvere un nuovo problema. Si trattava di dare istruzioni a un modello già esistente, senza riaddestrarlo per ogni compito. Articolo originale.

Pensiamo a un analista che impara a riconciliare le giacenze di magazzino. Mostrargli solo il saldo finale nasconde il metodo; mostrargli giacenza iniziale, spedizioni, entrate e saldo risultante rende esplicito il calcolo. È questa l'intuizione alla base della tecnica originale.

Con un modello di ragionamento moderno occorre fare una distinzione: i calcoli di lavoro dell'analista e la nota che consegna al responsabile sono due cose separate. Si può lasciare al modello più spazio per lavorare internamente e chiedergli comunque una risposta finale breve.

A cosa serve il chain of thought prompting?

Lo scopo è aiutare a risolvere problemi in cui contano le operazioni intermedie. Se un modello trae beneficio da dimostrazioni esplicite, un esempio svolto può indicargli quali quantità combinare o quale regola applicare.

Per chi lo usa nel lavoro quotidiano, la domanda utile è se il risultato diventa più corretto e più facile da verificare. Una spiegazione più lunga, da sola, non garantisce nessuna delle due cose. Il prompt va considerato una possibile miglioria da valutare sul proprio compito.

Chain of thought: esempi per il lavoro in azienda

Un esempio svolto serve a insegnare un metodo; un requisito sull'output serve a specificare che cosa deve vedere chi verifica il risultato. I due obiettivi possono sovrapporsi, ma sono motivi diversi per chiedere di mostrare i passaggi.

Un esempio di chain of thought prompting: prima e dopo

Ecco un prompt illustrativo per la riconciliazione delle giacenze, adattato al lavoro aziendale e non ripreso dall'articolo scientifico. I calcoli sono riportati a scopo esplicativo: non sono risultati ottenuti testando un modello.

Prima: una dimostrazione con la sola risposta

Domanda di esempio: Parti da 12 unità, ne spedisci 5 e ne ricevi 3. Quante ne rimangono?

Risposta di esempio: 10 unità.

Nuova domanda: Parti da 18 unità, ne spedisci 7 e ne ricevi 4. Quante ne rimangono?

Dopo: la stessa dimostrazione con i passaggi intermedi

Domanda di esempio: Parti da 12 unità, ne spedisci 5 e ne ricevi 3. Quante ne rimangono?

Risposta di esempio: Giacenza residua = giacenza iniziale − spedizioni + entrate = 12 − 5 + 3 = 10 unità.

Nuova domanda: Parti da 18 unità, ne spedisci 7 e ne ricevi 4. Quante ne rimangono?

A cambiare è il metodo mostrato nell'esempio. La risposta corretta alla nuova domanda resta la stessa in entrambi i casi: 15 unità. Il prompt non dimostra che un modello risponderà correttamente; illustra come funziona il CoT few-shot. «Few-shot» significa inserire esempi nel prompt, e una sola dimostrazione è la versione minima di questo schema.

Estrazione di dati: chiedere il campo e la fonte

Per un addetto alla contabilità fornitori che deve estrarre il numero di una fattura, il punto di partenza è un'istruzione diretta:

Restituisci il numero della fattura esattamente come compare nel documento e la riga che lo contiene. Se è assente, restituisci null. Non dedurre il numero da altri identificativi.

Una lunga spiegazione di come il modello ha riconosciuto un'etichetta serve a poco. La riga di origine permette di verificare l'estrazione. Se il compito si estende alla riconciliazione di ordini d'acquisto e fatture discordanti, può invece essere utile aumentare l'impegno di ragionamento.

Decisioni: chiedere quale regola è stata applicata

Per un addetto all'assistenza che esamina una richiesta di rimborso, occorre specificare che cosa deve contenere la risposta:

Applica esclusivamente la politica di rimborso fornita. Restituisci la raccomandazione, la clausola applicabile, i fatti relativi al cliente che la sostengono e gli eventuali dati mancanti che impediscono di decidere. Motiva la risposta in modo conciso.

Questo prompt definisce le evidenze utili senza chiedere una trascrizione del ragionamento interno. Le regole riutilizzabili e le istruzioni sull'output vanno nel system prompt, tenendo ben separati i documenti del singolo caso.

Come funziona il chain of thought zero-shot?

Il CoT zero-shot chiede passaggi di ragionamento intermedi senza fornire un esempio svolto. Takeshi Kojima e i suoi coautori lo hanno studiato in Large Language Models are Zero-Shot Reasoners, presentato per la prima volta il 24 maggio 2022, usando la frase «Ragioniamo passo dopo passo». Articolo sul CoT zero-shot.

Applicato al problema di magazzino, il prompt diventa:

Parti da 18 unità, ne spedisci 7 e ne ricevi 4. Quante ne rimangono? Ragioniamo passo dopo passo.

La frase dà un'istruzione generale, anziché mostrare un metodo preciso. È utile conoscerne il ruolo storico, ma non è un interruttore universale capace di migliorare ogni modello attuale.

Le varianti descrivono meccanismi diversi. Il CoT few-shot fornisce dimostrazioni svolte. Il CoT zero-shot dà un'istruzione senza dimostrazioni. Auto-CoT usa un modello per costruire dimostrazioni a partire da domande diversificate; non è un altro nome per il ragionamento interno di un modello. Articolo su Auto-CoT.

Nel lavoro aziendale, conviene partire da un compito chiaro e analizzare gli errori. Gli esempi si aggiungono quando manca un metodo, un caso limite o un'indicazione del formato di output richiesto.

Che cosa cambia con i modelli di ragionamento?

Con il ragionamento nativo, il compito principale è definire obiettivo, vincoli e risultato da consegnare. Il controllo del ragionamento determina quanto lavoro interno può svolgere il modello. Le istruzioni sulla spiegazione finale determinano invece che cosa riceve l'utente.

Le indicazioni che seguono sono state verificate sulla documentazione online di OpenAI, Anthropic e Google il 18 ottobre 2026. I controlli cambiano a seconda del modello e dell'API: non esiste quindi un'impostazione universale di «budget di ragionamento» da copiare tra fornitori.

OpenAI: prompt diretti per i modelli di ragionamento

Secondo le indicazioni di OpenAI, chiedere un ragionamento passo dopo passo è superfluo con i modelli di ragionamento, perché lo svolgono internamente, e in alcuni casi può peggiorare le prestazioni. Meglio partire da obiettivo, contesto pertinente, vincoli e un formato di output chiaro. Buone pratiche per i modelli di ragionamento.

Questa indicazione non riguarda tutti i modelli OpenAI. La guida al prompting di GPT-4.1 lo descrive come un modello privo di ragionamento nativo e indica che istruzioni esplicite per procedere per passaggi possono essere utili, al costo di più output e maggiore latenza. L'approccio al prompting va scelto in base al modello effettivamente in uso. Guida al prompting di GPT-4.1.

Anthropic: regolare ragionamento e impegno prima di prescrivere ogni passaggio

La guida al prompting di Claude di Anthropic preferisce indicazioni generali sul ragionamento a una sequenza di passaggi scritta a mano. Gli esempi svolti possono comunque insegnare un approccio. Nei modelli che lo consentono, il CoT manuale è una soluzione di ripiego quando il ragionamento è disattivato; alcuni modelli più recenti possono rifiutare di mettere per iscritto il proprio ragionamento interno. Buone pratiche di prompting per Claude.

In pratica, prima si sceglie un livello di impegno adatto al carico di lavoro, poi si aggiungono indicazioni nel prompt se il comportamento del modello richiede ancora aggiustamenti. Una richiesta semplice può ricevere una risposta diretta, e l'impostazione dell'impegno non garantisce la presenza di un blocco di ragionamento visibile. Come orientare il ragionamento.

Google: il ragionamento interno di solito non richiede un piano visibile

La guida al prompting di Gemini di Google spiega che le serie Gemini 2.5 e Gemini 3 generano ragionamento interno: in genere, quindi, non serve chiedere scalette o passaggi di ragionamento dettagliati nell'output. Indica anche che una semplice istruzione a ragionare più a fondo può aiutare nei problemi impegnativi, consumando token di ragionamento aggiuntivi. È un'indicazione legata al compito, non la promessa che aggiungere quella frase migliori ogni risposta. Strategie per scrivere prompt in Gemini.

Per recuperare il valore di un campo, la guida di Google consiglia un livello di ragionamento minimo o basso, dove supportato. L'impegno maggiore va riservato a compiti complessi, come la pianificazione in più fasi. Il ragionamento in Gemini.

Livello di impegno e budget di ragionamento: che differenza c'è?

Un livello di impegno orienta la profondità del lavoro del modello. Un budget di token stabilisce quante risorse assegnare al ragionamento nelle configurazioni che lo supportano. Nessuno dei due specifica quali evidenze debbano comparire nella risposta finale.

Questi sono nomi di campi da individuare nella propria integrazione, non un formato di configurazione condiviso. Prima di modificarli, occorre consultare la documentazione sul ragionamento di OpenAI, la guida al ragionamento di Claude e la documentazione di Gemini Generate Content.

Fatturazione: OpenAI dichiara che i token di ragionamento vengono fatturati come token di output, anche se i token di ragionamento grezzi non sono visibili tramite l'API. Indicazioni del fornitore sulla fatturazione.

I token sono le unità che il modello elabora e genera; la guida su che cosa sono i token nell'AI spiega la distinzione tra testo visibile e consumo di token. Una risposta breve può comunque richiedere molto lavoro interno.

Quando conviene chiedere di mostrare i passaggi?

Conviene chiedere passaggi visibili quando fanno parte del risultato utile da consegnare. Un addetto all'area finanziaria può aver bisogno della formula con i valori inseriti. Chi verifica una pratica di assistenza può aver bisogno della clausola applicata e dei fatti corrispondenti. A un analista aziendale possono servire ipotesi, riferimenti alle fonti e il calcolo su cui si basa una raccomandazione.

La richiesta deve essere concreta:

Restituisci la raccomandazione, i riferimenti alle fonti che la sostengono, le ipotesi principali e una spiegazione concisa. Mostra i calcoli necessari a riprodurre il risultato. Segnala le evidenze mancanti.

Questa è una spiegazione che una persona può valutare. Non richiede ogni pensiero interno, tentativo fallito o stato intermedio non visibile.

I riepiloghi del ragionamento forniti dai produttori sono un altro tipo di output. OpenAI rende disponibili riepiloghi nei casi supportati, anziché i token di ragionamento grezzi; Anthropic descrive il testo di ragionamento di Claude come una sintesi, non come la catena di pensiero integrale. Questi riepiloghi vanno trattati come informazioni utili alla diagnosi, non come un resoconto completo dell'elaborazione. Riepiloghi di OpenAI, output del ragionamento di Claude.

Chi sviluppa deve definire campi che l'applicazione possa validare. Chi usa il sistema deve definire evidenze che un revisore possa controllare. Se una decisione dipende da un saldo aggiornato o dallo stato di un ordine, occorre usare uno strumento per recuperare quel dato. Il function calling collega il modello a queste operazioni esterne; chiedergli di ragionare più a lungo non gli fornisce il dato mancante.

Quando il chain of thought diventa controproducente

I prompt di ragionamento elaborati non servono quando il compito consiste nel recuperare un dato o estrarlo in un formato fisso. Restituire l'ID noto di un account non dovrebbe richiedere un'argomentazione. Il testo aggiuntivo aumenta ciò che l'applicazione deve analizzare e chi verifica deve leggere.

Il limite successivo è la latenza. Esplicitare il ragionamento aggiunge testo all'output, mentre aumentare l'impegno nativo può ritardare la risposta utile. OpenAI documenta questo compromesso tra output e latenza per GPT-4.1, e Google consiglia un ragionamento più leggero per i compiti semplici. La regola pratica è partire da un prompt diretto e aumentare la complessità solo quando le proprie valutazioni lo giustificano. Guida a GPT-4.1, indicazioni sul ragionamento in Gemini.

La mancanza di informazioni è un problema diverso. Se la politica applicabile non è stata fornita, chiedere più ragionamento non è il rimedio giusto. Occorre recuperarla e identificarne la versione. Se l'input è troppo grande, prima di sperimentare con più ragionamento bisogna intervenire su ciò che entra nella finestra di contesto, lo spazio di lavoro a disposizione del modello.

Anche un metodo rigido può essere inadatto al compito. Un esempio di magazzino che gestisce entrate e spedizioni non dice nulla su resi, danni o scorte riservate. Gli esempi devono essere rappresentativi e il modello deve poter segnalare l'assenza di una regola.

Che cosa dimostrano davvero i risultati originali?

Il benchmark originale documenta un risultato storico su un compito definito, non un aumento garantito dell'accuratezza in azienda. L'articolo di Wei e coautori presentato a NeurIPS 2022 riporta un'accuratezza del 17.9% con prompting standard e del 56.9% con chain of thought prompting per PaLM 540B su GSM8K, un benchmark di problemi matematici espressi in linguaggio naturale. L'esperimento usava otto dimostrazioni svolte. I dati provengono dalla Tabella 1 della revisione dell'articolo datata 10 gennaio 2023. Articolo e risultati.

Questi numeri non stimano il miglioramento nell'estrazione di dati dalle fatture, nelle raccomandazioni sui rimborsi o in un modello di ragionamento attuale. Contano il modello, il benchmark e il modo in cui è costruito il prompt. Servono a capire perché la tecnica ha attirato attenzione; poi occorre misurare il compito che si intende mettere in produzione.

Che cosa si sopravvaluta del chain of thought?

Una spiegazione convincente non è una traccia di audit completa. In una ricerca pubblicata il 3 aprile 2025, Anthropic ha individuato casi in cui i modelli usavano suggerimenti ricevuti senza menzionarne l'influenza nelle spiegazioni. Gli esperimenti riguardavano scenari controllati, con modelli e compiti specifici, non una misurazione di tutti i flussi di lavoro aziendali. Mostrano comunque perché una motivazione non vada considerata la prova di come è stata prodotta una risposta. La ricerca di Anthropic sulla fedeltà delle spiegazioni.

Per rendere una decisione verificabile, bisogna conservare i documenti forniti, i dati recuperati, i risultati degli strumenti, le regole applicate e l'output finale. I riferimenti vanno confrontati con le fonti e i calcoli rifatti quando possibile. Una spiegazione scritta dal modello può aiutare a capire la raccomandazione, ma non può sostituire queste registrazioni.

L'altra esagerazione è sostenere che i modelli di ragionamento rendano irrilevante la progettazione dei prompt. Cambiano ciò che occorre specificare. Obiettivo aziendale, perimetro delle evidenze, gestione delle eccezioni e formato dell'output restano responsabilità di chi progetta il flusso.

Che cosa cambiare questa settimana nel proprio flusso di lavoro?

Se ogni richiesta contiene l'istruzione generica «ragiona passo dopo passo», è il momento di intervenire. Chi sviluppa dovrebbe provare a rimuoverla dai compiti di estrazione ordinari e confrontare prompt diretti sugli stessi casi. Chi usa il sistema dovrebbe sostituire le richieste di ragionamento esaustivo con un risultato ben definito da verificare: evidenze, calcoli, ipotesi e una raccomandazione concisa.

Un prompt che funziona va mantenuto mentre si testa quello destinato a sostituirlo. Un modello privo di ragionamento nativo che usa dimostrazioni utili non è automaticamente superato. Il passaggio a un modello di ragionamento è un motivo per rivalutare il flusso esistente, non la prova che vada eliminato.

1. 1

   Scegliere un compito con una risposta verificabile

   Parti da un'attività ricorrente, come l'estrazione di campi dalle fatture o la riconciliazione delle giacenze. Definisci che cosa conta come corretto, in quali casi va segnalata un'informazione mancante e che cosa il software deve poter interpretare.

2. 2

   Confrontare una modifica alla volta

   Mantieni invariati il modello e i casi di input mentre confronti un prompt diretto con uno che contiene un esempio svolto. Poi, su un modello di ragionamento, mantieni invariato il prompt e modifica un livello di impegno supportato. Registra la correttezza delle risposte, il comportamento in assenza di evidenze, il tempo di completamento e il consumo di token.

3. 3

   Tenere solo le modifiche che giustificano la loro complessità

   Per l'aritmetica e i campi esatti, preferisci controlli deterministici. Dove serve giudizio, usa criteri di valutazione e revisione umana; un LLM come giudice può aiutare a estendere la valutazione a più casi, ma anche i suoi voti vanno calibrati. Metti in produzione la versione che soddisfa i requisiti di qualità e tempo di risposta.

Da fare lunedì: prendi un prompt usato in un'attività aziendale ricorrente, specifica le evidenze necessarie a chi lo verifica ed esegui il confronto descritto sopra. Mantieni la configurazione più semplice che supera i controlli.

Domande frequenti sul chain of thought prompting

Che cos'è il chain of thought prompting?

È una tecnica che inserisce passaggi intermedi o dimostrazioni svolte nel prompt di un modello linguistico prima della risposta finale. La tecnica few-shot originale mostra un metodo; il CoT zero-shot chiede passaggi senza fornire esempi.

Qual è un esempio di catena di pensiero?

Nel prompting per l'AI, un esempio è il calcolo svolto delle giacenze: giacenza iniziale meno spedizioni più entrate dà la giacenza finale. Inserire quel calcolo accanto a un esempio risolto mostra come affrontare una domanda simile.

Come si scrive un prompt chain of thought?

«Parti da 18 unità, ne spedisci 7 e ne ricevi 4. Quante ne rimangono? Ragioniamo passo dopo passo.» È un esempio di CoT zero-shot. Con un modello dotato di ragionamento nativo, si può invece chiedere come risultato finale la giacenza residua e un calcolo riproducibile.

Il chain of thought prompting è ancora utile?

Sì, soprattutto per i modelli che traggono beneficio da dimostrazioni esplicite e per i compiti in cui una spiegazione dei passaggi è utile. Con i modelli di ragionamento cambia il punto di partenza: istruzioni chiare e controlli del ragionamento nativo, a cui aggiungere esempi o requisiti di spiegazione quando servono.

Chi ha inventato il chain of thought prompting?

Jason Wei e i suoi coautori hanno introdotto la tecnica con questo nome nell'articolo del 2022 Chain-of-Thought Prompting Elicits Reasoning in Large Language Models. Il lavoro combinava spiegazioni intermedie in linguaggio naturale ed esempi nel prompt, sviluppando ricerche precedenti sulle motivazioni esplicite e sul prompting.

Qual è il vantaggio principale del chain of thought prompting?

Può aiutare un modello adatto ad affrontare un problema attraverso operazioni intermedie, invece di passare direttamente alla risposta. Il miglioramento del flusso di lavoro dipende dal modello e dal compito; una spiegazione più lunga non è di per sé un indicatore di qualità.

Che differenza c'è tra prompt chaining e chain of thought prompting?

Il prompt chaining suddivide un flusso di lavoro in più chiamate al modello, passando il risultato di una alla successiva. Il chain of thought prompting riguarda i passaggi intermedi all'interno di una dimostrazione nel prompt o di una risposta. Un flusso può usare entrambi, ma sono scelte progettuali distinte.

Per ricevere guide pratiche alla creazione di flussi di lavoro utili con l'AI, iscriviti alla newsletter.