Prompt engineering: tecniche ed esempi per SEO e marketing

Cos'è il prompt engineering?

Il prompt engineering è il lavoro di progettare e correggere le istruzioni (il prompt) che si danno a un modello di intelligenza artificiale generativa come ChatGPT, Claude o Gemini, finché la risposta è quella che serve.

Una consegna precisa dà risultati migliori di una vaga, perché il modello non conosce le regole del sito né il modo di lavorare dell'azienda. La guida di Anthropic propone una prova semplice, la sua regola d'oro: far leggere il prompt a un collega che non sa niente del compito e chiedergli di seguirlo. Se il collega resta confuso, lo sarà anche il modello.

Secondo la panoramica di Anthropic, il lavoro sul prompt comincia da criteri di successo scritti (cosa rende buona una meta description, una scheda, una risposta), da un modo per verificarli su casi reali e da una prima versione da migliorare. Senza criteri non si può stabilire quale versione del prompt funziona meglio.

Da quali parti è composto un prompt efficace?

Un prompt efficace per il lavoro su un sito ha sei parti: ruolo, contesto, compito, dati, formato della risposta ed esempi. La guida di OpenAI propone una divisione simile in quattro sezioni (identità, istruzioni, esempi, contesto), e tutte e tre le guide dei produttori consigliano di separare le parti, così il modello non confonde le istruzioni con il materiale da elaborare.

Il contesto funziona meglio quando spiega anche il motivo di un'istruzione, perché il modello generalizza a partire dalla spiegazione. Nell'esempio della documentazione di Anthropic, «non usare mai i puntini di sospensione» è meno efficace della stessa regola accompagnata dalla ragione, cioè che il testo sarà letto da un motore di sintesi vocale. Lo stesso vale per le regole di un sito: «niente superlativi» diventa più chiaro con «la scheda deve convincere un cliente che confronta più negozi».

Ruolo: sei un redattore SEO che scrive per il sito di un negozio
online di articoli per la casa.

Contesto: i testi sono letti da clienti privati che confrontano più
negozi. Il tono è chiaro e concreto, in seconda persona. Niente
superlativi senza un dato che li dimostri: rendono le schede meno
credibili.

Compito: scrivi la descrizione del prodotto che trovi in <dati>.

<dati>
(le caratteristiche del prodotto)
</dati>

Formato: un paragrafo di 60-80 parole, poi un elenco di cinque
caratteristiche al massimo. Nessun titolo.

<esempi>
(due o tre descrizioni già pubblicate e riuscite)
</esempi>

Quali tecniche migliorano le risposte?

Le tecniche di prompt engineering che le guide dei produttori raccomandano oggi sono poche e concrete: dare esempi, separare le istruzioni dai dati, scomporre un lavoro lungo in passaggi, mettere i documenti prima della domanda. Valgono per tutti i modelli principali, con alcune differenze messe a confronto nella sezione successiva.

Esempi nel prompt (few-shot)

Il few-shot prompting consiste nell'inserire nel prompt alcune coppie di richiesta e risposta corretta, così il modello riprende formato, tono e lunghezza. Gli esempi sono uno dei modi più affidabili per guidare formato e tono, secondo la documentazione di Anthropic, che ne indica da tre a cinque, pertinenti, diversi fra loro e racchiusi in tag come <example>. Per un sito gli esempi migliori sono testi propri già pubblicati e approvati: mostrano lo stile voluto senza doverlo descrivere.

Istruzioni separate dai dati

I delimitatori separano le istruzioni dai dati: tag XML come <dati>, titoli Markdown, righe di separazione. Le guide di Anthropic, OpenAI e Google li raccomandano tutte, perché riducono il rischio che il modello scambi il testo da elaborare per una richiesta. Contano di più quando si incolla materiale scritto da altri, come le recensioni dei clienti o la pagina di un altro sito, anche se da soli non bastano a prevenire la prompt injection.

Un compito alla volta (prompt chaining)

Il prompt chaining divide un lavoro lungo in più richieste in sequenza, e la risposta di una diventa l'input della successiva. Lo schema più comune è bozza, revisione rispetto ai criteri, riscrittura, come indica Anthropic; anche Google suggerisce di scomporre le istruzioni complesse in prompt separati e concatenati. Per un articolo vuol dire chiedere prima la scaletta, poi i paragrafi uno alla volta, poi una revisione con la propria lista di controllo: ogni passaggio si legge e si corregge prima di andare avanti.

Documenti lunghi prima della domanda

I documenti lunghi, come un export di Search Console o un catalogo, vanno in cima al prompt, con la domanda in fondo: lo raccomanda la documentazione di Anthropic, secondo cui nei loro test questa disposizione migliora la qualità delle risposte fino al 30%, soprattutto con più documenti insieme. La stessa guida suggerisce di chiedere al modello di riportare prima le righe pertinenti e solo dopo di rispondere, così l'analisi resta legata ai dati.

Ragionamento esplicito: quando serve ancora

Il chain of thought consiste nel chiedere al modello di esplicitare il ragionamento passo passo prima di rispondere. Con i modelli di ragionamento, che ragionano già internamente, la tecnica perde peso: scrivere «pensa passo passo» a questi modelli non serve, secondo la guida di OpenAI sui reasoning model, che invita anche a provare prima senza esempi; Anthropic descrive il ragionamento adattivo, che il modello calibra automaticamente in base al parametro effort impostato e alla complessità della richiesta. Resta utile chiedere i passaggi quando li si deve controllare, per esempio in un conteggio sui dati di Search Console.

Prompt per ChatGPT, Claude e Gemini: cosa cambia?

Le parti di un prompt per ChatGPT sono le stesse di un prompt per Claude o Gemini: le tre guide ufficiali concordano su istruzioni chiare, contesto, delimitatori e un formato di risposta dichiarato. Le differenze stanno nel peso degli esempi, nel modo di trattare i compiti complessi e nei parametri, come riassume la tabella, compilata sulla documentazione dei tre produttori consultata a ottobre 2026.

La ragione della differenza sta nei modelli. La guida di OpenAI paragona un modello di ragionamento a un collega esperto, a cui si dà un obiettivo lasciandogli i dettagli, e un modello GPT a un collega junior, che lavora meglio con istruzioni esplicite. Con il primo si prova prima senza esempi; al secondo si scrivono i passaggi uno per uno.

Esempi di prompt per SEO e marketing

Un prompt riusabile per i lavori ricorrenti di un sito chiede una risposta che si controlla a colpo d'occhio, come una tabella o un JSON, e obbliga il modello a lavorare solo sui dati che riceve. Nei modelli di questa sezione il testo fra parentesi tonde si sostituisce con i dati reali.

Title e meta description di una pagina

Title e meta description si generano bene in serie, a patto di fornire al modello il testo vero della pagina e le regole del sito. Per la meta description Google non fissa un limite di lunghezza e la tronca in base alla larghezza dello schermo, come spiega la sua documentazione: la lunghezza la sceglie chi scrive il prompt, e la indica nel prompt. La stessa guida invita a scrivere una descrizione diversa per ogni pagina e incoraggia la generazione automatica sui siti grandi, purché il risultato sia leggibile e vario.

<pagina>
(il testo della pagina, senza menu e piè di pagina)
</pagina>

Sei un consulente SEO. Il sito vende corsi di fotografia online a
principianti.

Per la pagina in <pagina> scrivi:
1. tre proposte di title, ciascuna entro 60 caratteri, con "corso
   fotografia online" all'inizio;
2. tre proposte di meta description, ciascuna fra 140 e 155 caratteri,
   che dicono cosa trova il lettore nella pagina.

Regole: usa solo informazioni presenti nella pagina; niente prezzi,
niente promesse di risultati, niente punti esclamativi.

Rispondi con una tabella a tre colonne: proposta, numero di caratteri,
frase della pagina che la giustifica.

Il conteggio dei caratteri restituito dal modello va ricontrollato con un contatore prima di pubblicare. La colonna con la frase della pagina serve a chi controlla: una proposta senza frase di riferimento va confrontata con la pagina, perché può descrivere qualcosa che la pagina non riporta.

Schede prodotto di un e-commerce

Le schede prodotto di un e-commerce si prestano al lavoro in serie perché partono da dati strutturati: l'export del catalogo con nome, materiale, misure e varianti. Il modello scrive solo con i dati che riceve, e un'informazione che manca diventa una domanda per chi gestisce il catalogo, non un dettaglio inventato. Una scheda che ripete il nome del prodotto con aggettivi diversi non aggiunge niente al lettore; su larga scala, la guida di Google Search avverte che generare molte pagine senza valore per gli utenti può violare la policy sullo scaled content abuse.

Sei il redattore delle schede prodotto di un negozio online di
arredamento. Scrivi in italiano, in seconda persona singolare, con un
tono concreto.

<catalogo>
(le righe del catalogo: nome, materiale, misure, colori, istruzioni
di cura, codice)
</catalogo>

Per ogni riga di <catalogo> scrivi:
1. un titolo di scheda entro 70 caratteri;
2. una descrizione di 80-120 parole che parte dall'uso del prodotto e
   poi dà le misure;
3. un elenco di caratteristiche, una per riga.

Usa solo i dati della riga. Se manca un'informazione utile al cliente,
per esempio la portata di una mensola, non inventarla: aggiungila
all'elenco dati_mancanti.

Rispondi in JSON, un oggetto per prodotto, con le chiavi codice,
titolo, descrizione, caratteristiche, dati_mancanti.

L'elenco dei dati mancanti, raccolto da tutte le schede, diventa la lista delle domande da fare al fornitore.

FAQ dalle domande dei clienti

Per le FAQ di una pagina, argomenti e parole del lettore si ricavano dalle domande vere dei clienti, raccolte da email, ticket e chat del supporto. Prima di incollarle si tolgono nomi, indirizzi email, telefoni, numeri d'ordine e ogni altro dato che identifica una persona. Il prompt chiede al modello di rispondere solo con quello che la pagina riporta, e di segnalare quando la risposta non c'è: è il segnale che manca un'informazione nella pagina, non nelle FAQ.

<domande>
(le domande dei clienti, senza nomi, email, telefoni e numeri
d'ordine)
</domande>

<pagina>
(il testo della pagina di servizio)
</pagina>

Raggruppa le domande in <domande> per argomento e scegli le sei più
frequenti.
Per ognuna scrivi una risposta di 40-80 parole che:
1. nomina il soggetto della domanda nella prima frase;
2. usa solo informazioni presenti in <pagina>;
3. se <pagina> non contiene la risposta, lo dice invece di rispondere.

Prima delle FAQ elenca, per ogni risposta, le frasi di <pagina> che
hai usato.

Revisione di un testo esistente

Un modello è utile anche come secondo lettore: legge un testo e lo confronta con una lista di criteri scritti, invece di riscriverlo. È il passaggio centrale dello schema bozza, revisione, riscrittura descritto da Anthropic. Al modello si chiedono segnalazioni con la frase esatta e il motivo, non un testo nuovo: le correzioni le decide chi ha scritto il testo, e il tono del sito resta quello dell'azienda.

Sei un revisore editoriale. Controlla il testo in <testo> con i
criteri in <criteri>.

<criteri>
1. Ogni paragrafo apre con la frase che risponde, non con una
   premessa.
2. Nessun dato senza fonte o senza data.
3. Nessuna promessa di risultato: posizionamento, vendite, tempi.
4. Il lettore è "tu", l'azienda è "noi".
5. Nessuna frase oltre le 30 parole.
</criteri>

<testo>
(il testo da controllare)
</testo>

Non riscrivere il testo. Rispondi con una tabella: criterio, frase
esatta, problema, proposta di correzione. Se un criterio è rispettato,
non elencarlo.

Analisi dei dati di Search Console

L'export del report sul rendimento di Search Console contiene clic, impressioni, CTR (clic diviso impressioni) e posizione media per ogni query o pagina, e si scarica dal pulsante Esporta, come descrive la guida di Search Console. Un modello aiuta ad analizzare migliaia di righe e a raggrupparle per argomento, ma i conteggi vanno verificati: conviene chiedere al modello di dichiarare i filtri applicati e controllare due o tre righe sul file originale.

<dati>
(l'export delle query di Search Console: query, clic, impressioni,
CTR, posizione)
</dati>

Sei un analista SEO. Il sito è un blog di ricette con un negozio di
utensili da cucina.

1. Trova le query con posizione media fra 5 e 15 e almeno 100
   impressioni.
2. Raggruppale per argomento e, se la colonna c'è, per pagina di
   destinazione.
3. Per i cinque gruppi con più impressioni proponi un'azione concreta:
   riscrivere il title, aggiungere una sezione, unire due pagine che
   si fanno concorrenza.

Prima della risposta riporta i filtri applicati e quante righe li
rispettano. Non stimare clic futuri.

Come si controlla un testo generato prima di pubblicarlo?

Un testo generato si pubblica solo dopo una verifica umana di fatti, numeri e nomi, perché i modelli possono produrre informazioni plausibili e sbagliate, le cosiddette allucinazioni. La guida di Google Search sui contenuti di AI generativa, aggiornata il 1° ottobre 2026, considera essenziale controllare a mano accuratezza e affidabilità di tutto ciò che si pubblica, compresi title, meta description, dati strutturati e testi alternativi delle immagini.

Google non tratta l'AI generativa come un problema in sé. Secondo la stessa guida è utile per fare ricerca su un argomento e per dare struttura a contenuti originali, mentre generare molte pagine senza valore aggiunto per gli utenti può violare la policy contro lo scaled content abuse, l'abuso di contenuti su larga scala.

La verifica prima della pubblicazione, in pratica:

• ogni numero ha una fonte controllata di persona, con la data;
• nomi di prodotto, prezzi e caratteristiche coincidono con la scheda o con il listino;
• nessuna frase promette risultati che non si possono dimostrare;
• title e meta description descrivono la pagina com'è, non come si vorrebbe che fosse;
• gli alt descrivono cosa si vede nell'immagine.

Quali dati non incollare in uno strumento di AI generativa?

In uno strumento di AI generativa non si incollano dati personali di clienti e dipendenti, credenziali, dati finanziari e documenti riservati, a meno che l'azienda abbia approvato quello strumento per quei dati. Quando l'azienda è titolare del trattamento dei dati dei clienti, il GDPR (articoli 5 e 24 del Regolamento (UE) 2016/679) le impone di rispettarne i principi e di poterlo dimostrare, anche se è un collaboratore a incollarli in un servizio AI consumer. Come regolare l'uso di questi strumenti è una domanda per il consulente privacy o per il DPO dell'azienda.

Per chi gestisce un sito i casi concreti sono gli export di ordini e di iscritti alla newsletter, i ticket con nomi e indirizzi email, i log del server con gli indirizzi IP dei visitatori, le credenziali di accesso al pannello di controllo e al database. Prima di incollare qualcosa servono le risposte alle tre domande della sovranità del dato: dove stanno i dati, quale legge li governa, chi può accedervi. Se le risposte non sono note, il dato si esclude dal prompt oppure si inserisce anonimizzato, con nomi ed email sostituiti da codici.

Una regola scritta in azienda non basta se i collaboratori usano strumenti di AI dal browser senza coinvolgere l'IT. GenAI Protection, il modulo di Acronis Cyber Protect Cloud che Rackone attiva e gestisce, oggi sui computer Windows a 64 bit rileva quali strumenti di AI generativa si usano nei browser aziendali e blocca l'invio di dati personali, credenziali e documenti riservati nei prompt diretti a servizi non autorizzati.

Cosa prevede l'AI Act su testi e immagini generati?

L'AI Act, il Regolamento (UE) 2024/1689, impone all'articolo 50 obblighi di trasparenza sui contenuti generati dall'intelligenza artificiale, applicabili dal 2 agosto 2026 secondo l'articolo 113. Chi usa un sistema di AI sotto la propria autorità, fuori da un'attività personale non professionale, è nel linguaggio del regolamento un deployer, e due obblighi riguardano direttamente chi pubblica contenuti:

• immagini, audio e video «deep fake»: chi genera o manipola un contenuto che assomiglia a persone, oggetti, luoghi, entità o eventi esistenti e che apparirebbe falsamente autentico deve rendere noto che è generato o manipolato artificialmente; per un'opera manifestamente artistica, creativa, satirica o fittizia basta rivelarne l'esistenza senza ostacolare la fruizione dell'opera (articolo 50, paragrafo 4);
• testi su questioni di interesse pubblico: un testo generato o manipolato e pubblicato per informare il pubblico su questioni di interesse pubblico va dichiarato, salvo che sia stato sottoposto a una revisione umana o a un controllo editoriale e che una persona fisica o giuridica ne abbia la responsabilità editoriale (stesso paragrafo).

L'informazione va fornita in modo chiaro e distinguibile, al più tardi alla prima esposizione (paragrafo 5). La marcatura degli output in un formato leggibile dalle macchine non spetta a chi pubblica ma ai fornitori degli strumenti (paragrafo 2). Per i sistemi già sul mercato prima del 2 agosto 2026, il Regolamento (UE) 2026/1744 di luglio 2026 ha concesso ai fornitori tempo fino al 2 dicembre 2026 (articolo 111, paragrafo 4).

Per un e-commerce la domanda pratica riguarda le immagini di prodotto generate o ritoccate con l'AI. L'articolo 3 definisce deep fake un'immagine generata o manipolata dall'IA che assomiglia a persone, oggetti, luoghi, entità o eventi esistenti e che apparirebbe falsamente autentica o veritiera: il testo non specifica se una foto di prodotto ritoccata vi rientri, ed è un punto da chiarire con un consulente. Le indicazioni di questa sezione sono informative e non sostituiscono una consulenza legale.

Da dove partire

Si comincia da un lavoro ricorrente, come le meta description delle pagine nuove o le schede dei prodotti in arrivo, e se ne scrivono i criteri per giudicare il risultato. Poi si costruisce il prompt con le sei parti, lo si prova su alcuni casi veri e si salva la versione che funziona in una libreria condivisa con il team, insieme agli esempi approvati.

Per un sito nuovo o da trasferire, fra i piani di hosting di Rackone quello WordPress include WordPress già installato, PHP 8.x, backup giornaliero e certificato SSL, su server in Italia.

Per Joomla, Drupal e gli altri CMS c'è l'hosting CMS, per un negozio online l'hosting e-commerce.

Confronta i piani di hosting WordPress