Il primo output dell'AI non è la risposta: è la bozza da cui iniziare a lavorare

Una persona che segue i miei contenuti mi ha scritto una cosa che sento ripetere spesso. “Ho provato a farmi scrivere una mail importante dall'AI. È uscita una roba piatta, che poteva aver scritto chiunque per chiunque. Alla fine l'ho riscritta a mano. Per il mio lavoro non serve.” Il problema non era il modello. Era il punto in cui si era fermata.

Aveva chiesto una cosa, aveva letto la prima risposta, e da quella prima risposta aveva tirato una conclusione sullo strumento intero. È l'errore più comune che vedo fare a chi usa l'AI per lavoro. Non riguarda la tecnica del prompt. Riguarda un'idea sbagliata di cosa sia il primo output. Non è la risposta. È una bozza. E una bozza si lavora, non si giudica.

Questo articolo fa parte della serie sull'alfabetizzazione AI per chi lavora. I pezzi precedenti hanno guardato le singole competenze una alla volta: come descrivere un problema, come valutare un output, cosa tenere e cosa delegare. Qui metto insieme due di quelle competenze, perché nella pratica non sono due passi separati. Sono un giro che si ripete, ed è dentro quel giro che nasce la differenza tra un risultato inutile e uno che puoi davvero usare.

Perché il primo output è quasi sempre generico

Un modello linguistico riempie i vuoti che gli lasci. Se gli chiedi “scrivimi una mail per un cliente”, l'unico materiale che ha è la media di tutte le mail per tutti i clienti che ha visto passare in addestramento. Il risultato è esattamente quello: una mail media, per un cliente medio. Non è un difetto del modello. È la conseguenza diretta di quanto poco gli hai detto.

Il generico in ingresso produce generico in uscita. Il modello non sa che quel cliente è un fornitore con cui hai un rapporto da anni, che la mail serve a rimandare una consegna senza incrinare la fiducia, che tu di solito scrivi asciutto e vai dritto al punto. Non lo sa perché non gliel'hai scritto. Sul modo di dare questo contesto, e su cosa invece non mettere mai in un prompt, trovi altri due pezzi della serie. Qui il punto è diverso: anche con il contesto migliore, al primo colpo, raramente basta. E va bene così, se sai cosa fare dopo.

Vale la pena fermarsi un secondo su questo, perché è il punto che ribalta tutto. Chi si arrende al primo output lo fa perché ha un modello mentale sbagliato dello strumento. Pensa all'AI come a un motore di ricerca: fai la domanda, ricevi la risposta, se la risposta è brutta lo strumento è brutto. Ma non è un motore di ricerca. È più simile a un collaboratore veloce e bravo che però non ti conosce, non conosce i tuoi clienti e non ha visto il tuo lavoro. A un collaboratore così non daresti un compito una volta sola e via. Gli daresti una prima indicazione, guarderesti la bozza, e gli diresti cosa aggiustare. Con l'AI è identico, solo che il giro dura minuti invece di giorni.

Il giro che quasi nessuno ti ha spiegato: descrivi, valuta, ridescrivi

Il modo di lavorare con l'AI che regge non è “scrivi il prompt perfetto e prendi l'output”. È un giro breve che ripeti due o tre volte: descrivi, leggi con occhio critico, correggi la descrizione. Nel framework di alfabetizzazione AI a cui faccio riferimento (il modello dei quattro D di Rick Dakan e Joseph Feller, sviluppato con Anthropic e disponibile in forma gratuita e aperta) queste due competenze, la descrizione e il discernimento, non sono passi in fila. Sono un anello. Ed è dentro l'anello che nasce la qualità che al primo output non c'era.

Descrivi

Descrivere bene non vuol dire scrivere tanto. Vuol dire dare le tre cose che il modello non può indovinare: chi sei e per chi stai scrivendo, cosa deve ottenere il testo, e un esempio di come suona quando lo fai tu. “Scrivi come me, che di solito apro senza convenevoli e chiudo con una proposta concreta” sposta il risultato più di dieci righe di istruzioni astratte. La cosa che invece non va nel prompt sono i dati che non devono uscire dal tuo controllo: nomi, anagrafiche, numeri sensibili. Quella è una regola a parte, e vale sempre.

Valuta

Qui si gioca la partita, ed è la parte che quasi tutti saltano. Non leggere l'output per vedere se “suona bene”. Leggilo con tre domande in testa: è specifico per il mio caso o potrebbe valere per chiunque? C'è dentro qualcosa che il modello si è inventato, un numero o un fatto che non gli ho dato io? E cosa manca, che io so e lui no? La terza domanda è la più produttiva, perché ti dice esattamente cosa aggiungere al giro dopo.

La seconda domanda, quella sulle cose inventate, è la più importante quando l'output contiene numeri, nomi, citazioni o riferimenti normativi. Un modello può produrre una cifra precisa e sbagliata con la stessa sicurezza con cui ne produce una giusta. Se nella mail è comparso un “come da nostro accordo del 12 marzo” che tu non hai mai scritto nel prompt, quello è materiale che il modello ha riempito da solo, e va tolto o verificato prima che esca dalle tue mani. Questa è la parte in cui la fretta costa di più, ed è anche quella in cui una persona che conosce il proprio lavoro batte facilmente il modello: tu sai cosa è vero, lui sta stimando cosa è plausibile.

Ridescrivi

A questo punto la mossa giusta non è ricominciare da capo con un prompt nuovo. È restituire al modello lo scarto che hai trovato. “Va bene il tono, ma la parte sulle tempistiche è vaga: la consegna slitta di due settimane per un problema del corriere, non nostro”. Stai correggendo la descrizione, non rilanciando i dadi. La correzione è la vera competenza. Chi sa correggere in modo mirato ottiene in tre giri quello che un altro non ottiene in dieci prompt scritti male uno dietro l'altro.

Un esempio concreto, in tre giri

Prendiamo la mail al fornitore di prima. Un caso banale, quotidiano, dove si vede bene come il giro accumula precisione.

1) Primo giro. Chiedo “scrivi una mail al fornitore per dire che la consegna slitta”. Esce una mail corretta e completamente anonima, piena di “ci scusiamo per il disagio” e “restiamo a disposizione”. Poteva scriverla qualsiasi ufficio del mondo. La leggo e mi chiedo: cosa manca? Manca il perché, manca il rapporto che ho con questa persona, manca il mio modo di scrivere.

2) Secondo giro. Aggiungo il contesto che solo io ho: “Lo slittamento è di due settimane, la causa è un fermo del corriere non nostro, con questo fornitore lavoro da anni e ci diamo del tu, il mio stile è diretto e senza formule”. Esce una mail molto più mia, ma ancora chiude con una frase di cortesia che io non userei mai. La valuto: tono giusto all'80%, la chiusura stona.

3) Terzo giro. Correggo solo lo scarto: “Togli la chiusura di cortesia, finisci proponendo una nuova data e chiedendo se gli va bene”. Esce la mail che avrei scritto io, in meno tempo di quanto ci avrei messo a partire dal foglio bianco. Tre giri, non un colpo di fortuna. E a ogni giro ho aggiunto una cosa che sapevo solo io, che il modello non poteva avere.

L'errore opposto: rilanciare invece di correggere

C'è un modo tipico di sbagliare il giro, e non è fermarsi troppo presto. È l'opposto: continuare a chiedere. La persona non è contenta dell'output, così riscrive il prompt da zero, poi lo riscrive di nuovo, poi apre un'altra chat e riparte. Dopo dieci tentativi ha dieci output diversi e nessuno buono, e la sensazione che l'AI sia inaffidabile. Il punto è che ogni volta è ripartito da capo, buttando via il contesto che aveva costruito il giro prima.

Rilanciare non è correggere. Correggere vuol dire tenere quello che funziona e intervenire solo sul pezzo sbagliato, dicendo al modello cosa cambiare e perché. Più prompt non fanno più qualità. Un prompt in meno, ma mirato sullo scarto giusto, sposta molto di più. È la stessa differenza che passa tra rifare una foto dieci volte a caso e correggere l'esposizione di quella che era già quasi giusta.

Quando fermarsi, e quando l'output non migliorerà mai

Il giro ha anche un'altra funzione, meno ovvia. Ti dice quando smettere. Se dopo due o tre correzioni mirate l'output continua a essere sbagliato nello stesso punto, il problema non è come descrivi. È che quel pezzo di lavoro richiede qualcosa che il modello non può avere: un giudizio che dipende da informazioni tue, da una responsabilità che resta tua, da una sfumatura di relazione che non si scrive in un prompt.

A quel punto la risposta corretta non è insistere. È riprendere in mano quella parte e farla tu. Riconoscere questo confine è a sua volta una competenza: è la stessa che separa delegare un compito dal delegare una decisione. Il loop descrivi-valuta non serve solo a ottenere output migliori. Serve anche a capire, in fretta, dove l'AI smette di essere utile e ricomincia il tuo lavoro.

Perché questo è alfabetizzazione, non una scorciatoia

Si potrebbe archiviare tutto come “tecnica per usare meglio i chatbot”. Sarebbe un errore, e anche un errore che costa. Il giro descrivi-valuta non dipende dal tool: funziona uguale su un assistente testuale, su un modello che genera immagini, su un agente che esegue azioni. Cambia lo strumento, resta la competenza. È esattamente questo che intende la legge quando parla di alfabetizzazione: non saper usare un prodotto specifico, ma saper lavorare con l'AI in modo consapevole, qualunque forma prenda. Sulle tre modalità in cui questa cosa si presenta ho scritto un pezzo dedicato.

L'obbligo esiste, ed è in vigore. L'Art. 4 dell'AI Act chiede dal 2 febbraio 2025 a chi usa l'AI professionalmente di garantire un livello adeguato di competenza, a sé stesso e a chi lavora per suo conto. Dal 2 agosto 2026 scatta la piena applicabilità del regolamento e gli obblighi di trasparenza dell'Art. 50. Attenzione a non confondere le date: gli obblighi più pesanti sui sistemi ad alto rischio dell'Allegato III sono stati rinviati al 2 dicembre 2027, non partono ad agosto. Ma l'alfabetizzazione, quella, è già adesso. E il loop di cui parlo qui è uno dei modi più concreti per averla davvero, non solo sulla carta. Quando l'AI entra in un team, questa competenza smette di essere un fatto personale.

C'è anche una ragione più semplice, che viene prima della legge. Nel giro descrivi-valuta chi decide resti tu. Il modello propone, tu valuti, tu correggi, tu ti prendi la responsabilità di ciò che esce. Chi salta la fase di valutazione, e spedisce il primo output così com'è, non sta risparmiando tempo: sta firmando qualcosa che non ha letto davvero. La competenza vera non è far scrivere le cose all'AI. È restare la persona che risponde di quelle cose, con l'AI che lavora per te e non al posto tuo.

Da dove partire

Non serve un corso, e non serve diventare tecnici. Serve cambiare una sola abitudine: smettere di leggere il primo output come un verdetto sullo strumento, e iniziare a leggerlo come una bozza da lavorare. È un cambio piccolo e ha un effetto grande, perché sposta il controllo dalla fortuna del prompt al tuo giudizio, che è la cosa in cui sei già bravo nel tuo mestiere. Cinque mosse pratiche, da domani.

1) Al primo output, non giudicare: chiediti cosa manca che sai solo tu.

2) Aggiungi una cosa per giro, non dieci. Così capisci quale correzione ha spostato cosa.

3) Correggi lo scarto, non ricominciare da capo. Restituisci al modello il pezzo sbagliato, descritto bene.

4) Datti un limite: se dopo tre giri l'errore resta lo stesso, è roba da fare a mano.

5) Fai lo stesso giro su ogni strumento nuovo. La competenza si trasferisce, il tool no.

Se vuoi un punto di partenza per capire dove sei messo, e cosa ti chiede la legge in base a come usi l'AI, ho preparato un self-check gratuito sull'AI Act. Sono poche domande, e alla fine hai un quadro chiaro di cosa presidiare. Nessun obbligo, nessun prodotto da comprare: serve a orientarti, come questo articolo.

Il primo output non è mai la risposta. È il punto da cui inizia il lavoro vero, quello in cui metti dentro ciò che sai tu. L'alfabetizzazione AI, ridotta all'osso, è proprio la capacità di riconoscere quel punto e non fermarsi un attimo prima. Chi lo capisce smette di chiedersi se l'AI sia utile o no, e comincia a chiedersi la domanda giusta: cosa manca a questo output perché diventi mio. È una domanda a cui, nel tuo lavoro, sai già rispondere.