Sblocca la potenza dell'IA con il Prompting a Catena di Pensiero

Lisa Ernst · 27.01.2026 · Intelligenza Artificiale · 9 min

Succede una cosa divertente quando aggiungi una breve frase a un prompt dell'IA.Not a new model. Not a fine-tune. Not a plugin. Just a tiny nudge: Pensiamo passo dopo passo.

All'improvviso, un modello linguistico di grandi dimensioni che era fiducioso ma sbagliato diventa… sorprendentemente affidabile.This is the essence of Prompting a Catena di Pensiero (CoT): una tecnica che incoraggia gli LLM a scomporre un problema in passaggi intermedi invece di saltare direttamente alla risposta finale.L'effetto è stato reso popolare dai ricercatori di Google nel 2022, che hanno dimostrato che le "tracce di ragionamento" possono sbloccare una capacità emergente nei modelli sufficientemente grandi. Se desideri la referenza canonica, inizia con il documentoPrompting a Catena di Pensiero Elicita il Ragionamento nei Modelli Linguistici di Grandi Dimensioni e il post di ricerca complementare di GoogleI Modelli Linguistici Eseguono il Ragionamento tramite Catena di Pensiero.

Fonte: Illustrazione personale

Breve riepilogo (la versione "leggilo in 30 secondi")

• Cos'è: Il CoT prompting chiede al modello di affrontare passaggi intermedi prima di dare una risposta.
• Dove eccelle: Problemi di parole in matematica, logica, pianificazione a più passaggi e attività con dipendenze nascoste.
• Trucco a colpo sicuro: Aggiungere “Pensiamo passo dopo passo” può aumentare notevolmente i risultati senza esempi(Kojima et al., 2022).
• Potenza a pochi colpi: Mostrare 3–10 esempi risolti (con motivazioni) può migliorare ulteriormente le prestazioni(Wei et al., 2022).
• Grande avvertenza: Una spiegazione apparentemente basata sul ragionamento può comunque essere sbagliata. Considera il CoT come uno strumento, non come una macchina della verità.

Nota a margine: Il CoT è meglio visto come un "impalcatura di pensiero strutturato" per un modello, non come una finestra nel suo effettivo calcolo interno.

Scomporre la Complessità: Cosa Fa Realmente il CoT

Il prompting classico spesso produce risposte che sono veloci, fluenti e a volte fragili.Il CoT cambia il comportamento predefinito: spinge il modello a generare passaggi intermedi che collegano la domanda alla risposta.

Il documento originale sul CoT ha dimostrato notevoli guadagni in aritmetica, buon senso e ragionamento simbolico, tra cui un risultato di rilievo: unmodello da 540 miliardi di parametri ha raggiunto un'accuratezza all'avanguardia su GSM8K utilizzando solo otto esempi CoT nel prompt(Wei et al., 2022). Questo è importante perché dimostra quanto si può arrivare con il prompting da solo, senza modificare i pesi del modello.

Fonte: Immagine illustrativa

Il CoT è stato formalizzato nel 2022 ed è rapidamente diventato una pietra miliare della ricerca sul prompt engineering.

CoT in una frase

Invece di “Rispondi a questa domanda”, dici “Ragiona per arrivarci”.

Cosa il CoT non è

• Non una garanzia di correttezza. I modelli possono produrre ragionamenti convincenti che sono comunque sbagliati.
• Non i “veri pensieri” del modello. Il testo è un artefatto di output: potrebbe essere una razionalizzazione a posteriori.
• Non sempre utile. Per la scrittura creativa, domande e risposte semplici o attività di recupero, il CoT può aggiungere rumore e costi.

CoT a colpo sicuro: il più piccolo cambiamento nel prompt con il massimo rendimento

Nel 2022, Kojima e i suoi colleghi hanno dimostrato che gli LLM possono diventare “ragionatori a colpo sicuro decenti” aggiungendo un semplice segnale comeI Modelli Linguistici di Grandi Dimensioni sono Ragionatori a Colpo Sicuro(Large Language Models are Zero-Shot Reasoners). Su MultiArith, l'accuratezza è passata dal 17,7% al 78,7% – con lo stesso modello e senza esempi, solo quella istruzione.

You are a careful problem solver.

Question: A juggler can juggle 16 balls. Half are golf balls, and half of those are blue. How many blue golf balls are there?

Let’s think step by step, then give the final answer.

Fonte: Immagine illustrativa

Il CoT a colpo sicuro può migliorare notevolmente il ragionamento a più passaggi senza fornire esempi.

Quando il CoT a colpo sicuro è un ottimo valore predefinito

• Problemi di parole in matematica e conversioni di unità
• Puzzle di logica con vincoli multipli
• Attività di pianificazione (“crea una checklist”, “progetta un flusso di lavoro”, “scomponilo in passaggi”)
• Debug e analisi delle cause principali

Quando è solitamente eccessivo

• Ricerca di fatti semplici (usa il recupero/RAG invece)
• Rielaborazione stilistica
• Compiti creativi brevi in cui la “processo” diventa prolissità

CoT a pochi colpi: insegnare uno stile di ragionamento con esempi

Il CoT a pochi colpi è la versione “mostra, non dire”: fornisci una manciata di coppie di esempi Q→ragionamento→A.Il modello non impara solo il formato della risposta, ma impara un modello di scomposizione. Questo è l'approccio enfatizzato nel documento originale sul CoT(Wei et al., 2022).

Un mini-modello pratico (copia/incolla)

Example 1
Q: If a store discount is 20% on $50, what is the final price?
Reasoning: 20% of 50 is 10. Subtract 10 from 50.
A: $40

Example 2
Q: A recipe needs 300g flour for 12 cookies. How much for 30 cookies?
Reasoning: 30 is 2.5 times 12. Multiply 300g by 2.5.
A: 750g

Now solve:
Q: [YOUR QUESTION]
Reasoning:
A:

Il trucco non è quello di inondare il prompt di esempi, ma di sceglierne che corrispondano alla “forma” del tuo compito reale: gli stessi tipi di vincoli, lo stesso stile di passaggi intermedi, la stessa difficoltà.

Varianti CoT che contano davvero

Il CoT si è trasformato in una famiglia di tecniche. Ecco quelle che vale la pena conoscere: non come parole d'ordine, ma come leve pratiche:

• Coerenza — campionare percorsi di ragionamento multipli e scegliere la risposta finale più coerente. Spesso migliora l'affidabilità sui benchmark di ragionamento(Wang et al., 2022).
• Da poco a molto — scomporre un problema difficile in sottoproblemi più semplici, risolverli in sequenza, riutilizzare le risposte precedenti. Ottimo per la generalizzazione “facile-difficile”(Zhou et al., 2022).
• Auto-CoT — generare automaticamente dimostrazioni CoT invece di scriverle a mano. Utile quando si desidera scalare, ma è necessario prestare attenzione alle catene rumorose(Zhang et al., 2022).
• Albero dei Pensieri (ToT) — esplorare più rami di ragionamento, valutare e tornare indietro. Utile per attività di ricerca (puzzle, pianificazione, vincoli creativi)(Yao et al., 2023).
• ReAct — alternare ragionamento con l'uso di strumenti (“agisci”), riducendo le allucinazioni controllando le informazioni esterne. Particolarmente rilevante per sistemi agentici(Yao et al., 2022, Google Research blog).
• Catena di Bozze (CoD) — obiettivo simile al CoT, ma forza note intermedie estremamente concise per ridurre i costi di token/latenza(Xu et al., 2025).

Fonte: Immagine illustrativa

Molti metodi di prompting “di ragionamento” si basano sulla stessa idea: i passaggi intermedi strutturati migliorano i risultati, ma solo se si convalida i risultati.

Il Prompt Cookbook: 3 Prompt CoT che utilizzo effettivamente

Ecco tre schemi di prompt che superano costantemente i prompt “rispondi semplicemente” senza trasformarsi in muri di testo.Considerali come ricette, non come modelli rigidi.

1) “Ragiona quindi rispondi” (risoluzione di problemi generali)

You are a precise assistant.

Task: Solve the problem carefully.
- Work through the steps.
- Then give a short final answer.

Problem:
[PASTE PROBLEM HERE]

2) “Scomponi prima” (pianificazione + flussi di lavoro)

You are an operations-minded planner.

Goal: [YOUR GOAL]

Step 1: List the subproblems / unknowns (bullet points).
Step 2: Solve each subproblem in order.
Step 3: Produce a final checklist (max 12 items) with clear ownership and success criteria.

3) “Debugga come un ingegnere” (codice + causa principale)

You are a senior engineer.

Input:
- Error message:
[PASTE ERROR]
- Context:
[WHAT YOU CHANGED / WHAT YOU EXPECTED]
- Code snippet:
[PASTE CODE]

Process:
1) Identify 3 likely root causes (ranked).
2) For each cause, list a quick verification step.
3) Provide the most likely fix with a minimal patch suggestion.

Nota cosa manca: non sto supplicando per “spiegazioni”. Sto forzando la struttura.Questa è la differenza fondamentale tra il CoT come trucco e il CoT come strumento di ingegneria.

Vantaggi e insidie reali

Il CoT può essere genuinamente trasformativo, ma crea anche una trappola: può sembrare più affidabile di quanto non sia in realtà.Una storia passo dopo passo fluida può mascherare un'errata supposizione all'inizio.

Una semplice pratica di sicurezza

Se si lavora con dati sensibili, non chiedere al modello di “mostrare ogni passaggio”.Chiedi invece di dare una breve motivazione e mantieni l'output al minimo: “Fornisci la risposta e una breve giustificazione (2–4 frasi)”.

Oltre al CoT: quando è necessario qualcosa di più di una catena lineare

Il CoT è lineare: passaggio 1 → passaggio 2 → passaggio 3. Ma alcuni problemi non lo sono.Sono problemi di ricerca: si esplora, si torna indietro, si testa, si sceglie. È qui che approcci come Tree of Thoughts e ReAct si guadagnano la loro reputazione.

• Se il compito sembra “esplorare più opzioni e scegliere la migliore”, consideraTree of Thoughts.
• Se il compito richiede una verifica esterna (web, database, strumenti), consideraReAct.
• Se il problema è più difficile dei tuoi esempi, consideraLeast-to-Most.

Conclusione

Il Prompting a Catena di Pensiero è un promemoria del fatto che l'IA moderna non riguarda solo modelli più grandi, ma anche interfacce migliori.Una semplice istruzione può innescare un diverso modo di calcolo e migliorare misurabilmente i risultati. Ma il CoT non è magia: è un'impalcatura. Aiuta i modelli a ragionare e aiuta gli umani a ispezionare e guidare quel ragionamento. I migliori risultati derivano dalla combinazione di CoT con abitudini di convalida: test unitari per il codice, calcolatrici per la matematica e fonti esterne per i fatti.

Se ricordi una cosa: il CoT è più potente quando forzi la struttura e verifichi il risultato.

Domande frequenti