Prompt Engineering per Commercialisti: come scrivere istruzioni efficaci per l'Intelligenza Artificiale
La qualità di ciò che un modello di Intelligenza Artificiale produce dipende quasi interamente dalla qualità di ciò che gli viene chiesto. Il prompt — l’istruzione in linguaggio naturale che il professionista fornisce all’AI — è la vera competenza chiave dell’era dell’Intelligenza Artificiale applicata alle professioni.
Non serve saper programmare: serve saper comunicare con precisione, struttura e metodo. Il Prompt Engineering è l’arte e la scienza della progettazione di prompt efficaci per sbloccare le funzionalità dei modelli linguistici e guidarli verso output precisi, pertinenti e professionalmente utilizzabili.
Per un Dottore Commercialista, padroneggiare questa competenza significa trasformare strumenti AI generici in assistenti capaci di classificare transazioni contabili, redigere bozze di relazioni, analizzare contratti, sintetizzare normative e generare circolari per i clienti — in pochi secondi e con un margine di errore controllabile.
In questa sezione raccogliamo guide pratiche, esempi operativi e tecniche avanzate di Prompt Engineering pensate specificamente per Commercialisti, Studi Professionali e consulenti fiscali.
I quattro componenti di un prompt professionale efficace
Un prompt generico produce un output generico. Un prompt professionale strutturato produce un output utilizzabile. La differenza sta nella presenza di quattro componenti fondamentali che ogni Commercialista dovrebbe padroneggiare prima di delegare qualsiasi attività a un modello AI.
Il primo componente è l’Attività (task): l’istruzione chiara e specifica su cosa il modello deve fare. Il verbo iniziale è cruciale — “estrai”, “riassumi”, “classifica”, “calcola”, “redigi”, “analizza” — perché orienta immediatamente il modello verso il tipo di elaborazione richiesta.
Il secondo componente sono le Istruzioni di Sistema: direttive che definiscono il ruolo, il tono e i vincoli invalicabili del modello prima ancora che elabori i dati. Un esempio pratico: “Agisci come un revisore legale. Sei estremamente preciso e ti basi esclusivamente sul testo fornito. Se un’informazione non è presente nel documento, scrivi ‘DATO NON PRESENTE’.” Questa istruzione impedisce al modello di inventare informazioni — il rischio principale di allucinazione.
Il terzo componente sono le Informazioni Contestuali (context): i dati reali su cui il modello deve lavorare. Possono essere il testo di una circolare dell’Agenzia delle Entrate, una tabella di transazioni bancarie, il testo anonimizzato di uno statuto societario, o un insieme di KPI finanziari in formato strutturato. Senza contesto, il modello lavora nel vuoto e produce risposte generiche.
Il quarto componente — il più potente — sono gli Esempi Few-Shot: uno o più esempi di input e del relativo output desiderato, inclusi direttamente nel prompt. Fornendo al modello questi esempi, lo si “addestra” in tempo reale sul formato, la lunghezza e la logica esatta richiesta dal professionista, senza necessità di alcuna competenza tecnica.
La tecnica Few-Shot: il metodo più potente per standardizzare gli output
La tecnica del few-shot prompting è la più efficace per attività ripetitive che richiedono output in un formato preciso e coerente — esattamente il tipo di attività che occupa buona parte del tempo di uno studio professionale.
Il principio è semplice: invece di descrivere astrattamente ciò che si vuole, si mostrano al modello due o tre esempi concreti di input/output. Per la classificazione delle transazioni contabili, il prompt includerà esempi del tipo: “ristorante Da Mario” → spese di rappresentanza; “Trenitalia Milano-Roma” → spese di trasferta; “F24 Ritenute” → debiti verso erario. Avendo visto questi esempi, il modello comprende la logica di classificazione del professionista e la applica autonomamente alle centinaia di transazioni successive, senza inventare nuovi nomi per i conti.
Lo stesso principio si applica alla redazione di relazioni trimestrali per i clienti: fornendo un esempio di relazione ben strutturata come reference, il modello replicherà quella struttura — sintesi esecutiva, analisi della redditività, liquidità, indebitamento, cash flow, rischi — mantenendo un formato omogeneo su tutti i clienti dello studio.
Chain of Thought: come ridurre le allucinazioni su analisi complesse
Le allucinazioni — errori in cui il modello AI inventa informazioni non veritiere, come sentenze inesistenti o dati fiscali errati — sono il rischio principale nell’uso dell’Intelligenza Artificiale per attività professionali. La tecnica del Chain of Thought (catena di pensieri) è lo strumento più efficace per ridurre questo rischio su analisi complesse.
Il principio è aggiungere al prompt la frase “spiega il tuo ragionamento passo dopo passo prima di fornire la conclusione”. Questa istruzione costringe il modello a strutturare la logica dell’elaborazione in modo esplicito, rendendo visibili eventuali passaggi errati prima che producano una conclusione sbagliata. Un modello che “mostra il lavoro” è molto più facile da controllare e correggere rispetto a uno che fornisce direttamente una risposta senza spiegarne il percorso.
Per le analisi ad alto rischio — come la ricerca giurisprudenziale, l’interpretazione di clausole contrattuali o il calcolo di ravvedimenti operosi — il Chain of Thought è una misura di sicurezza che non dovrebbe mai mancare dal prompt.
Suddividere i task complessi: il metodo “prompt in sequenza”
Un errore frequente nell’utilizzo degli LLM per attività professionali è chiedere troppo in un singolo prompt: “analizza tutto il fascicolo e scrivi la memoria difensiva”. Questo approccio produce output mediocri, difficili da controllare e spesso pieni di imprecisioni.
Il metodo corretto è suddividere il task complesso in una sequenza di prompt semplici, ciascuno con un obiettivo preciso. Per l’analisi di un fascicolo di contenzioso: primo prompt “estrai tutte le date rilevanti e ordinale cronologicamente”; secondo prompt “elenca le violazioni contestate e il loro fondamento normativo”; terzo prompt “per ciascuna violazione, identifica i precedenti più favorevoli tra quelli che ti ho fornito”; quarto prompt “redigi una bozza di risposta per la violazione X seguendo la struttura che ti indico”. Ogni step produce un output verificabile, e il professionista mantiene il controllo del processo in ogni passaggio.
Questa strategia riduce anche la finestra di contesto necessaria per ciascun prompt, migliorando la qualità dell’output e rendendo più semplice identificare dove il modello ha commesso un errore.
Tre esempi operativi di Prompt Engineering per lo Studio Professionale
Esempio 1 — Circolare per i clienti su una nuova agevolazione fiscale
Il problema: ogni volta che l’Agenzia delle Entrate pubblica una circolare o un provvedimento rilevante, lo studio deve tradurlo in una comunicazione comprensibile per i propri clienti imprenditori, eliminando il linguaggio tecnico e mettendo in evidenza cosa devono fare e entro quando. Senza AI, questa attività richiede 30-60 minuti di redazione per ogni comunicazione. Con un prompt strutturato, la bozza è pronta in meno di un minuto.
Il prompt:
[Istruzioni di sistema] Agisci come un consulente fiscale esperto in comunicazione aziendale. Il tuo tono deve essere professionale ma diretto e comprensibile per un imprenditore non esperto di fisco. Evita il linguaggio tecnico-burocratico. Non aggiungere interpretazioni o consigli non presenti nel testo normativo fornito.
[Attività] Leggi il testo normativo che ti fornisco e redigi una circolare informativa per i clienti dello studio. La circolare deve essere strutturata esattamente in questi quattro punti:
- A chi è rivolta questa comunicazione
- Qual è il beneficio o l’adempimento in sintesi (massimo 3 righe)
- Scadenze e date da rispettare
- Call to action: invita il cliente a contattare lo studio per valutare la propria situazione specifica
[Informazioni contestuali] [Incolla qui il testo della circolare AdE o del provvedimento normativo]
Il professionista riceve una bozza già strutturata in elenchi puntati, focalizzata sui vantaggi operativi per il cliente. La rivede, aggiunge eventuali note specifiche per la propria clientela e invia.
Esempio 2 — Classificazione automatica delle transazioni contabili (tecnica few-shot)
Il problema: il praticante deve classificare centinaia di voci di spesa bancaria o della carta di credito aziendale nei conti corretti del piano dei conti. Attività ad alto volume, alto rischio di errore per stanchezza, zero valore aggiunto intellettuale. Con la tecnica few-shot, il modello apprende la logica di classificazione dello studio dagli esempi forniti e la applica autonomamente all’intero estratto conto.
Il prompt:
[Istruzioni di sistema] Agisci come un contabile esperto. Il tuo unico compito è classificare le descrizioni delle transazioni bancarie nei rispettivi conti di costo, seguendo esattamente la logica degli esempi che ti fornisco. Non inventare nuovi nomi per i conti. Se una transazione è ambigua, scrivi “DA VERIFICARE” e spiega brevemente il motivo.
[Esempi few-shot] “Ristorante Da Mario srl” → Spese di rappresentanza “Trenitalia Milano-Roma” → Spese di trasferta “Cancelleria Buffetti” → Spese per cancelleria e materiale d’ufficio “F24 Ritenute 1040” → Debiti verso erario “Amazon – monitor 27 pollici” → Acquisto beni strumentali “Assicurazione RC professionale” → Spese assicurative
[Attività] Classifica le transazioni qui sotto usando la stessa logica degli esempi. Restituisci il risultato in una tabella con tre colonne: Descrizione originale | Conto di costo | Note (solo se necessario).
[Informazioni contestuali] [Incolla qui l’elenco delle transazioni estratte dall’home banking o dal gestionale]
Esempio 3 — Analisi di statuti societari e patti parasociali
Il problema: estrarre le clausole critiche da uno statuto di 40 pagine o da un patto parasociale richiede una lettura attenta e metodica. Il rischio è di tralasciare clausole rilevanti, soprattutto in documenti con struttura non standardizzata. Il modello AI, istruito correttamente, si trasforma in un motore di ricerca semantica sul documento: non inventa, non interpreta oltre il testo, ma estrae e cita con precisione.
Il prompt:
[Istruzioni di sistema] Agisci come un revisore legale senior. Sei estremamente preciso e ti basi esclusivamente sul testo del documento che ti viene fornito. Non aggiungere interpretazioni, valutazioni o informazioni esterne al testo. Per ogni informazione richiesta che non sia esplicitamente presente nel documento, scrivi obbligatoriamente: “DATO NON PRESENTE”.
[Attività] Analizza il documento fornito e compila una scheda sintetica estraendo le seguenti informazioni:
- Maggioranze richieste per le assemblee ordinarie
- Maggioranze richieste per le assemblee straordinarie
- Presenza di clausole di prelazione (sì/no — se sì, cita l’articolo e riassumi la clausola in max 2 righe)
- Presenza di clausole di trascinamento drag-along (sì/no — se sì, cita l’articolo e riassumi in max 2 righe)
- Presenza di clausole di co-vendita tag-along (sì/no — se sì, cita l’articolo e riassumi in max 2 righe)
- Durata della società e modalità di proroga
Per ogni punto, indica sempre il numero dell’articolo da cui hai estratto l’informazione.
[Informazioni contestuali] [Incolla qui il testo dello statuto o del patto parasociale, anonimizzato: sostituisci la ragione sociale reale con “Società Alfa” e i nomi dei soci con “Socio A”, “Socio B” ecc. prima di inserire il testo]
La regola aurea: mai usare l’AI per controllare l’output dell’AI
L’Intelligenza Artificiale, per sua natura, è progettata per assecondare l’utente. Questo significa che se si chiede a un LLM di verificare un output che ha generato esso stesso, tenderà a confermarlo — anche se contiene errori. Questo fenomeno, noto come confabulazione, è il motivo per cui la validazione umana non è un optional, ma un obbligo deontologico e operativo.
Il processo corretto è sempre il medesimo: il modello produce la bozza; il professionista la legge, la controlla, la corregge con il proprio giudizio e la firma. La firma è l’atto che trasforma un output algoritmico in un elaborato professionale con valore legale e fiduciario. Nessun prompt, per quanto sofisticato, può sostituire questa responsabilità — ed è esattamente questa responsabilità il valore distintivo del Dottore Commercialista nell’era dell’Intelligenza Artificiale.