I tuoi prompt AI complessi stanno in realtà rendendo GPT-5.6 più stupido

Nell'ultimo anno, il prompt engineering è sembrato una negoziazione legale ad alta posta in gioco. Gli utenti hanno costruito prompt di sistema estesi e multipagina, pieni di blocchi XML, script di persistenza e rigide istruzioni chain-of-thought. L'obiettivo era mantenere l'IA sui binari. Se il modello vagava, si aggiungeva semplicemente un altro strato di impalcatura per costringerlo a rientrare nei ranghi. OpenAI ha appena rilasciato la sua nuova guida al prompting per GPT-5.6 Sol, e il messaggio principale è un netto rifiuto di queste abitudini. In sostanza, i tuoi sforzi per micro-gestire l'IA sono ora il suo più grande ostacolo.

OpenAI sostiene un cambiamento radicale verso un prompting orientato ai risultati (outcome-first). La nuova strategia è semplice: definisci la destinazione, stabilisci le condizioni di arresto e togliti di mezzo. Questo cambiamento riflette un'evoluzione fondamentale nel modo in cui i modelli più recenti elaborano le informazioni. Mentre le versioni precedenti avevano bisogno di una mappa dettagliata di ogni svolta, GPT-5.6 offre prestazioni migliori quando ha solo l'indirizzo finale. Guardando il quadro generale, si tratta di un allontanamento dal trattare l'IA come una macchina fragile verso il trattarla come un partner digitale capace, sebbene letterale.

Il costo elevato del micro-management

OpenAI ha fornito dati specifici per supportare questo cambiamento. Nei test interni condotti con agenti di codifica, prompt di sistema più snelli hanno migliorato i punteggi di valutazione dal 10% al 15% circa. Questo miglioramento è avvenuto mentre il modello utilizzava dal 41% al 66% di token in meno. Per un'azienda o un utente esperto, l'impatto è tangibile. Questi prompt più snelli riducono i costi dal 33% al 67%. In termini semplici, scrivere meno produce un lavoro migliore per molto meno denaro.

Il motivo di questo salto prestazionale è strutturale. Quando un modello come GPT-5.6 legge un prompt, tratta ogni parola come un vincolo. Se fornisci cinque pagine di istruzioni, il modello spende una parte massiccia della sua capacità di ragionamento solo cercando di mantenere tutte quelle regole nella sua memoria attiva. È l'equivalente digitale del cercare di cucinare un pasto di cinque portate mentre qualcuno ti legge ad alta voce un manuale di sicurezza di 200 pagine. Rimuovendo il rumore, liberi il modello per concentrarsi sul compito effettivo.

Perché GPT-5.6 è diverso dal suo predecessore

Per capire questo cambiamento, dobbiamo guardare sotto il cofano di GPT-5, rilasciato nell'agosto 2025. Quel modello richiedeva un'impalcatura pesante. Gli utenti si affidavano a blocchi di persistenza XML per dire al modello di continuare a lavorare finché un problema non fosse stato risolto. Utilizzavano modelli dettagliati di raccolta del contesto per mappare esattamente come parallelizzare le ricerche. La filosofia di allora riguardava la calibrazione dell'entusiasmo e la costruzione di binari per evitare che il modello si arrendesse troppo presto.

GPT-5.6 Sol è un modello più resiliente che gestisce questi passaggi di processo in modo affidabile da solo. La nuova guida suggerisce che i vecchi blocchi di persistenza sono ora solo ingombro che il modello deve analizzare. Ciò che si mantiene effettivamente è un elenco focalizzato: il risultato visibile all'utente, i criteri di successo, le condizioni di arresto e i vincoli rigidi. La guida suggerisce che un prompt del modello dovrebbe iniziare con un obiettivo diretto come: "Risolvi il problema del cliente dall'inizio alla fine". Specifichi poi come appare un compito finito e quali azioni intraprendere se mancano dei dati. Istruzioni vaghe come "sii accurato" o "continua così" sono scomparse.

Il pericolo delle regole contrastanti

Una delle scoperte più dirompenti della nuova guida riguarda il modo in cui il modello gestisce le contraddizioni. I modelli precedenti spesso sceglievano un'istruzione se incontravano due regole in conflitto. GPT-5.6 è diverso. Segue i contratti dei prompt così da vicino che le regole contrastanti creano instabilità. Invece di scegliere un vincitore, il modello brucia token di ragionamento cercando di conciliare l'impossibile. Questo rende la risposta più lenta, più costosa e spesso errata.

OpenAI ora sconsiglia il vecchio trucco di usare termini assoluti come "sempre" o "mai". Queste parole erano un tempo il modo principale per orientare il comportamento, ma ora sono viste come troppo rigide. Praticamente parlando, se il tuo prompt di sistema ha regole sovrapposte, questa è la prima cosa da correggere. Il modello rende al meglio quando ha spazio per navigare entro un confine chiaro piuttosto che essere rinchiuso in una gabbia di richieste contraddittorie.

Nuovi strumenti per un controllo preciso

L'aggiornamento introduce due funzionalità concrete che erano assenti dal manuale precedente. La prima è un parametro text.verbosity. GPT-5.6 è naturalmente più conciso rispetto all'aggiornamento di metà ciclo GPT-5.5. Per questo motivo, le vecchie istruzioni di "essere brevi" ora correggono eccessivamente e producono risposte troppo corte per essere utili. Gli utenti dovrebbero ora impostare un valore predefinito globale tramite il parametro e sovrascriverlo solo per compiti specifici. Ciò elimina la necessità di regole di stile ripetitive all'interno del testo del prompt stesso.

La seconda aggiunta è una sezione dedicata al Programmatic Tool Calling (Chiamata programmatica degli strumenti). Questo serve per flussi di lavoro delimitati dove il codice gestisce il lavoro pesante di filtraggio o aggregazione dei dati. Invece di chiedere al modello di giudicare ogni singola informazione, si lascia che il codice restituisca un risultato compatto. Questo scarica il lavoro dal giudizio del modello e lo inserisce in una logica prevedibile. È un modo semplificato per gestire grandi set di dati senza gonfiare il prompt con passaggi intermedi.

Testare l'approccio minimalista

Abbiamo messo alla prova queste nuove linee guida utilizzando il nostro benchmark interno, un gioco survival horror di digitazione chiamato TYPE OR DIE. Nelle iterazioni precedenti con GPT-5, il prompt era un fitto groviglio di regole sulla logica di gioco e sulla coerenza visiva. Per il test con GPT-5.6, abbiamo ridotto il prompt al risultato principale: un gioco funzionale e rifinito con specifiche meccaniche di sopravvivenza.

I risultati sono stati sorprendenti. Il modello non è passato direttamente alla scrittura del codice. Invece, ha mappato prima l'intero problema e pianificato ogni sistema prima di digitare una singola riga. La logica di auto-mira era più efficiente e le risorse visive erano più coerenti rispetto a qualsiasi esecuzione precedente. Il modello ha scelto un percorso migliore perché abbiamo smesso di cercare di dirgli quali strade prendere. Questo risultato corrisponde all'intento della guida. Quando definisci la destinazione, il modello è libero di trovare il percorso più efficiente.

Cosa significa questo per il tuo uso quotidiano dell'IA

Per l'utente medio, il punto fondamentale è che le tue abilità di prompt engineering necessitano di un aggiornamento. L'era del "mega-prompt" sta finendo. Se stai costruendo un GPT personalizzato o un flusso di lavoro automatizzato, il tuo primo passo dovrebbe essere una pulizia. Rimuovi le regole ripetute. Elimina le istruzioni di stile che non cambiano l'output. Taglia gli esempi che non aggiungono nuove informazioni.

Se trovi difficile memorizzare queste nuove linee guida, esiste una scorciatoia pratica. Puoi costruire un GPT personalizzato e fornirgli la guida completa al prompting di OpenAI GPT-5.6 Sol come base di conoscenza. Puoi quindi usare quel GPT per analizzare e riscrivere i tuoi vecchi prompt. Stai essenzialmente usando il prompt engineering per progettare prompt migliori e più snelli. Man mano che l'IA diventa più capace, il nostro ruolo si sta spostando da quello di micro-manager a quello di stratega lucido che sa esattamente come appare un risultato di successo.

Fonti: OpenAI Official Prompting Guide for GPT-5.6 Sol, OpenAI Internal Engineering Blog, July 2026 Technical Report on Model Verbosity.