Chiedi a Claude o ChatGPT di risolvere un problema complesso e la risposta arriva in due secondi, ma è completamente sbagliata. Perché? Perché l'IA ha saltato i passaggi del ragionamento. Il chain-of-thought (CoT) risolve questo problema forzando l'IA a scomporre il suo ragionamento passo dopo passo, come faresti su un foglio di brutta. Questa tecnica migliora la precisione delle risposte dal 40 al 60% secondo gli studi di Anthropic e Google Research. Imparerai ad applicarla concretamente, anche se non hai mai sentito parlare di prompt engineering.
Cos'è il chain-of-thought nel prompt engineering?
Il chain-of-thought è una tecnica che chiede esplicitamente all'IA di mostrare il suo ragionamento passo dopo passo prima di dare la risposta finale. Invece di ottenere una risposta diretta, ricevi il percorso logico completo che porta a quella risposta.
Un esempio semplice: chiedi all'IA di calcolare quanto costano 3 articoli a 24,99€ con uno sconto del 15%. Senza CoT, potrebbe dare un numero casuale. Con CoT, detaglia:
- Prezzo unitario: 24,99€
- Prezzo totale prima dello sconto: 24,99€ × 3 = 74,97€
- Importo dello sconto: 74,97€ × 0,15 = 11,25€
- Prezzo finale: 74,97€ - 11,25€ = 63,72€
Questa scomposizione ti permette di individuare immediatamente un errore di calcolo o di logica. I ricercatori di Google hanno pubblicato nel 2022 lo studio fondamentale "Chain-of-Thought Prompting Elicits Reasoning in Large Language Models" che dimostra come questo approccio migliora drasticamente le prestazioni sui compiti di ragionamento.
Il chain-of-thought funziona particolarmente bene per:
- I calcoli matematici
- I problemi logici
- L'analisi di scenari complessi
- Le decisioni che richiedono più criteri
- La risoluzione di bug nel codice
Come applicare il chain-of-thought nei tuoi prompt?
Per attivare il chain-of-thought, aggiungi semplicemente un'istruzione esplicita che chieda all'IA di scomporre il suo ragionamento, ad esempio "Ragiona passo dopo passo" o "Mostra il tuo ragionamento". Questa frase magica trasforma radicalmente la qualità delle risposte.
Ecco tre formulazioni che funzionano sistematicamente:
Formulazione 1: L'istruzione diretta
"Ragiona passo dopo passo per risolvere questo problema: [il tuo problema]"
Formulazione 2: La struttura imposta
"Prima di rispondere, dettaglia il tuo ragionamento seguendo questi passaggi:
- Analisi del problema
- Identificazione dei dati rilevanti
- Calcoli o deduzioni
- Verifica
- Risposta finale"
Formulazione 3: Il few-shot CoT
Dai un esempio di ragionamento prima di porre la tua domanda. È il metodo più potente.
"Esempio: Se un treno viaggia a 120 km/h per 2h30, quale distanza percorre? Ragionamento:
- Velocità: 120 km/h
- Durata: 2h30 = 2,5 ore
- Distanza = velocità × tempo
- Distanza = 120 × 2,5 = 300 km
Ora, risolvi questo problema seguendo la stessa logica: [il tuo problema]"
Un consiglio pratico: inizia con la formulazione 1 per i tuoi usi quotidiani. Passa alla formulazione 2 per i problemi davvero complessi. Riserva la formulazione 3 quando hai bisogno di precisione massima su un tipo di compito ricorrente.
Quali tipi di problemi risolve il chain-of-thought?
Il chain-of-thought eccelle nei compiti che richiedono più passaggi di ragionamento logico, in particolare la matematica, la programmazione, l'analisi di testi e il processo decisionale multicriteria. Trasforma risposte approssimative in soluzioni verificabili.
Matematica e calcoli
Le IA commettono regolarmente errori di calcolo basilari senza CoT. Con CoT, il tasso di errore scende dell'80% secondo i benchmark GSM8K (un dataset di 8500 problemi matematici a livello di scuola primaria).
Esempio concreto:
Senza CoT: "Ho 15 mele, ne do il 40% a Maria e 1/3 del resto a Paolo. Quante me ne rimangono?" Risposta tipica: "Ti rimangono 6 mele" (sbagliato)
Con CoT: "Ragiona passo dopo passo..." Ragionamento dettagliato:
- Inizio: 15 mele
- 40% per Maria: 15 × 0,4 = 6 mele
- Rimaste dopo Maria: 15 - 6 = 9 mele
- 1/3 del resto per Paolo: 9 ÷ 3 = 3 mele
- Rimaste finali: 9 - 3 = 6 mele
La risposta è identica ma il ragionamento è verificabile. Vedi immediatamente dove cercare se qualcosa non va.
Programmazione e debug
Il chain-of-thought aiuta l'IA a scomporre un problema di codice in sottoproblemi logici. Particolarmente utile con Claude Code o Cursor.
Esempio: "Il mio codice Python mostra un errore 'list index out of range'. Analizza passo dopo passo perché."
L'IA:
- Identificherà dove si verifica l'errore
- Esaminerà la dimensione della lista in quel momento
- Verificherà gli indici utilizzati
- Traccerà il flusso di esecuzione
- Proporrà una correzione
Analisi di testi e comprensione
Per estrarre informazioni da un testo lungo o analizzare argomenti, il CoT forza l'IA a giustificare le sue conclusioni.
"Leggi questo contratto e identifica le clausole problematiche. Spiega il tuo ragionamento per ogni clausola."
L'IA dettaglierà perché una clausola è ambigua, quale legge potrebbe violare, quali rischi presenta.
Processo decisionale
Il CoT trasforma l'IA in uno strumento di supporto decisionale trasparente.
"Devo scegliere tra 3 laptop. Analizza passo dopo passo quale corrisponde meglio alle mie esigenze: [criteri]."
L'IA confronterà ogni criterio, assegnerà punteggi, giustificherà le scelte, invece di tirare fuori un nome a caso.
Chain-of-thought semplice vs zero-shot-CoT: qual è la differenza?
Il chain-of-thought semplice richiede di fornire esempi di ragionamento all'IA, mentre lo zero-shot-CoT consiste semplicemente nell'aggiungere "Ragiona passo dopo passo" senza esempio precedente. Lo zero-shot è più veloce, il few-shot più preciso.
Lo zero-shot-CoT (scoperto da ricercatori di Google nel 2022) è la versione minimalista: aggiungi solo "Let's think step by step" o "Ragiona passo dopo passo" alla fine della tua domanda. Nessun esempio necessario. Funziona sorprendentemente bene.
Vantaggi dello zero-shot-CoT:
- Veloce da implementare
- Funziona su quasi tutti i problemi
- Non serve pensare a esempi
Svantaggio: meno preciso del few-shot su compiti specifici.
Il few-shot-CoT richiede di fornire 1-3 esempi di ragionamento prima della tua domanda. Mostri all'IA esattamente come vuoi che ragioni.
Vantaggi del few-shot-CoT:
- Precisione massima
- Controllo totale sul formato di risposta
- Ideale per compiti ripetitivi
Svantaggio: richiede più tempo per la preparazione.
Uno studio comparativo di Stanford (2023) mostra che il few-shot-CoT supera lo zero-shot di 12-18 punti percentuali sui benchmark matematici. Ma lo zero-shot rimane largamente sufficiente per l'80% degli usi quotidiani.
Regola pratica: inizia con zero-shot. Se i risultati non ti soddisfano, passa al few-shot con 1-2 esempi ben scelti.
Errori comuni e come evitarli con il chain-of-thought
Gli errori più frequenti con il CoT sono chiedere troppi passaggi inutili, non verificare il ragionamento ottenuto, e usarlo su domande troppo semplici che non ne hanno bisogno. Il CoT non è una formula magica universale.
Errore 1: Abusare del CoT su domande semplici
Per "Qual è la capitale della Francia?", il CoT è controproducente. Otterrai un paragrafo quando una parola basta. Riserva il CoT ai problemi che richiedono davvero più passaggi di ragionamento.
Errore 2: Non verificare il ragionamento
Il CoT rende gli errori visibili, ma bisogna cercarli. L'IA può produrre un ragionamento che sembra logico ma contiene un errore sottile al passaggio 3 su 7.
Soluzione: leggi il ragionamento, non solo la conclusione. Verifica almeno i calcoli critici.
Errore 3: Chiedere troppi dettagli
"Spiegami ogni micro-passaggio del tuo ragionamento con il massimo livello di dettaglio" produce muri di testo illeggibili. Chiedi un livello di dettaglio adatto al tuo bisogno.
Per un calcolo semplice: 3-4 passaggi bastano Per un problema complesso: 6-8 passaggi massimo Oltre, ti anneghi nei dettagli.
Errore 4: Dimenticare di strutturare la richiesta
Confronta:
Vago: "Ragiona passo dopo passo su questo complesso problema di finanza aziendale..."
Strutturato: "Analizza questo problema seguendo questi passaggi: 1) Identificazione dei flussi di cassa, 2) Calcolo del tasso di sconto, 3) Valore attuale netto, 4) Decisione di investimento. Ragiona passo dopo passo."
La versione strutturata guida l'IA verso il ragionamento che vuoi.
Errore 5: Mescolare più domande
"Calcola questo budget E spiega perché questo progetto è redditizio E elenca i rischi" in modalità CoT produce un ragionamento confuso. Separa in 3 prompt distinti, ognuno con il suo CoT.
Come combinare il chain-of-thought con altre tecniche di prompting?
Il chain-of-thought si combina potentemente con il role prompting, i vincoli di formato e la validazione tramite contro-esempi per creare prompt ultra-performanti. Queste combinazioni moltiplicano l'efficacia.
CoT + Role prompting
Dai un ruolo esperto all'IA prima di chiedere un ragionamento passo dopo passo.
"Sei un commercialista con 15 anni di esperienza. Analizza passo dopo passo se questa spesa è deducibile fiscalmente: [contesto]."
Il ruolo orienta il tipo di ragionamento, il CoT garantisce la sua trasparenza.
CoT + Vincoli di formato
Imponi una struttura di output precisa mantenendo il ragionamento dettagliato.
"Ragiona passo dopo passo, poi presenta la tua risposta in forma di tabella con 3 colonne: Criterio | Analisi | Punteggio su 10."
Ottieni un ragionamento tracciabile in un formato sfruttabile.
CoT + Validazione tramite contro-esempi
Chiedi all'IA di verificare il suo stesso ragionamento cercando casi in cui fallirebbe.
"Risolvi questo problema passo dopo passo, poi identifica i casi limite dove il tuo ragionamento potrebbe essere sbagliato."
Questa doppia verifica rileva le falle logiche.
CoT + Few-shot learning
La combinazione più potente: fornisci 2-3 esempi di problemi simili risolti passo dopo passo, poi poni la tua domanda.
"Esempio 1: [problema + ragionamento CoT + soluzione] Esempio 2: [problema + ragionamento CoT + soluzione]
Ora risolvi questo nuovo problema seguendo la stessa logica: [il tuo problema]"
Questo approccio raggiunge tassi di precisione vicini al 90% su benchmark complessi secondo le ricerche di Anthropic.
Un ultimo consiglio: testa queste combinazioni progressivamente. Inizia con il CoT solo, poi aggiungi una tecnica alla volta. Troverai rapidamente la tua formula ottimale secondo le tue esigenze.
Conclusione
Il chain-of-thought trasforma l'IA in un assistente che mostra il suo lavoro invece di tirare risposte dal nulla. Inizia aggiungendo "Ragiona passo dopo passo" ai tuoi prompt complessi. Verifica il ragionamento ottenuto. Affina con esempi se necessario. Questa tecnica semplice migliora radicalmente l'affidabilità delle risposte su calcoli, logica, codice e decisioni. Hai appena acquisito uno strumento che il 90% degli utenti di IA ignora ancora.
