Autore di immagini · divulgatore e formatore AI
Il tuo mega-prompt non ti protegge. Ti rallenta. 10 min di lettura
Intelligenza Artificiale ·

Il tuo mega-prompt non ti protegge. Ti rallenta.

Anthropic ha tagliato l’80% delle istruzioni di Claude Code. Ecco cosa cambia per chi usa l’AI ogni giorno — e cosa no.

Questo pezzo nasce da una notizia tecnica che in apparenza riguarda solo i developer. Ma dentro c’è una lezione che vale per chiunque usa l’AI ogni giorno con un file di preset, una serie di custom instructions o un system prompt accumulato mese dopo mese. Ho cercato di smontarla con onestà — incluse le parti in cui la notizia non vale per te.

Prendi il tuo file di preset per Claude o ChatGPT. Quello che hai costruito mese dopo mese, aggiungendo una regola ogni volta che qualcosa non andava come volevi.

Adesso pensa a questo: Anthropic ha appena rimosso oltre l’80% del system prompt del suo strumento interno, Claude Code, sui modelli più avanzati. Secondo le valutazioni interne di Anthropic, senza perdita misurabile sui propri test di coding.

Attenzione: non significa che tu debba fare lo stesso. Significa che il modo di scrivere le istruzioni all’AI sta cambiando — e due dei più grandi lab al mondo sono arrivati alla stessa conclusione a distanza di due settimane.

Questa è la storia di quel cambiamento. E della cosa concreta che puoi farne domani mattina.

Il fatto: cosa è successo e perché conta

A luglio 2026 Thariq Shihipar, membro del team tecnico di Anthropic, ha pubblicato un post sul blog ufficiale di Claude con un’affermazione precisa:

“We removed over 80% of Claude Code’s system prompt for models like Claude Opus 5 and Claude Fable 5.”

La versione breve: il system prompt è quella serie di istruzioni che il modello legge ancora prima che tu scriva qualcosa. È il “manuale di bordo” dell’AI. Nel caso di Claude Code — il tool di Anthropic per il coding — era diventato un documento lungo e stratificato, aggiornato nel tempo ogni volta che qualcosa non andava.

Anthropic lo ha potato. Drasticamente.

E non è un caso isolato. Due settimane prima, OpenAI aveva pubblicato una guida per GPT-5.6 con la stessa direzione: i test interni mostravano un miglioramento delle valutazioni tra il 10 e il 15%, con una riduzione dei token usati tra il 41 e il 66%, e dei costi tra il 33 e il 67%. OpenAI stessa chiarisce che sono range indicativi, da verificare sui propri task — ma il principio è inequivocabile.

Quando due lab rivali pubblicano a distanza di due settimane le stesse indicazioni, non è una coincidenza. È la direzione in cui stanno portando i modelli.

Vale la pena notare una cosa: la misura dell’80% è quella dichiarata da Anthropic. Una misurazione empirica indipendente fatta da un ricercatore esterno (phuryn, che ha analizzato le versioni pubbliche del prompt prima e dopo) arriva a un numero un po’ diverso — intorno al 70-73%, in parole, non in token. L’autore stesso dice che la headline difendibile è circa il 70%. Il dato mediatico è ~80%. La misura replicabile è ~70-73%. Entrambe raccontano la stessa storia: un taglio enorme. Il numero esatto dipende da come lo misuri.

Perché il mega-prompt fa male: tre meccanismi concreti

Rete di istruzioni in conflitto che si trasforma progressivamente in flusso ordinato e lineare.

Prima di arrivare a cosa fare, vale la pena capire perché un file di istruzioni lungo diventa un problema. Non è una questione estetica. Ci sono tre meccanismi specifici, tutti documentati.

1. Le istruzioni si contraddicono — e il modello spreca energie a districarsi.

Nei transcript interni, Anthropic ha trovato esempi come questi, accumulati nel tempo: “leave documentation as appropriate” vs “DO NOT add comments”. Due istruzioni che si contraddicono. Il modello non sceglie la più recente, non chiede chiarimenti — ci passa del tempo sopra, cercando di capire cosa fare. È attenzione sprecata su una contraddizione che non avresti mai notato leggendo il file dall’inizio alla fine.

Se hai un file di preset che hai aggiornato nel corso di mesi, hai quasi certamente qualcosa di simile dentro. Non perché sei disordinato — ma perché le regole nascono in contesti diversi e nel tempo entrano in conflitto.

2. Le informazioni sepolte nel mezzo spariscono.

Un paper accademico del 2024 (Liu et al., “Lost in the Middle”, pubblicato su TACL) ha misurato cosa succede quando le informazioni importanti si trovano nel mezzo di un testo lungo, invece che all’inizio o alla fine. Risultato: l’accuratezza cala di oltre il 30%. L’effetto è stato replicato su sei famiglie di modelli diverse.

Tradotto: se hai 40 regole e quella più importante è la ventesima, il modello la tratta peggio di quanto faresti credere. Non è pigrizia del modello — è il modo in cui funziona l’attenzione su testi lunghi.

3. Ogni regola rigida crea casi in cui sbaglia.

Cat Wu di Anthropic lo ha detto in modo semplice: un’istruzione vera al 90% crea problemi nel 10% dei casi. Più regole rigide metti, più casi in cui almeno una di quelle regole sbaglia. Il mega-prompt non è un firewall: è un campo minato.

La svolta concettuale: smettila di prescrivere ogni passo

Qui c’è il punto che cambia prospettiva — ed è anche quello su cui devi stare attento a non fare salti logici.

Shihipar descrive quello che è successo come un passaggio dal “prompt engineering” al “context engineering”. La differenza non è nella lunghezza, è nel principio. Non riversi più una lista di regole in un unico blocco front-loaded. Assembli il contesto giusto: un po’ di storia, i documenti rilevanti, l’obiettivo — e poi ti fidi che il modello ci arrivi.

Ha anche detto una cosa che mi ha fermato: rimuovere gli esempi dal prompt di Claude Code ha aiutato, perché “il modello era più creativo degli esempi che gli davamo”. In altri termini: gli esempi che avevano costruito con cura limitavano il modello, non lo guidavano.

OpenAI dice la stessa cosa in modo diverso: “Describe the destination rather than prescribing every step.” Descrivi dove vuoi arrivare, non ogni singolo movimento.

Però — e questo va detto chiaramente — c’è un caveat importante.

Tutto quello che ho descritto finora si applica ai modelli frontier: Claude Opus 5, Claude Fable 5. I modelli più potenti in circolazione oggi. Sonnet 5 e Haiku 4.5 — i modelli che usi probabilmente su Claude.ai nella versione standard — mantengono ancora il system prompt lungo, intorno alle 2.094 parole secondo la stessa misurazione empirica indipendente citata sopra. Cat Wu lo ha confermato: “the older models still have the full system prompt.”

Quindi se stai usando Sonnet con le tue custom instructions, non puoi aspettarti che tagliare le istruzioni migliori automaticamente i tuoi risultati per via tecnica. L’effetto diretto vale sui frontier, non su tutti i modelli.

Quello che invece vale trasversalmente, su Sonnet come su Opus, su ChatGPT come su qualsiasi strumento: il principio di scrittura. Meno contraddizioni. Meno rumore. Le informazioni critiche all’inizio, non sepolte nel mezzo. Zero regole ridondanti che ci sono rimaste per abitudine.

Il miglioramento “automatico” per taglio di token? Non garantito fuori dai frontier. Il miglioramento nella leggibilità, nella manutenzione, nell’assenza di contraddizioni invisibili? Quello è tuo.

Il lato critico: non è tutto rose

Simon Willison — uno dei commentatori tecnici più autorevoli e onesti nel mondo AI — ha analizzato questa svolta con toni di cautela, non di entusiasmo.

La sua posizione: affidarsi al giudizio del modello “è un affare da livello Opus/Fable”. E quando cerchi di coprire un’ampia gamma di modelli, inclusi quelli più economici per task semplici, quella tecnica si rompe. “Does break down if you’re building for a wide range of models and trying to run the cheaper models for cheaper tasks.”

C’è poi un secondo problema, che ha un nome tecnico più preciso di “debito tecnico dei prompt” — espressione che ho usato come metafora editoriale, non termine di settore. Il termine che usa Mitch Ashley di Futurum Group è “configuration thrash”: il costo di ri-adattare workflow e preset ogni volta che i modelli cambiano. Due migrazioni forzate in un’estate: prima Anthropic, poi OpenAI. Chi aveva costruito un monolite di tre pagine ha dovuto riscriverlo da zero. Chi aveva un preset snello ha fatto qualche aggiustamento.

Questo non è un argomento per non lavorare sui propri preset. È un argomento per costruirli in modo che reggano le migrazioni.

La lezione pratica: come poti il tuo file domani mattina

Interfaccia CLAUDE.md prima e dopo riduzione del testo, workspace minimalista con file potato pulito.

Qui non ho studi su fotografi o art director da citarti — non esistono nel registro delle fonti che ho usato per questo pezzo. Quello che ho è il metodo che mi sono costruito adattando i principi che ho descritto sopra al mio workflow. E i principi sono verificati.

Se hai accumulato istruzioni su Claude o ChatGPT — un CLAUDE.md, le custom instructions di ChatGPT, le istruzioni di progetto su Claude — ecco come le poto.

Il test iterativo (metodo OpenAI/Anthropic):
Rimuovi un blocco di istruzioni. Fai lo stesso task che fai di solito. Se l’output non cambia, quel blocco non serviva — tienilo fuori. Se cambia in peggio, rimettilo dentro. Non è un atto di fede: è un esperimento replicabile.

Lo sweet spot di lunghezza:
La ricerca sul “lost in the middle” (e la pratica accumulata da chi fa questo per mestiere) indica un range ottimale attorno alle 150-300 parole per un set di istruzioni operative. Non è una legge fisica, ma è un punto di riferimento utile. Se sei a 800 parole, hai quasi certamente ridondanze.

La struttura che funziona:
Wayne Cederholm — che studia questo da anni — indica sei abitudini da abbandonare: la persona esperta vaga (“sei un esperto di…”), l’istruzione “never hallucinate” (che non funziona), il “think step by step” ripetuto come mantra, le PAROLE IN MAIUSCOLO, i template rigidi, i rituali di auto-verifica. In alternativa: specifica l’output atteso, il destinatario, il formato, cosa vuoi evitare. Matija Vidmar ha una struttura pratica in 8 sezioni che uso come riferimento: Ruolo, Personalità, Obiettivo, Criteri di successo, Vincoli, Tool disponibili, Formato output, Regole di stop.

Cosa va in cima, non nel mezzo:
Le informazioni critiche — quello che non può sbagliare — vanno all’inizio o alla fine, mai sepolte nel mezzo. Se hai una regola fondamentale alla riga 30 di 50, spostala.

Se usi Claude Code:
Dalla versione 2.1.206, il comando claude doctor (da terminale) include un controllo sul CLAUDE.md: avvisa quando il file è sovrabbondante e propone un trim. Propone — non agisce da solo. La mano resta tua. È un piccolo segnale: persino lo strumento ufficiale ora ti chiede “sei sicuro di avere bisogno di tutto questo?”

Tre cose da portare a casa

Primo: il principio cambia. L’istinto “più istruzioni = più controllo” funzionava peggio di quanto pensassimo. Il controllo viene dalla precisione, non dalla quantità. Ma la promessa non è che tagli e il modello migliora automaticamente: è che tagli e il tuo preset diventa leggibile, privo di contraddizioni invisibili, facile da aggiornare.

Secondo: il metodo è uno solo. Rimuovi, testa, tieni solo ciò che cambia l’output. Vale su ChatGPT, su Claude con Sonnet, su qualsiasi strumento. Non dipende dalla versione del modello.

Terzo: quando Anthropic e OpenAI pubblicano a distanza di due settimane le stesse indicazioni, non è un caso. È la direzione in cui stanno portando i modelli. Chi la capisce ora ha meno configuration thrash da gestire ogni volta che i modelli cambiano.

Il tuo file di preset non è un documento sacro. È un draft. Potarlo non significa buttare via anni di lavoro — significa tenersi solo le parti che lavorano davvero.

Articoli correlati su Creatività Aumentata

Se questo tema ti interessa, ho scritto su cose adiacenti:

Prompt immagine di copertina

Editorial flat lay, top view. A single sheet of paper covered in dense handwritten notes and crossed-out lines, sitting on a clean wooden desk. 
Next to it, a minimalist notecard with only four short bullet points, clean and uncluttered. 
Natural morning light, slight shadow. 
Color palette: warm white, soft beige, with a single red pen crossing out half the original page. 
Mood: clarity emerging from complexity. No text visible in the image. No people.
Photorealistic, medium format camera aesthetic.

Fonti

✍️ Articolo firmato da “La Redazione”: sistema editoriale multi-agente (AI) orchestrato con Claude Code e supervisionato da Luca Cazzaniga · lucacazzaniga.it

Leggi anche

AI