Il prompt engineering dell’IA
non è il futuro

Il prompt engineering, o progettazione dei prompt, ha conquistato il mondo dell’IA generativa. Questo lavoro, che consiste nell’ottimizzare l’input testuale per comunicare efficacemente con modelli linguistici di grandi dimensioni, è stato salutato dal World Economic Forum come il “lavoro del futuro” numero uno, mentre Sam Altman, CEO di Open AI, lo ha definito “un’abilità di altissimo livello”. I social media sono pieni di una nuova ondata di influencer che mostrano “suggerimenti magici” e promettono risultati sorprendenti.

Tuttavia, nonostante il clamore che la circonda, la ribalta dell’ingegneria dei prompt potrebbe essere effimera per diversi motivi. In primo luogo, le future generazioni di sistemi di intelligenza artificiale diventeranno sempre più intuitive e abili nella comprensione del linguaggio naturale, riducendo la necessità di comandi meticolosamente progettati. In secondo luogo, i nuovi modelli linguistici dell’IA, come GPT4, sono già molto promettenti per la creazione di prompt: l’IA stessa è sul punto di renderla obsoleta. Infine, l’efficacia dei suggerimenti dipende dall’algoritmo specifico, limitando la loro utilità in diversi modelli e versioni di IA.

Qual è dunque un’abilità più duratura e adattabile che ci permetterà di sfruttare il potenziale dell’IA generativa? È la formulazione del problema, ovvero la capacità di identificare, analizzare e delineare i problemi.

La formulazione dei problemi e l’ingegneria dei prompt si differenziano per l’obiettivo, i compiti principali e le abilità sottostanti. L’ingegneria dei prompt si concentra sulla creazione di un input testuale ottimale, selezionando le parole, le frasi, le strutture di frase e la punteggiatura appropriate. Al contrario, la formulazione del problema ne enfatizza la definizione delineandone l’obiettivo, la portata e i confini. L’ingegnerizzazione dei prompt richiede una solida padronanza di uno specifico strumento di IA e una adeguata competenza linguistica, mentre la formulazione dei problemi richiede una comprensione completa del dominio del tema e la capacità di distillare le questioni del mondo reale. Il fatto è che, senza un problema ben formulato, anche i prompt più sofisticati non saranno all’altezza. Tuttavia, una volta che il problema è stato chiaramente definito, le sfumature linguistiche di un prompt diventano rilevanti per la soluzione.

Purtroppo, la formulazione del problema è un’abilità ampiamente trascurata e poco sviluppata dalla maggior parte di noi. Uno dei motivi è l’enfasi sproporzionata data alla risoluzione dei problemi a scapito della formulazione. Questo squilibrio è forse meglio illustrato dall’adagio manageriale prevalente ma errato: “Non portatemi problemi, ma soluzioni”. Non sorprende quindi che un recente sondaggio abbia rivelato che l’85% dei dirigenti C-suite ritiene che le loro organizzazioni non siano in grado di diagnosticare i problemi.

Come si può migliorare la formulazione dei problemi? Sintetizzando le intuizioni della ricerca passata sulla formulazione dei problemi e sulla progettazione del lavoro, nonché la mia esperienza e la mia ricerca sulle piattaforme di crowdsourcing – dove le sfide organizzative sono regolarmente articolate e aperte a un vasto pubblico – ho identificato quattro componenti chiave per una formulazione efficace dei problemi: la diagnosi, la scomposizione, il reframing e la progettazione dei vincoli.

Diagnosi del problema

La diagnosi consiste nell’identificare il problema centrale che l’IA deve risolvere. In altre parole, si tratta di identificare l’obiettivo principale che si vuole far raggiungere all’IA generativa. Alcuni problemi sono relativamente semplici da individuare, come quando l’obiettivo è ottenere informazioni su un argomento specifico, come le varie strategie HRM per la retribuzione dei dipendenti. Altri sono più impegnativi, come l’esplorazione di soluzioni a un problema di innovazione.

Un esempio è InnoCentive (ora Wazoku Crowd). L’azienda ha aiutato i suoi clienti a formulare più di 2.500 problemi, con un’impressionante percentuale di successo superiore all’80%. Le mie interviste con i dipendenti di InnoCentive hanno rivelato che un fattore chiave di questo successo è la loro capacità di discernere i fondamenti di un problema. Infatti, spesso iniziano il processo di formulazione dei problemi utilizzando la tecnica dei “cinque perché” per distinguere le cause principali dai semplici sintomi.

Un esempio particolare è il problema del petrolio nell’Artico, che riguardava la bonifica delle acque subartiche dopo la catastrofica fuoriuscita di petrolio della Exxon Valdez. In collaborazione con l’Oil Spill Recovery Institute, InnoCentive ha individuato la causa principale del problema relativo alla ripulitura dal petrolio nella viscosità del greggio: il petrolio congelato era diventato troppo denso per essere pompato dalle chiatte. Questa diagnosi è stata fondamentale per risolvere il problema, vecchio di due decenni, con una soluzione che prevedeva l’utilizzo di una versione modificata di un’attrezzatura da costruzione progettata per vibrare il petrolio, mantenendolo allo stato liquido.

Scomposizione del problema

La scomposizione del problema consiste nel suddividere i problemi complessi in sotto-problemi più piccoli e gestibili. Questo è particolarmente importante quando si affrontano problemi con molte sfaccettature, che spesso sono troppo contorti per generare soluzioni utili.

Prendiamo ad esempio la sfida InnoCentive sulla Sclerosi Laterale Amiotrofica (SLA). Anziché cercare soluzioni per l’ampio problema della scoperta di una cura per la SLA, la sfida si è concentrata su una sua sotto-componente: il rilevamento e il monitoraggio dei progressi della malattia. Di conseguenza, è stato sviluppato per la prima volta un biomarcatore della SLA che fornisce una soluzione non invasiva ed economica basata sulla misurazione del flusso di corrente elettrica attraverso il tessuto muscolare.

Ho testato come l’IA migliora con la scomposizione dei problemi utilizzando una sfida organizzativa comune e tempestiva: l’implementazione di un solido framework di cybersecurity. Le soluzioni di Bing AI erano troppo ampie e generiche per essere immediatamente utili. Ma dopo aver scomposto il problema in sotto problemi (ad esempio, politiche di sicurezza, valutazioni di vulnerabilità, protocolli di autenticazione e formazione dei dipendenti), le soluzioni sono migliorate notevolmente. Metodi come la scomposizione funzionale o la struttura di scomposizione del lavoro possono aiutarvi a rappresentare visivamente problemi complessi e a semplificare l’identificazione dei singoli componenti e delle loro interconnessioni più rilevanti per la vostra organizzazione.

Riformulazione del problema

Il reframing del problema consiste nel cambiare la prospettiva da cui questo viene visto, consentendo interpretazioni alternative. Riformulando un problema in vari modi, si può guidare l’IA ad ampliare la portata delle potenziali soluzioni, che a loro volta possono aiutare a trovare soluzioni ottimali e a superare gli ostacoli creativi.

Si pensi a Doug Dietz, architetto dell’innovazione presso GE Healthcare, la cui principale responsabilità era la progettazione di scanner MRI all’avanguardia. Durante una visita in ospedale, vide un bambino terrorizzato in attesa di una risonanza magnetica e scoprì che uno sconcertante 80% di questi aveva bisogno di sedazione per affrontare un’esperienza così intimidatoria. Questa rivelazione lo spinse a riformulare il problema: “Come possiamo trasformare l’inquietante esperienza della risonanza magnetica in un’avventura emozionante per i bambini?”. Questa nuova prospettiva ha portato allo sviluppo della serie Adventure di GE, che ha ridotto drasticamente i tassi di sedazione pediatrica ad appena il 15%, ha aumentato i punteggi di soddisfazione dei pazienti del 90% e ha migliorato l’efficienza della macchina.

Ora immaginate questo: i dipendenti si lamentano della mancanza di posti auto disponibili nell’edificio dell’ufficio. L’inquadramento iniziale potrebbe concentrarsi sull’aumento dei posti auto, ma se si guarda al problema dal punto di vista dei dipendenti – che trovano il parcheggio stressante o hanno opzioni limitate per il pendolarismo – è possibile esplorare soluzioni diverse. Infatti, quando ho chiesto a ChatGPT di generare soluzioni per il problema del parcheggio utilizzando schemi iniziali e possibili alternative, i primi hanno prodotto soluzioni incentrate sull’ottimizzazione della disposizione o dell’assegnazione dei parcheggi e sulla ricerca di nuovi spazi. Le seconde hanno prodotto una serie di soluzioni diverse, come la promozione di trasporti alternativi, il pendolarismo sostenibile e il lavoro a distanza.

Per riformulare efficacemente i problemi, è opportuno considerare la prospettiva degli utenti, esplorare analogie per rappresentare il problema, usare l’astrazione e mettere in discussione in modo proattivo gli obiettivi del problema o identificare i componenti mancanti nella definizione del problema.

Progettazione dei vincoli del problema

La progettazione dei vincoli del problema si concentra sulla delimitazione dei relativi confini definendo i vincoli di input, processo e output nella ricerca della soluzione. I vincoli possono essere utilizzati per indirizzare l’intelligenza artificiale nella generazione di soluzioni utili per il compito da svolgere. Quando il compito è principalmente orientato alla produttività, spesso è più appropriato utilizzare vincoli specifici e rigorosi per delineare il contesto, i confini e i criteri di risultato. Al contrario, per i compiti orientati alla creatività, sperimentare l’imposizione, la modifica e la rimozione dei vincoli permette di esplorare uno spazio di soluzioni più ampio e di scoprire nuove prospettive.

Ad esempio, i brand manager stanno già utilizzando diversi strumenti di intelligenza artificiale, come Lately o Jasper, per produrre contenuti utili per i social media su larga scala. Per garantire che questi contenuti siano in linea con i diversi media e con l’immagine del marchio, spesso stabiliscono vincoli precisi sulla lunghezza, il formato, il tono o il pubblico di destinazione.

Quando si cerca la vera originalità, tuttavia, i brand manager possono eliminare i vincoli di formattazione o limitare l’output a un formato non convenzionale. Un ottimo esempio è la campagna Help Changes Everything di GoFundMe. L’azienda mirava a generare contenuti creativi per il bilancio dell’anno che non solo esprimessero gratitudine ai donatori e suscitassero emozioni, ma si distinguessero anche dai tipici contenuti di fine anno. Per raggiungere questo obiettivo, si sono imposti dei vincoli poco ortodossi: le immagini avrebbero dovuto basarsi esclusivamente sull’arte generata dall’IA in stile murale stradale e presentare tutte le campagne di raccolta fondi e i donatori. DALL-E e Stable Diffusion hanno generato singole immagini che sono state poi trasformate in un video ricco di emozioni. Il risultato: un’estetica visivamente coesa e di grande impatto che ha raccolto ampi consensi.

In generale, affinare le capacità di diagnosi, scomposizione, riformulazione e progettazione dei vincoli del problema è essenziale per allineare i risultati dell’IA con gli obiettivi del compito e promuovere una collaborazione efficace con i sistemi di IA.

Sebbene l’ingegneria della tempestività possa essere al centro dell’attenzione nel breve periodo, la sua mancanza di sostenibilità, versatilità e trasferibilità ne limita la rilevanza a lungo termine. Enfatizzare eccessivamente la creazione della combinazione perfetta di parole può essere addirittura controproducente, in quanto può distogliere dall’esplorazione del problema stesso e diminuire il senso di controllo sul processo creativo. Invece, la padronanza della formulazione del problema potrebbe essere la chiave per navigare in un futuro incerto accanto a sofisticati sistemi di intelligenza artificiale. Potrebbe rivelarsi fondamentale come lo è stato l’apprendimento dei linguaggi di programmazione agli albori dell’informatica.

Oguz A. Acar è titolare della cattedra di Marketing presso la King’s Business School, King’s College di Londra.

SINTESI

Nonostante il clamore che la circonda, la ribalta di cui gode oggi l’ingegneria dei prompt potrebbe essere effimera. Una competenza più duratura e adattabile continuerà a permetterci di sfruttare il potenziale dell’IA generativa: si chiama formulazione del problema, ovvero la capacità di identificare, analizzare e delineare i problemi.