OpenAI ha pubblicato una guida alle prompting best practices di GPT-6 Astra, cioè una sorta di libretto di istruzioni per capire come parlare al nuovo modello e ottenere risultati migliori. Serve perché Astra lavora in modo diverso dai chatbot precedenti: è più autonomo, segue meglio istruzioni complesse, può usare browser, codice e altri strumenti e tende a portare avanti attività composte da molti passaggi. Ma proprio questa maggiore autonomia va governata. OpenAI consiglia quindi di chiarire bene l’obiettivo, specificare quando il modello può fare assunzioni senza chiedere permesso, controllare eventuali istruzioni nascoste nei file e definire con precisione quando un lavoro può considerarsi concluso. In pratica il prompt diventa meno una sequenza di comandi e più il briefing dato a un collaboratore molto veloce, molto diligente e con parecchi strumenti sulla scrivania.
Detto altrimenti: OpenAI descrive Astra come un modello capace di affrontare workflow composti da più passaggi usando codice, browser e software professionale. Supporta computer use, orchestrazione multi-agent e può perfino ricevere nuove indicazioni mentre sta già lavorando.
Tradotto: il prompt comincia ad assomigliare meno a una lista della spesa e più al briefing che dareste a un collaboratore. C’è però una piccola trappola. Astra tende a fermarsi e chiedere chiarimenti quando ritiene che una risposta possa cambiare significativamente il risultato. La documentazione OpenAI suggerisce quindi di specificare quando vogliamo che proceda autonomamente facendo assunzioni ragionevoli. Inoltre è più sensibile delle generazioni precedenti alle istruzioni presenti nel contesto, nei file e nelle skill. Ecco allora dieci prompt didattici.
Costruisci un’applicazione completa partendo da una frase
Il primo esperimento serve a capire la differenza tra generare codice e sviluppare un piccolo prodotto.
Con i modelli precedenti siamo abituati alla catena: fammi l’HTML, aggiungi il CSS, correggi il bottone, sistema il grafico. Una specie di Lego digitale costruito impartendo un comando per mattoncino.
Astra è pensato per mantenere la coerenza durante attività più lunghe e per portare avanti autonomamente un obiettivo. OpenAI suggerisce esplicitamente di chiedergli di persistere fino al completamento del compito.
Prompt
Costruisci una piccola web app interattiva che permetta di confrontare l’andamento demografico di Italia, Francia e Germania dal 1960 a oggi.
Recupera dati da fonti istituzionali affidabili, cita le fonti e realizza una visualizzazione chiara.
Scegli autonomamente struttura, tecnologie e interfaccia.
Non fermarti a propormi un piano: porta il progetto fino a una versione funzionante e verificabile.
Fai assunzioni ragionevoli quando mancano dettagli non essenziali.
Considera il lavoro concluso quando l’app funziona, i dati sono verificati, le fonti sono indicate e un utente può capire il confronto senza altre spiegazioni.
Trasforma un dataset in una storia
InfoData vive esattamente in questo territorio: numeri che devono diventare domande.
Qui l’esperimento consiste nel dare al modello un file e lasciargli decidere quali anomalie meritano attenzione.
Un buon agente dovrebbe comportarsi come un sommozzatore: entra nel dataset, guarda sotto la superficie e riporta qualcosa che non avevamo già visto dal pontile.
Prompt
Analizza il dataset allegato come se stessi preparando un articolo di data journalism.
Cerca autonomamente:
- anomalie;
- cambiamenti strutturali;
- record;
- differenze geografiche;
- correlazioni interessanti;
- risultati controintuitivi.
Non partire da una tesi precostituita.
Individua le cinque storie più interessanti contenute nei dati e ordinale per rilevanza giornalistica.
Per ciascuna calcola le metriche necessarie, verifica che il risultato non dipenda da un errore o da pochi casi anomali e suggerisci la visualizzazione più efficace.
Alla fine scegli tu la storia migliore e costruisci un grafico dimostrativo.
Considera concluso il lavoro solo quando numeri, metodologia e conclusioni sono controllati.
3. Costruisci un simulatore invece di spiegare un concetto
Chiedere «spiegami l’inflazione» produce testo.
Chiedere di costruire un piccolo modello interattivo produce qualcosa con cui giocare.
È la differenza tra leggere come funziona una bicicletta e salirci sopra.
Prompt
Costruisci un simulatore interattivo che spieghi a uno studente delle superiori come funziona l’interesse composto.
L’utente deve poter modificare capitale iniziale, rendimento annuale, durata e versamenti mensili.
Mostra:
- capitale versato;
- rendimento accumulato;
- capitale finale;
- andamento nel tempo.
Aggiungi un confronto tra interesse semplice e composto.
Progetta autonomamente l’esperienza e usa esempi realistici.
Evita spiegazioni matematiche inutilmente lunghe: lascia che sia il simulatore a spiegare il fenomeno.
Il lavoro è concluso quando un ragazzo di 16 anni può usare l’app senza istruzioni e capire perché il tempo modifica così tanto il risultato.
Mandalo sul web a verificare una convinzione
Il browser cambia la natura della domanda.
Invece di chiedere al modello quello che “sa”, possiamo chiedergli di costruire una risposta partendo dalle fonti disponibili oggi.
La distinzione sembra sottile. In realtà separa l’enciclopedia dall’investigatore.
Astra è stato progettato esplicitamente per attività di browsing e ricerca articolate.
Prompt
Verifica l’affermazione: “In Europa l’energia solare produce ormai più elettricità del carbone”.
Non rispondere usando soltanto la tua conoscenza interna.
Cerca sul web i dati più recenti disponibili.
Privilegia Eurostat, Ember, Commissione europea, IEA e altre fonti primarie o istituzionali.
Definisci con precisione:
- area geografica;
- periodo;
- cosa viene conteggiato come solare;
- cosa viene conteggiato come carbone.
Se le fonti misurano grandezze diverse, spiegalo.
Produci una conclusione con tre possibili etichette: vero, falso, vero ma con importanti precisazioni.
Inserisci i numeri decisivi e i collegamenti alle fonti.
Fermati solo quando hai almeno due fonti indipendenti sufficienti a sostenere la conclusione.
Dagli il ruolo di red team
Una delle applicazioni più utili dell’intelligenza artificiale consiste nel cercare motivi per cui abbiamo torto.
È meno gratificante di chiedere «dimmi perché la mia idea è brillante», ma generalmente produce risultati migliori.
Prompt
Voglio pubblicare questa conclusione:
“[INCOLLA QUI LA TESI]”.
Agisci come un red team.
Il tuo obiettivo è cercare prove, dati o problemi metodologici che potrebbero indebolirla.
Cerca sul web fonti affidabili e prova almeno cinque spiegazioni alternative.
Controlla:
causalità contro correlazione, selezione del campione, effetto della scala temporale, denominatori, inflazione, differenze geografiche e possibili variabili confondenti.Non cercare di essere diplomatico.
Alla fine assegna alla tesi un livello di robustezza da 0 a 100 e indica quali modifiche la renderebbero pubblicabile.
Fai lavorare una piccola redazione di agenti
Astra può essere utilizzato in sistemi nei quali il lavoro viene suddiviso fra sub-agent. OpenAI raccomanda di specificare quando la delega è desiderata perché il modello potrebbe altrimenti usarla meno di quanto ci aspettiamo.
Pensatela come una minuscola redazione.
Uno cerca dati. Uno controlla. Uno pensa ai grafici. Uno prova a demolire la storia.
Prompt
Analizza l’evoluzione del mercato mondiale delle auto elettriche negli ultimi cinque anni.
Quando il lavoro può essere parallelizzato, usa agenti separati.
Assegna almeno questi ruoli:
- ricercatore dei dati di mercato;
- analista Cina;
- analista Europa e Stati Uniti;
- fact checker;
- data visualization editor.
Ogni agente deve lavorare su fonti verificabili.
Integra poi i risultati evitando duplicazioni.
Produci:
- cinque numeri chiave;
- tre cambiamenti strutturali;
- due grafici;
- una conclusione controintuitiva;
- fonti e metodologia.
Non limitarti a riportare ciò che dicono gli agenti: risolvi eventuali contraddizioni prima della risposta finale.
Cambia domanda mentre sta lavorando
Una delle caratteristiche nuove di Astra riguarda il mid-turn steering: attraverso la Responses API è possibile inviare nuove istruzioni mentre il modello sta lavorando, mantenendo quanto già completato.
Per capire il concetto basta immaginare un navigatore.
Prima dicevamo la destinazione. Se cambiavamo strada, spesso conveniva ripartire. Ora possiamo dire: «evita l’autostrada» mentre il viaggio è già iniziato.
Prompt iniziale
Costruisci un’analisi comparativa del costo della vita nelle dieci maggiori città europee.
Cerca dati recenti, definisci una metodologia confrontabile e prepara una visualizzazione interattiva.
Procedi autonomamente fino al completamento.
Istruzione da inviare mentre lavora
Cambio di requisito: concentra l’analisi sui giovani sotto i 35 anni.
Aggiungi affitto di un monolocale, trasporto pubblico e stipendio netto mediano.
Mantieni il lavoro già valido e modifica soltanto ciò che serve per rispondere alla nuova domanda.
È un esperimento interessante perché verifica se il modello sa cambiare rotta senza buttare a mare metà della nave.
Dagli una cartella di documenti e chiedigli di trovare le contraddizioni
I modelli linguistici sono ottimi riassuntori.
La funzione più interessante, però, arriva un passo dopo: confrontare documenti diversi e individuare dove non raccontano la stessa storia.
Bilanci, piani industriali, comunicati stampa e presentazioni agli investitori sono un ottimo campo di prova.
Prompt
Analizza tutti i documenti allegati relativi alla stessa società.
Ricostruisci una timeline delle principali dichiarazioni su:
fatturato, margini, occupazione, investimenti, intelligenza artificiale e obiettivi ambientali.Poi confronta ciò che l’azienda dichiarava nei documenti più vecchi con i risultati effettivamente comunicati successivamente.
Evidenzia:
- obiettivi raggiunti;
- obiettivi mancati;
- obiettivi modificati;
- metriche che hanno cambiato definizione;
- affermazioni che sembrano contraddirsi.
Per ogni punto indica documento e pagina.
Non interpretare una differenza come contraddizione prima di aver verificato definizioni, periodo di riferimento e perimetro contabile.
Concludi con le cinque discrepanze più giornalisticamente rilevanti.
Chiedigli di usare davvero il computer
Astra registra prestazioni avanzate anche nel computer use, secondo la documentazione OpenAI.
Qui siamo oltre il chatbot.
L’idea è far svolgere al modello una piccola procedura dentro un’interfaccia grafica: aprire pagine, compilare campi, esportare risultati, controllare ciò che è successo.
Prompt
Utilizza il computer per costruire un esempio completo di analisi dati.
Apri [INDICARE IL SOFTWARE O SERVIZIO].
Importa il file allegato.
Crea una tabella pivot che mostri vendite per mese e categoria.
Genera un grafico che evidenzi l’andamento temporale.
Controlla che totali e filtri siano corretti.
Esporta il risultato nel formato disponibile più adatto.
Puoi decidere autonomamente i passaggi operativi.
Non fermarti per chiedermi conferma su operazioni reversibili.
Chiedi approvazione soltanto prima di azioni irreversibili o pubblicazioni esterne.
Il lavoro termina quando il file finale è verificato e pronto per essere utilizzato.
La parte fondamentale del prompt è l’ultima. OpenAI suggerisce infatti di evitare richieste di approvazione premature per attività reversibili e di arrivare quanto più possibile vicino a un risultato concreto prima di coinvolgere nuovamente l’utente.
10. Costruisci un esempio scientifico falsificabile
L’ultimo test riguarda forse la caratteristica più interessante dei modelli di reasoning: chiedere non soltanto una risposta ma un esperimento.
Prendiamo una domanda apparentemente semplice: le città più dense emettono meno CO₂ per abitante?
La risposta può diventare una piccola ricerca.
Prompt
Progetta e realizza una mini ricerca quantitativa per verificare questa ipotesi:
“A parità di reddito, nelle grandi città una maggiore densità abitativa è associata a minori emissioni di CO₂ pro capite”.
Procedi autonomamente.
- Trasforma l’ipotesi in variabili misurabili.
- Identifica dataset pubblici affidabili.
- Recupera i dati.
- Costruisci un campione sufficientemente ampio di città.
- Pulisci i dati.
- Esegui un’analisi statistica appropriata.
- Controlla almeno reddito e area geografica.
- Cerca spiegazioni alternative.
- Visualizza il risultato.
- Spiega i limiti dell’esperimento.
Non modificare l’ipotesi per ottenere un risultato interessante.
Se i dati smentiscono l’idea iniziale, considera quello un risultato valido.
Il lavoro è concluso quando un’altra persona potrebbe ricostruire l’analisi usando fonti, metodologia e passaggi che hai documentato.
La regola dei prompt per Astra: specificare il traguardo
Da questi esperimenti emerge una grammatica abbastanza semplice.
Con un chatbot tradizionale descriviamo spesso i passaggi. Con un agente conviene descrivere soprattutto l’obiettivo, i vincoli, gli strumenti disponibili e il criterio di completamento.
OpenAI segnala inoltre che Astra è più sensibile alle istruzioni contenute in file, skill e contesto. Vecchi prompt costruiti per altri modelli possono quindi diventare come cartelli stradali dimenticati dopo un cambio di viabilità: formalmente esistono ancora, ma mandano il traffico nella direzione sbagliata. Da qui il consiglio di controllare AGENTS.md, skill e altre istruzioni persistenti.
C’è poi un dettaglio curioso. OpenAI scrive che Astra tende già a essere molto scrupoloso nei test del software. Ordinargli continuamente di «testare tutto» può produrre verifiche sproporzionate per modifiche banali. Meglio definire ciò che deve funzionare e lasciare al modello una certa libertà nel decidere quanto controllare. È probabilmente questo il salto culturale più interessante. Il prompt perfetto diventa meno simile alle istruzioni di montaggio di un armadio Ikea. Assomiglia sempre di più alla frase che un buon capo dovrebbe riuscire a dire a un buon collaboratore:
Questo è il problema, questi sono i vincoli, questo è ciò che considero un buon risultato. Adesso prova a risolverlo.
Per approfondire.
