Chain of thought: cos’è e come funziona il prompting a catena di pensiero

Se hai mai chiesto a ChatGPT di risolvere un problema di matematica o di ragionare su una decisione complessa, forse hai notato una cosa curiosa. Quando il modello spara subito la risposta finale sbaglia spesso, mentre quando lo inviti a spiegare i passaggi la qualità cambia in modo evidente. Non è un caso.

Questo comportamento è il cuore del chain of thought, una delle tecniche più importanti degli ultimi anni per far ragionare l’intelligenza artificiale. Il chain of thought, in italiano catena di pensiero, è il metodo che spinge un modello linguistico a mostrare i passaggi intermedi del suo ragionamento invece di consegnare direttamente il risultato.

Sembra un dettaglio, ma ha cambiato il modo in cui usiamo i modelli di grandi dimensioni e ha aperto la strada ai moderni modelli di ragionamento come la famiglia o1 di OpenAI. In questa guida vedrai cos’è, come funziona davvero, come scrivere prompt che lo sfruttano e quali sono i suoi limiti, così da usarlo con criterio nel tuo lavoro di ogni giorno.

Che cos’è il chain of thought

Il chain of thought è una tecnica di prompting che chiede al modello di articolare un ragionamento passo dopo passo prima di arrivare alla conclusione. Invece di produrre solo l’output finale, il modello genera una sequenza di passaggi logici intermedi, un po’ come farebbe uno studente che risolve un problema mostrando tutti i calcoli sul foglio.

L’intuizione è semplice ma potente. Un modello linguistico produce testo una parola alla volta, e ogni parola che scrive diventa parte del contesto che guida quella successiva. Se costringi il modello a scrivere prima il ragionamento, quel ragionamento diventa una base su cui poggiare la risposta finale, che risulta quindi più accurata e coerente.

Questo cambia tutto per i problemi che richiedono più di un passaggio.

Pensa a un’operazione aritmetica con diversi passaggi, a un indovinello logico o a una domanda che richiede di combinare più informazioni. Chiedere la risposta secca è come pretendere che qualcuno risolva a mente un calcolo complicato: a volte funziona, spesso no. Chiedere di ragionare a voce alta, invece, distribuisce la difficoltà su più passaggi e riduce in modo drastico gli errori.

Facciamo un esempio concreto. Immagina di chiedere quanti minuti ci sono in una settimana. Un modello che risponde di getto può sbagliare il calcolo, perché prova a indovinare il numero finale in un colpo solo. Lo stesso modello, se ragiona per passaggi, moltiplica prima i minuti di un’ora per le ore di un giorno, poi il risultato per i sette giorni della settimana, e arriva con sicurezza al numero corretto. Il compito non è cambiato, ma il metodo per affrontarlo sì, ed è tutto ciò che serve per ottenere una risposta giusta.

Da dove nasce la catena di pensiero

Il termine chain of thought è stato reso popolare nel 2022 da un gruppo di ricercatori di Google, in un lavoro diventato un punto di riferimento del settore. Gli autori mostrarono che, fornendo ai modelli alcuni esempi in cui la soluzione veniva spiegata passaggio per passaggio, le prestazioni su compiti di aritmetica, ragionamento simbolico e logica miglioravano in modo netto rispetto ai prompt tradizionali.

La scoperta più interessante fu un’altra: questa capacità emerge soprattutto nei modelli molto grandi. Nei modelli piccoli il ragionamento esplicito porta pochi benefici, mentre oltre una certa soglia di dimensioni il chain of thought sblocca abilità che prima sembravano fuori portata. È uno dei tanti esempi di come, nell’AI moderna, la scala cambi la natura stessa di ciò che un sistema sa fare.

Come funziona il chain of thought

Per capire perché il chain of thought funziona bisogna ricordare come ragiona, o meglio come non ragiona, un modello linguistico. Un large language model non ha un piano mentale nascosto: genera testo prevedendo il token più probabile in base a tutto ciò che ha letto e scritto fino a quel momento. Se vuoi approfondire questo meccanismo puoi leggere la nostra guida su come funzionano i large language model.

La conseguenza è che il modello non ha uno spazio separato in cui pensare prima di parlare. Il suo unico spazio di lavoro è il testo che produce.

Ecco perché scrivere il ragionamento conta davvero. Quando il modello mette nero su bianco i passaggi intermedi, quei passaggi diventano parte del contesto e influenzano le previsioni successive. In pratica il testo generato funziona come una memoria di lavoro temporanea, in cui il modello appoggia i risultati parziali per poi riutilizzarli.

Esistono due modi principali per attivare questo comportamento, ed è utile conoscerli entrambi.

Few-shot chain of thought

Il primo approccio, storicamente il più antico, è il few-shot chain of thought. Consiste nel mostrare al modello alcuni esempi completi in cui non solo indichi la domanda e la risposta, ma esibisci anche il ragionamento che collega l’una all’altra. Il modello osserva questi esempi e impara a imitarne lo stile: di fronte a un nuovo problema, riproduce la stessa struttura a passaggi.

Questo metodo è molto efficace quando il compito ha una logica ricorrente, per esempio problemi matematici dello stesso tipo o classificazioni che seguono criteri precisi. Lo svantaggio è che devi preparare gli esempi a mano e che occupano spazio prezioso nel prompt, un aspetto che pesa sulla finestra di contesto disponibile.

Zero-shot chain of thought

Il secondo approccio è ancora più semplice e quasi magico nella sua immediatezza. Si è scoperto che spesso basta aggiungere alla domanda una frase come “ragioniamo passo dopo passo” per indurre il modello a produrre spontaneamente una catena di pensiero, senza fornire alcun esempio.

Questa variante si chiama zero-shot chain of thought perché non richiede dimostrazioni preconfezionate.

Nella pratica quotidiana è la tecnica che userai più spesso. Aggiungere un semplice invito a procedere con ordine, a elencare i passaggi o a spiegare il ragionamento prima di concludere è sufficiente per ottenere risposte più solide su un’enorme varietà di compiti, dalla matematica alla pianificazione, dall’analisi di un testo alla risoluzione di un problema di programmazione.

Dai prompt ai modelli di ragionamento

Fino a poco tempo fa il chain of thought era qualcosa che dovevi richiedere esplicitamente. Scrivevi tu il prompt giusto e il modello, in cambio, mostrava i passaggi. Con l’arrivo dei modelli di ragionamento le cose sono cambiate in modo profondo.

Modelli come la serie o1 di OpenAI, e i sistemi analoghi sviluppati dagli altri laboratori, hanno interiorizzato la catena di pensiero. Non devi più chiedere loro di ragionare: lo fanno da soli, generando internamente lunghe sequenze di ragionamento prima di formulare la risposta che vedi. Questo ragionamento interno viene addestrato con tecniche di apprendimento per rinforzo, in cui il modello viene premiato quando arriva alla soluzione corretta.

Il salto di qualità su matematica, programmazione e problemi scientifici è stato notevole.

C’è però una differenza importante da tenere a mente. Nei modelli di ragionamento la catena di pensiero è spesso nascosta o riassunta, perché i laboratori la considerano delicata e non sempre la mostrano per intero all’utente. Il principio, comunque, resta lo stesso che hai visto finora: pensare per passaggi prima di rispondere migliora la qualità del risultato. Quello che prima facevi tu con il prompt, oggi il modello lo fa di sua iniziativa.

Capire questo ti aiuta anche a scegliere lo strumento giusto. Per compiti semplici un modello tradizionale con un buon prompt in chain of thought è veloce ed economico, mentre per problemi davvero complessi conviene affidarsi a un modello di ragionamento, accettando tempi di risposta più lunghi in cambio di maggiore affidabilità.

Le varianti principali del chain of thought

Attorno all’idea di base sono nate diverse tecniche più sofisticate. Non è necessario padroneggiarle tutte, ma conoscerle ti dà un vocabolario utile per capire come vengono costruiti i sistemi di AI più avanzati e per sperimentare quando un semplice prompt non basta.

Self-consistency

La self-consistency parte da un’osservazione pratica: un modello può arrivare alla stessa conclusione seguendo strade diverse. L’idea è generare più catene di pensiero indipendenti sulla stessa domanda e poi scegliere la risposta che compare con maggiore frequenza, come una specie di votazione interna.

Questo approccio riduce il rischio che un singolo ragionamento sbagliato porti a un risultato errato, perché fa emergere la soluzione più stabile. Il costo, ovviamente, è che devi far ragionare il modello più volte, con un consumo maggiore di tempo e risorse.

Tree of thought

Il tree of thought, o albero dei pensieri, spinge l’idea ancora più in là. Invece di seguire un’unica linea di ragionamento, il modello esplora più ramificazioni possibili, valuta i percorsi intermedi e può tornare indietro se un ramo si rivela un vicolo cieco.

È un metodo particolarmente adatto ai problemi in cui servono pianificazione e tentativi, come rompicapi, giochi o compiti che richiedono di provare più strategie. In cambio della maggiore potenza, richiede però un’orchestrazione più complessa e non si ottiene con un semplice prompt.

Least-to-most e altri approcci

Un’altra variante interessante è il least-to-most prompting, che chiede al modello di scomporre un problema difficile in sotto-problemi più semplici, da risolvere in sequenza dal più facile al più complesso. Ogni soluzione parziale diventa un mattoncino per affrontare il passaggio successivo.

Vale la pena citare anche gli approcci che uniscono ragionamento e azione, in cui il modello alterna passaggi di pensiero a chiamate verso strumenti esterni, come una ricerca sul web o l’esecuzione di codice. Sono la base concettuale degli agenti AI moderni, che ragionano e agiscono in un ciclo continuo per portare a termine compiti complessi.

Come scrivere un prompt in chain of thought

Passiamo alla parte pratica, quella che ti servirà davvero. La buona notizia è che sfruttare il chain of thought non richiede competenze tecniche: bastano poche accortezze nella formulazione delle richieste. Se vuoi un quadro più ampio, trovi molti principi utili nella nostra guida al prompt engineering.

Il primo consiglio è il più diretto: chiedi esplicitamente il ragionamento. Aggiungere alla domanda un invito a procedere per passaggi, a spiegare la logica o a mostrare i calcoli è quasi sempre sufficiente per attivare la catena di pensiero. Formule come “spiega il tuo ragionamento passo dopo passo prima di rispondere” funzionano su quasi tutti i modelli.

Per capirci con un caso pratico, invece di scrivere soltanto “quale piano di abbonamento mi conviene”, puoi chiedere “confronta i tre piani elencando per ciascuno costi, vantaggi e limiti, poi consiglia il più adatto a chi lavora da solo e spiega il perché della scelta”. La seconda formulazione obbliga il modello a costruire il ragionamento prima di sbilanciarsi, e la raccomandazione finale ne esce molto più affidabile e trasparente.

Il secondo consiglio riguarda l’ordine. Se vuoi una risposta finale pulita, chiedi al modello di ragionare prima e di concludere solo alla fine, magari indicando chiaramente la risposta con un’etichetta. Così ottieni sia la trasparenza del ragionamento sia una conclusione facile da individuare.

Un terzo accorgimento è fornire esempi quando il compito è ripetitivo. Se devi far analizzare al modello decine di casi simili, mostragli una o due volte come vuoi che ragioni: catturerà lo schema e lo applicherà con costanza a tutti i casi successivi.

Attenzione però a non esagerare.

Per domande semplici, dove la risposta è immediata, imporre un ragionamento lungo è controproducente: allunga i tempi, consuma più token e a volte introduce errori dove non ce n’erano. Il chain of thought è uno strumento per i problemi complessi, non un rituale da applicare sempre. Impara a riconoscere quando il compito lo richiede davvero e quando invece una risposta diretta è la scelta migliore.

Un ultimo suggerimento pratico riguarda la verifica. Quando il modello mostra i passaggi, hai la possibilità di controllarli. Leggere il ragionamento ti permette di individuare dove eventualmente sbaglia, correggere il tiro con una domanda di follow-up e capire se puoi fidarti della conclusione. È uno dei vantaggi più sottovalutati della tecnica.

Vantaggi e limiti da conoscere

Il chain of thought porta benefici concreti. Migliora l’accuratezza sui compiti che richiedono più passaggi, rende il ragionamento del modello trasparente e quindi verificabile, e ti offre un modo semplice per guidare l’AI verso risposte più affidabili senza dover riaddestrare nulla. Per chi lavora con l’AI ogni giorno, è probabilmente il singolo accorgimento con il miglior rapporto tra sforzo e risultato.

Anche riconoscere gli errori diventa più facile, perché un ragionamento esplicito può aiutarti a intercettare le allucinazioni dell’intelligenza artificiale prima che finiscano nella risposta finale.

Ci sono però limiti da non ignorare.

Il primo è il costo. Generare lunghe catene di pensiero significa produrre molti più token, e questo si traduce in tempi di risposta più lunghi e, se usi le API a pagamento, in una spesa maggiore. Su volumi elevati la differenza si fa sentire.

Il secondo limite è più sottile e importante da comprendere. Il ragionamento che il modello mostra non sempre corrisponde al processo reale che lo ha portato alla risposta. In alcuni casi il modello produce una spiegazione plausibile a posteriori, che sembra logica ma non riflette davvero i calcoli interni. Questo significa che una catena di pensiero convincente non è una garanzia assoluta di correttezza: resta uno strumento prezioso, ma va usato con spirito critico.

Infine, il chain of thought non trasforma un modello in un ragionatore infallibile. Riduce gli errori, non li elimina. Su problemi molto difficili anche il ragionamento più curato può contenere passaggi sbagliati, e la responsabilità di verificare i risultati importanti resta sempre tua.

Applicazioni pratiche nel lavoro di tutti i giorni

Le occasioni per usare il chain of thought sono più numerose di quanto sembri e attraversano quasi ogni professione. Vale la pena vedere qualche esempio concreto, così da capire dove la tecnica fa davvero la differenza.

Nel marketing e nella creazione di contenuti, chiedere al modello di ragionare prima di produrre aiuta a ottenere strategie più coerenti. Se gli chiedi di pianificare una campagna spiegando prima obiettivi, pubblico e canali, il risultato è molto più solido di una risposta improvvisata. Lo stesso vale per l’analisi di dati o per la scelta delle parole chiave in un progetto SEO, dove i passaggi intermedi rendono trasparente il criterio con cui il modello arriva alle sue raccomandazioni.

Nella programmazione il chain of thought è quasi indispensabile.

Chiedere al modello di spiegare la logica prima di scrivere il codice, o di ragionare sul motivo di un errore prima di proporre una correzione, produce soluzioni più affidabili e più facili da capire. È il motivo per cui gli assistenti di coding più avanzati mostrano spesso il proprio ragionamento mentre lavorano.

Anche nello studio e nella formazione la tecnica dà ottimi frutti. Un modello che spiega passaggio per passaggio come si risolve un problema diventa un tutor paziente, capace di mostrare non solo la risposta ma il metodo per arrivarci. Per chi impara, vedere il ragionamento vale spesso più della soluzione stessa.

C’è poi tutto il terreno delle decisioni e delle analisi. Quando chiedi all’AI di valutare i pro e i contro di una scelta, di confrontare due opzioni o di stimare un rischio, il ragionamento esplicito ti mostra i criteri che sta usando. Puoi così accorgerti se ha trascurato un fattore importante e correggere la rotta, trasformando il modello in un compagno di ragionamento invece che in un oracolo da prendere o lasciare.

Conclusioni

Il chain of thought è una di quelle idee tanto semplici quanto rivoluzionarie. Chiedere all’AI di pensare per passaggi, invece di pretendere subito la risposta, migliora l’accuratezza, rende il ragionamento trasparente e ti dà più controllo su quello che ottieni. È passato in pochi anni da trucco per esperti a principio incorporato nei modelli di ragionamento più potenti.

La cosa più importante da ricordare è che non serve essere programmatori per sfruttarlo. Basta imparare a formulare le richieste nel modo giusto, riconoscere quando un problema merita un ragionamento articolato e leggere con occhio critico i passaggi che il modello propone.

Prova ad applicarlo fin dalla tua prossima conversazione con un assistente AI. Prendi una domanda complessa che ti sta a cuore, chiedi al modello di ragionare passo dopo passo e confronta il risultato con la risposta secca che avresti ottenuto altrimenti. Con ogni probabilità la differenza ti sorprenderà, e avrai in mano uno strumento in più per far lavorare l’intelligenza artificiale al meglio.