Vai al contenuto principale
Italiano— Scegli una lingua
Menu

Prompt condizionali e ramificati

Lezione 11 di 16 Aggiornata il 5 novembre 2026 Principiante
In questa pagina
  1. Scrivi una regola “se/allora”
  2. Combina più criteri
  3. Ordina un’intera lista in un’unica passata
  4. Produci più versioni dello stesso messaggio
  5. Annida le condizioni
  6. Usa le condizioni come guardrail
  7. A te la parola
  8. Punti chiave

Finora, i tuoi prompt hanno seguito un percorso lineare: un’istruzione, un risultato. Le situazioni professionali reali sono raramente così docili. Cosa fai quando la risposta giusta dipende da una caratteristica che conoscerai solo dopo aver elaborato il caso, o quando devi coprire più scenari in un’unica passata? I prompt condizionali e ramificati assorbono questa variabilità: invece di scrivere un prompt separato per ogni scenario, scrivi una volta sola la regola che discrimina tra di essi.

Scrivi una regola “se/allora”

Il condizionale più semplice descrive i casi possibili e l’azione associata a ciascuno. Immagina di moderare le recensioni sul profilo della tua attività: i commenti arrivano ogni giorno, mescolati, e non richiedono tutti la stessa risposta.

Analyze this customer review and respond appropriately.

Rules:
- If the review is positive: thank them warmly and invite
  them to leave a Google review
- If the review is negative: apologize, ask for
  details about the issue, and offer direct contact
- If the review is a question: answer factually and offer
  to take it further by email
- If the review is spam: simply state "SPAM - delete"

Review: "[PASTE REVIEW HERE]"

Questo singolo prompt copre quattro casi e ti permette di elaborare decine di recensioni senza riscrivere nulla tra l’una e l’altra. Il cambiamento è più profondo di quanto sembri: non devi più ordinare preventivamente per scegliere il prompt giusto; l’ordinamento fa ora parte dell’istruzione.

Combina più criteri

Quando la risposta dipende da due o tre variabili contemporaneamente, scrivi le tue condizioni come un albero decisionale. Un consulente di carriera non dà lo stesso consiglio a un professionista junior che cambia settore rispetto a un dirigente senior che vuole avviare un’azienda; il prompt seguente codifica questo discernimento una volta per tutte.

You are a professional career counselor.
A candidate provides the following information.
Tailor your recommendations to their profile.

Candidate profile:
- Experience: [JUNIOR (0-2 years) / MID-LEVEL (3-7 years) / SENIOR (8+ years)]
- Current sector: [SECTOR]
- Goal: [ADVANCEMENT / CAREER CHANGE / START A BUSINESS]
- Constraint: [GEOGRAPHIC / SALARY / TIME / NONE]

Adaptation rules:
- If JUNIOR + ADVANCEMENT: focus on skills to acquire
  and relevant training
- If JUNIOR + CAREER CHANGE: emphasize transferable skills
  and suggest concrete bridges
- If MID-LEVEL + ADVANCEMENT: propose positioning strategies
  and targeted networking
- If MID-LEVEL + START A BUSINESS: assess feasibility and propose
  a gradual transition plan
- If SENIOR + ADVANCEMENT: steer toward leadership or
  advisory roles, with personal branding
- If SENIOR + START A BUSINESS: leverage existing expertise
  and network

If GEOGRAPHIC constraint: include remote-first options.
If SALARY constraint: prioritize fast-income options.
If TIME constraint: propose an accelerated plan.

Osserva la struttura piuttosto che il contenuto: l’intersezione tra esperienza e obiettivo determina la sostanza del consiglio, mentre il vincolo agisce come un filtro applicato sopra il risultato. Separare questi due livelli invece di combinare tutto evita di scrivere diciotto regole quando nove bastano, e ti permette di aggiungere un quarto vincolo domani senza riscrivere l’intero albero.

Ordina un’intera lista in un’unica passata

Lo stesso meccanismo trasforma un’attività manuale di qualificazione in un’unica operazione. Su un’esportazione di lead, le condizioni agiscono come una griglia di punteggio e la tabella impone un deliverable che il team vendite può utilizzare immediatamente, senza riformattazione.

Here is a list of 10 sales leads. For each, assess
priority and propose the appropriate follow-up action.

Scoring rules:
- If the lead visited the pricing page: HOT -> propose a call
- If the lead downloaded a white paper: WARM -> send a
  personalized nurturing email
- If the lead only subscribed to the newsletter: COLD -> add
  to the automated sequence
- If the lead requested a demo: VERY HOT -> call within 24h

For each lead, produce:
| Name | Behavior | Score | Recommended action | Personalized message (2 lines) |

Leads:
1. Marie L. - visited pricing + downloaded the "ROI Guide" white paper
2. Thomas D. - subscribed to newsletter 3 months ago, no activity since
3. Sophie R. - demo request received yesterday, company of 200 employees
[...]

Una precauzione prima di incollare una lista del genere: coinvolge dati personali. Verifica cosa consentono il tuo piano e le regole della tua azienda. Sui piani Business, Enterprise ed Edu, OpenAI non utilizza i tuoi contenuti per addestrare i suoi modelli per impostazione predefinita; sui piani personali, potrebbero essere utilizzati per l’addestramento a meno che tu non lo abbia disattivato nelle impostazioni di controllo dei dati. In ogni caso, mantieni solo le informazioni necessarie per l’ordinamento, ad esempio un nome e un’iniziale piuttosto che nome completo e indirizzo.

Produci più versioni dello stesso messaggio

Una variante utile consiste nel non chiedere una scelta, ma tutte le ramificazioni contemporaneamente. Questa è la situazione tipica per un annuncio delicato che deve circolare a diversi pubblici senza mai contraddirsi da un canale all’altro.

We are preparing an announcement about a restructuring of the sales team.
Write 3 versions of the message based on context.

Scenario A - Team meeting (direct, transparent tone):
The announcement is made in person to the affected team.
Priority: honesty and addressing concerns.

Scenario B - Internal email to the entire company (factual, reassuring tone):
General information sent to all employees.
Priority: clarity and message stability.

Scenario C - Communication to clients (professional, confident tone):
Message intended for key clients who have a dedicated contact.
Priority: service continuity and trust.

For each scenario, produce:
1. The full message (200 words max)
2. The 3 likely questions and prepared answers
3. The main point of vigilance

Ottenere tutte e tre le versioni in un’unica risposta non è solo un risparmio di tempo; è un vantaggio in termini di coerenza: il modello ha le altre due sotto gli occhi mentre ne redige ciascuna, cosa che non accadrebbe se aprissi tre conversazioni separate.

Costruisci un albero di condizioni Quattro passaggi: descrivi i casi possibili; scrivi una regola se/allora per ciascuno; includi un caso predefinito; testa con tre input che attivano rami diversi. SE, ALLORA, ALTRIMENTI Costruisci un albero di condizioni 1 Caso Descrivi i casi possibili 2 Regole Se…, allora… 3 Predefinito Un caso predefinito 4 Test Tre input diversi Una condizione vaga come "se il tono è nella media" non significa nulla per il modello: rendila osservabile.
Basato sull'articolo "Best practices for prompt engineering with the OpenAI API" dal Centro Assistenza OpenAI (novembre 2026).

Annida le condizioni

Per compromessi davvero complessi, annida le condizioni come faresti in una nota di ambito. L’esempio seguente fa dipendere la raccomandazione da una prima fascia di budget, poi, all’interno di ogni fascia, da un secondo criterio che non è lo stesso ovunque: ciclo di vendita per i budget estremi, maturità del mercato per la fascia intermedia.

Help me choose the best customer acquisition strategy.

Decision parameters:
- Monthly budget: [AMOUNT]
- Sales cycle: [SHORT (< 1 month) / LONG (> 3 months)]
- Market maturity: [MATURE / EMERGING]

Recommendation logic:
IF budget < 5,000 EUR:
  IF cycle SHORT -> SEO + content marketing
  IF cycle LONG -> Organic LinkedIn + email nurturing
IF budget 5,000-20,000 EUR:
  IF market MATURE -> Google Ads + retargeting
  IF market EMERGING -> Content + industry events
IF budget > 20,000 EUR:
  IF cycle SHORT -> Google Ads + LinkedIn Ads + SDR
  IF cycle LONG -> ABM (Account Based Marketing) + events

For each recommendation, detail:
1. Budget allocation by channel
2. KPIs to track
3. Expected results at 3 and 6 months

Usa le condizioni come guardrail

Le regole condizionali non servono solo a orientare i contenuti: possono monitorare la qualità dell’output mentre viene scritto. Ogni “se” diventa un’istruzione di autocorrezione che il modello applica al proprio testo, invece di lasciarti scoprire il problema durante la revisione.

Write an 800-word blog post on e-commerce trends in 2026.

Guardrails:
- If you mention a statistic, cite the source or indicate
  "estimate" in parentheses
- If you claim a trend is "the most important," justify
  with at least 2 arguments
- If a paragraph exceeds 100 words, split it in two
- If you use a technical term, add an explanation in
  parentheses the first time
- If you can't find a concrete example for a point, flag it
  with [ADD EXAMPLE]

A te la parola

Costruisci e testa il tuo albero decisionale. Scegli un’attività che ripeti dove gli scenari variano, quindi adattala a questa matrice.

[YOUR RECURRING TASK]

Conditions:
- If [CONDITION A] then [ACTION A]
- If [CONDITION B] then [ACTION B]
- If [CONDITION C] then [ACTION C]
- If no condition applies: [DEFAULT ACTION]

Apply these conditions to:
[YOUR DATA]

Quindi testa con almeno tre input diversi, scelti per attivare rami distinti. Questo test rivela quasi sempre uno dei tre difetti classici. Una condizione formulata in termini vaghi — “se il tono è nella media” — non significa nulla per il modello: sostituiscila con un criterio oggettivo o fornisci un esempio di ogni categoria. L’assenza di un caso predefinito lascia il modello improvvisare non appena un input cade fuori dallo schema previsto, ed è lì che compaiono risposte incongrue; la riga “altrimenti / in tutti gli altri casi” non è mai superflua. Infine, oltre sei o sette rami, il prompt diventa impossibile da mantenere: non saprai quale ha prodotto un dato risultato. Semplifica o dividilo in più prompt concatenati.

Fonti ufficiali: Best practices for prompt engineering with the OpenAI API · How your data is used to improve model performance (Centro Assistenza OpenAI)

Punti chiave

  • I prompt condizionali adattano la risposta a casi diversi utilizzando regole “se/allora”.
  • La ramificazione multi-criterio ti permette di gestire situazioni complesse in un unico prompt.
  • L’elaborazione in batch con condizioni automatizza l’analisi di intere liste.
  • I prompt multi-scenario producono diverse versioni adattate a contesti differenti.
  • Includi sempre un caso predefinito e limita il numero di rami per mantenere la chiarezza.
  • Prima di elaborare dati personali, verifica cosa consentono il tuo piano e la tua azienda, e minimizza i dati allo stretto necessario.