I limiti e come gestirli
Ho raccolto e analizzato i principali limiti delle chat degli LLM. L’ordine è indicativo della loro importanza ma varia a seconda del compito che dovrete eseguire.
Per chi non ha voglia di leggere tutto il capitolo, il succo sta in cinque mosse:
- non fidatevi di un contenuto solo perché è ben scritto, verificate
- date contesto, vincoli ed esempi già nel primo messaggio, è la leva che cambia di più la qualità
- imponete la ricerca per tutto ciò che è recente o che conta davvero
- formulate domande neutre e non insistete per avere ragione, il modello tende ad assecondarvi
- tenete le chat brevi, e se una parte male, apritene un’altra invece di raddrizzarla
Una cosa che vi farà risparmiare tempo e illusioni: non esiste una formula magica di prompt che funziona sempre. Le tecniche cambiano da modello a modello e invecchiano in fretta, quello che funzionava benissimo un anno fa oggi può non servire più. È forse la cosa più onesta che si possa dire sul prompting nel 2026. Conta più la prova sul campo che il nome della tecnica e quindi la realtà è che, con l’uso, questi limiti si interiorizzano e viene quasi istintivo adottare comportamenti e tecniche per limitarli.
1. Produce testo plausibile, non verità
Può allucinare, confondere fatti, inferenze e opinioni, e citare fonti inventate.
Cosa succede: per design non possiede un “archivio della verità”: genera la risposta parola dopo parola su base probabilistica, scegliendo ciò che è statisticamente plausibile. Siccome dialoga bene, è facile confondere la qualità della forma per qualità del contenuto. Le fonti inventate sono molto diminuite da quando i modelli fanno ricerche, ma quando non le fanno il rischio resta.
Cosa fare: non fidarsi di un contenuto solo perché è ben scritto. Chiedere sempre di fare ricerca e se possibile, aprire e verificare le fonti. Su ciò che conta, far cercare e incrociare più fonti e, soprattutto, fornire le proprie fonti affidabili.
2. Sicurezza eccessiva anche quando sbaglia, fatica a dire “non lo so”
Cosa succede: il modello tende a rispondere con lo stesso tono sicuro sia quando sa sia quando sta tirando a indovinare. Raramente avverte “questo potrebbe essere falso” o “non lo so”, anche se i modelli recenti lo fanno un più spesso. Il risultato è che dal tono non capisci quanto fidarti.
Cosa fare: non leggere la sicurezza del tono come garanzia di correttezza. Chiedere esplicitamente il grado di certezza e su cosa si basa, e cosa potrebbe smentire la risposta. Diffidare in particolare quando non è stata fatta nessuna ricerca.
3. Sycophancy: tende a compiacerti e ti asseconda anche quando sbagli
Cosa succede: si manifesta in più modi: ti dà ragione anche quando sbagli, asseconda la premessa sbagliata nascosta nella domanda, e cede se insisti, ribaltando una risposta corretta solo perché la contesti. Dipende da come è stato addestrato: ha imparato che le risposte gradite vengono premiate.
Cosa fare: formulare la richiesta come domanda neutra, non come affermazione da confermare. Chiedere di criticare la propria tesi, non di difenderla. Attenzione: dire semplicemente “non essere accondiscendente” funziona poco, contano molto più la forma neutra della domanda e il non insistere quando il modello ha già risposto.
4. Gestisce male l’ambiguità: se la richiesta è vaga, inventa invece di chiedere
Cosa succede: davanti a una richiesta incompleta o vaga non si ferma a chiedere chiarimenti: riempie i vuoti con assunzioni, spesso sbagliate. È il primo messaggio a decidere la direzione di tutta la risposta, e spesso dura per tutta la chat.
Cosa fare: dare contesto, vincoli ed esempi già nel primo messaggio. Se la richiesta è complessa, chiedergli prima “cosa ti serve sapere per rispondere bene” e poi formulare la domanda definitiva.
5. Errori di logica, calcolo, matematica, date, conteggi
Cosa succede: non ragiona con logica rigida, riconosce e applica schemi già visti. Quindi è fortissimo su problemi tipici ma può sbagliare quando il problema esce dallo schema, anche solo con numeri diversi o una frase in più. Negli ultimi tempi è migliorato molto: il calo oggi è contenuto, non più grave come un tempo.
Cosa fare: per i conti, chiedergli di usare uno strumento di calcolo (codice): elimina gli errori di aritmetica. Attenzione però: lo strumento esegue i calcoli giusti, ma non si accorge se ha impostato male il problema. Quindi sui problemi a più passaggi, fargli scrivere il ragionamento passo per passo e rileggerlo. Date, conteggi e ordinamenti: ricontrollarli sempre a mano perché sbaglia sempre con la stessa sicurezza.
6. Non cerca e non segue le istruzioni, spesso ha un comportamento pigro
Cosa succede: approssima le istruzioni invece di eseguirle alla lettera. Tre casi tipici: salta la ricerca e risponde dalle sue conoscenze anche quando servirebbe cercare; ignora o esegue a metà le richieste. Quando glielo fai notare si corregge e si scusa, ma non perché ha capito: cede perché lo contesti.
Cosa fare: istruzioni una alla volta o in elenco breve, non tutto in un blocco. Quando serve cercare, dirlo esplicitamente (“cerca sul web prima di rispondere”). Verificare sempre che abbia eseguito ogni punto, non darlo per scontato. Se ha saltato qualcosa, ripetere la singola istruzione invece di rifare tutto.
7. Knowledge cutoff: informazioni non aggiornate
Cosa succede: il modello “sa” fino a una certa data. Oltre, senza ricerca, attinge le informazioni dai dati ricevuti in addestramento che hanno un basso grado di affidabilità.
Cosa fare: per qualsiasi cosa recente, imporre la ricerca, cosa che gli LLM attuali fanno spesso, ma non sempre. Usare la parola.
8. Contesto limitato dentro la chat
Cosa succede: le chat lunghe peggiorano la qualità. Il modello può perdere dettagli, soprattutto quelli centrali, dimenticare vincoli dati all’inizio, confondere istruzioni vecchie e nuove o contraddirsi. Inoltre prompt e risposta condividono lo stesso tetto di token: un input molto lungo lascia meno spazio alla risposta, che si accorcia o si tronca.
Cosa fare: tenere le chat brevi e mirate. Ripetere i vincoli importanti alla fine del prompt. Quando la chat diventa lunga, fare un riassunto operativo e ripartire in una nuova chat.
9. Mancanza di memoria tra una chat e l’altra
Cosa succede: una nuova chat non eredita automaticamente tutto quello che è stato detto in una chat precedente. Può ricordare solo tramite funzioni dedicate, progetti, memoria salvata o materiale che l’utente reincolla.
Cosa fare: quando si apre una nuova chat, fornire subito contesto, obiettivo, vincoli e stato del lavoro. Per lavori lunghi, mantenere un riassunto aggiornato da copiare nelle nuove chat.
10. Alcune chat nascono bene, altre male
Cosa succede: le risposte sono generate con un margine di casualità, quindi non sono mai identiche anche a parità di domanda. Inoltre ogni risposta si basa su quelle precedenti, e se le prime sono deboli diventano il contesto su cui il modello costruisce le successive. Per questo una chat non decade in modo graduale, si incanala presto su un binario, buono o cattivo, e ci resta.
Cosa fare: se la chat parte male, abbandonala. Non cercare di raddrizzarla. Apri una chat nuova col contesto consolidato in un solo messaggio.
Altri limiti
11. Lingue meno rappresentate trattate peggio
Cosa succede: inglese nettamente meglio, ma il livello dei frontiera sulle lingue maggiori è ormai notevole.
Cosa fare: per output di qualità in italiano, rileggere con occhio critico. Per lavori delicati, confrontare con la versione inglese.
12. Comunicazione: verboso, generico, tono non adeguato
Fatica con ironia e sottintesi, traduzioni imperfette; parlano con stile tipico AI.
Cosa succede: tende a riempire. Senza guida resta sul generico e sul neutro; se non istruito bene, il suo linguaggio si riconosce ed è di una noia mortale: tante parole, poco succo.
Cosa fare: dare istruzioni precise su lunghezza, tono, destinatario. Dare esempi del registro voluto.
13. Bias dei dati di addestramento, amplifica stereotipi
Cosa succede: subdola perché difficile da identificare, specie per noi occidentali immersi negli stessi bias.
Cosa fare: non esiste un prompt che elimini il bias, anzi insistere può produrre l’effetto opposto (lo stereotipo rovesciato). L’unica vera difesa è la consapevolezza: sapere che l’output riflette i dati su cui è stato addestrato, e diffidare su temi culturali, sociali e di genere, soprattutto quando la risposta conferma ciò che già pensiamo.
14. Non capisce il mondo, non ha esperienza diretta, ragionamento spaziale debole
Cosa succede: vera, ma diventa un limite solo se si umanizza troppo l’LLM. Oggi sono strumenti, non entità. Sul mondo fisico l’architettura attuale ha limiti forse strutturali.
Cosa fare: non delegare giudizi che richiedono esperienza del mondo reale. Trattarlo come strumento, non come persona.
15. Scelte di design, non difetti
Rifiuti per policy, prudenza su medico/legale/finanziario, vulnerabilità a jailbreak e prompt injection.
Cosa succede: non sono guasti, sono scelte. Alcune proteggono l’utente, altre sono limiti residui di sicurezza.
Cosa fare: sapere che certi rifiuti sono voluti. Su medico/legale/finanziario usarlo come supporto, non come decisore.