Prompting guidance for GPT-5.6 Sol
L’industria dell’intelligenza artificiale ha alimentato una convinzione quasi religiosa: più lungo era il prompt, migliore sarebbe stata la risposta. Manuali di decine di pagine, prompt “monster”, XML annidati, checklist infinite e istruzioni ridondanti sono diventati lo standard nelle aziende che sviluppavano applicazioni basate su modelli linguistici. Oggi OpenAI sta sostanzialmente dicendo che gran parte di quel lavoro è diventato un costo inutile. La nuova guida ufficiale al prompting per GPT-5.6 Sol, il modello di punta rilasciato dall’azienda, rappresenta probabilmente il più importante cambio di paradigma nella progettazione dei prompt dall’arrivo di GPT-4. Il principio è sorprendentemente semplice: descrivere chiaramente il risultato desiderato, definire i criteri di successo, specificare i vincoli realmente indispensabili e lasciare che sia il modello a decidere come arrivarci. Tutto il resto rischia di essere rumore.
Questa evoluzione non è soltanto una questione stilistica. OpenAI sostiene di aver osservato, nei propri benchmark interni dedicati agli agenti di coding, miglioramenti delle prestazioni compresi tra il 10 e il 15%, accompagnati da una riduzione del consumo di token tra il 41 e il 66% e da un abbattimento dei costi operativi che oscilla tra il 33 e il 67%. Numeri che, se confermati anche negli ambienti di produzione, hanno implicazioni economiche enormi. In un mercato in cui milioni di richieste vengono elaborate ogni giorno, ridurre quasi della metà i token utilizzati significa diminuire sensibilmente tempi di risposta, costi infrastrutturali e complessità operativa.
Il confronto con la documentazione pubblicata per GPT-5 nell’agosto 2025 rende evidente quanto sia cambiata la filosofia progettuale. All’epoca OpenAI suggeriva di costruire una sorta di impalcatura cognitiva attorno al modello. Si consigliavano blocchi XML persistenti, istruzioni dettagliate sul processo di ragionamento, template per raccogliere informazioni, criteri di escalation, procedure per le ricerche parallele e lunghe sequenze che spiegavano al modello come comportarsi in ogni possibile situazione. Era un approccio nato in una fase in cui gli LLM richiedevano una guida molto più esplicita per mantenere il focus e utilizzare correttamente strumenti esterni.
Con GPT-5.6 quella struttura viene drasticamente alleggerita. Secondo la nuova guida, il modello gestisce ormai autonomamente molti dei comportamenti che prima dovevano essere descritti passo dopo passo. Ripetere continuamente le stesse regole, inserire esempi che non modificano realmente il comportamento o moltiplicare istruzioni di stile diventa controproducente, perché aumenta il carico cognitivo del modello senza aggiungere informazioni realmente utili. In altre parole, il prompt non dovrebbe più rappresentare un manuale operativo, ma una definizione chiara dell’obiettivo finale.
Il cambiamento riflette un’evoluzione tecnica profonda dei modelli di frontiera. Le nuove architetture dedicano una quota significativa del proprio ragionamento all’interpretazione delle istruzioni ricevute. Se queste istruzioni risultano contraddittorie o ridondanti, parte della capacità computazionale viene impiegata nel tentativo di riconciliare regole incompatibili anziché risolvere il problema dell’utente. OpenAI avverte infatti che i prompt con direttive sovrapposte rappresentano oggi uno dei principali fattori di instabilità. Mentre le generazioni precedenti tendevano semplicemente a scegliere una delle istruzioni in conflitto, GPT-5.6 cerca di soddisfarle entrambe, consumando più token, aumentando la latenza e, paradossalmente, peggiorando la qualità del risultato finale.
Anche un’altra pratica molto diffusa viene ora messa in discussione: l’abuso di espressioni assolute come “sempre” e “mai”. Per anni il prompt engineering ha utilizzato questi termini come leva per orientare il comportamento del modello. La nuova documentazione suggerisce invece di evitare prescrizioni categoriche quando non strettamente necessarie, privilegiando descrizioni contestuali degli obiettivi rispetto a regole rigide. È una differenza sottile ma significativa. Un modello sufficientemente evoluto comprende meglio le intenzioni che gli imperativi.
Tra le novità più interessanti compare anche il parametro text.verbosity, pensato per controllare il livello generale di dettaglio delle risposte. Poiché GPT-5.6 tende naturalmente a essere più sintetico rispetto alle versioni precedenti, continuare ad aggiungere istruzioni come “rispondi in modo breve” rischia di produrre risultati eccessivamente stringati. L’idea proposta da OpenAI è spostare questo controllo dal prompt ai parametri del modello, lasciando alle istruzioni testuali soltanto ciò che riguarda il contenuto della risposta piuttosto che la sua lunghezza.
La guida introduce inoltre una sezione dedicata al Programmatic Tool Calling, un approccio che riflette la crescente maturità degli agenti AI. Quando un’attività prevede filtraggio di grandi quantità di dati, batching, aggregazioni o elaborazioni intermedie, OpenAI suggerisce di affidare queste operazioni al codice tradizionale anziché al modello linguistico. L’LLM riceve così solo un risultato già sintetizzato sul quale esercitare il proprio ragionamento. È un principio che i progettisti di sistemi distribuiti conoscono da decenni: ogni componente dovrebbe svolgere il compito per cui è più efficiente.
Le prime sperimentazioni raccontate dagli sviluppatori sembrano confermare questa impostazione. Nel benchmark interno TYPE OR DIE, un videogioco survival horror utilizzato per valutare le capacità di programmazione dei modelli, GPT-5.6 ha prodotto codice più pulito, una logica di auto-aim più efficiente, una maggiore coerenza visiva e una migliore organizzazione complessiva dell’architettura software. L’aspetto interessante è che il modello ha impiegato più tempo nella fase iniziale, costruendo una rappresentazione completa del problema prima di iniziare a scrivere codice. Non si tratta quindi di una scorciatoia, ma di una diversa distribuzione dello sforzo cognitivo: meno energia per interpretare prompt prolissi, più energia per pianificare la soluzione.
Sul piano strategico questa evoluzione racconta qualcosa di più ampio. Il prompting sta lentamente smettendo di essere una disciplina basata sull’accumulo di istruzioni e si sta trasformando in un esercizio di progettazione degli obiettivi. La differenza ricorda quella tra un manager che detta ogni singolo passaggio ai collaboratori e uno che definisce chiaramente risultati, vincoli e responsabilità lasciando al team la libertà di scegliere il percorso migliore. Nel primo caso si ottiene controllo apparente ma scarsa adattabilità. Nel secondo emerge l’autonomia.
Esiste anche una sottile ironia in questa trasformazione. Negli ultimi due anni è nata un’intera economia costruita sull’idea che il valore risiedesse nella complessità dei prompt. Corsi, consulenze, librerie di template e raccolte di “super prompt” hanno proliferato ovunque. Ora il produttore del modello suggerisce che, nella maggior parte dei casi, quelle pagine di istruzioni non solo non aiutano, ma possono addirittura peggiorare il risultato. La vera competenza non consiste più nello scrivere prompt interminabili, bensì nel saper eliminare tutto ciò che è superfluo.
In fondo, è una lezione che l’ingegneria del software insegna da decenni. Il codice migliore non è quello che contiene più righe, ma quello che raggiunge lo stesso risultato con meno complessità. OpenAI sembra applicare finalmente questo principio anche al linguaggio naturale. Per chi progetta sistemi basati su agenti AI, la nuova domanda non sarà più “quante istruzioni devo aggiungere?”, bensì “quali istruzioni posso permettermi di togliere?”. Se questa filosofia si consoliderà, il futuro del prompt engineering potrebbe essere paradossalmente quello di scrivere sempre meno, ma pensare molto di più.
The new prompt check it out.
Original GPT 5.6 game this link.
The game available here.