Dal prompting al context: il cambio di paradigma che molti non hanno ancora visto

Apri LinkedIn oggi e trovi ancora corsi su “come scrivere prompt efficaci”. Thread su X che insegnano le “10 tecniche di prompt engineering che devi conoscere”. Qualcuno che vende una guida su come fare domande migliori a ChatGPT.

Nel frattempo, il mondo è andato avanti.

Non è colpa di nessuno — il cambiamento è stato veloce e silenzioso. Ma c’è una dissonanza sempre più grande tra chi usa l’AI come un chatbot intelligente e chi ha già smesso di pensare in termini di singoli prompt. Il paradigma è cambiato. E la maggior parte delle persone non lo ha ancora notato.

Il vecchio paradigma: tutto dipendeva dal prompt

Quando i modelli linguistici sono diventati accessibili al grande pubblico, l’idea era semplice: parli con una macchina molto capace, e la qualità della risposta dipende da quanto sei bravo a fare la domanda.

Aveva senso. Il modello era il sistema intero. Mandavi un testo, ricevevi un testo. Se l’output era scadente, il problema era il tuo input. Quindi si è sviluppata tutta una disciplina attorno al “prompting”: essere precisi, dare contesto, specificare il formato, usare esempi, fare role-playing con il modello.

Il “prompt engineer” è diventata una professione. Libri, corsi, framework. La skill era comunicare bene con un LLM.

E funzionava — perché era l’unico modo di interagire con questi sistemi.

Cosa è cambiato con gli agenti

Con gli agenti, il modello non è più il sistema. È un componente del sistema.

Un agente non riceve solo il tuo messaggio. Riceve tutto questo:

• Un system prompt che definisce chi è, cosa sa, come si deve comportare
• Le definizioni dei tool che può usare — funzioni, API, capacità di leggere file, cercare sul web, eseguire codice
• La memoria accumulata nelle conversazioni precedenti o nei task in corso
• La history della conversazione: non solo l’ultimo messaggio, ma tutto il filo di ciò che è successo
• Gli output delle chiamate ai tool già eseguiti nel task corrente

Tutto questo, insieme, è il contesto. Non c’è un “prompt” singolo — c’è un sistema di informazioni che l’agente usa per ragionare, decidere, agire.

Quando usi Claude Code, non stai “promptando” Claude. Stai lavorando dentro un sistema dove Claude ha accesso al tuo codice, alla struttura del progetto, ai file modificati, alla storia dei comandi precedenti, alle istruzioni nel CLAUDE.md. Il tuo messaggio è una piccola parte di un contesto molto più grande.

Lo stesso vale per Cursor, per gli agenti di automazione, per qualsiasi sistema che usa un LLM come motore decisionale in un flusso più complesso.

Context engineering: la vera skill del 2026

La domanda non è più “come scrivo questo prompt?”.

La domanda è: cosa deve sapere l’agente, quando lo deve sapere, e in che forma?

Progettare il contesto significa fare scelte precise:

Quali tool dare all’agente — e come descriverli. Un tool mal descritto viene usato nel momento sbagliato, o peggio, viene ignorato. La descrizione di una funzione è parte del contesto, non documentazione.

Cosa deve finire in memoria e cosa è ephemero. Non tutto ciò che l’agente “impara” in una sessione deve essere portato nella prossima. Decidere cosa mantenere è una scelta di progettazione.

Come strutturare l’output di un passaggio per alimentare il passaggio successivo. In una pipeline ad agenti, l’output di un nodo diventa il contesto del nodo successivo. Se è rumoroso o ambiguo, l’errore si propaga.

Quanta history conservare. I modelli hanno finestre di contesto finite. In una conversazione lunga o in un task complesso, tenere tutto non è sempre meglio — a volte è peggio. La compressione intelligente della history è parte del design.

Un agente con contesto povero prende decisioni sbagliate anche se il modello sottostante è potentissimo. Un agente con contesto ricco e ben strutturato risolve problemi complessi con una precisione che sembra quasi magia.

Il modello è il motore. Il contesto è il carburante e la mappa.

Perché molti non lo hanno ancora visto

Chi non ha mai costruito con agenti continua a vedere AI come sinonimo di chatbot. E ha in parte ragione — per molti casi d’uso è ancora quello: fai una domanda, ricevi una risposta.

Ma il confine tra “usare AI” e “costruire con AI” si è allargato enormemente. E chi sta ancora ottimizzando prompt per un LLM singolo sta imparando a guidare in un mondo in cui esistono già le auto a guida autonoma.

Non è che il prompting sia diventato inutile. Scrivere bene un system prompt, descrivere bene i tool, costruire bene un messaggio utente — tutto questo richiede le stesse competenze di prima. Ma sono diventate prerequisiti, non il punto centrale.

Il punto centrale è la progettazione del sistema.

Lo shift da input-output a sistema

Il vecchio modello mentale era: mando un testo, ricevo un testo. Ottimizza il testo che mandi.

Il nuovo modello mentale è: costruisco un sistema dove un agente ha accesso alle informazioni giuste, agli strumenti giusti, e alla storia giusta per prendere decisioni autonome nel tempo.

Non è un salto difficile da fare concettualmente. Ma richiede di smettere di pensare al “prompt” come unità fondamentale dell’interazione con l’AI, e iniziare a pensare al contesto come infrastruttura.

Chi capisce questa distinzione capisce perché certi agenti sembrano intelligenti e altri sembrano stupidi — pur usando lo stesso modello. Capisce perché lo stesso LLM si comporta in modo completamente diverso in Claude Code rispetto a una finestra di chat. Capisce dove investire il tempo quando si costruisce con AI nel 2026.

Il prompt non è scomparso. È diventato una riga in un sistema più grande.

E il sistema è ciò che conta.