Chain-of-thought: quando chiedere all'AI di ragionare passo passo funziona (e quando no)

19 ottobre 2026 · Lettura: 7 min

Un carrello da 240 euro. Sconto del 30%, poi un coupon da 15 euro, poi 9,90 euro di spedizione che lo sconto non tocca. Quanto paghi? Se lo chiedi a un assistente AI nel modo più secco possibile ("dammi solo il totale, niente spiegazioni") hai buone probabilità di ricevere un numero sicuro di sé e, ogni tanto, sbagliato: uno sconto applicato due volte, una spedizione scontata per errore. Chiedi invece di mostrare i passaggi e il totale quasi sempre torna: 240 × 0,70 = 168, meno 15 fa 153, più 9,90 fa 162,90.

La differenza tra le due richieste non sta nell'intelligenza del modello, che è la stessa. Sta nello spazio che gli hai lasciato per lavorare. Questa tecnica si chiama chain-of-thought (catena di pensiero) ed è una delle più citate del prompting. Ed è anche una di quelle su cui nel tempo sono cambiate più cose: in questa guida vediamo come funziona, come si dosa e, soprattutto, quando oggi non serve più.

Perché scrivere il ragionamento cambia il risultato

Un modello linguistico genera la risposta un token alla volta, e ogni token nasce da una quantità limitata di calcolo. Se gli chiedi direttamente il risultato di un problema con più passaggi, pretendi che tutto il ragionamento avvenga "dentro" la produzione di poche parole. Se gli chiedi di scrivere i passaggi, ogni passaggio diventa testo, e il testo già scritto è disponibile per quello che viene dopo. In un senso quasi letterale, il modello pensa scrivendo: i passaggi intermedi sono la sua memoria di lavoro.

La tecnica prende nome da un lavoro di ricerca del 2022 (Chain-of-Thought Prompting Elicits Reasoning in Large Language Models), in cui il metodo consisteva nel mostrare al modello, tra gli esempi del prompt, anche il ragionamento che portava alla risposta e non solo la risposta. Il risultato più citato riguardava i problemi di matematica in linguaggio naturale, dove un modello molto grande con pochi esempi di questo tipo raggiungeva prestazioni da stato dell'arte per l'epoca.

I tre gradi del chain-of-thought

Puoi usarlo in tre modi, dal più semplice al più controllato.

Grado 1: la frase magica

Aggiungi in fondo al prompt: "Ragiona passo passo prima di rispondere." Costa cinque parole. Funziona soprattutto su problemi di logica, calcoli e confronti con più condizioni. È il punto di partenza giusto e spesso l'unico che serve.

Grado 2: prescrivi i passi

Quando conosci la struttura giusta del ragionamento, descrivila: "Prima elenca i dati certi. Poi scrivi le formule che servono. Poi calcola. Infine controlla il risultato con una stima a occhio." Qui guidi tu il percorso, ed è utile in compiti ripetitivi dove il metodo è noto (preventivi, riconciliazioni, valutazioni con criteri fissi).

Grado 3: ragionamento e risposta in tag separati

Chiedi di scrivere il ragionamento in un blocco e la conclusione in un altro:

Risolvi il problema. Scrivi il ragionamento tra i tag <ragionamento> e la risposta finale tra i tag <risposta>.

Il vantaggio è pratico: il modello ragiona per esteso, ma tu (o il programma che stai costruendo) puoi mostrare o estrarre soltanto la parte <risposta>. È la stessa logica dei tag XML che incontri nel capitolo sulla struttura dei prompt, applicata al pensiero.

Quando il chain-of-thought aiuta

La regola empirica è semplice: serve quando il compito ha più passaggi che dipendono l'uno dall'altro. Esempi tipici:

Quando non serve (e a volte peggiora)

Qui è dove la tecnica è cambiata di più. Due cose da sapere.

Primo: su compiti semplici non aggiunge qualità, aggiunge costo. Riassumere, riscrivere, tradurre, estrarre un nome da un testo: il modello non ha un ragionamento da fare, e chiedergli di scrivere venti righe di passaggi vuol dire più token, più tempo e, se paghi a consumo, più spesa.

Secondo: i modelli recenti spesso ragionano già per conto loro. Molti assistenti attuali hanno una modalità di "thinking" o di ragionamento, che produce una catena di pensiero interna prima di rispondere. In un rapporto tecnico del 2025 (The Decreasing Value of Chain of Thought in Prompting, ricercatori della Wharton School) è stato misurato proprio questo: sui modelli senza ragionamento esplicito il chain-of-thought dà in media un miglioramento piccolo e può rendere le risposte più variabili, con qualche errore su domande che il modello avrebbe risolto bene anche senza; sui modelli con ragionamento incorporato i guadagni sono marginali, se non nulli, a fronte di più tempo e più token. Il messaggio non è "non usarlo mai", ma "misuralo sul tuo compito invece di darlo per scontato".

La stessa direzione si vede nella documentazione ufficiale di Anthropic: il chain-of-thought scritto a mano è presentato come una soluzione di ripiego per quando il ragionamento integrato del modello è spento. E c'è un dettaglio pratico notevole: su alcuni modelli recenti, chiedere esplicitamente di scrivere il ragionamento in un tag come <thinking> può essere rifiutato o ignorato, perché il modello lo gestisce per conto suo. Se usi un modello con il ragionamento già attivo, la strada è regolare quanto "pensiero" gli lasci (nelle interfacce di chat, di solito con un selettore; nelle API con un parametro apposito), non riscrivere tu la procedura.

Un consiglio che arriva dalla stessa fonte vale in entrambi i casi: un'istruzione generale come "rifletti con attenzione prima di rispondere" spesso dà un ragionamento migliore di un elenco di passi scritto a mano da te, perché il modello può scegliere il metodo adatto invece di seguire il tuo, magari sbagliato. Prescrivere i passi (grado 2) conviene solo quando il metodo giusto lo conosci davvero.

Un limite da ricordare: il ragionamento scritto non è una prova

Leggere i passaggi aiuta a trovare errori, ma c'è una trappola: un ragionamento ben scritto non garantisce una risposta giusta, e non è nemmeno detto che descriva fedelmente ciò che ha portato il modello a quella conclusione. Esistono studi, anche di laboratori di ricerca sull'AI, che mostrano come i modelli di ragionamento non sempre dichiarino tutto ciò che ha influenzato la risposta. Per te, in pratica: usa i passaggi come materiale da controllare (il numero di partenza è giusto? la formula è quella corretta?), non come un certificato di affidabilità. Sui calcoli, il controllo finale lo fai tu, o con un foglio di calcolo.

Un trucco: chiedi la verifica, non solo il ragionamento

Aggiungere una riga di autocontrollo, del tipo "prima di rispondere, verifica il risultato con un calcolo alternativo e segnala se non torna", è spesso più efficace di un'istruzione di ragionamento più lunga. È una richiesta che costa poco e fa emergere gli errori più grossolani (un segno sbagliato, un'unità di misura persa) prima che arrivino a te.

Prova subito

Scegli un problema con numeri intrecciati che conosci bene, così puoi controllare la risposta: uno sconto a scaglioni, un margine su più prodotti, la ripartizione di una spesa di gruppo, oppure il carrello qui sopra. Poi:

  1. Chiedi il risultato secco: "Dammi solo il numero finale." Salva la risposta.
  2. Chiedi lo stesso problema con "ragiona passo passo" e confronta. Cambia qualcosa? Quanto è più lunga la risposta?
  3. Se il tuo assistente ha una modalità di ragionamento (thinking), attivala e ripeti. Confronta tempo, lunghezza e correttezza con i due tentativi precedenti.
  4. Ripeti tutto su un compito semplice (riassumi un paragrafo): nota che il ragionamento aggiunge lunghezza ma non qualità.

Annota in una riga per tipo di compito quale grado ti è convenuto. È una piccola regola personale ("calcoli: passo passo; riscritture: secco") che ti fa risparmiare tempo ogni giorno.

Per approfondire c'è il capitolo sul chain-of-thought nella dispensa del Livello 1, che lo collega a come funziona la generazione token per token. Per le fonti primarie: la documentazione ufficiale di Anthropic sul chain-of-thought e il rapporto tecnico della Wharton School sul suo valore decrescente.