Chain-of-thought (catena di pensiero)
La chain-of-thought è una tecnica di prompting che guida l'intelligenza artificiale a scomporre un problema complesso e risolverlo passo dopo passo.
La Chain-of-thought (spesso abbreviata in CoT, traducibile come catena di pensiero) è una tecnica di formulazione dei prompt in cui si richiede a un modello linguistico di esplicitare il proprio ragionamento prima di fornire la risposta finale. Invece di saltare subito alla conclusione, il modello scompone la domanda complessa in una sequenza ordinata di passaggi logici intermedi.
Questo metodo si è rivelato fondamentale per superare uno dei limiti storici dei modelli generativi: la tendenza a indovinare una risposta frettolosa a domande che richiedono calcoli aritmetici, deduzioni logiche o pianificazioni a più livelli. Costringendo il sistema a generare prima le tappe intermedie del pensiero, si riduce drasticamente il rischio di errori banali.
Come funziona la catena di pensiero
Nei modelli di intelligenza artificiale, ogni parola prodotta dipende da quelle generate in precedenza. Quando chiediamo una risposta diretta a un problema difficile, il modello cerca di prevedere la soluzione in un colpo solo, affidandosi a schemi probabilistici generali. Questo approccio fallisce spesso di fronte a compiti che un essere umano affronterebbe con carta e penna.
Con la tecnica CoT, il modello produce una traccia testuale del ragionamento. Ogni passaggio logico calcolato e scritto diventa il punto di partenza per il passaggio successivo. In termini tecnici, i token intermedi fungono da memoria di lavoro temporanea, permettendo al sistema di mantenere il filo del discorso e verificare i vincoli prima di arrivare al dato finale.
Un esempio pratico: la gestione di un laboratorio artigianale
Immaginiamo il titolare di un pastificio artigianale a Bologna che deve calcolare le dosi e i costi per un ordine speciale destinato a un ricevimento. Il problema comprende diverse variabili collegate:
- Numero di porzioni richieste e peso standard di tortellini per piatto.
- Percentuale di scarto della pasta fresca durante la lavorazione manuale.
- Rapporto preciso tra ripieno e sfoglia, con costi al chilo differenti per carne e farina.
- Tempo di manodopera aggiuntivo per il confezionamento in vaschette termiche.
Se inseriamo tutti questi dati in una richiesta rapida del tipo: «Dimmi il costo totale per porzione», un modello standard potrebbe confondere i calcoli intermedi o ignorare lo scarto, restituendo una cifra errata ma presentata con grande sicurezza. Chiedendo invece di applicare una chain-of-thought, il modello calcolerà prima i chili lordi di impasto necessari, poi scorporerà il ripieno dalla sfoglia, assegnerà i costi parziali e solo all'ultimo passaggio sommerà la manodopera, arrivando a una stima esatta e soprattutto verificabile.
Come attivare la tecnica nei prompt quotidiani
In origine, la CoT veniva innescata aggiungendo una semplice istruzione alla fine della richiesta, come la celebre frase: «Ragiona passo dopo passo prima di rispondere». Questo semplice invito basta a cambiare il modo in cui il testo viene generato, spingendo il sistema a elencare le premesse prima della sintesi.
Per ottenere risultati ancora più precisi in ambito professionale, è utile guidare la struttura della catena:
- Definire le tappe: indicare al modello quali aspetti considerare in ordine cronologico o logico.
- Fornire un esempio guidato: mostrare un problema simile già risolto con tutti i passaggi (approccio a pochi esempi, o few-shot prompting).
- Separare analisi e risposta: chiedere esplicitamente di racchiudere il ragionamento in una sezione dedicata e la soluzione definitiva in un paragrafo separato.
Oggi molti modelli avanzati integrano modalità di ragionamento native che eseguono questo processo in automatico sotto la superficie, spendendo tempo computazionale per verificare i passaggi logici prima di mostrare il risultato all'utente.
Il limite principale: l'illusione logica
Un errore comune nell'uso della Chain-of-thought è dare per scontato che un ragionamento dettagliato sia garanzia di verità assoluta. Anche durante una catena di pensiero, il modello continua a generare testo su base probabilistica. Può accadere che introduca una premessa errata al secondo passaggio e la sviluppi con impeccabile coerenza fino alla fine, giungendo a conclusioni completamente sbagliate ma esposte con un tono estremamente autorevole. La CoT rende il processo trasparente e più accurato, ma non elimina la necessità della revisione umana.
Domande frequenti
Cos'è la Chain-of-thought in parole semplici?
È una tecnica con cui si chiede all'AI di mostrare tutti i passaggi intermedi del suo ragionamento logico prima di dare la risposta definitiva a una domanda.
Come si attiva la Chain-of-thought in un prompt?
Spesso basta aggiungere al testo istruzioni chiare come «spiega il procedimento passaggio dopo passaggio» oppure «ragiona punto per punto prima di arrivare alla conclusione».
La Chain-of-thought garantisce che la risposta sia corretta al 100%?
No, riduce gli errori logici e di calcolo ma non li azzera. Il modello può comunque commettere una svista in un passaggio intermedio e proseguire coerentemente su quell'errore.
Qual è la differenza tra Chain-of-thought e Prompt Chaining?
La Chain-of-thought avviene all'interno di una singola risposta dello stesso prompt, mentre il Prompt Chaining scompone il lavoro in più prompt sequenziali in cui l'output di uno diventa l'input del successivo.
