Claude Fable 5: Prompt engineering to eliminate blind spots

Il modello non è più il problema: cosa cambia con Claude Fable 5

Con il rilascio di Claude Fable 5, Anthropic ha spostato significativamente l’asticella delle capacità dei modelli linguistici. Tuttavia, questo avanzamento tecnico ha portato alla luce una questione che spesso viene trascurata. Il vero limite nell’uso efficace dell’AI non risiede più nel modello. Risiede, invece, nella qualità del pensiero di chi lo interroga.

Thariq Shihipar, a developer at Anthropic, published a series of Operational reflections on prompt engineering for Fable 5 che meritano attenzione. In particolare, Shihipar sostiene che il bottleneck oggi è rappresentato dai blind spot dell’utente. Si tratta di quelle aree di conoscenza implicita che diamo per scontate e che, di conseguenza, non trasmettiamo al modello.

Questo cambio di prospettiva è rilevante per chiunque utilizzi l’AI in contesti professionali. Pertanto, vale la pena analizzare le tecniche proposte e capire come applicarle in un contesto di marketing e digital strategy.

Cos’è un blind spot nel contesto del prompting

A blind spot, nel senso usato da Shihipar, è una porzione di conoscenza che l’utente possiede ma non riesce a verbalizzare spontaneamente. Infatti, si tratta di conoscenza tacita: regole non scritte, convenzioni di settore, preferenze stilistiche, vincoli tecnici impliciti.

Quando si delega un compito a Claude Fable 5 senza aver prima esplicitato questa conoscenza, il modello produce output tecnicamente corretti ma spesso inadeguati al contesto specifico. Quindi, il problema non è la capacità del modello. È la qualità dell’input che gli viene fornito.

Ad esempio, un marketing manager che chiede a Claude di scrivere una campagna email senza specificare il tono del brand, il segmento di pubblico, le obiezioni tipiche del cliente o i vincoli legali del settore, otterrà un risultato generico. Nonostante ciò, tenderà ad attribuire la colpa al modello piuttosto che al proprio brief incompleto.

The blind spot pass technique: how it works in practice

The blind spot pass è la tecnica centrale descritta da Shihipar. Si articola in tre momenti distinti. Prima di tutto, si formula il prompt iniziale come si farebbe normalmente. In seguito, si chiede esplicitamente al modello di identificare le informazioni mancanti o ambigue nel brief ricevuto. Infine, si integra il prompt originale con le risposte alle domande sollevate dal modello stesso.

Questo approccio trasforma Claude da esecutore passivo a interlocutore attivo. Inoltre, costringe l’utente a rendere esplicita la propria conoscenza implicita in modo sistematico. Di conseguenza, il prompt finale risulta molto più ricco e contestualizzato rispetto alla versione iniziale.

Per i team di marketing che usano l’AI nella produzione di contenuti o nell’analisi delle campagne, questa tecnica può ridurre significativamente il numero di iterazioni necessarie per ottenere un output utilizzabile. Noi di SHM Studio la consideriamo una delle pratiche più concrete emerse nell’ecosistema del prompt engineering negli ultimi mesi.

L’intervista strutturata: quando il modello fa le domande

La seconda tecnica descritta da Shihipar è l’Structured interview. In questo caso, l’utente non fornisce un brief, ma chiede direttamente al modello di condurre un’intervista per raccogliere le informazioni necessarie allo svolgimento del compito.

Il modello pone domande progressive, partendo dal contesto generale per arrivare ai dettagli specifici. Analogamente a quanto avviene in una sessione di discovery con un consulente, Claude guida l’utente attraverso le dimensioni del problema che potrebbero essere state trascurate. Quindi, l’output finale beneficia di un processo di elicitazione più completo.

Questa tecnica è particolarmente utile in due scenari. Il primo è quando il task è complesso e multidimensionale, come la definizione di una strategia di digital marketing o la struttura di un piano editoriale. Il secondo è quando l’utente non ha ancora le idee chiare su cosa vuole ottenere esattamente.

Operational applications for Italian marketing teams

Le tecniche descritte da Shihipar nascono in un contesto di sviluppo software. Tuttavia, la loro applicabilità si estende facilmente ai flussi di lavoro del marketing digitale. Di seguito, alcune aree in cui il blind spot pass e l’intervista strutturata producono risultati tangibili.

• Copywriting and content marketing: before asking Claude to produce texts for the SEO copywriting, è utile condurre un blindspot pass per esplicitare tono, target, keyword prioritarie e messaggi da evitare.
• Google Ads Campaigns in the structure of ads for Google Ads campaigns, i vincoli impliciti (budget, stagionalità, landing page esistenti) sono spesso i più critici e i più dimenticati nel brief.
• LinkedIn B2B For the LinkedIn campaign, The industry context and the audience's seniority level are tacit information that are rarely included in the initial prompt.
• SEO Analysis: in the SEO strategy, technical constraints of the CMS, domain history, and past penalties are typical blind spots that influence the model's recommendations.
• Web development nei briefing per attività di web development, le specifiche di accessibilità, le integrazioni esistenti e i requisiti di performance sono spesso dati per scontati.

The limit that no one wants to admit

C’è una questione che raramente viene affrontata apertamente nelle discussioni sul prompt engineering. Migliorare i propri prompt richiede una forma di autocritica che non è sempre comoda. Significa riconoscere che i risultati mediocri dipendono, almeno in parte, dalla qualità del proprio pensiero strutturato.

According to recent research from McKinsey sul potenziale economico dell’AI generativa, la varianza nei risultati tra utenti che usano lo stesso modello è spesso maggiore della varianza tra modelli diversi. Pertanto, investire nella qualità del prompting ha un ritorno superiore rispetto all’aggiornamento continuo del modello utilizzato.

Additionally, as highlighted by Harvard Business Review sull’uso efficace dell’AI generativa, le organizzazioni che ottengono i migliori risultati dall’AI sono quelle che hanno investito nella formazione degli utenti, non solo nella selezione degli strumenti. Dunque, le tecniche di Shihipar si inseriscono in un quadro più ampio di AI literacy organizational.

Metrics to evaluate prompt improvement

Come si misura l’efficacia di queste tecniche? Esistono alcune metriche operative che è possibile monitorare nel tempo. Prima di tutto, il numero di iterazioni necessarie per ottenere un output accettabile. Questa metrica è un indicatore diretto della qualità del brief iniziale.

In secondo luogo, il tasso di utilizzo diretto dell’output, ovvero la percentuale di testi o analisi prodotti dall’AI che vengono usati senza modifiche sostanziali. Infine, il tempo totale speso per task, incluse le revisioni. Spesso, un blindspot pass di cinque minuti riduce il tempo complessivo di un task del trenta o quaranta percento.

Per i responsabili marketing che gestiscono team con più utenti AI, queste metriche possono essere raccolte in modo aggregato. Di conseguenza, è possibile identificare i pattern di blind spot più comuni all’interno dell’organizzazione e strutturare sessioni di formazione mirate. La SHM Studio Blog Section gathers updated resources on these topics.

Prospettive: verso un prompting più maturo

L’evoluzione di Claude verso Fable 5 suggerisce una direzione precisa per il futuro del prompting. I modelli diventeranno progressivamente più capaci. Pertanto, la differenza competitiva si sposterà sempre di più sulla qualità del pensiero strutturato di chi li utilizza.

Le tecniche di Shihipar rappresentano un primo passo verso una pratica di prompting più matura e sistematica. Tuttavia, richiedono un cambiamento di mentalità: smettere di trattare il prompt come una semplice istruzione e iniziare a considerarlo come un processo di esplicitazione della conoscenza. Per approfondire come integrare queste pratiche nei flussi di lavoro della propria organizzazione, è possibile consultare i SHM Studio services or contact us directly at Contact Us.