La verità non si trova: si costruisce con i prompt giusti

Il punto cieco non è la memoria. È la domanda.

Cosa hanno in comune uno scontrino di parcheggio, una ricostruzione giudiziaria e un modello linguistico? Più di quanto sembri: in tutti e tre i casi, il problema non è soltanto ottenere una risposta, ma formulare la domanda in modo tale da far emergere ciò che altrimenti resterebbe nascosto.

Un alibi può crollare non perché qualcuno mente in modo plateale, ma perché la sequenza delle informazioni, gli orari, i dettagli apparentemente banali e le incongruenze nel racconto non reggono più insieme. Allo stesso modo, un sistema di intelligenza artificiale può sembrare brillante o confuso a seconda di come viene interrogato. La differenza non sta solo nella qualità della “memoria”, ma nella qualità della struttura di accesso: come in un’indagine, conta il frame con cui si cercano i fatti.

Questo è il punto che unisce due mondi solo in apparenza lontani: la ricerca della verità e il prompt engineering. In entrambi i casi, il rischio più grande non è l’errore grossolano, ma la narrazione elegante costruita sopra informazioni insufficienti. E la lezione più utile è questa: la verità non si limita a essere scoperta, va anche progettata attraverso buone domande.

Il falso problema: “chi ha ragione?”

Quando emerge una nuova testimonianza o un dettaglio che cambia la lettura di un caso, il riflesso istintivo è sempre lo stesso: stabilire chi abbia ragione. Ma questa è spesso la domanda sbagliata. La domanda più utile è: quale catena di ipotesi rende coerenti i dettagli?

Pensiamo allo scontrino. Da solo sembra un oggetto banale, quasi ridicolo nella sua modestia. Eppure un piccolo pezzo di carta può diventare un perno narrativo, perché cristallizza tempo, luogo, presenza, opportunità. Il problema è che gli oggetti non parlano mai da soli. Hanno bisogno di un contesto, di una sequenza, di una cornice interpretativa. Uno scontrino non prova automaticamente ciò che vogliamo che provi. Può sostenere una storia, oppure smentirla, ma solo se lo colleghiamo correttamente agli altri elementi.

Qui entra in gioco una dinamica molto simile a quella dei modelli linguistici. Se chiediamo a un LLM una risposta vaga, otteniamo spesso una risposta vaga, ma convincente. Se invece spezziamo il problema in passaggi, definiamo vincoli, chiediamo verifiche e forziamo il modello a esplicitare i passaggi intermedi, la qualità dell’output cambia radicalmente. Non perché il modello “diventi più intelligente” in senso assoluto, ma perché diventa più difficile per esso inventare una storia comoda.

La cattiva domanda produce una risposta seducente. La buona domanda produce una mappa di ciò che manca.

Questo vale nei processi investigativi come nei processi cognitivi. Il punto non è soltanto sapere, ma sapere come sapere.

La lezione profonda del prompt engineering: non chiedere una risposta, costruisci un vincolo

Molti immaginano il prompt engineering come un trucco per ottenere risposte migliori. In realtà è più vicino all’arte di progettare un’interrogazione che renda difficile l’autoinganno. La differenza è enorme. Un prompt debole dice: “Spiegami questa cosa”. Un prompt forte dice: “Spiegami questa cosa, separando i fatti dalle inferenze, indicando le assunzioni, i possibili errori e i punti da verificare”.

Questa distinzione è cruciale perché i sistemi linguistici, come gli esseri umani, tendono a riempire i vuoti. Dove mancano dati certi, appare una trama plausibile. Nelle indagini questo può diventare fatale. In un modello, può generare un testo fluido ma falso. In entrambi i casi, il pericolo non è il caos, ma la coerenza artificiale.

Ecco un modo utile per pensarci: un buon prompt non è una richiesta, è un dispositivo anti-allucinazione. Non serve solo a ottenere una risposta, serve a impedire che la risposta sia troppo facile.

Proviamo con un’analogia concreta. Se chiedi a un geometra di ricostruire una stanza senza misure, otterrai un disegno elegante ma arbitrario. Se invece gli dai tre pareti, un angolo e una finestra, il margine di errore si restringe. Il prompt engineering fa qualcosa di simile: aggiunge vincoli che trasformano la nebbia in geometria.

Nel ragionamento investigativo, gli orari, i movimenti, le testimonianze e i dettagli logistici funzionano come questi vincoli. Non dicono ancora tutta la verità, ma eliminano scenari impossibili. E spesso la verità emerge proprio così, per esclusione progressiva, non per illuminazione improvvisa.

Lo scontrino come modello mentale: piccoli fatti, grandi conseguenze

Un’idea potente che molte persone sottovalutano è questa: i fatti piccoli sono spesso più discriminanti dei fatti grandi. Un grande racconto può essere costruito per sembrare compatto. Un dettaglio banale, invece, è difficile da falsificare in modo coerente perché si aggancia a tempo, luogo e abitudini reali.

È il motivo per cui, in un caso complesso, una ricevuta, un orario di sosta, una conversazione ricordata male o un appunto trovato in casa possono pesare più di una dichiarazione solenne. Non perché siano “più veri” in senso assoluto, ma perché sono più facili da collocare in una rete di verifiche. Il dettaglio è come un nodo: se è falso, spesso deforma tutto il reticolo.

Questa è anche una lezione per chi usa modelli generativi. Quando chiediamo un’analisi ampia senza ancoraggi concreti, il sistema produce facilmente una sintesi liscia e generica. Quando invece forniamo date, condizioni, esempi, vincoli di formato e criteri di esclusione, il risultato diventa più affidabile. In pratica, stiamo facendo ciò che un buon investigatore fa con le prove: riduciamo lo spazio delle possibilità.

La verità non nasce dall’aggiungere più interpretazioni. Nasce dal restringere con pazienza il campo di ciò che può essere vero.

Questo cambia anche il nostro rapporto con gli errori. Un’incongruenza non è solo un fallimento, è un segnale diagnostico. In un sistema complesso, le crepe sono informative. L’errore non è il contrario della conoscenza, spesso è il suo inizio.

Un framework utile: le quattro domande che separano il racconto dalla realtà

Se vogliamo evitare di cadere nella trappola della narrazione perfetta, possiamo usare un piccolo framework, valido sia nelle indagini sia nell’uso dell’IA.

1. Qual è il fatto osservabile?

Non la versione, non l’interpretazione, ma il fatto nudo. Un orario, una posizione, una ricevuta, una frase testuale.

2. Quale catena lo collega al resto?

Un singolo fatto vale poco senza connessioni. Chiedi sempre: cosa rende questo elemento rilevante? Cosa esclude? Cosa conferma?

3. Dove sto riempiendo i vuoti con ipotesi?

Qui sta la zona più pericolosa. Quando non abbiamo dati completi, la mente salta subito alla storia più ordinata. Ma l’ordine mentale non è prova.

4. Cosa mi farebbe cambiare idea?

Questa è la domanda più difficile e più preziosa. Un ragionamento serio deve specificare in anticipo quali elementi lo metterebbero in crisi. Altrimenti non stiamo cercando la verità, stiamo solo difendendo una tesi.

Questo framework è straordinariamente simile a un prompt ben costruito. Chiedere a un modello di separare osservazioni, inferenze e ipotesi, di indicare i punti deboli e di proporre verifiche è equivalente a chiedere a un investigatore mentale di non innamorarsi della prima ricostruzione plausibile.

Perché questa connessione conta davvero

Viviamo in un’epoca in cui abbondano informazioni, ma scarseggia la disciplina per organizzarle. Per questo le persone finiscono spesso prigioniere di due illusioni opposte: la prima è credere che basti accumulare dati, la seconda è credere che basti una buona storia. In realtà servono entrambe le cose, ma in un ordine preciso. Prima la struttura, poi il racconto.

Un caso giudiziario lo dimostra in modo drammatico: un dettaglio che sembrava marginale può diventare decisivo quando viene riletto alla luce di nuove domande. Un modello linguistico lo mostra in modo quotidiano: la stessa base di dati produce risultati molto diversi a seconda del prompt. La morale è la medesima: non riceviamo la realtà in forma pura, la estraiamo tramite il modo in cui interroghiamo il mondo.

Questa idea è liberatoria, perché ci restituisce potere. Se la qualità della risposta dipende dalla qualità della domanda, allora possiamo migliorare il nostro pensiero. Possiamo imparare a non accontentarci di storie compatte. Possiamo cercare vincoli, fratture, dettagli, contraddizioni. Possiamo diventare meno impressionabili e più esigenti.

Key Takeaways

• Tratta ogni storia come un’ipotesi, non come una verità finale. Chiediti sempre quali fatti la sostengono e quali la indeboliscono.
• Costruisci domande con vincoli. Se vuoi una risposta utile, separa fatti, inferenze, assunzioni e punti da verificare.
• Diffida delle narrazioni troppo lisce. La coerenza perfetta spesso segnala che qualcuno sta riempiendo i vuoti con immaginazione, non con prove.
• Cerca i dettagli che ancorano il tempo e lo spazio. Sono spesso più decisivi delle dichiarazioni generiche.
• Decidi in anticipo cosa ti farebbe cambiare idea. È uno dei modi migliori per evitare autoinganno e conferma selettiva.

La verità come arte di interrogare

Forse la domanda più importante non è se una storia sia vera o falsa, ma se la nostra maniera di cercarla sia abbastanza rigorosa da meritare una risposta. È qui che il mondo delle indagini e quello dei prompt si toccano davvero: entrambi ci ricordano che il sapere non è soltanto ricezione, è progettazione dell’accesso alla realtà.

Ecco perché i dettagli contano, ma non bastano. Ecco perché le risposte contano, ma non bastano. La vera competenza sta nel costruire domande che non lascino troppo spazio alla fantasia e abbastanza spazio ai fatti. In fondo, cercare la verità significa questo: imparare a interrogare il mondo in modo che non possa più nascondersi dietro una storia troppo comoda.