Con Comincenter, ho partecipato al webinar di OpenAI Academy “Help Students Plan College, Careers, and Life with ChatGPT”, tenuto da Don Orth, e tra i prompt e gli esempi condivisi mi è rimasta una questione che attraversa il lavoro di chi oggi opera nel digitale: che cosa dobbiamo sapere, e riuscire a spiegare, perché questo strumento possa esserci utile?
La risposta più frequente è “fornire un buon contesto”. Formula ragionevole, che rischia però di diventare un’altra di quelle espressioni sulle quali siamo tutti d’accordo finché qualcuno non chiede che cosa significhino. Un buon contesto contiene più informazioni? Informazioni più dettagliate? Tutti i documenti aziendali dalla prima fattura alla cena di Natale del 1998?
Mi interessa partire da qui, perché la disponibilità di strumenti capaci di elaborare quantità enormi di contenuti rende ancora più importante la capacità di scegliere. Anche di scegliere quando chiuderli.
Il mondo non entra tutto in un prompt
In linguistica, il cotesto è l’ambiente verbale di un’espressione, l’insieme delle parole e delle frasi che contribuiscono a interpretarla. Il contesto riguarda invece le circostanze della comunicazione, i partecipanti, le loro conoscenze, le intenzioni e la situazione nella quale si trovano.
Se una collega mi scrive “questa proposta è troppo fredda”, il cotesto può aiutarmi a capire a quale proposta si riferisca. Per comprendere che cosa intenda con “fredda”, però, devo considerare anche il destinatario, la relazione che vogliamo costruire e il tono che avevamo immaginato. Potrei aver prodotto un testo formalmente perfetto e del tutto inadatto a far sentire qualcuno invitato a partecipare.
La pragmatica studia proprio questo rapporto tra ciò che diciamo e ciò che comunichiamo attraverso le circostanze e le inferenze. Una parte considerevole del nostro capirci dipende da informazioni che non pronunciamo ogni volta, perché le consideriamo condivise. Qualche volta lo sono davvero; altre volte scopriamo il contrario durante una riunione che avrebbe dovuto durare venti minuti.
Eco, con la cooperazione interpretativa e il Lettore Modello di Lector in fabula, ci aiuta a interrogarci sulle competenze che un testo presuppone nel proprio destinatario. È una domanda centrale per chi comunica: che cosa sto dando per scontato che l’altra persona sappia?
Un imprenditore conosce la propria azienda attraverso anni di decisioni, tentativi e relazioni. Quando mi chiede di comunicarne i valori, quel patrimonio non è automaticamente disponibile anche a me, né tantomeno al pubblico. Per renderlo comprensibile dobbiamo trovare gli episodi, le scelte e le pratiche che gli danno sostanza. “Attenzione alle persone” acquista un significato diverso quando possiamo raccontare che cosa succede davvero in azienda nel momento in cui una persona ha una difficoltà.
Con un modello linguistico dobbiamo compiere un lavoro analogo di esplicitazione, pur dentro una relazione molto diversa. Nel linguaggio computazionale, “contesto” indica le informazioni disponibili al modello durante l’elaborazione. L’uso dello stesso termine può confonderci se immaginiamo che corrisponda alla nostra esperienza della situazione: ciò che il sistema elabora è una sua rappresentazione, costruita attraverso testi e, nei sistemi multimodali, anche immagini, audio e altri contenuti.
Descrivere nel prompt il pubblico, l’obiettivo e le circostanze significa rendere accessibile una parte del contesto. Scrivere tutto quello che sappiamo significa, invece, scrivere tutto quello che sappiamo. Le due operazioni possono coincidere, ma non hanno alcun obbligo di farlo.
Più informazioni possono lasciarci altrettanto confusi
Shannon e Weaver sono utili proprio per evitare di trattare “informazione” come una parola dal significato universale. Nella teoria matematica di Shannon, la quantità di informazione riguarda l’incertezza e la selezione tra messaggi possibili; quella misura non stabilisce se un contenuto sia vero, pertinente o utile. Weaver distingue inoltre i problemi della trasmissione da quelli del significato e dell’efficacia della comunicazione.
Una distinzione che ritrovo quotidianamente nel mio lavoro. Posso ricevere cinquanta pagine su un progetto e non riuscire ancora a capire quale cambiamento voglia produrre, per chi e attraverso quali azioni. Posso conoscere tutte le attività di un’organizzazione senza aver individuato ciò che la rende riconoscibile.
Quando preparo una proposta di collaborazione tra realtà europee e mediterranee, accumulare descrizioni dei partner non basta. Mi serve capire dove si incontrino le priorità, quali risorse ciascuno possa mettere a disposizione, che cosa significhi partecipare e quali aspettative dobbiamo ancora discutere. Il documento può essere completo e la comprensione reciproca ancora tutta da costruire.
Anche le parole con cui organizziamo quelle informazioni hanno un peso. Lakoff descrive i frame come strutture di pensiero attraverso le quali interpretiamo l’esperienza: nominare una situazione significa anche richiamare una cornice che orienta la nostra lettura.
Se descrivo un territorio esclusivamente attraverso le sue mancanze, porto quella cornice anche nella richiesta che rivolgo all’IA. Posso aggiungere dati, allegati e approfondimenti continuando a escludere le competenze e le relazioni che avrebbero permesso di formulare una domanda diversa.
Per questo considero migliore un’informazione quando è attendibile, pertinente rispetto allo scopo e capace di rendere visibili elementi decisivi. Anche il riconoscimento di un’incertezza può migliorare il lavoro: “questo non lo sappiamo ancora” è spesso più utile di un paragrafo molto sicuro costruito sopra un’ipotesi.
Un buon input richiede quindi una selezione, e selezionare richiede giudizio. Il prompt arriva dopo una parte del pensiero, anche quando preferiremmo affidargli direttamente l’intero condominio.
Fare shut down, evitare il brain fry
C’è un’espressione che descrive bene il rovescio della promessa di alleggerirci il lavoro: brain fry, cervello fritto. Gli autori di un articolo pubblicato su Harvard Business Review la utilizzano per indicare l’affaticamento mentale associato a un uso o a una supervisione degli strumenti di IA che supera le nostre capacità cognitive. Tra le esperienze riportate compaiono difficoltà di concentrazione, annebbiamento e maggiore fatica nel decidere.
Trovo che sia una questione importante per chi, come me, lavora ogni giorno con informazioni, linguaggi e possibilità. L’IA può produrre rapidamente dieci proposte, poi altre dieci, poi una sintesi delle migliori, purché qualcuno stabilisca che cosa significhi “migliori”. Nel frattempo, io devo leggerle, confrontarle, verificarle e ricordarmi quale problema stessi cercando di risolvere prima che la conversazione diventasse un festival delle alternative.
È qui che quantità e qualità tornano a separarsi. Il costo di generare un’altra risposta può sembrarci trascurabile; quello di dedicarle attenzione continua a ricadere su di noi. Posso ritrovarmi con più materiale e meno chiarezza, impegnata ad amministrare le possibilità invece di scegliere una direzione.
Per questo voglio conservare la possibilità di fare shut down. Chiudere la chat quando ho elementi sufficienti, smettere di chiedere varianti quando serve prendere una decisione, lasciare sedimentare un’idea senza sottoporla immediatamente a un altro giro di elaborazione.
Nel mio lavoro, a volte, la prossima informazione utile arriva da una domanda fatta al cliente, da un confronto con una collega o da un partner che finalmente chiarisce che cosa si aspetta dalla collaborazione. Altre volte ho già tutto ciò che mi serve e devo concedermi il tempo di pensarci.
Considero anche questa una competenza nell’uso dell’IA: saper riconoscere quando un’altra risposta aggiungerebbe soltanto lavoro alla mia attenzione. Vorrei che il tempo guadagnato restasse almeno in parte abitabile, senza doverlo riempire fino all’ultimo minuto con nuove cose da valutare. Anche il cervello, prima o poi, potrebbe gradire di uscire dalla friggitrice.
