Role Prompting (IT)

Prompting di ruolo (ingl. role prompting), noto anche come prompting di persona (ingl. persona prompting), è una tecnica nel campo del prompt engineering per i grandi modelli linguistici (LLM), in cui al modello viene assegnato esplicitamente un determinato ruolo, una persona o un'identità esperta prima di eseguire il compito. In altre parole, nel testo della richiesta o nell'istruzione di sistema viene specificato che il modello è, ad esempio, un «insegnante», uno «storico» o un «pirata», definendo così lo stile, il tono e il comportamento della risposta generata.

Questo approccio è ampiamente utilizzato nei sistemi di dialogo. Ad esempio, il prompt di sistema standard di ChatGPT «You are a helpful assistant» («Sei un assistente utile») assegna di fatto al modello un ruolo base nell'interazione.

Scopo e applicazione

L'obiettivo del role prompting è indirizzare il modello verso uno stile e un focus di risposta specifici, rendendola più appropriata e contestualmente adatta al compito. L'assegnazione di un ruolo consente di impostare nel modello la tonalità e il vocabolario corrispondenti. Ciò è particolarmente utile in attività creative e aperte, dove il ruolo aiuta a rendere il testo più vivace e stilisticamente vario.

La tecnica viene utilizzata anche in scenari professionali. Ad esempio, a un chatbot di supporto tecnico può essere assegnato il ruolo di un rappresentante del servizio cortese, mentre nei sistemi multi-agente a ogni agente viene attribuita la propria persona (ad esempio, «manager», «sviluppatore»), affinché collaborino efficacemente. La flessibilità dei moderni LLM consente loro di adottare praticamente qualsiasi ruolo — da un personaggio immaginario a uno specialista di nicchia — e di generare risposte che corrispondono il più possibile all'immagine assegnata.

Impatto sulla qualità e sulla precisione

La questione dell'efficacia del role prompting nel migliorare la precisione oggettiva delle risposte rimane oggetto di ricerche attive, con risultati spesso contraddittori.

Risultati contraddittori

Da un lato, esistono studi che dimostrano un miglioramento dei risultati. Ad esempio, nel lavoro di Zheng et al. (2023) è stato riscontrato che, se il ruolo del modello è tematicamente coerente con il compito, le sue prestazioni possono aumentare. Nel lavoro di Kong et al. (2024) si sostiene che il role prompting è in grado di migliorare il ragionamento zero-shot del modello con una scelta opportuna della persona.

Dall'altro lato, ricerche su larga scala mostrano un quadro più complesso. In un esperimento sistematico con 162 ruoli diversi non è stato rilevato alcun guadagno significativo in termini di precisione rispetto a uno scenario neutro. Anzi, in media il role prompt addirittura abbassava leggermente la precisione delle risposte.

Il lavoro di Kim et al. (2024) descrive l'intervento di ruolo come una «spada a doppio taglio»: l'esperimento ha mostrato che nel modello GPT-4 con istruzione di ruolo una parte delle domande viene risolta correttamente pur essendo sbagliata senza di essa (≈15,8% di miglioramento), ma una quota quasi altrettanto grande di compiti viene invece «compromessa» dal ruolo (≈13,8% di peggioramento). Ciò sottolinea che l'aggiunta di un ruolo di per sé non garantisce un aumento della qualità e può influire in modo imprevedibile sul comportamento del modello.

Un indubbio pregio del role prompting è il controllo sullo stile e sul formato della risposta. Anche quando il ruolo non porta benefici in termini di accuratezza fattuale, consente di ottenere risposte con una tonalità prestabilita (amichevole, formale, didattica), rendendo le risposte più coerenti e coinvolgenti per l'utente.

Raccomandazioni per la creazione dei ruoli

Le ricerche offrono una serie di consigli pratici per un'applicazione efficace del role prompting:

• Scelta del ruolo: Si raccomanda di scegliere ruoli sociali neutri (ad esempio, «collega», «mentore»), evitando ruoli eccessivamente intimi o iperspecializzati.
• Formulazione: È preferibile assegnare il ruolo direttamente in prima persona del modello («Sei X»), anziché tramite scenari immaginari complessi («Immagina di essere...»). L'assegnazione diretta del personaggio si dimostra più efficace.
• Approccio in due fasi: Per richieste complesse si propone di suddividere il compito in due passaggi: prima fornire al modello l'indicazione sul suo ruolo e il contesto, e solo successivamente porre la domanda principale. Questo consente al modello di «assumere il personaggio» e migliora la stabilità del risultato.

Limitazioni e rischi

L'applicazione del role prompting comporta una serie di rischi sistemici.

Amplificazione degli stereotipi e dei pregiudizi

I LLM assorbono involontariamente gli stereotipi radicati nei dati di addestramento. L'assegnazione di un ruolo legato a una determinata professione, genere o nazionalità può attivare e amplificare questi stereotipi nelle risposte. Lo studio di Gupta et al. (2023) ha dimostrato che l'aggiunta di attributi sociali (età, etnia) a un ruolo può distorcere l'output del modello e ridurre significativamente la precisione del ragionamento. Un'altra analisi (Deshpande et al., 2023) ha rilevato che alcune personas portano a una maggiore tossicità delle risposte generate.

Vulnerabilità della sicurezza

I malintenzionati possono sfruttare il role prompting per aggirare i limiti della moderazione (tecnica nota come jailbreak). Le ricerche hanno mostrato che l'assegnazione di una persona specifica (ad esempio, un personaggio privo di restrizioni etiche) facilita l'induzione dei LLM a compiere azioni vietate. Shah et al. (2023) hanno utilizzato con successo la cooperazione di diversi agenti «di ruolo» per aggirare le restrizioni del modello, dimostrando una vulnerabilità sistemica.

Pertanto, nell'assegnare un ruolo al modello, è importante tenere conto dei possibili pregiudizi ed effetti indesiderati incorporati in quel ruolo, e applicare questo metodo con cautela.

Riferimenti

• Role Prompting: Guide LLMs with Persona-Based Tasks — guida al role prompting su Learn Prompting.
• Use role prompting with Watsonx and Granite — guida pratica di IBM.

Bibliografia

• Kim, J.; Yang, N.; Jung, K. (2024). Persona is a Double-edged Sword: Mitigating the Negative Impact of Role-playing Prompts in Zero-shot Reasoning Tasks. arXiv:2408.08631.
• Kong, A. et al. (2023). Better Zero-Shot Reasoning with Role-Play Prompting. arXiv:2308.07702.
• Zheng, M. et al. (2023). When "A Helpful Assistant" Is Not Really Helpful: Personas in System Prompts Do Not Improve Performances of Large Language Models. arXiv:2311.10054.
• Shah, R. et al. (2023). Scalable and Transferable Black-Box Jailbreaks for Language Models via Persona Modulation. arXiv:2311.03348.
• Deshpande, P. et al. (2024). Evaluating Persona-Prompted LLM Responses in Power-Disparate Health Communication. arXiv:2503.01532.
• Xiong, F. et al. (2025). The Influence of Persona Assignment on Stereotypes and Safeguards in Chinese Large Language Models. arXiv:2506.04975.
• Li, Y. et al. (2025). System Prompts as a Mechanism of Bias in Large Language Models. arXiv:2505.21091.
• Wang, L. et al. (2025). Persona-Assigned Large Language Models Exhibit Human-Like Bias and Toxicity. arXiv:2506.20020.
• Grover, K. et al. (2023). In-Context Impersonation Reveals Large Language Models' Ability to Simulate Human Personas. PDF.
• Verma, V. et al. (2024). Systematic Survey of Prompt Engineering in Large Language Models. arXiv:2402.07927.
• Gupta, S. et al. (2024). Exploring the Impact of Personality Traits on LLM Bias and Toxicity. arXiv:2502.12566.
• Safdari, M. et al. (2024). LLMs are Vulnerable to Malicious Prompts Disguised as Scientific Language. arXiv:2501.14073.