--- title: "Role Prompting (IT)" source: "https://systems-analysis.info/int/Role_Prompting_(IT)" wiki: "systems-analysis.info/int" article: "Role_Prompting_(IT)" language: "it" categories: - "Category:Italian" - "Category:Large language models" - "Category:Machine learning" - "Category:Prompt engineering" revision_id: 6480 wiki_created_at: 2026-09-07T00:05:02Z wiki_modified_at: 2026-09-07T00:05:02Z downloaded_at: 2026-09-07T23:14:06Z --- # 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[\[1\]](https://systems-analysis.info/int/Role_Prompting_(IT)#cite_note-ibm_watsonx_guide-1). 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[\[2\]](https://systems-analysis.info/int/Role_Prompting_(IT)#cite_note-learnprompting_guide-2). 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[\[3\]](https://systems-analysis.info/int/Role_Prompting_(IT)#cite_note-helpful_assistant_study-3). ## 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[\[4\]](https://systems-analysis.info/int/Role_Prompting_(IT)#cite_note-learnprompting_effective-4). 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[\[1\]](https://systems-analysis.info/int/Role_Prompting_(IT)#cite_note-ibm_watsonx_guide-1). 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[\[1\]](https://systems-analysis.info/int/Role_Prompting_(IT)#cite_note-ibm_watsonx_guide-1). ## 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[\[5\]](https://systems-analysis.info/int/Role_Prompting_(IT)#cite_note-persona_double_edged-5). 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[\[5\]](https://systems-analysis.info/int/Role_Prompting_(IT)#cite_note-persona_double_edged-5). 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[\[3\]](https://systems-analysis.info/int/Role_Prompting_(IT)#cite_note-helpful_assistant_study-3). Anzi, in media il role prompt addirittura **abbassava leggermente** la precisione delle risposte[\[3\]](https://systems-analysis.info/int/Role_Prompting_(IT)#cite_note-helpful_assistant_study-3). 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)[\[5\]](https://systems-analysis.info/int/Role_Prompting_(IT)#cite_note-persona_double_edged-5). 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[\[4\]](https://systems-analysis.info/int/Role_Prompting_(IT)#cite_note-learnprompting_effective-4). ## 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[\[6\]](https://systems-analysis.info/int/Role_Prompting_(IT)#cite_note-role_prompting_guide-6). - **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[\[6\]](https://systems-analysis.info/int/Role_Prompting_(IT)#cite_note-role_prompting_guide-6). - **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[\[6\]](https://systems-analysis.info/int/Role_Prompting_(IT)#cite_note-role_prompting_guide-6). ## 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[\[6\]](https://systems-analysis.info/int/Role_Prompting_(IT)#cite_note-role_prompting_guide-6). 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[\[5\]](https://systems-analysis.info/int/Role_Prompting_(IT)#cite_note-persona_double_edged-5). Un'altra analisi (Deshpande et al., 2023) ha rilevato che alcune personas portano a una maggiore tossicità delle risposte generate[\[5\]](https://systems-analysis.info/int/Role_Prompting_(IT)#cite_note-persona_double_edged-5). ### 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[\[7\]](https://systems-analysis.info/int/Role_Prompting_(IT)#cite_note-shah2023_findings-7). 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[\[6\]](https://systems-analysis.info/int/Role_Prompting_(IT)#cite_note-role_prompting_guide-6). ## 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. ## Note 1. ↑ [1.0](https://systems-analysis.info/int/Role_Prompting_(IT)#cite_ref-ibm_watsonx_guide_1-0) [1.1](https://systems-analysis.info/int/Role_Prompting_(IT)#cite_ref-ibm_watsonx_guide_1-1) [1.2](https://systems-analysis.info/int/Role_Prompting_(IT)#cite_ref-ibm_watsonx_guide_1-2) «Use role prompting with Watsonx and Granite». *IBM*. 2. [↑](https://systems-analysis.info/int/Role_Prompting_(IT)#cite_ref-learnprompting_guide_2-0) «Role Prompting: Guide LLMs with Persona-Based Tasks». *Learn Prompting*. [1] 3. ↑ [3.0](https://systems-analysis.info/int/Role_Prompting_(IT)#cite_ref-helpful_assistant_study_3-0) [3.1](https://systems-analysis.info/int/Role_Prompting_(IT)#cite_ref-helpful_assistant_study_3-1) [3.2](https://systems-analysis.info/int/Role_Prompting_(IT)#cite_ref-helpful_assistant_study_3-2) «When "A Helpful Assistant" Is Not Really Helpful: Personas in System Prompts Do Not Improve Performances of Large Language Models». *arXiv*. [2] 4. ↑ [4.0](https://systems-analysis.info/int/Role_Prompting_(IT)#cite_ref-learnprompting_effective_4-0) [4.1](https://systems-analysis.info/int/Role_Prompting_(IT)#cite_ref-learnprompting_effective_4-1) «Is Role Prompting Effective?». *Learn Prompting*. [3] 5. ↑ [5.0](https://systems-analysis.info/int/Role_Prompting_(IT)#cite_ref-persona_double_edged_5-0) [5.1](https://systems-analysis.info/int/Role_Prompting_(IT)#cite_ref-persona_double_edged_5-1) [5.2](https://systems-analysis.info/int/Role_Prompting_(IT)#cite_ref-persona_double_edged_5-2) [5.3](https://systems-analysis.info/int/Role_Prompting_(IT)#cite_ref-persona_double_edged_5-3) [5.4](https://systems-analysis.info/int/Role_Prompting_(IT)#cite_ref-persona_double_edged_5-4) «Persona is a Double-edged Sword: Enhancing the Zero-shot Reasoning by Ensembling the Role-playing and Neutral Prompts». *arXiv*. [4] 6. ↑ [6.0](https://systems-analysis.info/int/Role_Prompting_(IT)#cite_ref-role_prompting_guide_6-0) [6.1](https://systems-analysis.info/int/Role_Prompting_(IT)#cite_ref-role_prompting_guide_6-1) [6.2](https://systems-analysis.info/int/Role_Prompting_(IT)#cite_ref-role_prompting_guide_6-2) [6.3](https://systems-analysis.info/int/Role_Prompting_(IT)#cite_ref-role_prompting_guide_6-3) [6.4](https://systems-analysis.info/int/Role_Prompting_(IT)#cite_ref-role_prompting_guide_6-4) «Role Prompting: Guide LLMs with Persona-Based Tasks». *Learn Prompting*. [5] 7. [↑](https://systems-analysis.info/int/Role_Prompting_(IT)#cite_ref-shah2023_findings_7-0) Shah, S., et al. (2023). «Scalable and Transferable Black-Box Jailbreaks for Language Models via Persona Modulation». *ACL Anthology*. [6]