Il prompt engineering è morto: benvenuto nel context engineering

Apri ChatGPT. Scrivi "scrivi una email di cold outreach per il nostro prodotto". Leggi quello che ti restituisce. Poi passi i successivi venti minuti a cercare di aggiustarlo: più specifico, cambia il tono, aggiungi questo pain point, togli quella frase. Alla fine pubblichi qualcosa di accettabile. Non ottimo. Accettabile.

La settimana dopo, ricomincia da zero.

Se ti riconosci in questa scena, il problema non è che non sai scrivere prompt. Il problema è che stai lavorando con lo strumento sbagliato per il lavoro che vuoi fare.

Il prompt engineering è morto come approccio principale. Non perché non funzioni: funziona, ma scala male. Ogni output migliore che ottieni muore nel momento in cui chiudi la tab. L'AI non ricorda niente. Non conosce il tuo prodotto, il tuo cliente ideale, il tono che vuoi usare, cosa ha funzionato nell'ultima campagna. Ricomincia da zero ogni volta.

Il context engineering è l'approccio che viene dopo, e cambia le regole.

Cosa significa davvero prompt engineering

Il prompt engineering è l'arte di scrivere la domanda giusta. Trovare le parole esatte, la struttura corretta, il livello di dettaglio giusto per ottenere un output decente da un LLM.

È utile, è necessario come base, ma ha un limite strutturale: opera su una singola interazione. Ogni prompt è un biglietto da visita che presenti a qualcuno che non ti conosce. Domani devi ripresentarti da zero.

La maggior parte dei marketer si è fermata qui. Collezionano prompt come se fossero ricette. Salvano i template in Notion. Copiano i "prompt da 1000 token" che circolano su LinkedIn. Continuano a ottenere output generici perché il problema non è il prompt: è l'assenza di contesto.

Il vero problema: l'AI non sa chi sei

Pensa a un copywriter senior che assumi per il tuo team. Il primo giorno gli dai un brief e lui produce qualcosa di ottimo. Ma ogni mattina lo devi richiamare da zero: non ricorda il tuo Ideal Customer Profile (ICP), non sa come si chiama il prodotto, non conosce il tono che usi, non ha memoria di cosa ha funzionato la settimana scorsa. Devi rispiegargli tutto da capo ogni volta.

Lo licenzieresti entro una settimana.

Con l'AI stai facendo esattamente questo, e poi ti sorprendi se l'output sembra generico.

Nel 2026 State of AI for GTM, il 53% dei responsabili marketing dice di non vedere impatto reale dall'AI. Il 24% che ottiene risultati fa una cosa diversa: costruisce sistemi di contesto, non prompt migliori.

Context engineering: costruire l'ambiente informativo

Il context engineering non è scrivere prompt migliori. È progettare l'ambiente informativo intorno all'AI in modo che sappia già chi sei, cosa vendi, a chi parli e come vuoi farlo, prima che tu apra bocca.

Tobi Lütke, CEO di Shopify, lo ha definito così: "Il context engineering descrive meglio la competenza chiave: l'arte di fornire tutto il contesto perché il task sia risolvibile dall'LLM." Andrej Karpathy, ex Tesla AI lead e membro fondatore di OpenAI, ha aggiunto: "È la delicata arte e scienza di riempire la context window con le informazioni giuste per il passo successivo."

I tre livelli del context engineering applicato al marketing

CLAUDE.md: il cervello strategico

Se usi Claude Code, il punto di partenza è il file CLAUDE.md. È un documento di testo che l'AI legge automaticamente all'inizio di ogni sessione. Non funziona come un prompt: è il documento di onboarding che scrivi una volta e che viene assorbito ogni volta che lavori.

Cosa ci metti: ICP preciso, tono di voce, posizionamento del prodotto, i framework che usi, cosa ha funzionato e cosa no nelle campagne precedenti.

Il risultato pratico: apri una sessione e l'AI sa già che il tuo cliente ideale è un CMO di SaaS B2B tra 50 e 200 dipendenti, che il tono è diretto e pragmatico, che non usi aggettivi vuoti nel copy. Non devi più rispiegarlo.

Prima (prompt engineering):

"Scrivi una email di cold outreach per una piattaforma di automazione marketing rivolta a CMO di SaaS B2B."

Output: un'email generica applicabile a qualsiasi prodotto sul mercato.

Dopo (context engineering):

Apri Claude Code. L'AI conosce già l'ICP, il tono, le obiezioni comuni del tuo sales team, gli hook che hanno performato di più nell'ultimo trimestre.

Scrivi solo: "Scrivi una email di cold outreach per la campagna Q2."

Output: un'email specifica, con il tono giusto, che parte dal pain point reale del tuo ICP, senza aggiungere una sola istruzione in più.

Skills: i playbook specializzati

Le Skills sono istruzioni che definiscono come eseguire un tipo specifico di task. Non "scrivi un'email" ma "scrivi una cold email seguendo il nostro framework a tre righe, con personalizzazione basata su trigger recenti, usando gli angoli di messaggio che hanno funzionato nell'ultimo trimestre."

Il tuo team già opera così: il copywriter segue un processo diverso da chi gestisce gli ads, che segue un processo diverso da chi ottimizza le landing page. Le Skills codificano questi processi in modo che l'AI li esegua con la stessa coerenza del tuo miglior collaboratore nel suo giorno migliore.

Esempi applicati al marketing:

• Skill per il copy ads: conosce il formato delle creative, i limiti di carattere, il framework di copy che usi, le varianti da testare.
• Skill per i brief creativi: sa come strutturare un brief, quali informazioni raccogliere, come descrivere il target in modo che il designer non abbia bisogno di un briefing verbale.
• Skill per l'analisi competitiva: sa dove cercare, come strutturare l'output, quali variabili confrontare e in quale formato consegnare il risultato al team.

MCP: connettere l'AI ai tuoi dati reali

MCP (Model Context Protocol) è il sistema che collega Claude agli strumenti che usi ogni giorno: il tuo CRM, Google Analytics, Notion, i file di campagna.

Senza MCP, l'AI lavora nel vuoto. Con MCP, può leggere i dati reali della tua ultima campagna e suggerire ottimizzazioni basate su numeri concreti, non su raccomandazioni generiche.

Per un marketer questo significa: invece di copiare e incollare dati di performance in un prompt e sperare che l'AI li interpreti correttamente, le connessioni sono già attive. Chiedi "cosa ha funzionato nelle nostre campagne email del Q1" e l'AI accede direttamente ai dati, li analizza e risponde.

Il cambio di mentalità che conta

Il prompt engineering ti chiede di essere bravo a fare domande. Il context engineering ti chiede di costruire l'infrastruttura informativa del tuo lavoro.

È un investimento iniziale. Scrivere un buon CLAUDE.md richiede tempo. Definire le Skills richiede di formalizzare processi che spesso esistono solo nella testa delle persone. Configurare MCP richiede di capire quali dati vuoi rendere accessibili.

Si ripaga però a ogni sessione. Ogni output migliore non muore più quando chiudi la tab: resta nel sistema, aggiorna il contesto, migliora il prossimo output.

Chi ottimizza solo i prompt lavora più duro per restare fermo. Chi costruisce contesto lavora meno e ottiene di più, perché il sistema cresce con lui.

Da dove partire

Non serve costruire tutto in una volta. Il posto più utile da cui cominciare è il CLAUDE.md: scrivi ICP, tono di voce e posizionamento del prodotto. Non deve essere perfetto: l'importante è iniziare da qualcosa. Poi identifica il task di marketing che esegui più spesso con l'AI e costruisci una Skill per quello. Solo dopo, quando hai già un sistema che funziona, aggiungi MCP.

Non è un progetto da tre mesi. Puoi avere qualcosa di funzionante in un pomeriggio.