Framework RISEN nel 2026: la guida completa al prompting strutturato (e quando usarlo davvero)

RISEN è uno dei framework di prompting più citati degli ultimi due anni. Nel 2024 era la rivelazione, oggi nel 2026 è una delle tante formule strutturate che girano per il web. La domanda vera non è “cos’è RISEN” — quello te lo spiego in 30 secondi — ma se ha ancora senso usarlo oggi che ChatGPT, Claude e Gemini sono diventati agenti che ragionano in più passaggi.

La risposta breve: sì, RISEN funziona ancora, ma non per quello per cui è nato. Nel 2024 serviva per ottenere risposte decenti da GPT-4 con un singolo prompt. Nel 2026 serve come contratto strutturale per definire il comportamento di un agente AI dentro un workflow multi-step. È un cambio d’uso, non di formula.

In questo articolo vediamo cos’è RISEN, perché ha ancora senso (e perché in alcuni casi no), come si è evoluto in RISE-M, quali sono le alternative valide oggi (CO-STAR, RACE, APE) e quando conviene usare uno invece dell’altro. Niente magia, solo decisioni operative.

Cos’è il framework RISEN?

RISEN è un acronimo che scompone un prompt in cinque ingredienti: Role, Instructions, Steps, Expectation, Narrowing. È stato proposto da Kyle Balmer come evoluzione del framework RISE precedente, aggiungendo la “N” finale per gestire vincoli e limiti.

L’idea di base è che un modello linguistico produce risposte migliori se il prompt contiene cinque informazioni precise: chi deve essere il modello, cosa deve fare, in che ordine deve farlo, cosa ci aspettiamo come output finale, e quali vincoli deve rispettare. Nient’altro.

Vediamo i cinque elementi uno per uno con un esempio reale: scrivere il piano editoriale per un blog di marketing.

• Role: “Sei un content strategist senior con 10 anni di esperienza nel marketing B2B.”
• Instructions: “Genera un piano editoriale mensile di 12 articoli per il blog di un’azienda SaaS di gestione progetti.”
• Steps: “1) Identifica 4 pillar tematici. 2) Per ogni pillar produci 3 titoli. 3) Per ogni titolo specifica audience target e parole chiave. 4) Suggerisci il formato (long form, video, infografica).”
• Expectation: “Output in tabella markdown con colonne Pillar, Titolo, Target, Keyword, Formato.”
• Narrowing: “Limita a temi B2B SaaS, niente consumer marketing. Lingua italiana. Niente AI generica, focus produttività.”

Il risultato è un prompt che produce sempre lo stesso tipo di output. Predicibilità, non creatività.

Perché RISEN ha senso ancora oggi?

Nel 2024 RISEN serviva per spremere risultati decenti da modelli che oggi sembrano antichi. Oggi i modelli sono molto più bravi, ma il problema si è spostato: non basta più ottenere “una buona risposta”. Serve ottenere un comportamento ripetibile, integrabile, scalabile dentro workflow più grandi.

RISEN risolve questa esigenza meglio di prima, non peggio. Tre motivi concreti.

Primo: gli agenti AI sono diventati componibili. Quando costruisci un agente Claude, GPT o Gemini che fa più cose in sequenza, ogni step del workflow ha bisogno di un suo prompt strutturato. RISEN diventa il contratto comportamentale di quel singolo step. La “Expectation” di un agente è l'”Instructions” del successivo.

Secondo: i modelli grandi sono creativi, troppo. Senza Narrowing, GPT-5.5 e Claude 4.7 producono variazioni eccessive su task ripetitivi. RISEN serve da guardrail. Non serve dare al modello “più creatività”, serve dare meno spazio di manovra.

Terzo: i prompt vivono in produzione. Nel 2024 il prompt era una cosa che scrivevi nella chat e buttavi. Nel 2026 il prompt è un asset che vive dentro automazioni, applicazioni, agenti che girano per mesi. Un prompt RISEN è documentato, leggibile, modificabile a sezioni. Un prompt monolitico no.

Cosa è cambiato dal 2024 al 2026?

Tre cambiamenti hanno modificato il modo di applicare RISEN, anche se la formula resta la stessa.

I modelli rispettano meglio Role e Narrowing. Nei modelli del 2024 dovevi ripetere il ruolo 3 volte e usare maiuscole per i vincoli. Oggi Claude 4.7 e GPT-5.5 rispettano un Role detto una sola volta in modo professionale. Le maiuscole “STOP! NON FARE X” sono diventate controproducenti — i modelli le interpretano come segnale di stress dell’utente e diventano meno cooperativi. Scrivi le istruzioni come parleresti a un collega senior.

Steps è meno necessario per task semplici. Per task lineari (“scrivi una mail di follow-up al cliente X”) gli step espliciti non servono più. Il modello li gestisce da solo. Steps è ancora utile per task che vorresti decomporre in più chiamate (chain of thought esplicito) o per agenti multi-step dove la sequenza definisce il flusso.

Narrowing è diventato fondamentale. Con modelli enormi, l’unico modo per ottenere output predicibili è restringere il dominio in modo esplicito. “Solo dati del 2026”, “Italiano formale”, “Niente speculazioni, solo fatti dalla fonte X”. Senza Narrowing oggi rischi tangenti più che mai.

Quali sono i limiti di RISEN?

RISEN non è la formula magica e ha tre problemi noti.

Overhead per task semplici. Strutturare un prompt in 5 sezioni per chiedere “riformula questa frase” è ridicolo. RISEN brilla su task complessi e ripetuti, non su one-shot rapidi. Se usi RISEN per ogni domanda perdi più tempo a scrivere il prompt che a fare il task.

Rigidità in workflow multi-step. Quando orchestri 5-6 agenti in catena, mantenere coerenza tra il Narrowing di un agente e l’Instructions del successivo diventa pesante. Le modifiche richiedono ricalibrare l’intera pipeline. Per questo è nato RISE-M, l’estensione con “Methods” che gestisce l’uso di tool e il passaggio di output tra agenti.

Bias verso output formattati. Forzare sempre un “Expectation” preciso (tabella, lista, JSON) abitua chi scrive il prompt a pensare in termini di forma prima di pensare in termini di valore. Per task creativi o esplorativi RISEN è controproducente: imprigiona la risposta nello schema prima ancora che il modello abbia generato idee.

Come adattare RISEN per gli agenti AI nel 2026?

Quando il prompt non vive in una chat ma dentro un agente Claude, un’automazione N8N o un workflow Gemini, RISEN va riadattato. Il workflow tipico ha tre step.

La differenza chiave rispetto al RISEN classico è che la sezione Expectation diventa il contratto formale di interfaccia. Se l’agente A produce “una tabella markdown con 5 colonne” e l’agente B si aspetta “una lista bullet di 5 punti”, la pipeline si rompe. RISE-M aggiunge la “M” di Methods per descrivere esplicitamente quali tool l’agente può usare e come — utile quando l’agente ha accesso a function calling, MCP server, database o API.

Quali sono le alternative a RISEN nel 2026?

RISEN non è l’unico framework strutturato in circolazione. Quattro alternative sono diventate rilevanti, ognuna con un caso d’uso preferito.

CO-STAR (Context, Objective, Style, Tone, Audience, Response) è diventato lo standard per i task di copywriting. Sostituisce il “Role” generico di RISEN con quattro elementi più granulari sul tono di voce. Se scrivi articoli, post social, email, CO-STAR rende meglio.

RACE (Role, Action, Context, Expectation) è la versione “leggera” di RISEN. Quattro step invece di cinque, niente Narrowing esplicito. Funziona bene per analisi tecniche dove il ruolo (es. “data analyst senior”) fa molto del lavoro che in RISEN farebbe il Narrowing.

APE (Action, Purpose, Expectation) è il framework dei principianti. Tre step, zero ruolo esplicito. Ottimo per iniziare a strutturare i prompt senza paralizzarsi. Quando padroneggi APE, passi a RACE, poi a RISEN.

RISE-M è l’estensione di RISEN per agenti che usano tool. La “M” sta per Methods e descrive quali strumenti l’agente ha a disposizione e quando usarli. Necessario se costruisci agenti Claude Code, ChatGPT con function calling, workflow N8N con AI nodes.

Quando NON usare RISEN?

Quattro situazioni in cui RISEN è la scelta sbagliata.

Task creativi o esplorativi. Brainstorming, ideazione, scrittura libera. La struttura RISEN limita lo spazio di esplorazione del modello. Per questi casi è meglio un prompt minimale con una sola istruzione aperta e poi iterare in conversazione.

Prompt one-shot. “Riassumi questo testo in 5 punti.” Non serve scrivere 5 sezioni RISEN per dire una cosa che il modello capisce dalla prima frase. Overhead inutile.

Quando il Role basta. Se “Sei un copywriter senior per fashion brand” già produce l’output che ti serve, aggiungere Steps, Expectation e Narrowing è ridondante. La regola è: parti minimale, aggiungi struttura solo se l’output non soddisfa.

Quando vuoi vedere come ragiona il modello. Imporre uno schema rigido nasconde i passaggi intermedi del ragionamento. Se stai esplorando un problema nuovo o vuoi capire come il modello arriva a una conclusione, lascia il prompt più aperto.

Cosa cambia per RISEN nei prossimi 12 mesi?

Due trend stanno modificando il ruolo dei framework strutturati come RISEN.

Il primo è il prompt caching nativo nei modelli enterprise. Quando una sezione del prompt resta uguale tra una chiamata e l’altra (es. il “Role” di un agente che gira 1000 volte al giorno), Anthropic e OpenAI cachano quella sezione e fanno pagare solo l’incrementale. Questo favorisce prompt strutturati come RISEN — dove le sezioni sono identificabili e riusabili — rispetto a prompt monolitici.

Il secondo è l’emersione di linguaggi di prompting. Promptfile, Magma, DSL specifici stanno trasformando il prompt da “stringa libera” a “documento strutturato versionato”. RISEN è la formula più vicina a questa direzione. Imparare RISEN oggi è investire nella prossima generazione di tooling, non nel passato.

La mia previsione: tra 12 mesi RISEN sarà ancora la base di partenza per prompt strutturati nei contesti professionali, ma verrà incorporato dentro tool che lo astraggono. Non scriverai più “R: …, I: …, S: …” a mano — selezionerai sezioni in un’interfaccia. La logica resta la stessa.

FAQ

Fonti

• Gunnar Grosch, “Writing System Prompts That Actually Work: The RISEN Framework for AI Agents” — DEV Community, 2026. Approfondisce l’evoluzione di RISEN per agenti AI multi-step e introduce il concetto di Expectation come contratto verso lo step successivo.
• ServiceNow Developer Advocate Blog, “AI Academy: The RISEN Framework” — discussione enterprise dell’uso di RISEN per casi reali.
• PromptBoost, “Prompt Engineering Frameworks Compared: CO-STAR, RISEN, RACE, CREATE, APE, and STOKE” — analisi comparata dei principali framework di prompting strutturato.
• ClickUp Playbooks, “RISEN: 5 Steps to Build Context-Rich AI Prompts” — versione divulgativa con esempi per task operativi.

Continua altrove

Articolo scritto con il supporto dell’intelligenza artificiale, sotto la mia supervisione. La responsabilità di quello che leggi è mia.

Massimiliano Pioli

Divulgatore di Intelligenza Artificiale

Divulgo l’intelligenza artificiale con un approccio pragmatico. Su questo blog, su Substack, YouTube, WhatsApp e nel mio podcast Cronache di Intelligenza Artificiale racconto come uso davvero l’AI nel lavoro quotidiano: produttività per professionisti, ecosistema Google AI (Gemini, NotebookLM, AI Studio), Claude Cowork e Claude Code. Non racconto l’AI come magia: non ti dà il talento che non hai, ma può moltiplicare quello che sai già fare.