La pubblica amministrazione europea è oggi il bersaglio più colpito nel panorama delle minacce informatiche: secondo l’ultimo Threat Landscape di ENISA, riferito al periodo luglio 2024-giugno 2025, il settore pubblico ha subito il 38,2% degli incidenti censiti a livello continentale, con un aumento marcato rispetto all’anno precedente e una prevalenza di attacchi DDoS di matrice hacktivista, violazioni di dati e campagne di social engineering.
Lo stesso rapporto segnala che oltre l’80% delle email di phishing analizzate tra settembre 2024 e febbraio 2025 presentava un qualche grado di automazione basata su modelli linguistici, usati per rendere i messaggi più credibili e per far crescere le campagne.
La novità più significativa dell’ultimo biennio, dunque, non è la comparsa di nuove tecniche di attacco, quanto l’aumento di velocità e automazione reso possibile dall’IA generativa, che riduce in modo drastico lo sforzo umano necessario per condurre ricognizione, furto di credenziali e movimento laterale, e sposta il vantaggio verso chi attacca se le difese non tengono il passo.
Indice degli argomenti
Cybersecurity nella PA: rilevamento delle anomalie e apprendimento federato
Di fronte a questa accelerazione, la ricerca si è mossa su più direttrici parallele. La più consolidata riguarda il rilevamento delle anomalie tramite modelli di machine learning applicati a log, traffico di rete e SIEM: le tecniche di intrusion detection basate su reti neurali e apprendimento federato continuano a essere perfezionate per superare i limiti dei sistemi signature-based, che restano ciechi davanti a varianti mai osservate.
Per gli enti pubblici l’apprendimento federato ha un ruolo particolare, perché permette a più amministrazioni di addestrare insieme un modello di rilevamento condividendo solo gli aggiornamenti del modello e non i dati grezzi, aspetto rilevante sotto il profilo del GDPR quando si tratta di correlare segnali di minaccia tra comuni, regioni o strutture sanitarie.
La letteratura più recente sottolinea tuttavia che questi sistemi restano vulnerabili ad attacchi diretti proprio al processo di addestramento distribuito, come il poisoning e i backdoor, in cui un partecipante malevolo altera gli aggiornamenti condivisi per degradare il modello globale: la robustezza avversariale di questi framework è dunque un’area di ricerca ancora aperta, non un problema risolto, e questo pesa su qualunque progetto di difesa condivisa tra amministrazioni diverse.
Esplora i dati
Apri le schede per leggere contesto, periodo e limiti. Le percentuali hanno basi diverse: non sono sommabili né direttamente confrontabili.
38,2% · Incidenti nel settore pubblico europeo
0% — scala percentuale — 100%
Che cosa misura: quota degli incidenti censiti a livello continentale attribuita al settore pubblico, secondo il testo.
Periodo: luglio 2024–giugno 2025.
Fonte citata: ENISA, Threat Landscape 2025.
Limite: il dato riguarda gli incidenti censiti; non indica la percentuale di amministrazioni colpite.
Oltre l’80% · Phishing con automazione basata su LLM
0% — soglia: 80% — 100%. Tratto: valore superiore alla soglia, non precisato.
Che cosa misura: quota delle email di phishing analizzate che presentava un qualche grado di automazione basata su modelli linguistici.
Periodo: settembre 2024–febbraio 2025.
Fonte citata: ENISA, Threat Landscape 2025.
Limite: il testo non riporta un valore esatto né la dimensione del campione; il dato non riguarda tutte le email di phishing in circolazione.
Fino all’80–90% · Fasi tattiche automatizzate in un caso di intrusione
0% — fascia azzurra: 80–90% — 100%. Valore riferito al caso descritto.
Che cosa misura: automazione delle fasi tattiche di un’intrusione tramite modelli linguistici commerciali, nel caso attribuito nel testo ad attori sostenuti da uno Stato.
Periodo: non indicato nel testo.
Fonte citata: Anthropic; rapporto specifico non indicato nei riferimenti bibliografici.
Limite: è un dato relativo a un caso, non una media degli attacchi informatici. La formulazione «fino all’80–90%» è conservata dal testo.
Fonte: testo fornito, Luigi Lella, Intelligenza artificiale e difesa cibernetica negli enti pubblici: lo stato dell’arte. Dati trascritti il 4 novembre 2026; fonti originali non verificate indipendentemente. Le barre partono da zero; i dettagli restano consultabili con clic, tocco o tastiera.
LLM nei SOC: i limiti nella classificazione e nelle priorità
Un secondo filone, più recente e ancora in via di consolidamento, riguarda l’impiego dei grandi modelli linguistici all’interno dei Security Operations Center. Una rassegna sistematica pubblicata su arXiv nel 2025 documenta come gli LLM vengano sperimentati per l’analisi automatica dei log, il triage degli alert e la sintesi di intelligence sulle minacce, con l’obiettivo di alleggerire il carico degli analisti a fronte di volumi di segnalazioni ormai ingestibili a mano.
I risultati empirici, però, invitano alla cautela: uno studio pubblicato su Expert Systems with Applications nel 2026 ha confrontato diversi LLM con modelli di machine learning più semplici nella classificazione e nella prioritizzazione degli alert, rilevando che i modelli linguistici hanno una buona capacità di richiamo nella classificazione ma restano inaffidabili nella prioritizzazione, con una precisione bassa e un tasso elevato di falsi positivi; in diversi casi un classificatore lineare tradizionale ha ottenuto prestazioni migliori.
Ne deriva che, allo stato attuale, gli LLM funzionano meglio come supporto alla prima lettura degli eventi e alla stesura della reportistica che come motore decisionale autonomo per stabilire le priorità, il che ridimensiona le aspettative spesso associate a questi strumenti.
Attacchi automatizzati con l’IA: le difese fondamentali
Un terzo ambito riguarda la difesa da attacchi che sono a loro volta generati o orchestrati da IA. Il rapporto ENISA 2025 cita esplicitamente la comparsa di strumenti come Xanthorox AI, progettati per automatizzare social engineering e sviluppo di malware, mentre analisi indipendenti riportano campagne in cui modelli linguistici commerciali sono stati usati per automatizzare fino all’80-90% delle fasi tattiche di un’intrusione, secondo quanto documentato da Anthropic in un caso di attacco riconducibile ad attori state-sponsored.
Davanti a questo scenario, gran parte della comunità tecnica converge su un punto: la risposta più efficace non è necessariamente un sofisticato contrattacco «IA contro IA», ma un ritorno rigoroso ai fondamentali della sicurezza, applicati con l’automazione necessaria a reggere il ritmo dell’avversario.
Le tecniche di compromissione restano riconducibili a furto di credenziali ed esfiltrazione di dati, per cui il rafforzamento dei controlli di identità, il principio del privilegio minimo esteso anche agli agenti IA e il monitoraggio continuo restano le difese più solide, come indicato dal Threat Detection Report 2026 di Red Canary. Si tratta di misure già note, che oggi vanno applicate con più costanza e su scala più ampia.
Cybersecurity nella PA italiana: obblighi e valutazione dei rischi
Per un ente pubblico italiano questi filoni di ricerca si intrecciano con obblighi già cogenti: il D.Lgs. 138/2024 di recepimento della NIS2 e le determinazioni ACN impongono di trattare i fornitori di soluzioni di sicurezza basate su IA come qualunque altro fornitore rilevante ai fini della catena di approvvigionamento, mentre l’adozione di sistemi di rilevamento automatizzato va accompagnata da una valutazione esplicita dei rischi di adversarial machine learning, quando tali sistemi sono esposti, anche solo indirettamente, a input controllabili da terzi.
La letteratura scientifica descrive quindi un settore maturo sul fronte dell’anomaly detection classico, promettente ma ancora sperimentale sugli LLM nei SOC e apertamente vulnerabile sul fronte dell’apprendimento federato e distribuito: tre velocità diverse che un ente pubblico deve tenere presenti prima di affidare compiti critici a un singolo strumento basato su IA, senza sostituire il giudizio dell’analista umano né derogare ai presidi organizzativi già previsti dal quadro normativo: l’IA va integrata nei processi di sicurezza, non usata per sostituirli.
Riferimenti bibliografici
ENISA, Threat Landscape 2025 (ottobre 2025) ed ENISA Sectorial Threat Landscape – Public Administration (novembre 2025), enisa.europa.eu
Habibzadeh A., Feyzi F., Atani R.E., Large Language Models for Security Operations Centers: A Comprehensive Survey, arXiv:2509.10858 (2025)
Rieger M., Shah A., Alam A., Hossain J., Possibilities and limitations of using LLMs for alert classification and prioritisation in SOCs, ScienceDirect / Expert Systems with Applications (2026)
Bunko T., Johnstone M.N., Yang W., Scott B.A., A survey of privacy-preserving federated learning for intrusion detection systems, Artificial Intelligence Review, Springer (2026)
CIO.com, The state of AI security in 2026, con riferimento al Threat Detection Report 2026 di Red Canary (aprile 2026)
Partecipa alla community