Il panorama delle minacce alla pubblica amministrazione
Secondo l’ultimo Threat Landscape di ENISA, riferito al periodo luglio 2024‑giugno 2025, il settore pubblico europeo ha subito il 38,2 % degli incidenti censiti a livello continentale, registrando un aumento marcato rispetto all’anno precedente. Tra gli attacchi più frequenti si segnalano DDoS di matrice hacktivista, violazioni di dati e campagne di social engineering.
Il rapporto evidenzia inoltre 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, utilizzati per rendere i messaggi più credibili e potenziare le campagne.
Automazione e IA generativa: una nuova velocità di attacco
La novità più significativa dell’ultimo biennio non è la comparsa di nuove tecniche di attacco, ma l’aumento di velocità e automazione reso possibile dall’IA generativa. Essa riduce drasticamente lo sforzo umano necessario per ricognizione, furto di credenziali e movimento laterale, spostando il vantaggio verso gli aggressori se le difese non tengono il passo.
Rilevamento delle anomalie con machine learning
La ricerca si è concentrata sul 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 cercano di superare i limiti dei sistemi signature‑based, ciechi davanti a varianti mai osservate.
L’apprendimento federato ha un ruolo particolare per le amministrazioni pubbliche, perché consente di addestrare un modello condividendo solo gli aggiornamenti del modello e non i dati grezzi, un aspetto cruciale per il rispetto del GDPR quando si correlano segnali di minaccia tra comuni, regioni o strutture sanitarie.
Vulnerabilità dell’apprendimento federato
Nonostante i vantaggi, questi sistemi restano vulnerabili ad attacchi diretti al processo di addestramento distribuito, come il poisoning e i backdoor. Un partecipante malevolo può alterare gli aggiornamenti condivisi, degradando il modello globale. La robustezza avversariale di questi framework è quindi un’area di ricerca ancora aperta, non un problema risolto.
- Poisoning: iniezione di dati malevoli per corrompere il modello.
- Backdoor: inserimento di trigger nascosti che attivano comportamenti indesiderati.
L’uso dei grandi modelli linguistici nei SOC
Un secondo filone di ricerca riguarda l’impiego di grandi modelli linguistici (LLM) all’interno dei Security Operations Center. Una rassegna sistematica pubblicata su arXiv nel 2025 documenta sperimentazioni di LLM 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.
Tuttavia, 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. I risultati mostrano che gli LLM hanno una buona capacità di richiamo nella classificazione, ma sono inaffidabili nella prioritizzazione, con precisione bassa e tasso elevato di falsi positivi.
Come sfruttare al meglio gli LLM
Attualmente gli LLM funzionano meglio come supporto alla prima lettura degli eventi e alla stesura di reportistica, piuttosto che come motore decisionale autonomo per stabilire le priorità. Questa constatazione ridimensiona le aspettative spesso associate a questi strumenti.
Minacce generate da IA
Il rapporto ENISA 2025 cita la comparsa di strumenti come Xanthorox AI, progettati per automatizzare social engineering e sviluppo di malware. 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.
Di fronte a questo scenario, la 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.
Misure difensive fondamentali
Le tecniche di compromissione rimangono riconducibili a furto di credenziali ed esfiltrazione di dati. Per questo, 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.
- Implementare l’autenticazione a più fattori per tutti gli accessi.
- Applicare il principio del privilegio minimo anche ai sistemi IA.
- Monitorare costantemente attività anomale con SIEM avanzati.
Implicazioni normative per la PA italiana
Per un ente pubblico italiano, i 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 nella catena di approvvigionamento.
L’adozione di sistemi di rilevamento automatizzato deve essere accompagnata da una valutazione esplicita dei rischi di adversarial machine learning, soprattutto quando tali sistemi sono esposti, anche solo indirettamente, a input controllabili da terzi.
Linee guida operative
In sintesi, la letteratura scientifica descrive tre velocità diverse:
- Rilevamento delle anomalie classico: settore maturo.
- LLM nei SOC: promettente ma ancora sperimentale.
- Apprendimento federato e distribuito: apertamente vulnerabile.
Un ente pubblico deve tenere presenti queste differenze 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.