Microsoft mengungkap tantangan baru dalam pemanfaatan teknologi kecerdasan buatan untuk mendeteksi dan memperbaiki celah keamanan perangkat lunak. Melalui penelitian yang dipublikasikan pada 7 Oktober 2026, tim Frontier Offensive Research & Generative Exploitation atau FORGE Lab menjelaskan bahwa kemampuan AI menemukan kerentanan kini berkembang semakin cepat. Namun, penemuan tersebut belum tentu langsung menghasilkan perbaikan yang dapat diterapkan secara aman. Proses validasi, penentuan prioritas, koordinasi dengan pengembang, dan pengujian pembaruan justru menjadi tantangan berikutnya. Riset ini menunjukkan bahwa keberhasilan keamanan siber berbasis AI tidak cukup diukur melalui banyaknya celah yang ditemukan, tetapi juga melalui efektivitas penanganannya.
Riset Microsoft Mengungkap Perubahan Penting dalam Teknologi Keamanan AI
Kajian terkini dari tim keamanan Microsoft menunjukkan bahwa perkembangan teknologi kecerdasan buatan mendorong perubahan pada proses penelitian celah keamanan. Dalam kegiatan Frontier Offensive Research & Generative Exploitation Lab, Microsoft mengembangkan sistem agen keamanan otomatis yang dapat menelusuri kode sumber dalam jumlah besar. Tidak seperti pendekatan pencarian kesalahan konvensional, sistem berbasis AI berpotensi memahami alur eksekusi program. Pendekatan ini membuka peluang untuk menemukan kelemahan lebih awal sebelum menjadi ancaman yang lebih besar. Namun demikian, laporan yang dihasilkan model tetap membutuhkan pemeriksaan sebelum ditetapkan sebagai masalah keamanan.
Dalam laporan yang diterbitkan pada 7 Oktober 2026, Microsoft menjelaskan tiga arah perkembangan dalam pengembangan teknologi keamanan siber. Aspek awal adalah peralihan dari kemampuan menemukan celah menuju penerapan berskala besar. Perubahan kedua berkaitan dengan pengelolaan sumber daya komputasi. Adapun, prioritas lainnya adalah pembentukan alur pemeriksaan berkelanjutan. Ketiga aspek tersebut menegaskan bahwa efektivitas perlindungan perangkat lunak tidak semata-mata ditentukan kemampuan model. Dalam praktiknya, tim keamanan harus memperhatikan apakah pembaruan berhasil diterapkan secara bertanggung jawab.
Hasil Penelitian MDASH terhadap Keamanan Windows dan Open Source
Salah satu teknologi utama dalam penelitian Microsoft adalah MDASH, yaitu kerangka pemindaian berbasis beberapa model AI. Teknologi tersebut dirancang untuk menggabungkan beberapa model kecerdasan buatan dalam satu alur pemeriksaan. Melalui pendekatan tersebut, sebagian komponen dapat menelusuri lokasi program yang mencurigakan. Di sisi lain, agen lainnya dapat membantu melakukan validasi. Arsitektur tersebut bertujuan meningkatkan cakupan penelitian keamanan. Meskipun beberapa tahapan dapat dijalankan AI, peneliti manusia tetap diperlukan untuk menentukan dampak.
Berdasarkan penelitian FORGE Lab, penggunaan sistem tersebut mendukung pengungkapan kerentanan Windows yang berjumlah 140 CVE dalam masa penelitian dari Mei sampai September 2026. Dari jumlah tersebut, sebanyak 52 CVE tercakup pada pembaruan Windows bulan September. Di luar pemeriksaan sistem operasi Microsoft, anggota FORGE turut menghasilkan 155 laporan yang melalui pemeriksaan internal pada 23 proyek perangkat lunak sumber terbuka. Target pemeriksaan ini menyertakan sejumlah komponen open source penting. Hasil tersebut menggambarkan kemampuan penerapan keamanan berbasis AI, tetapi bukan bukti bahwa semua temuan telah diumumkan. Temuan yang diterima tetap memerlukan proses penanganan sesuai tingkat risiko.
Pentingnya Pemeriksaan Hasil Pendeteksian Celah Perangkat Lunak
Hambatan utama dalam penelitian kerentanan otomatis adalah membuktikan bahwa laporan menunjukkan masalah keamanan sebenarnya. Agen penelitian otomatis dapat menghasilkan dugaan kelemahan dengan penjelasan terperinci meskipun masalah sebenarnya belum terbukti. Situasi semacam ini berpotensi menimbulkan laporan positif palsu sehingga beban kerja tim keamanan meningkat. Tidak hanya terkait akurasi, laporan duplikat berpotensi membebani proses triase. Untuk meningkatkan kualitas, tim keamanan harus memprioritaskan temuan yang telah melalui validasi daripada mengandalkan banyaknya dugaan kelemahan.
Dalam penelitiannya Microsoft menjelaskan bahwa kemampuan menghasilkan laporan otomatis membutuhkan dukungan pengujian bukti teknis. Dalam praktik keamanan, laporan yang berpotensi berdampak biasanya perlu diperiksa melalui prosedur pembuktian teknis. Dalam situasi sederhana, indikasi kerusakan memori membutuhkan kondisi yang dapat memicu masalah. Apabila bukti tidak tersedia, pengembang perlu memeriksa bagian kode terkait. Pemeriksaan berlapis tersebut membantu menghindari kesalahan prioritas. Dengan demikian, hasil penelitian menjadi lebih dapat dipercaya.
Tantangan Penggunaan Sumber Daya dalam Teknologi Pendeteksi Celah
Di samping kualitas laporan, Microsoft turut membahas pengeluaran untuk penalaran otomatis ketika pemindaian dilakukan terhadap kode berukuran besar. Perhitungan efisiensi AI menjadi penting karena setiap proses analisis membutuhkan sumber daya. Dalam evaluasi FORGE Lab, MDASH menandai ribuan lokasi mencurigakan pada kernel Linux dan menyiapkan hasil validasi untuk 627 temuan. Dari aktivitas tersebut, Microsoft mencatat kebutuhan model dalam pengujian otomatis. Pengukuran tersebut membantu menentukan apakah hasil pengujian sebanding dengan biaya. Berkat evaluasi sumber daya, organisasi dapat mempertimbangkan kebutuhan pemeriksaan lanjutan secara lebih sistematis.
Dalam pengujian tertentu, Microsoft mengungkapkan bahwa pembuatan proof of concept untuk 182 temuan crash yang terkonfirmasi memiliki biaya komputasi model rata-rata 3,61 dolar AS dengan waktu rata-rata 21,5 menit. Untuk evaluasi tambahan, enam kasus terpilih yang diuji kemungkinan local privilege escalation memiliki pengeluaran model sekitar 8,56 dolar AS dan lama pemrosesan sekitar 25,4 menit. Walaupun hasil tersebut memberikan gambaran, hasil evaluasi tersebut tidak mencakup seluruh pengeluaran seperti investigasi manusia. Dengan pertimbangan tersebut, informasi biaya harus dilihat sebagai indikator efisiensi dalam kondisi penelitian, bukan jaminan biaya untuk semua proyek.
Pentingnya Koordinasi Pengembang dalam Menangani Celah Open Source
Penelitian FORGE Lab turut memperlihatkan bahwa identifikasi masalah belum menyelesaikan seluruh pekerjaan. Ketika kerentanan berhasil diidentifikasi, peneliti bersama pemelihara proyek perlu menentukan dampak terhadap sistem. Dalam proyek sumber terbuka, proses koordinasi menjadi sangat penting karena mekanisme pengungkapan dapat bervariasi. Temuan tertentu mungkin membutuhkan laporan privat. Selain itu, perbaikan perangkat lunak harus diuji untuk menghindari regresi. Berkat koordinasi yang tepat, penelitian keamanan dapat menghasilkan perlindungan nyata bagi komunitas pengembang.
Dalam upaya meningkatkan penanganan kerentanan, Microsoft berkontribusi terhadap Akrites, yaitu program koordinasi keamanan dari Linux Foundation yang dikembangkan untuk mendukung pengungkapan kerentanan secara terkoordinasi. Melalui inisiatif tersebut, tim FORGE mengirimkan sembilan temuan Linux yang mendapatkan skor kerentanan internal melampaui 7,0. Salah satu laporan tersebut tercatat sebagai laporan pertama melalui Akrites dengan perbaikan diterima yang digabungkan ke kernel Linux. Hasil kolaborasi tersebut menjadi contoh nyata pengelolaan laporan yang bertanggung jawab. Dalam pengembangan berikutnya, tim keamanan sebaiknya memperkuat alur penelitian berkelanjutan agar temuan penting memperoleh prioritas.
Pentingnya Validasi dan Perbaikan dalam Penelitian Kerentanan Modern
Kajian Microsoft mengenai AI keamanan mengungkapkan bahwa kemampuan AI generatif membuka peluang besar dalam menemukan kelemahan kode. Berkat penerapan teknologi analisis otomatis, Microsoft berhasil meningkatkan skala penelitian pada sejumlah sistem perangkat lunak penting. Namun demikian, tantangan utamanya bukan hanya menemukan celah. Konfirmasi kerentanan, pengelolaan biaya komputasi, serta penerapan patch yang aman tetap menjadi prioritas. Berkat kerja sama antara kemampuan analisis AI dan koordinasi pengembang, pengembang memiliki kesempatan memperbaiki efektivitas perlindungan sistem. Menurut Anda, apakah teknologi penelitian kerentanan berbasis AI akan berkembang pesat? Silakan bagikan pendapat Anda mengenai masa depan keamanan digital.
