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
Penelitian keamanan terbaru Microsoft memperlihatkan bahwa peningkatan kemampuan model AI semakin memengaruhi metode pemeriksaan kelemahan sistem. Dalam kegiatan Frontier Offensive Research & Generative Exploitation Lab, Microsoft mengembangkan pendekatan penelitian keamanan berbasis agen yang dapat menelusuri bagian sistem yang berpotensi memiliki kelemahan. Dibandingkan dengan pemindaian berbasis pola sederhana, sistem berbasis AI dapat membantu menalar alur eksekusi program. Pendekatan ini memberikan kesempatan untuk memperluas cakupan pengujian sebelum menyebabkan gangguan keamanan. Meskipun potensinya besar, temuan otomatis tetap harus melalui validasi sebelum dianggap sebagai kerentanan nyata.
Dalam laporan yang diterbitkan pada 7 Oktober 2026, Microsoft mengidentifikasi tiga perubahan penting dalam pendeteksian kerentanan otomatis. Perubahan pertama adalah upaya mengubah kemampuan eksperimen menjadi proses yang konsisten. Aspek selanjutnya berkaitan dengan efisiensi biaya penalaran AI. Adapun, tantangan berikutnya adalah penggabungan validasi dan perbaikan. Ketiga aspek tersebut menegaskan bahwa efektivitas perlindungan perangkat lunak tidak hanya bergantung pada kecepatan pemindaian. Dengan kata lain, tim keamanan harus memperhatikan apakah pembaruan berhasil diterapkan secara konsisten.
Hasil Penelitian MDASH terhadap Keamanan Windows dan Open Source
Sistem yang digunakan dalam penelitian Microsoft adalah MDASH, yaitu sistem analisis kerentanan dengan banyak agen. Sistem penelitian ini dirancang untuk menggabungkan beberapa model kecerdasan buatan dalam satu alur pemeriksaan. Melalui pendekatan tersebut, agen tertentu bisa memeriksa lokasi program yang mencurigakan. Pada tahapan berbeda, komponen tambahan bisa menyiapkan bukti pengujian. Pembagian pekerjaan ini bertujuan meningkatkan cakupan penelitian keamanan. Namun demikian, peneliti manusia tetap diperlukan untuk memastikan ketepatan laporan.
Berdasarkan penelitian FORGE Lab, penggunaan sistem tersebut mendukung pengungkapan kerentanan Windows yang berjumlah 140 CVE dalam rentang lima bulan sejak Mei 2026. Dari jumlah tersebut, sebanyak 52 CVE masuk dalam rilis perbaikan September 2026. Selain penelitian Windows, anggota FORGE turut menghasilkan 155 laporan yang mendapatkan validasi awal pada 23 proyek perangkat lunak sumber terbuka. Proyek yang diteliti melibatkan proyek dengan penggunaan luas. Pencapaian penelitian ini menunjukkan peningkatan skala keamanan berbasis AI, tetapi tidak berarti seluruh laporan sudah menjadi CVE publik. Temuan yang diterima tetap harus mengikuti koordinasi pengembang sesuai aturan proyek.
Mengapa Laporan Kerentanan AI Tidak Selalu Langsung Dapat Diperbaiki
Hambatan utama dalam penerapan AI untuk keamanan adalah membedakan kerentanan nyata dari dugaan keliru. Sistem AI dapat menghasilkan dugaan kelemahan dengan penjelasan terperinci meskipun masalah sebenarnya belum terbukti. Situasi semacam ini mungkin menyebabkan temuan yang tidak terbukti sehingga proses pemeriksaan menjadi lebih panjang. Di samping laporan yang keliru, hasil pemeriksaan yang sama juga dapat memenuhi antrean. Dengan mempertimbangkan risiko tersebut, tim keamanan harus memprioritaskan kerentanan yang dapat direproduksi daripada sekadar meningkatkan jumlah laporan.
Microsoft menekankan bahwa kecepatan menemukan kerentanan perlu disertai kemampuan reproduksi masalah. Ketika melakukan evaluasi perangkat lunak, temuan yang dianggap penting biasanya perlu diperiksa melalui lingkungan pengujian terkontrol. Untuk memberikan gambaran, dugaan penggunaan memori yang tidak aman sebaiknya menyertakan bukti perilaku program. Ketika pengujian belum mendukung laporan, tim keamanan mungkin perlu melakukan investigasi tambahan. Pemeriksaan berlapis tersebut bertujuan mengurangi perbaikan yang tidak diperlukan. Dengan demikian, penanganan celah berlangsung lebih terarah.
Tantangan Penggunaan Sumber Daya dalam Teknologi Pendeteksi Celah
Di samping kualitas laporan, Microsoft turut membahas efisiensi komputasi model ketika penelitian mencakup banyak proyek. Konsep reasoning economics menjadi penting karena penggunaan model memiliki biaya komputasi. Dalam evaluasi FORGE Lab, MDASH menandai ribuan lokasi mencurigakan pada kernel Linux dan mengumpulkan informasi pengujian untuk 627 temuan. Pada kelompok evaluasi yang dipublikasikan, Microsoft menilai kebutuhan model dalam pengujian otomatis. Penelitian performa tersebut bertujuan memahami apakah sumber daya AI dimanfaatkan dengan tepat. Berkat evaluasi sumber daya, organisasi dapat mempertimbangkan manfaat tambahan setiap proses secara lebih rasional.
Dalam pengujian tertentu, Microsoft melaporkan bahwa pembuatan proof of concept untuk 182 temuan crash yang terkonfirmasi membutuhkan rata-rata biaya model sebesar 3,61 dolar AS dengan lama pengujian rata-rata 21,5 menit. Untuk evaluasi tambahan, enam kasus terpilih yang dianalisis untuk menilai risiko eskalasi privilese membutuhkan rata-rata biaya 8,56 dolar AS dan waktu sekitar 25,4 menit. Walaupun hasil tersebut memberikan gambaran, angka biaya tersebut tidak mencakup seluruh pengeluaran seperti persiapan perbaikan. Untuk membaca data secara tepat, informasi biaya harus dilihat sebagai indikator efisiensi dalam kondisi penelitian, bukan jaminan biaya untuk semua proyek.
Kolaborasi Manusia dan AI Menjadi Kunci Perbaikan Keamanan Siber
Penelitian FORGE Lab memberikan gambaran bahwa penemuan celah hanyalah tahap awal. Setelah masalah ditemukan, pengembang perlu memahami dampak terhadap sistem. Ketika menangani komponen publik, komunikasi dengan maintainer perlu diperhatikan karena mekanisme pengungkapan dapat bervariasi. Temuan tertentu perlu ditangani sebelum diumumkan kepada publik. Di samping prosedur pelaporan, perbaikan perangkat lunak harus diuji untuk menghindari regresi. Melalui pendekatan menyeluruh, hasil analisis otomatis dapat memberikan dampak positif bagi komunitas pengembang.
Sebagai bagian dari pengembangan tersebut, Microsoft berkontribusi terhadap Akrites, yaitu inisiatif Linux Foundation yang bertujuan membantu pengungkapan kerentanan secara terkoordinasi. Melalui inisiatif tersebut, tim FORGE menyampaikan sembilan temuan Linux yang mendapatkan skor kerentanan internal melampaui 7,0. Sebuah laporan dari rangkaian itu berhasil menghasilkan pembaruan kode pertama melalui jalur Akrites yang diterima dalam kode kernel Linux. Pencapaian ini menunjukkan pentingnya proses perbaikan setelah validasi. Seiring meningkatnya kemampuan AI, tim keamanan sebaiknya memperkuat sistem penanganan kerentanan terpadu agar perbaikan dapat diterapkan tepat waktu.
Pentingnya Validasi dan Perbaikan dalam Penelitian Kerentanan Modern
Kajian Microsoft mengenai AI keamanan mengungkapkan bahwa teknologi kecerdasan buatan memberikan manfaat baru dalam mendeteksi kerentanan perangkat lunak. Dengan bantuan kerangka pemindaian multiagen, Microsoft berhasil meningkatkan skala penelitian pada sejumlah sistem perangkat lunak penting. Namun demikian, kecepatan pemindaian bukan satu-satunya ukuran keberhasilan. Pemeriksaan bukti teknis, pengelolaan biaya komputasi, serta koordinasi perbaikan tetap menjadi prioritas. Melalui perpaduan otomatisasi penelitian dan koordinasi pengembang, pengembang memiliki kesempatan memperbaiki ketahanan perangkat lunak. Dari sudut pandang Anda, apakah AI akan semakin berperan dalam keamanan siber? Jangan ragu menyampaikan pandangan Anda mengenai manfaat AI untuk perlindungan perangkat lunak.
