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.
Perkembangan Teknologi Kecerdasan Buatan untuk Penelitian Kerentanan Siber
Penelitian keamanan terbaru Microsoft menunjukkan bahwa kemajuan sistem AI generatif mulai mengubah cara kerentanan perangkat lunak ditemukan. Melalui FORGE Lab, Microsoft mengembangkan sistem agen keamanan otomatis yang mampu memeriksa bagian sistem yang berpotensi memiliki kelemahan. Berbeda dari pemeriksaan yang hanya mengandalkan aturan tetap, sistem berbasis AI mampu menganalisis kondisi yang menyebabkan kerentanan. Inovasi tersebut membuka peluang untuk menemukan kelemahan lebih awal sebelum menjadi ancaman yang lebih besar. Walaupun menawarkan kemajuan, laporan yang dihasilkan model tetap harus melalui validasi sebelum ditetapkan sebagai masalah keamanan.
Melalui publikasi penelitian Oktober 2026, Microsoft menjelaskan tiga perubahan penting dalam pengembangan teknologi keamanan siber. Tantangan pertama adalah upaya mengubah kemampuan eksperimen menjadi proses yang konsisten. Tantangan berikutnya berkaitan dengan efisiensi biaya penalaran AI. Pada bagian terakhir, tantangan berikutnya adalah penggabungan validasi dan perbaikan. Ketiga aspek tersebut menggambarkan bahwa kualitas penelitian kerentanan tidak semata-mata ditentukan kemampuan model. Dengan kata lain, tim keamanan harus memperhatikan apakah kerentanan bisa diperbaiki 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 memungkinkan penggunaan beberapa model kecerdasan buatan dalam proses penelitian terstruktur. Berkat pengelolaan agen, sebagian komponen dapat menelusuri kode yang berpotensi bermasalah. Sementara itu, agen lainnya dapat membantu melakukan validasi. Arsitektur tersebut berpotensi memperluas efisiensi pemeriksaan kode. Namun demikian, peneliti manusia tetap diperlukan untuk memastikan ketepatan laporan.
Dalam evaluasi keamanan yang diumumkan, penggunaan sistem tersebut berkontribusi pada penemuan kerentanan Windows yang berjumlah 140 CVE dalam periode Mei hingga September 2026. Dalam rangkaian pembaruan tersebut, sebanyak 52 CVE ditangani dalam pembaruan keamanan September. Selain penelitian Windows, anggota FORGE turut menghasilkan 155 laporan yang melalui pemeriksaan internal pada 23 proyek perangkat lunak sumber terbuka. Lingkup penelitian tersebut melibatkan sejumlah komponen open source penting. Data yang dipublikasikan 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.
Tantangan Validasi Temuan AI dalam Penelitian Keamanan Microsoft
Masalah penting dalam penggunaan teknologi pemindaian cerdas adalah membuktikan bahwa laporan menunjukkan masalah keamanan sebenarnya. Agen penelitian otomatis dapat menghasilkan analisis yang tampak masuk akal meskipun bukti teknisnya belum cukup. Situasi semacam ini dapat menghasilkan false positive sehingga beban kerja tim keamanan meningkat. Di samping laporan yang keliru, hasil pemeriksaan yang sama juga dapat memenuhi antrean. Untuk meningkatkan kualitas, organisasi perlu mengutamakan temuan yang telah melalui validasi daripada sekadar meningkatkan jumlah laporan.
Dalam penelitiannya Microsoft menjelaskan bahwa kecepatan menemukan kerentanan membutuhkan dukungan pengujian bukti teknis. Pada kegiatan penelitian profesional, laporan yang berpotensi berdampak biasanya sebaiknya dikonfirmasi melalui sistem reproduksi yang sesuai. Dalam situasi sederhana, dugaan penggunaan memori yang tidak aman perlu menunjukkan kondisi yang dapat memicu masalah. Apabila bukti tidak tersedia, tim keamanan mungkin perlu melakukan investigasi tambahan. Langkah validasi semacam ini membantu menghindari perbaikan yang tidak diperlukan. Berkat validasi yang konsisten, penanganan celah berlangsung lebih terarah.
Efisiensi Biaya dan Otomatisasi Validasi dalam Riset Keamanan Microsoft
Selain ketepatan hasil, Microsoft juga menyoroti efisiensi komputasi model ketika penelitian mencakup banyak proyek. Konsep reasoning economics memiliki peran utama karena penggunaan model memiliki biaya komputasi. Berdasarkan pengukuran tim keamanan, MDASH mengidentifikasi ribuan lokasi mencurigakan pada kernel Linux dan mengumpulkan informasi pengujian untuk 627 temuan. Dalam sebagian pengujian itu, Microsoft mencatat pengeluaran komputasi untuk proof of concept. Pengukuran tersebut digunakan untuk menilai apakah sumber daya AI dimanfaatkan dengan tepat. Melalui analisis ekonomi tersebut, pengembang bisa mengevaluasi manfaat tambahan setiap proses secara lebih sistematis.
Dalam pengujian tertentu, Microsoft melaporkan bahwa pembuatan proof of concept untuk 182 temuan crash yang terkonfirmasi memiliki biaya komputasi model rata-rata 3,61 dolar AS dengan durasi pemrosesan sekitar 21,5 menit. Untuk evaluasi tambahan, enam kasus terpilih yang diuji kemungkinan local privilege escalation tercatat menggunakan biaya model rata-rata 8,56 dolar AS dan durasi rata-rata 25,4 menit. Namun demikian, hasil evaluasi tersebut tidak mencakup seluruh pengeluaran seperti investigasi manusia. Oleh sebab itu, angka tersebut perlu ditafsirkan sebagai pengukuran terbatas pada kasus tertentu, bukan jaminan biaya untuk semua proyek.
Pentingnya Koordinasi Pengembang dalam Menangani Celah Open Source
Evaluasi kerentanan berbasis AI tersebut turut memperlihatkan bahwa identifikasi masalah belum menyelesaikan seluruh pekerjaan. Ketika kerentanan berhasil diidentifikasi, pengembang perlu memahami penyebab masalah. Pada pengembangan perangkat lunak open source, proses koordinasi menjadi sangat penting karena mekanisme pengungkapan dapat bervariasi. Sebagian kerentanan perlu ditangani sebelum diumumkan kepada publik. Tidak hanya mengenai komunikasi, penerapan patch harus dipastikan tidak merusak fungsi lain. Dengan demikian, hasil analisis otomatis dapat memberikan dampak positif bagi pengguna perangkat lunak.
Dalam upaya meningkatkan penanganan kerentanan, Microsoft juga berpartisipasi dalam Akrites, yaitu program koordinasi keamanan dari Linux Foundation yang dikembangkan untuk mendukung pengungkapan kerentanan secara terkoordinasi. Melalui inisiatif tersebut, tim FORGE melaporkan sembilan temuan Linux yang dinilai memiliki skor CVSS internal lebih tinggi dari 7,0. Salah satu laporan tersebut menjadi pengajuan Akrites pertama yang menghasilkan patch yang masuk ke proyek kernel Linux. Hasil kolaborasi tersebut menunjukkan pentingnya pengelolaan laporan yang bertanggung jawab. Ke depan, organisasi perlu membangun sistem penanganan kerentanan terpadu agar perbaikan dapat diterapkan tepat waktu.
Pentingnya Validasi dan Perbaikan dalam Penelitian Kerentanan Modern
Riset keamanan Microsoft menunjukkan bahwa teknologi kecerdasan buatan semakin berperan penting dalam mendeteksi kerentanan perangkat lunak. Dengan bantuan kerangka pemindaian multiagen, Microsoft berhasil meningkatkan skala penelitian pada sejumlah sistem perangkat lunak penting. Meskipun jumlah temuan meningkat, tantangan utamanya bukan hanya menemukan celah. Konfirmasi kerentanan, pengelolaan biaya komputasi, serta penerapan patch yang aman tetap harus diperhatikan. Berkat kerja sama antara otomatisasi penelitian dan pengawasan profesional, tim keamanan dapat memperkuat kualitas pengelolaan kerentanan. Menurut Anda, apakah otomatisasi pendeteksian celah akan menjadi kebutuhan utama? Mari berbagi pemikiran Anda mengenai manfaat AI untuk perlindungan perangkat lunak.
