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
Riset yang dilakukan Microsoft Security mengungkapkan bahwa kemajuan sistem AI generatif semakin memengaruhi cara kerentanan perangkat lunak ditemukan. Dalam kegiatan Frontier Offensive Research & Generative Exploitation Lab, Microsoft menerapkan teknologi AI untuk analisis kerentanan yang mampu memeriksa bagian sistem yang berpotensi memiliki kelemahan. Dibandingkan dengan pemeriksaan yang hanya mengandalkan aturan tetap, sistem berbasis AI berpotensi memahami kondisi yang menyebabkan kerentanan. Pendekatan ini membuka peluang untuk memperluas cakupan pengujian sebelum menyebabkan gangguan keamanan. Meskipun potensinya besar, laporan yang dihasilkan model tetap harus melalui validasi sebelum diproses untuk perbaikan.
Melalui publikasi penelitian Oktober 2026, Microsoft merangkum tiga perubahan penting dalam pengembangan teknologi keamanan siber. Aspek awal adalah peralihan dari kemampuan menemukan celah menuju penerapan berskala besar. Perubahan kedua berkaitan dengan efisiensi biaya penalaran AI. Pada bagian terakhir, perubahan ketiga adalah integrasi penemuan dengan proses penanganan. Perubahan yang dijelaskan Microsoft menggambarkan bahwa keberhasilan keamanan siber tidak hanya bergantung pada kecepatan pemindaian. Dengan kata lain, pengembang sebaiknya mengevaluasi apakah kerentanan bisa diperbaiki secara aman.
Microsoft FORGE Lab dan MDASH Mempercepat Pendeteksian Celah Keamanan
Salah satu teknologi utama dalam penelitian Microsoft adalah MDASH, yaitu kerangka pemindaian berbasis beberapa model AI. Sistem penelitian ini dikembangkan guna mengoordinasikan sejumlah agen dengan tugas berbeda dalam proses penelitian terstruktur. Dengan sistem tersebut, sebagian komponen dapat menelusuri kode yang berpotensi bermasalah. Di sisi lain, agen lainnya dapat membantu melakukan validasi. Strategi penggunaan beberapa agen berpotensi memperluas kemampuan menemukan kerentanan kompleks. Namun demikian, validasi oleh tim keamanan tetap dibutuhkan untuk menafsirkan hasil.
Dalam evaluasi keamanan yang diumumkan, penggunaan sistem tersebut berkontribusi pada penemuan kerentanan Windows yang mencapai 140 CVE dalam periode Mei hingga September 2026. Pada periode pengujian itu, sebanyak 52 CVE tercakup pada pembaruan Windows bulan September. Di luar pemeriksaan sistem operasi Microsoft, anggota FORGE juga mengirimkan 155 laporan yang melalui pemeriksaan internal pada 23 proyek perangkat lunak sumber terbuka. Proyek yang diteliti melibatkan kernel Linux dan berbagai perangkat lunak populer. Pencapaian penelitian ini menunjukkan peningkatan skala keamanan berbasis AI, tetapi bukan bukti bahwa semua temuan telah diumumkan. Setiap laporan tetap memerlukan proses penanganan sesuai prosedur pengungkapan keamanan.
Tantangan Validasi Temuan AI dalam Penelitian Keamanan Microsoft
Salah satu tantangan terbesar dalam penelitian kerentanan otomatis adalah membuktikan bahwa laporan menunjukkan masalah keamanan sebenarnya. Agen penelitian otomatis mungkin memberikan analisis yang tampak masuk akal meskipun bukti teknisnya belum cukup. Kondisi tersebut dapat menghasilkan false positive sehingga proses pemeriksaan menjadi lebih panjang. Tidak hanya terkait akurasi, laporan duplikat juga dapat memenuhi antrean. Untuk meningkatkan kualitas, tim keamanan harus memprioritaskan laporan dengan bukti kuat daripada hanya mengejar volume pemindaian.
Dalam penelitiannya Microsoft menjelaskan bahwa volume pemeriksaan menggunakan AI perlu disertai pengujian bukti teknis. Dalam praktik keamanan, indikasi kelemahan yang serius biasanya sebaiknya dikonfirmasi melalui sistem reproduksi yang sesuai. Dalam situasi sederhana, indikasi kerusakan memori perlu menunjukkan hasil pengujian yang dapat diulang. Ketika pengujian belum mendukung laporan, pengembang perlu memeriksa bagian kode terkait. Pemeriksaan berlapis tersebut membantu menghindari kesalahan prioritas. Berkat validasi yang konsisten, kualitas temuan dapat meningkat.
Mengukur Kinerja AI melalui Biaya Pengujian Kerentanan
Tidak hanya berkaitan dengan validasi, Microsoft turut membahas pengeluaran untuk penalaran otomatis ketika sistem diterapkan dalam skala besar. Pendekatan ekonomi penalaran menjadi penting karena penggunaan model memiliki biaya komputasi. Melalui penelitian tersebut, 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. Evaluasi biaya ini bertujuan memahami apakah hasil pengujian sebanding dengan biaya. Berkat evaluasi sumber daya, tim keamanan memiliki dasar menilai efektivitas penggunaan model secara lebih sistematis.
Pada kelompok kasus yang berhasil divalidasi, Microsoft mengungkapkan 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. Di sisi pengujian berbeda, enam kasus terpilih yang diuji kemungkinan local privilege escalation memiliki pengeluaran model sekitar 8,56 dolar AS dan durasi rata-rata 25,4 menit. Walaupun hasil tersebut memberikan gambaran, hasil evaluasi tersebut tidak mencakup seluruh pengeluaran seperti persiapan perbaikan. Untuk membaca data secara tepat, angka tersebut perlu ditafsirkan sebagai indikator efisiensi dalam kondisi penelitian, bukan standar tetap seluruh pengujian kerentanan.
Kolaborasi Manusia dan AI Menjadi Kunci Perbaikan Keamanan Siber
Riset keamanan Microsoft memberikan gambaran bahwa identifikasi masalah belum menyelesaikan seluruh pekerjaan. Sesudah laporan dinyatakan valid, tim keamanan harus mengevaluasi langkah perbaikan yang sesuai. Ketika menangani komponen publik, kerja sama antartim memiliki peran utama karena mekanisme pengungkapan dapat bervariasi. Sebagian kerentanan perlu ditangani sebelum diumumkan kepada publik. Di samping prosedur pelaporan, pembaruan kode sumber harus dipastikan tidak merusak fungsi lain. Melalui pendekatan menyeluruh, hasil analisis otomatis dapat memberikan dampak positif bagi organisasi yang menggunakan sistem tersebut.
Dalam upaya meningkatkan penanganan kerentanan, Microsoft berkontribusi terhadap Akrites, yaitu program koordinasi keamanan dari Linux Foundation yang bertujuan membantu pengungkapan kerentanan secara terkoordinasi. Dalam kegiatan Akrites, tim FORGE mengirimkan sembilan temuan Linux yang mendapatkan skor kerentanan internal melampaui 7,0. Satu dari temuan yang disampaikan tercatat sebagai laporan pertama melalui Akrites dengan perbaikan diterima yang digabungkan ke kernel Linux. Hasil kolaborasi tersebut menjadi contoh nyata koordinasi antara peneliti dan pengembang. Dalam pengembangan berikutnya, pengembang harus mempertimbangkan mekanisme validasi yang konsisten agar temuan penting memperoleh prioritas.
Kesimpulan tentang Riset Microsoft dan Teknologi Pendeteksian Celah AI
Penelitian FORGE Lab memperlihatkan bahwa sistem penelitian berbasis agen membuka peluang besar dalam mendeteksi kerentanan perangkat lunak. Melalui sistem MDASH, Microsoft menunjukkan kemampuan pemeriksaan yang lebih luas pada sejumlah sistem perangkat lunak penting. Namun demikian, kecepatan pemindaian bukan satu-satunya ukuran keberhasilan. Pemeriksaan bukti teknis, pengelolaan biaya komputasi, serta penerapan patch yang aman tetap memiliki peran penting. Melalui perpaduan otomatisasi penelitian dan pengawasan profesional, organisasi berpotensi meningkatkan ketahanan perangkat lunak. Menurut Anda, apakah teknologi penelitian kerentanan berbasis AI akan berkembang pesat? Jangan ragu menyampaikan pandangan Anda mengenai manfaat AI untuk perlindungan perangkat lunak.
