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 mengungkapkan bahwa peningkatan kemampuan model AI mendorong perubahan pada proses penelitian celah keamanan. Melalui FORGE Lab, Microsoft menguji sistem agen keamanan otomatis yang mampu memeriksa berbagai komponen perangkat lunak. Berbeda dari pemindaian berbasis pola sederhana, sistem berbasis AI berpotensi memahami alur eksekusi program. Pendekatan ini membuka peluang untuk membantu peneliti mengidentifikasi masalah sebelum menjadi ancaman yang lebih besar. Meskipun potensinya besar, temuan otomatis tetap membutuhkan pemeriksaan sebelum dianggap sebagai kerentanan nyata.
Dalam laporan yang diterbitkan pada 7 Oktober 2026, Microsoft menjelaskan tiga tantangan utama dalam pendeteksian kerentanan otomatis. Perubahan pertama adalah peralihan dari kemampuan menemukan celah menuju penerapan berskala besar. Perubahan kedua berkaitan dengan pengelolaan sumber daya komputasi. Sementara itu, tantangan berikutnya adalah penggabungan validasi dan perbaikan. Rangkaian tantangan ini menunjukkan bahwa keberhasilan keamanan siber tidak semata-mata ditentukan kemampuan model. Dalam praktiknya, tim keamanan harus memperhatikan apakah kerentanan bisa diperbaiki secara aman.
Cara Kerja Teknologi AI Microsoft dalam Menganalisis Kerentanan
Salah satu teknologi utama dalam penelitian Microsoft adalah MDASH, yaitu sistem analisis kerentanan dengan banyak agen. Pendekatan MDASH memungkinkan penggunaan berbagai komponen analisis otomatis dalam proses penelitian terstruktur. Berkat pengelolaan agen, bagian sistem dapat menganalisis lokasi program yang mencurigakan. Pada tahapan berbeda, agen lainnya dapat membantu melakukan validasi. Pembagian pekerjaan ini dirancang memperbaiki efisiensi pemeriksaan kode. Walaupun prosesnya semakin otomatis, validasi oleh tim keamanan tetap dibutuhkan untuk menafsirkan hasil.
Berdasarkan penelitian FORGE Lab, penggunaan sistem tersebut berkontribusi pada penemuan kerentanan Windows yang tercatat sebanyak 140 CVE dalam periode Mei hingga September 2026. Pada periode pengujian itu, sebanyak 52 CVE ditangani dalam pembaruan keamanan September. Selain penelitian Windows, anggota FORGE menyampaikan 155 laporan yang mendapatkan validasi awal pada 23 proyek perangkat lunak sumber terbuka. Target pemeriksaan ini menyertakan kernel Linux dan berbagai perangkat lunak populer. Pencapaian penelitian ini memberikan bukti aktivitas penelitian keamanan berbasis AI, tetapi tidak berarti seluruh laporan sudah menjadi CVE publik. Temuan yang diterima tetap membutuhkan verifikasi lanjutan sesuai aturan proyek.
Tantangan Validasi Temuan AI dalam Penelitian Keamanan Microsoft
Hambatan utama dalam penggunaan teknologi pemindaian cerdas adalah memastikan setiap temuan benar-benar valid. Model kecerdasan buatan berpotensi menyusun dugaan kelemahan dengan penjelasan terperinci meskipun bukti teknisnya belum cukup. Kondisi tersebut berpotensi menimbulkan laporan positif palsu sehingga waktu peneliti terbuang. Selain itu, laporan duplikat berpotensi membebani proses triase. Untuk meningkatkan kualitas, organisasi perlu mengutamakan temuan yang telah melalui validasi daripada mengandalkan banyaknya dugaan kelemahan.
Dalam penelitiannya Microsoft menjelaskan bahwa kecepatan menemukan kerentanan membutuhkan dukungan proses validasi yang memadai. Ketika melakukan evaluasi perangkat lunak, indikasi kelemahan yang serius biasanya perlu diperiksa melalui sistem reproduksi yang sesuai. Dalam situasi sederhana, indikasi kerusakan memori membutuhkan hasil pengujian yang dapat diulang. Apabila bukti tidak tersedia, pengembang perlu memeriksa bagian kode terkait. Pemeriksaan berlapis tersebut bertujuan mengurangi perbaikan yang tidak diperlukan. Berkat validasi yang konsisten, kualitas temuan dapat meningkat.
Tantangan Penggunaan Sumber Daya dalam Teknologi Pendeteksi Celah
Tidak hanya berkaitan dengan validasi, Microsoft turut membahas pengeluaran untuk penalaran otomatis ketika sistem diterapkan dalam skala besar. Pendekatan ekonomi penalaran menjadi penting karena setiap proses analisis membutuhkan sumber daya. Berdasarkan pengukuran tim keamanan, MDASH menandai ribuan lokasi mencurigakan pada kernel Linux dan menyiapkan hasil validasi untuk 627 temuan. Dalam sebagian pengujian itu, Microsoft menilai pengeluaran komputasi untuk proof of concept. Penelitian performa tersebut digunakan untuk menilai apakah hasil pengujian sebanding dengan biaya. Dengan pendekatan ini, pengembang bisa mengevaluasi efektivitas penggunaan model secara lebih sistematis.
Berdasarkan subset evaluasi yang dipublikasikan, 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. Di sisi pengujian berbeda, enam kasus terpilih yang diperiksa potensi peningkatan hak akses lokalnya memiliki pengeluaran model sekitar 8,56 dolar AS dan lama pemrosesan sekitar 25,4 menit. Perlu dipahami, angka biaya tersebut tidak mencakup seluruh pengeluaran seperti investigasi manusia. Oleh sebab itu, hasil pengujian sebaiknya dipahami sebagai indikator efisiensi dalam kondisi penelitian, bukan patokan mutlak pengeluaran keamanan.
Kolaborasi Manusia dan AI Menjadi Kunci Perbaikan Keamanan Siber
Evaluasi kerentanan berbasis AI tersebut memberikan gambaran bahwa penemuan celah hanyalah tahap awal. Ketika kerentanan berhasil diidentifikasi, pengembang perlu memahami penyebab masalah. Pada pengembangan perangkat lunak open source, komunikasi dengan maintainer perlu diperhatikan karena mekanisme pengungkapan dapat bervariasi. Beberapa masalah keamanan dapat memerlukan pengungkapan terkoordinasi. Tidak hanya mengenai komunikasi, pembaruan kode sumber harus diuji untuk menghindari regresi. Melalui pendekatan menyeluruh, temuan AI berpotensi berubah menjadi perbaikan bermanfaat bagi pengguna perangkat lunak.
Untuk memperluas kerja sama penelitian, Microsoft turut mendukung Akrites, yaitu upaya kolaboratif di bawah Linux Foundation yang berfokus pada proses perbaikan masalah keamanan sumber terbuka. Dalam kegiatan Akrites, tim FORGE melaporkan sembilan temuan Linux yang dinilai memiliki skor CVSS internal lebih tinggi dari 7,0. Satu dari temuan yang disampaikan tercatat sebagai laporan pertama melalui Akrites dengan perbaikan diterima yang masuk ke proyek kernel Linux. Pencapaian ini menunjukkan pentingnya koordinasi antara peneliti dan pengembang. Dalam pengembangan berikutnya, organisasi perlu membangun sistem penanganan kerentanan terpadu agar perbaikan dapat diterapkan tepat waktu.
Pentingnya Validasi dan Perbaikan dalam Penelitian Kerentanan Modern
Penelitian FORGE Lab memperlihatkan bahwa sistem penelitian berbasis agen memberikan manfaat baru dalam menemukan kelemahan kode. Melalui sistem MDASH, Microsoft berhasil meningkatkan skala penelitian pada Windows dan berbagai proyek open source. Namun demikian, tantangan utamanya bukan hanya menemukan celah. Konfirmasi kerentanan, efisiensi penggunaan sumber daya, serta pengawasan proses remediasi tetap memiliki peran penting. Dengan menggabungkan kemampuan analisis AI dan keahlian manusia, pengembang memiliki kesempatan memperbaiki efektivitas perlindungan sistem. Bagaimana pendapat Anda, apakah AI akan semakin berperan dalam keamanan siber? Jangan ragu menyampaikan pandangan Anda mengenai pentingnya validasi dalam riset keamanan.
