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 menunjukkan bahwa peningkatan kemampuan model AI mulai mengubah cara kerentanan perangkat lunak ditemukan. Dalam kegiatan Frontier Offensive Research & Generative Exploitation Lab, Microsoft menguji sistem agen keamanan otomatis yang dapat menelusuri bagian sistem yang berpotensi memiliki kelemahan. Dibandingkan dengan pemindaian berbasis pola sederhana, sistem berbasis AI mampu menganalisis hubungan antarbagian kode. Pendekatan ini menawarkan manfaat untuk memperluas cakupan pengujian sebelum menjadi ancaman yang lebih besar. Walaupun menawarkan kemajuan, temuan otomatis tetap membutuhkan pemeriksaan sebelum diproses untuk perbaikan.
Dalam laporan yang diterbitkan pada 7 Oktober 2026, Microsoft menjelaskan tiga perubahan penting dalam pendeteksian kerentanan otomatis. Perubahan pertama adalah peralihan dari kemampuan menemukan celah menuju penerapan berskala besar. Perubahan kedua berkaitan dengan perhitungan biaya penggunaan model. Pada bagian terakhir, prioritas lainnya adalah pembentukan alur pemeriksaan berkelanjutan. Rangkaian tantangan ini menunjukkan bahwa efektivitas perlindungan perangkat lunak tidak semata-mata ditentukan kemampuan model. Dengan kata lain, pengembang sebaiknya mengevaluasi apakah pembaruan berhasil diterapkan secara aman.
Cara Kerja Teknologi AI Microsoft dalam Menganalisis Kerentanan
Salah satu teknologi utama dalam penelitian Microsoft adalah MDASH, yaitu kerangka pemindaian berbasis beberapa model AI. Sistem penelitian ini memungkinkan penggunaan berbagai komponen analisis otomatis dalam rangkaian pengujian keamanan. Berkat pengelolaan agen, agen tertentu bisa memeriksa bagian perangkat lunak yang membutuhkan perhatian. Pada tahapan berbeda, agen lainnya dapat membantu melakukan validasi. Strategi penggunaan beberapa agen bertujuan meningkatkan kemampuan menemukan kerentanan kompleks. Walaupun prosesnya semakin otomatis, pengawasan profesional masih penting untuk menentukan dampak.
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 masuk dalam rilis perbaikan September 2026. Di luar pemeriksaan sistem operasi Microsoft, anggota FORGE turut menghasilkan 155 laporan yang mendapatkan validasi awal pada 23 proyek perangkat lunak sumber terbuka. Target pemeriksaan ini melibatkan sejumlah komponen open source penting. Pencapaian penelitian ini menunjukkan peningkatan skala keamanan berbasis AI, tetapi tidak berarti seluruh laporan sudah menjadi CVE publik. Kerentanan yang dideteksi tetap membutuhkan verifikasi lanjutan sesuai aturan proyek.
Pentingnya Pemeriksaan Hasil Pendeteksian Celah Perangkat Lunak
Masalah penting dalam penggunaan teknologi pemindaian cerdas adalah memastikan setiap temuan benar-benar valid. Model kecerdasan buatan berpotensi menyusun 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 juga dapat memenuhi antrean. Oleh karena itu, pengembang sebaiknya berfokus pada temuan yang telah melalui validasi daripada hanya mengejar volume pemindaian.
Tim FORGE menggarisbawahi bahwa kemampuan menghasilkan laporan otomatis perlu disertai proses validasi yang memadai. Ketika melakukan evaluasi perangkat lunak, temuan yang dianggap penting biasanya perlu diperiksa melalui sistem reproduksi yang sesuai. Sebagai contoh, laporan kesalahan pengelolaan memori sebaiknya menyertakan kondisi yang dapat memicu masalah. Ketika pengujian belum mendukung laporan, pengembang perlu memeriksa bagian kode terkait. Langkah validasi semacam ini dapat membatasi kesalahan prioritas. Melalui proses ini, penanganan celah berlangsung lebih terarah.
Efisiensi Biaya dan Otomatisasi Validasi dalam Riset Keamanan Microsoft
Di samping kualitas laporan, Microsoft turut membahas biaya penggunaan AI ketika sistem diterapkan dalam skala besar. Konsep reasoning economics perlu dipertimbangkan karena setiap proses analisis membutuhkan sumber daya. Dalam evaluasi FORGE Lab, MDASH menemukan ribuan lokasi mencurigakan pada kernel Linux dan mengumpulkan informasi pengujian untuk 627 temuan. Dari aktivitas tersebut, Microsoft mengukur kebutuhan model dalam pengujian otomatis. Pengukuran tersebut digunakan untuk menilai apakah hasil pengujian sebanding dengan biaya. Berkat evaluasi sumber daya, tim keamanan memiliki dasar menilai efektivitas penggunaan model secara lebih rasional.
Berdasarkan subset evaluasi yang dipublikasikan, Microsoft melaporkan bahwa pembuatan proof of concept untuk 182 temuan crash yang terkonfirmasi menghasilkan pengeluaran model sekitar 3,61 dolar AS per kasus dengan durasi pemrosesan sekitar 21,5 menit. Di sisi pengujian berbeda, enam kasus terpilih yang diperiksa potensi peningkatan hak akses lokalnya tercatat menggunakan biaya model rata-rata 8,56 dolar AS dan durasi rata-rata 25,4 menit. Namun demikian, pengukuran performa itu tidak mencakup seluruh pengeluaran seperti pemeriksaan awal. Oleh sebab itu, hasil pengujian sebaiknya dipahami sebagai pengukuran terbatas pada kasus tertentu, bukan standar tetap seluruh pengujian kerentanan.
Masa Depan Teknologi Keamanan Microsoft melalui Validasi Berkelanjutan
Penelitian FORGE Lab memberikan gambaran bahwa penemuan celah hanyalah tahap awal. Ketika kerentanan berhasil diidentifikasi, tim keamanan harus mengevaluasi penyebab masalah. Pada pengembangan perangkat lunak open source, kerja sama antartim memiliki peran utama karena mekanisme pengungkapan dapat bervariasi. Temuan tertentu dapat memerlukan pengungkapan terkoordinasi. Tidak hanya mengenai komunikasi, pembaruan kode sumber harus diuji untuk menghindari regresi. Dengan demikian, hasil analisis otomatis dapat memberikan dampak positif bagi organisasi yang menggunakan sistem tersebut.
Sebagai bagian dari pengembangan tersebut, Microsoft turut mendukung Akrites, yaitu program koordinasi keamanan dari Linux Foundation yang berfokus pada proses perbaikan masalah keamanan sumber terbuka. Berkat mekanisme koordinasi ini, tim FORGE mengirimkan sembilan temuan Linux yang memiliki penilaian internal CVSS di atas 7,0. Satu dari temuan yang disampaikan tercatat sebagai laporan pertama melalui Akrites dengan perbaikan diterima yang digabungkan ke kernel Linux. Perkembangan tersebut memperlihatkan manfaat proses perbaikan setelah validasi. Ke depan, organisasi perlu membangun sistem penanganan kerentanan terpadu agar temuan penting memperoleh prioritas.
Rangkuman Tantangan Keamanan Siber Berbasis Kecerdasan Buatan
Kajian Microsoft mengenai AI keamanan mengungkapkan bahwa sistem penelitian berbasis agen semakin berperan penting dalam mendeteksi kerentanan perangkat lunak. Melalui sistem MDASH, Microsoft mengembangkan pendekatan pendeteksian berkapasitas besar pada sejumlah sistem perangkat lunak penting. Namun demikian, volume laporan tidak otomatis menentukan keamanan. Pemeriksaan bukti teknis, perhitungan pengeluaran penelitian, serta penerapan patch yang aman tetap menjadi prioritas. Dengan menggabungkan kemampuan analisis AI dan pengawasan profesional, tim keamanan dapat memperkuat ketahanan perangkat lunak. Bagaimana pendapat Anda, apakah AI akan semakin berperan dalam keamanan siber? Silakan bagikan pendapat Anda mengenai pentingnya validasi dalam riset keamanan.
