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
Kajian terkini dari tim keamanan Microsoft menunjukkan bahwa perkembangan teknologi kecerdasan buatan mulai mengubah proses penelitian celah keamanan. Dalam kegiatan Frontier Offensive Research & Generative Exploitation Lab, Microsoft menerapkan pendekatan penelitian keamanan berbasis agen yang dirancang menganalisis kode sumber dalam jumlah besar. Tidak seperti pemindaian berbasis pola sederhana, sistem berbasis AI dapat membantu menalar alur eksekusi program. Kemampuan tersebut memberikan kesempatan untuk memperluas cakupan pengujian sebelum menjadi ancaman yang lebih besar. Namun demikian, laporan yang dihasilkan model tetap membutuhkan pemeriksaan sebelum ditetapkan sebagai masalah keamanan.
Dalam laporan yang diterbitkan pada 7 Oktober 2026, Microsoft mengidentifikasi tiga arah perkembangan dalam pengembangan teknologi keamanan siber. Aspek awal adalah kebutuhan memperluas pemindaian tanpa mengurangi kualitas. Aspek selanjutnya berkaitan dengan perhitungan biaya penggunaan model. Sementara itu, prioritas lainnya adalah penggabungan validasi dan perbaikan. Perubahan yang dijelaskan Microsoft menegaskan bahwa kualitas penelitian kerentanan tidak cukup dinilai melalui jumlah temuan. Dengan kata lain, tim keamanan harus memperhatikan apakah pembaruan berhasil diterapkan secara konsisten.
Cara Kerja Teknologi AI Microsoft dalam Menganalisis Kerentanan
Sistem yang digunakan dalam penelitian Microsoft adalah MDASH, yaitu sistem analisis kerentanan dengan banyak agen. Pendekatan MDASH dikembangkan guna mengoordinasikan beberapa model kecerdasan buatan dalam satu alur pemeriksaan. Dengan sistem tersebut, sebagian komponen dapat menelusuri lokasi program yang mencurigakan. Pada tahapan berbeda, sistem berikutnya dapat memeriksa kelayakan temuan. Arsitektur tersebut berpotensi memperluas efisiensi pemeriksaan kode. Meskipun beberapa tahapan dapat dijalankan AI, validasi oleh tim keamanan tetap dibutuhkan untuk menafsirkan hasil.
Dalam evaluasi keamanan yang diumumkan, penggunaan sistem tersebut mendukung pengungkapan kerentanan Windows yang tercatat sebanyak 140 CVE dalam masa penelitian dari Mei sampai September 2026. Pada periode pengujian itu, sebanyak 52 CVE tercakup pada pembaruan Windows bulan September. Selain penelitian Windows, anggota FORGE turut menghasilkan 155 laporan yang telah divalidasi secara internal pada 23 proyek perangkat lunak sumber terbuka. Proyek yang diteliti melibatkan sejumlah komponen open source penting. Hasil tersebut menunjukkan peningkatan skala keamanan berbasis AI, tetapi tidak berarti seluruh laporan sudah menjadi CVE publik. Temuan yang diterima tetap harus mengikuti koordinasi pengembang sesuai prosedur pengungkapan keamanan.
Tantangan Validasi Temuan AI dalam Penelitian Keamanan Microsoft
Masalah penting dalam penelitian kerentanan otomatis adalah memastikan setiap temuan benar-benar valid. Model kecerdasan buatan mungkin memberikan laporan yang terlihat meyakinkan meskipun perilaku program tidak menunjukkan kerentanan. Situasi semacam ini berpotensi menimbulkan laporan positif palsu sehingga proses pemeriksaan menjadi lebih panjang. Selain itu, hasil pemeriksaan yang sama berpotensi membebani proses triase. Oleh karena itu, pengembang sebaiknya berfokus pada temuan yang telah melalui validasi daripada sekadar meningkatkan jumlah laporan.
Tim FORGE menggarisbawahi bahwa kemampuan menghasilkan laporan otomatis harus diimbangi dengan kemampuan reproduksi masalah. Ketika melakukan evaluasi perangkat lunak, indikasi kelemahan yang serius biasanya sebaiknya dikonfirmasi melalui sistem reproduksi yang sesuai. Sebagai contoh, dugaan penggunaan memori yang tidak aman perlu menunjukkan kondisi yang dapat memicu masalah. Ketika pengujian belum mendukung laporan, tim keamanan mungkin perlu melakukan investigasi tambahan. Pendekatan tersebut membantu menghindari kesalahan prioritas. Dengan demikian, hasil penelitian menjadi lebih dapat dipercaya.
Efisiensi Biaya dan Otomatisasi Validasi dalam Riset Keamanan Microsoft
Tidak hanya berkaitan dengan validasi, Microsoft memberikan perhatian pada biaya penggunaan AI ketika penelitian mencakup banyak proyek. Konsep reasoning economics perlu dipertimbangkan karena setiap proses analisis membutuhkan sumber daya. Berdasarkan pengukuran tim keamanan, MDASH menemukan ribuan lokasi mencurigakan pada kernel Linux dan mengumpulkan informasi pengujian untuk 627 temuan. Dalam sebagian pengujian itu, Microsoft mencatat kebutuhan model dalam pengujian otomatis. Penelitian performa tersebut digunakan untuk menilai apakah hasil pengujian sebanding dengan biaya. Dengan pendekatan ini, pengembang bisa mengevaluasi kebutuhan pemeriksaan lanjutan secara lebih sistematis.
Dalam pengujian tertentu, Microsoft mengungkapkan bahwa pembuatan proof of concept untuk 182 temuan crash yang terkonfirmasi memiliki biaya komputasi model rata-rata 3,61 dolar AS dengan waktu rata-rata 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. Perlu dipahami, pengukuran performa itu tidak mencakup seluruh pengeluaran seperti investigasi manusia. Untuk membaca data secara tepat, angka tersebut perlu ditafsirkan sebagai hasil eksperimen dengan ruang lingkup khusus, bukan patokan mutlak pengeluaran keamanan.
Pentingnya Koordinasi Pengembang dalam Menangani Celah Open Source
Riset keamanan Microsoft memberikan gambaran bahwa identifikasi masalah belum menyelesaikan seluruh pekerjaan. Sesudah laporan dinyatakan valid, pengembang perlu memahami penyebab masalah. Ketika menangani komponen publik, komunikasi dengan maintainer perlu diperhatikan karena setiap proyek memiliki aturan pelaporan berbeda. Beberapa masalah keamanan perlu ditangani sebelum diumumkan kepada publik. Selain itu, perbaikan perangkat lunak harus melalui pemeriksaan kompatibilitas. Melalui pendekatan menyeluruh, penelitian keamanan dapat menghasilkan perlindungan nyata bagi komunitas pengembang.
Dalam upaya meningkatkan penanganan kerentanan, Microsoft berkontribusi terhadap Akrites, yaitu inisiatif Linux Foundation yang dikembangkan untuk mendukung proses perbaikan masalah keamanan sumber terbuka. Melalui inisiatif tersebut, tim FORGE melaporkan sembilan temuan Linux yang dinilai memiliki skor CVSS internal lebih tinggi dari 7,0. Sebuah laporan dari rangkaian itu menjadi pengajuan Akrites pertama yang menghasilkan patch yang diterima dalam kode kernel Linux. Hasil kolaborasi tersebut menunjukkan pentingnya pengelolaan laporan yang bertanggung jawab. Seiring meningkatnya kemampuan AI, tim keamanan sebaiknya memperkuat sistem penanganan kerentanan terpadu agar jumlah laporan tidak melampaui kapasitas penanganan.
Kesimpulan tentang Riset Microsoft dan Teknologi Pendeteksian Celah AI
Riset keamanan Microsoft menunjukkan bahwa kemampuan AI generatif semakin berperan penting dalam mendukung pengujian keamanan siber. Berkat penerapan teknologi analisis otomatis, Microsoft berhasil meningkatkan skala penelitian pada beragam lingkungan pengembangan. Walaupun hasil penelitian menjanjikan, volume laporan tidak otomatis menentukan keamanan. Konfirmasi kerentanan, perhitungan pengeluaran penelitian, serta pengawasan proses remediasi tetap memiliki peran penting. Melalui perpaduan kemampuan analisis AI dan koordinasi pengembang, tim keamanan dapat memperkuat efektivitas perlindungan sistem. Dari sudut pandang Anda, apakah teknologi penelitian kerentanan berbasis AI akan berkembang pesat? Mari berbagi pemikiran Anda mengenai pentingnya validasi dalam riset keamanan.
