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 memperlihatkan bahwa kemajuan sistem AI generatif mendorong perubahan pada metode pemeriksaan kelemahan sistem. Dalam kegiatan Frontier Offensive Research & Generative Exploitation Lab, Microsoft mengembangkan teknologi AI untuk analisis kerentanan yang dapat menelusuri kode sumber dalam jumlah besar. Dibandingkan dengan pemeriksaan yang hanya mengandalkan aturan tetap, sistem berbasis AI mampu menganalisis kondisi yang menyebabkan kerentanan. Pendekatan ini memberikan kesempatan untuk memperluas cakupan pengujian sebelum menyebabkan gangguan keamanan. Walaupun menawarkan kemajuan, temuan otomatis tetap memerlukan pembuktian sebelum dianggap sebagai kerentanan nyata.
Berdasarkan pemaparan FORGE Lab, Microsoft mengidentifikasi tiga arah perkembangan dalam pendeteksian kerentanan otomatis. Perubahan pertama adalah peralihan dari kemampuan menemukan celah menuju penerapan berskala besar. Tantangan berikutnya berkaitan dengan perhitungan biaya penggunaan model. Sementara itu, prioritas lainnya adalah pembentukan alur pemeriksaan berkelanjutan. Ketiga aspek tersebut menunjukkan bahwa keberhasilan keamanan siber tidak hanya bergantung pada kecepatan pemindaian. Dengan kata lain, organisasi perlu memastikan apakah laporan dapat dibuktikan secara bertanggung jawab.
Hasil Penelitian MDASH terhadap Keamanan Windows dan Open Source
Komponen penting dalam penelitian Microsoft adalah MDASH, yaitu platform penelitian keamanan yang mengoordinasikan model AI. Teknologi tersebut dikembangkan guna mengoordinasikan beberapa model kecerdasan buatan dalam proses penelitian terstruktur. Dengan sistem tersebut, sebagian komponen dapat menelusuri bagian perangkat lunak yang membutuhkan perhatian. Di sisi lain, komponen tambahan bisa menyiapkan bukti pengujian. Pembagian pekerjaan ini dirancang memperbaiki kemampuan menemukan kerentanan kompleks. Walaupun prosesnya semakin otomatis, peneliti manusia tetap diperlukan untuk memastikan ketepatan laporan.
Berdasarkan penelitian FORGE Lab, penggunaan sistem tersebut mendukung pengungkapan kerentanan Windows yang berjumlah 140 CVE dalam masa penelitian dari Mei sampai September 2026. Dari jumlah tersebut, sebanyak 52 CVE ditangani dalam pembaruan keamanan September. Selain penelitian Windows, anggota FORGE turut menghasilkan 155 laporan yang mendapatkan validasi awal pada 23 proyek perangkat lunak sumber terbuka. Lingkup penelitian tersebut menyertakan sejumlah komponen open source penting. Data yang dipublikasikan menunjukkan peningkatan skala keamanan berbasis AI, tetapi tidak berarti seluruh laporan sudah menjadi CVE publik. Setiap laporan tetap memerlukan proses penanganan sesuai tingkat risiko.
Mengapa Laporan Kerentanan AI Tidak Selalu Langsung Dapat Diperbaiki
Salah satu tantangan terbesar dalam penerapan AI untuk keamanan adalah membuktikan bahwa laporan menunjukkan masalah keamanan sebenarnya. Agen penelitian otomatis dapat menghasilkan laporan yang terlihat meyakinkan meskipun masalah sebenarnya belum terbukti. Masalah validasi tersebut dapat menghasilkan false positive sehingga beban kerja tim keamanan meningkat. Di samping laporan yang keliru, laporan duplikat mungkin memperlambat penanganan masalah penting. Oleh karena itu, pengembang sebaiknya berfokus pada laporan dengan bukti kuat daripada hanya mengejar volume pemindaian.
Dalam penelitiannya Microsoft menjelaskan bahwa kecepatan menemukan kerentanan harus diimbangi dengan kemampuan reproduksi masalah. Dalam praktik keamanan, laporan yang berpotensi berdampak biasanya perlu diperiksa melalui lingkungan pengujian terkontrol. Sebagai contoh, indikasi kerusakan memori perlu menunjukkan kondisi yang dapat memicu masalah. Apabila bukti tidak tersedia, peneliti harus meninjau ulang asumsi AI. Langkah validasi semacam ini bertujuan mengurangi penggunaan sumber daya secara berlebihan. Berkat validasi yang konsisten, penanganan celah berlangsung lebih terarah.
Efisiensi Biaya dan Otomatisasi Validasi dalam Riset Keamanan Microsoft
Selain ketepatan hasil, Microsoft turut membahas pengeluaran untuk penalaran otomatis ketika penelitian mencakup banyak proyek. Perhitungan efisiensi AI perlu dipertimbangkan karena penggunaan model memiliki biaya komputasi. Dalam evaluasi FORGE Lab, MDASH menandai ribuan lokasi mencurigakan pada kernel Linux dan menyiapkan hasil validasi untuk 627 temuan. Dari aktivitas tersebut, Microsoft menilai pengeluaran komputasi untuk proof of concept. Penelitian performa tersebut membantu menentukan apakah hasil pengujian sebanding dengan biaya. Berkat evaluasi sumber daya, organisasi dapat mempertimbangkan efektivitas penggunaan model secara lebih terukur.
Berdasarkan subset evaluasi yang dipublikasikan, Microsoft melaporkan bahwa pembuatan proof of concept untuk 182 temuan crash yang terkonfirmasi membutuhkan rata-rata biaya model sebesar 3,61 dolar AS dengan durasi pemrosesan sekitar 21,5 menit. Sementara itu, enam kasus terpilih yang diuji kemungkinan local privilege escalation membutuhkan rata-rata biaya 8,56 dolar AS dan durasi rata-rata 25,4 menit. Namun demikian, hasil evaluasi tersebut tidak mencakup seluruh pengeluaran seperti investigasi manusia. Untuk membaca data secara tepat, hasil pengujian sebaiknya dipahami sebagai hasil eksperimen dengan ruang lingkup khusus, bukan jaminan biaya untuk semua proyek.
Masa Depan Teknologi Keamanan Microsoft melalui Validasi Berkelanjutan
Evaluasi kerentanan berbasis AI tersebut juga menegaskan bahwa pendeteksian kerentanan merupakan bagian dari proses keamanan. Ketika kerentanan berhasil diidentifikasi, pengembang perlu memahami langkah perbaikan yang sesuai. Dalam proyek sumber terbuka, kerja sama antartim memiliki peran utama karena prosedur penerimaan perbaikan tidak selalu sama. Beberapa masalah keamanan perlu ditangani sebelum diumumkan kepada publik. Di samping prosedur pelaporan, pembaruan kode sumber harus dipastikan tidak merusak fungsi lain. Berkat koordinasi yang tepat, hasil analisis otomatis dapat memberikan dampak positif bagi komunitas pengembang.
Untuk memperluas kerja sama penelitian, Microsoft juga berpartisipasi dalam Akrites, yaitu inisiatif Linux Foundation yang berfokus pada proses perbaikan masalah keamanan sumber terbuka. Melalui inisiatif tersebut, tim FORGE mengirimkan sembilan temuan Linux yang dinilai memiliki skor CVSS internal lebih tinggi dari 7,0. Sebuah laporan dari rangkaian itu tercatat sebagai laporan pertama melalui Akrites dengan perbaikan diterima yang diterima dalam kode kernel Linux. Hasil kolaborasi tersebut menunjukkan pentingnya koordinasi antara peneliti dan pengembang. Dalam pengembangan berikutnya, tim keamanan sebaiknya memperkuat sistem penanganan kerentanan terpadu agar temuan penting memperoleh prioritas.
Rangkuman Tantangan Keamanan Siber Berbasis Kecerdasan Buatan
Penelitian FORGE Lab memperlihatkan bahwa teknologi kecerdasan buatan semakin berperan penting dalam mendeteksi kerentanan perangkat lunak. Dengan bantuan kerangka pemindaian multiagen, Microsoft mengembangkan pendekatan pendeteksian berkapasitas besar pada beragam lingkungan pengembangan. Namun demikian, volume laporan tidak otomatis menentukan keamanan. Validasi temuan, efisiensi penggunaan sumber daya, serta pengawasan proses remediasi tetap menjadi prioritas. Berkat kerja sama antara teknologi pemeriksaan cerdas dan pengawasan profesional, tim keamanan dapat memperkuat ketahanan perangkat lunak. Bagaimana pendapat Anda, apakah teknologi penelitian kerentanan berbasis AI akan berkembang pesat? Jangan ragu menyampaikan pandangan Anda mengenai masa depan keamanan digital.
