Riset Keamanan Microsoft Ungkap Tantangan Baru dalam Pendeteksian Celah Menggunakan AI

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 perkembangan teknologi kecerdasan buatan semakin memengaruhi cara kerentanan perangkat lunak ditemukan. Melalui FORGE Lab, Microsoft menguji teknologi AI untuk analisis kerentanan yang dirancang menganalisis berbagai komponen perangkat lunak. Tidak seperti pendekatan pencarian kesalahan konvensional, sistem berbasis AI mampu menganalisis hubungan antarbagian kode. Kemampuan tersebut memberikan kesempatan untuk menemukan kelemahan lebih awal sebelum menjadi ancaman yang lebih besar. Walaupun menawarkan kemajuan, hasil analisis AI tetap membutuhkan pemeriksaan sebelum ditetapkan sebagai masalah keamanan.

Berdasarkan pemaparan FORGE Lab, Microsoft menjelaskan tiga tantangan utama dalam pendeteksian kerentanan otomatis. Tantangan pertama adalah kebutuhan memperluas pemindaian tanpa mengurangi kualitas. Tantangan berikutnya berkaitan dengan pengelolaan sumber daya komputasi. Sementara itu, prioritas lainnya adalah integrasi penemuan dengan proses penanganan. Perubahan yang dijelaskan Microsoft menggambarkan bahwa kualitas penelitian kerentanan tidak semata-mata ditentukan kemampuan model. Dengan kata lain, organisasi perlu memastikan apakah laporan dapat dibuktikan secara aman.

Cara Kerja Teknologi AI Microsoft dalam Menganalisis Kerentanan

Komponen penting dalam penelitian Microsoft adalah MDASH, yaitu kerangka pemindaian berbasis beberapa model AI. Sistem penelitian ini dirancang untuk menggabungkan beberapa model kecerdasan buatan dalam rangkaian pengujian keamanan. Dengan sistem tersebut, sebagian komponen dapat menelusuri bagian perangkat lunak yang membutuhkan perhatian. Pada tahapan berbeda, agen lainnya dapat membantu melakukan validasi. Pembagian pekerjaan ini dirancang memperbaiki efisiensi pemeriksaan kode. Namun demikian, peneliti manusia tetap diperlukan untuk menafsirkan hasil.

Berdasarkan penelitian FORGE Lab, penggunaan sistem tersebut berkontribusi pada penemuan kerentanan Windows yang tercatat sebanyak 140 CVE dalam rentang lima bulan sejak Mei 2026. Dalam rangkaian pembaruan tersebut, sebanyak 52 CVE masuk dalam rilis perbaikan September 2026. Di luar pemeriksaan sistem operasi Microsoft, anggota FORGE menyampaikan 155 laporan yang telah divalidasi secara internal pada 23 proyek perangkat lunak sumber terbuka. Target pemeriksaan ini mencakup proyek dengan penggunaan luas. Pencapaian penelitian ini memberikan bukti aktivitas penelitian keamanan berbasis AI, tetapi tidak menunjukkan seluruh masalah telah selesai diperbaiki. Setiap laporan tetap memerlukan proses penanganan sesuai tingkat risiko.

Mengapa Laporan Kerentanan AI Tidak Selalu Langsung Dapat Diperbaiki

Masalah penting dalam penggunaan teknologi pemindaian cerdas adalah membuktikan bahwa laporan menunjukkan masalah keamanan sebenarnya. Model kecerdasan buatan mungkin memberikan laporan yang terlihat meyakinkan meskipun masalah sebenarnya belum terbukti. Situasi semacam ini dapat menghasilkan false positive sehingga proses pemeriksaan menjadi lebih panjang. Tidak hanya terkait akurasi, hasil pemeriksaan yang sama mungkin memperlambat penanganan masalah penting. Oleh karena itu, pengembang sebaiknya berfokus pada kerentanan yang dapat direproduksi daripada mengandalkan banyaknya dugaan kelemahan.

Microsoft menekankan bahwa volume pemeriksaan menggunakan AI membutuhkan dukungan kemampuan reproduksi masalah. Pada kegiatan penelitian profesional, temuan yang dianggap penting biasanya harus diuji melalui lingkungan pengujian terkontrol. Sebagai contoh, laporan kesalahan pengelolaan memori membutuhkan hasil pengujian yang dapat diulang. Ketika pengujian belum mendukung laporan, tim keamanan mungkin perlu melakukan investigasi tambahan. Pendekatan tersebut dapat membatasi kesalahan prioritas. Berkat validasi yang konsisten, hasil penelitian menjadi lebih dapat dipercaya.

Efisiensi Biaya dan Otomatisasi Validasi dalam Riset Keamanan Microsoft

Selain ketepatan hasil, Microsoft memberikan perhatian pada biaya penggunaan AI ketika penelitian mencakup banyak proyek. Konsep reasoning economics menjadi penting karena setiap proses analisis membutuhkan sumber daya. Melalui penelitian tersebut, MDASH menandai ribuan lokasi mencurigakan pada kernel Linux dan menyiapkan hasil validasi untuk 627 temuan. Pada kelompok evaluasi yang dipublikasikan, Microsoft mengukur pengeluaran komputasi untuk proof of concept. Penelitian performa tersebut membantu menentukan apakah sumber daya AI dimanfaatkan dengan tepat. Melalui analisis ekonomi tersebut, pengembang bisa mengevaluasi efektivitas penggunaan model secara lebih rasional.

Dalam pengujian tertentu, Microsoft mencatat 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. Sementara itu, enam kasus terpilih yang diuji kemungkinan local privilege escalation memiliki pengeluaran model sekitar 8,56 dolar AS dan lama pemrosesan sekitar 25,4 menit. Walaupun hasil tersebut memberikan gambaran, hasil evaluasi tersebut tidak mencakup seluruh pengeluaran seperti persiapan perbaikan. Oleh sebab itu, hasil pengujian sebaiknya dipahami sebagai pengukuran terbatas pada kasus tertentu, bukan patokan mutlak pengeluaran keamanan.

Masa Depan Teknologi Keamanan Microsoft melalui Validasi Berkelanjutan

Penelitian FORGE Lab juga menegaskan bahwa identifikasi masalah belum menyelesaikan seluruh pekerjaan. Sesudah laporan dinyatakan valid, pengembang perlu memahami dampak terhadap sistem. Ketika menangani komponen publik, kerja sama antartim memiliki peran utama karena prosedur penerimaan perbaikan tidak selalu sama. Sebagian kerentanan dapat memerlukan pengungkapan terkoordinasi. Tidak hanya mengenai komunikasi, penerapan patch harus melalui pemeriksaan kompatibilitas. Melalui pendekatan menyeluruh, hasil analisis otomatis dapat memberikan dampak positif bagi komunitas pengembang.

Dalam upaya meningkatkan penanganan kerentanan, Microsoft berkontribusi terhadap Akrites, yaitu program koordinasi keamanan dari Linux Foundation yang dikembangkan untuk mendukung penanganan celah pada proyek penting. Berkat mekanisme koordinasi ini, tim FORGE melaporkan sembilan temuan Linux yang mendapatkan skor kerentanan internal melampaui 7,0. Salah satu laporan tersebut menjadi pengajuan Akrites pertama yang menghasilkan patch yang diterima dalam kode kernel Linux. Perkembangan tersebut menjadi contoh nyata koordinasi antara peneliti dan pengembang. Ke depan, pengembang harus mempertimbangkan sistem penanganan kerentanan terpadu agar perbaikan dapat diterapkan tepat waktu.

Kesimpulan tentang Riset Microsoft dan Teknologi Pendeteksian Celah AI

Riset keamanan Microsoft menunjukkan bahwa kemampuan AI generatif memberikan manfaat baru dalam menemukan kelemahan kode. Dengan bantuan kerangka pemindaian multiagen, Microsoft menunjukkan kemampuan pemeriksaan yang lebih luas pada beragam lingkungan pengembangan. Namun demikian, tantangan utamanya bukan hanya menemukan celah. Konfirmasi kerentanan, perhitungan pengeluaran penelitian, serta pengawasan proses remediasi tetap harus diperhatikan. Melalui perpaduan kemampuan analisis AI dan pengawasan profesional, pengembang memiliki kesempatan memperbaiki ketahanan perangkat lunak. Bagaimana pendapat Anda, apakah teknologi penelitian kerentanan berbasis AI akan berkembang pesat? Jangan ragu menyampaikan pandangan Anda mengenai pentingnya validasi dalam riset keamanan.