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.
Mengenal Penelitian FORGE Lab tentang Pendeteksian Celah Perangkat Lunak
Penelitian keamanan terbaru Microsoft memperlihatkan bahwa kemajuan sistem AI generatif mulai mengubah metode pemeriksaan kelemahan sistem. Berdasarkan penelitian tim FORGE, Microsoft menerapkan sistem agen keamanan otomatis yang mampu memeriksa kode sumber dalam jumlah besar. Berbeda dari pemindaian berbasis pola sederhana, sistem berbasis AI dapat membantu menalar kondisi yang menyebabkan kerentanan. Kemampuan tersebut memberikan kesempatan untuk membantu peneliti mengidentifikasi masalah sebelum menjadi ancaman yang lebih besar. Namun demikian, laporan yang dihasilkan model tetap memerlukan pembuktian sebelum ditetapkan sebagai masalah keamanan.
Melalui publikasi penelitian Oktober 2026, Microsoft menjelaskan tiga arah perkembangan dalam penelitian keamanan berbasis AI. Tantangan pertama adalah peralihan dari kemampuan menemukan celah menuju penerapan berskala besar. Perubahan kedua berkaitan dengan pengelolaan sumber daya komputasi. Pada bagian terakhir, perubahan ketiga adalah pembentukan alur pemeriksaan berkelanjutan. Ketiga aspek tersebut menggambarkan bahwa keberhasilan keamanan siber tidak semata-mata ditentukan kemampuan model. Dalam praktiknya, pengembang sebaiknya mengevaluasi apakah kerentanan bisa diperbaiki secara bertanggung jawab.
Hasil Penelitian MDASH terhadap Keamanan Windows dan Open Source
Komponen penting dalam penelitian Microsoft adalah MDASH, yaitu sistem analisis kerentanan dengan banyak agen. Pendekatan MDASH dirancang untuk menggabungkan sejumlah agen dengan tugas berbeda dalam rangkaian pengujian keamanan. Melalui pendekatan tersebut, sebagian komponen dapat menelusuri kode yang berpotensi bermasalah. Pada tahapan berbeda, agen lainnya dapat membantu melakukan validasi. Strategi penggunaan beberapa agen berpotensi memperluas kemampuan menemukan kerentanan kompleks. Namun demikian, pengawasan profesional masih penting untuk menentukan dampak.
Dalam evaluasi keamanan yang diumumkan, penggunaan sistem tersebut berkontribusi pada penemuan kerentanan Windows yang tercatat sebanyak 140 CVE dalam masa penelitian dari Mei sampai September 2026. Pada periode pengujian itu, sebanyak 52 CVE ditangani dalam pembaruan keamanan September. Di luar pemeriksaan sistem operasi Microsoft, anggota FORGE turut menghasilkan 155 laporan yang telah divalidasi secara internal pada 23 proyek perangkat lunak sumber terbuka. Proyek yang diteliti melibatkan proyek dengan penggunaan luas. Data yang dipublikasikan memberikan bukti aktivitas penelitian keamanan berbasis AI, tetapi tidak berarti seluruh laporan sudah menjadi CVE publik. Setiap laporan tetap memerlukan proses penanganan sesuai prosedur pengungkapan keamanan.
Mengapa Laporan Kerentanan AI Tidak Selalu Langsung Dapat Diperbaiki
Salah satu tantangan terbesar dalam penggunaan teknologi pemindaian cerdas adalah membedakan kerentanan nyata dari dugaan keliru. Sistem AI berpotensi menyusun laporan yang terlihat meyakinkan meskipun perilaku program tidak menunjukkan kerentanan. Situasi semacam ini mungkin menyebabkan temuan yang tidak terbukti sehingga proses pemeriksaan menjadi lebih panjang. Tidak hanya terkait akurasi, laporan duplikat berpotensi membebani proses triase. Dengan mempertimbangkan risiko tersebut, tim keamanan harus memprioritaskan laporan dengan bukti kuat daripada mengandalkan banyaknya dugaan kelemahan.
Microsoft menekankan bahwa volume pemeriksaan menggunakan AI harus diimbangi dengan proses validasi yang memadai. Ketika melakukan evaluasi perangkat lunak, laporan yang berpotensi berdampak biasanya sebaiknya dikonfirmasi melalui lingkungan pengujian terkontrol. Untuk memberikan gambaran, dugaan penggunaan memori yang tidak aman sebaiknya menyertakan hasil pengujian yang dapat diulang. Apabila bukti tidak tersedia, pengembang perlu memeriksa bagian kode terkait. Langkah validasi semacam ini dapat membatasi penggunaan sumber daya secara berlebihan. Melalui proses ini, kualitas temuan dapat meningkat.
Tantangan Penggunaan Sumber Daya dalam Teknologi Pendeteksi Celah
Di samping kualitas laporan, Microsoft memberikan perhatian pada biaya penggunaan AI ketika sistem diterapkan dalam skala besar. Perhitungan efisiensi AI perlu dipertimbangkan karena penggunaan model memiliki biaya komputasi. Melalui penelitian tersebut, MDASH menandai ribuan lokasi mencurigakan pada kernel Linux dan mengumpulkan informasi pengujian untuk 627 temuan. Pada kelompok evaluasi yang dipublikasikan, Microsoft mencatat biaya pembuatan bukti konsep. Pengukuran tersebut digunakan untuk menilai apakah otomatisasi benar-benar efisien. Dengan pendekatan ini, tim keamanan memiliki dasar menilai manfaat tambahan setiap proses secara lebih terukur.
Berdasarkan subset evaluasi yang dipublikasikan, Microsoft mencatat bahwa pembuatan proof of concept untuk 182 temuan crash yang terkonfirmasi menghasilkan pengeluaran model sekitar 3,61 dolar AS per kasus dengan waktu rata-rata 21,5 menit. Untuk evaluasi tambahan, enam kasus terpilih yang diperiksa potensi peningkatan hak akses lokalnya memiliki pengeluaran model sekitar 8,56 dolar AS dan durasi rata-rata 25,4 menit. Namun demikian, angka biaya tersebut tidak mewakili total biaya penelitian seperti pemeriksaan awal. Dengan pertimbangan tersebut, hasil pengujian sebaiknya dipahami sebagai indikator efisiensi dalam kondisi penelitian, bukan jaminan biaya untuk semua proyek.
Pentingnya Koordinasi Pengembang dalam Menangani Celah Open Source
Riset keamanan Microsoft juga menegaskan bahwa penemuan celah hanyalah tahap awal. Sesudah laporan dinyatakan valid, tim keamanan harus mengevaluasi langkah perbaikan yang sesuai. Dalam proyek sumber terbuka, komunikasi dengan maintainer perlu diperhatikan karena prosedur penerimaan perbaikan tidak selalu sama. Sebagian kerentanan perlu ditangani sebelum diumumkan kepada publik. Selain itu, pembaruan kode sumber harus melalui pemeriksaan kompatibilitas. Dengan demikian, temuan AI berpotensi berubah menjadi perbaikan bermanfaat bagi pengguna perangkat lunak.
Sebagai bagian dari pengembangan tersebut, Microsoft berkontribusi terhadap Akrites, yaitu inisiatif Linux Foundation yang bertujuan membantu penanganan celah pada proyek penting. Berkat mekanisme koordinasi ini, tim FORGE melaporkan sembilan temuan Linux yang dinilai memiliki skor CVSS internal lebih tinggi dari 7,0. Salah satu laporan tersebut menjadi pengajuan Akrites pertama yang menghasilkan patch yang digabungkan ke kernel Linux. Perkembangan tersebut menunjukkan pentingnya pengelolaan laporan yang bertanggung jawab. Seiring meningkatnya kemampuan AI, organisasi perlu membangun sistem penanganan kerentanan terpadu agar jumlah laporan tidak melampaui kapasitas penanganan.
Pentingnya Validasi dan Perbaikan dalam Penelitian Kerentanan Modern
Penelitian FORGE Lab memperlihatkan bahwa teknologi kecerdasan buatan memberikan manfaat baru dalam mendukung pengujian keamanan siber. Berkat penerapan teknologi analisis otomatis, Microsoft berhasil meningkatkan skala penelitian pada beragam lingkungan pengembangan. Walaupun hasil penelitian menjanjikan, tantangan utamanya bukan hanya menemukan celah. Pemeriksaan bukti teknis, efisiensi penggunaan sumber daya, serta pengawasan proses remediasi tetap harus diperhatikan. Melalui perpaduan teknologi pemeriksaan cerdas dan koordinasi pengembang, tim keamanan dapat memperkuat kualitas pengelolaan kerentanan. Dari sudut pandang Anda, apakah AI akan semakin berperan dalam keamanan siber? Silakan bagikan pendapat Anda mengenai masa depan keamanan digital.
