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.
Perkembangan Teknologi Kecerdasan Buatan untuk Penelitian Kerentanan Siber
Riset yang dilakukan Microsoft Security memperlihatkan bahwa peningkatan kemampuan model AI semakin memengaruhi cara kerentanan perangkat lunak ditemukan. Melalui FORGE Lab, Microsoft menguji sistem agen keamanan otomatis yang dirancang menganalisis kode sumber dalam jumlah besar. Tidak seperti pendekatan pencarian kesalahan konvensional, sistem berbasis AI berpotensi memahami kondisi yang menyebabkan kerentanan. Inovasi tersebut menawarkan manfaat untuk membantu peneliti mengidentifikasi masalah sebelum menjadi ancaman yang lebih besar. Namun demikian, hasil analisis AI tetap membutuhkan pemeriksaan sebelum diproses untuk perbaikan.
Melalui publikasi penelitian Oktober 2026, Microsoft mengidentifikasi tiga perubahan penting dalam pengembangan teknologi keamanan siber. Perubahan pertama adalah kebutuhan memperluas pemindaian tanpa mengurangi kualitas. Aspek selanjutnya berkaitan dengan pengelolaan sumber daya komputasi. Sementara itu, perubahan ketiga adalah pembentukan alur pemeriksaan berkelanjutan. Perubahan yang dijelaskan Microsoft menunjukkan bahwa efektivitas perlindungan perangkat lunak tidak semata-mata ditentukan kemampuan model. Sebaliknya, pengembang sebaiknya mengevaluasi apakah kerentanan bisa diperbaiki secara bertanggung jawab.
Microsoft FORGE Lab dan MDASH Mempercepat Pendeteksian Celah Keamanan
Sistem yang digunakan dalam penelitian Microsoft adalah MDASH, yaitu platform penelitian keamanan yang mengoordinasikan model AI. Sistem penelitian ini dikembangkan guna mengoordinasikan sejumlah agen dengan tugas berbeda dalam rangkaian pengujian keamanan. Dengan sistem tersebut, bagian sistem dapat menganalisis lokasi program yang mencurigakan. Pada tahapan berbeda, agen lainnya dapat membantu melakukan validasi. Arsitektur tersebut dirancang memperbaiki cakupan penelitian keamanan. Namun demikian, peneliti manusia tetap diperlukan untuk menentukan dampak.
Menurut hasil yang dipaparkan Microsoft, penggunaan sistem tersebut membantu identifikasi kerentanan Windows yang mencapai 140 CVE dalam masa penelitian dari Mei sampai September 2026. Dari jumlah tersebut, sebanyak 52 CVE tercakup pada pembaruan Windows bulan September. Di luar pemeriksaan sistem operasi Microsoft, anggota FORGE juga mengirimkan 155 laporan yang mendapatkan validasi awal pada 23 proyek perangkat lunak sumber terbuka. Lingkup penelitian tersebut menyertakan kernel Linux dan berbagai perangkat lunak populer. Pencapaian penelitian ini menggambarkan kemampuan penerapan keamanan berbasis AI, tetapi bukan bukti bahwa semua temuan telah diumumkan. Kerentanan yang dideteksi 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. Agen penelitian otomatis dapat menghasilkan analisis yang tampak masuk akal meskipun bukti teknisnya belum cukup. Kondisi tersebut berpotensi menimbulkan laporan positif palsu sehingga proses pemeriksaan menjadi lebih panjang. Selain itu, laporan duplikat juga dapat memenuhi antrean. Untuk meningkatkan kualitas, organisasi perlu mengutamakan laporan dengan bukti kuat daripada sekadar meningkatkan jumlah laporan.
Microsoft menekankan bahwa volume pemeriksaan menggunakan AI membutuhkan dukungan pengujian bukti teknis. Ketika melakukan evaluasi perangkat lunak, laporan yang berpotensi berdampak biasanya perlu diperiksa melalui lingkungan pengujian terkontrol. Sebagai contoh, indikasi kerusakan memori sebaiknya menyertakan hasil pengujian yang dapat diulang. Apabila bukti tidak tersedia, pengembang perlu memeriksa bagian kode terkait. Pemeriksaan berlapis tersebut membantu menghindari penggunaan sumber daya secara berlebihan. Berkat validasi yang konsisten, hasil penelitian menjadi lebih dapat dipercaya.
Efisiensi Biaya dan Otomatisasi Validasi dalam Riset Keamanan Microsoft
Tidak hanya berkaitan dengan validasi, Microsoft juga menyoroti efisiensi komputasi model ketika pemindaian dilakukan terhadap kode berukuran besar. Konsep reasoning economics perlu dipertimbangkan karena pengujian otomatis mengonsumsi waktu dan kapasitas. Melalui penelitian tersebut, MDASH menandai ribuan lokasi mencurigakan pada kernel Linux dan menyiapkan hasil validasi untuk 627 temuan. Dalam sebagian pengujian itu, Microsoft menilai pengeluaran komputasi untuk proof of concept. Evaluasi biaya ini digunakan untuk menilai apakah sumber daya AI dimanfaatkan dengan tepat. Berkat evaluasi sumber daya, pengembang bisa mengevaluasi kebutuhan pemeriksaan lanjutan secara lebih sistematis.
Dalam pengujian tertentu, 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. Di sisi pengujian berbeda, enam kasus terpilih yang dianalisis untuk menilai risiko eskalasi privilese membutuhkan rata-rata biaya 8,56 dolar AS dan durasi rata-rata 25,4 menit. Perlu dipahami, pengukuran performa itu tidak mencakup seluruh pengeluaran seperti investigasi manusia. Oleh sebab itu, angka tersebut perlu ditafsirkan sebagai hasil eksperimen dengan ruang lingkup khusus, bukan patokan mutlak pengeluaran keamanan.
Kolaborasi Manusia dan AI Menjadi Kunci Perbaikan Keamanan Siber
Penelitian FORGE Lab juga menegaskan bahwa penemuan celah hanyalah tahap awal. Sesudah laporan dinyatakan valid, tim keamanan harus mengevaluasi penyebab masalah. Pada pengembangan perangkat lunak open source, kerja sama antartim memiliki peran utama karena setiap proyek memiliki aturan pelaporan berbeda. Sebagian kerentanan dapat memerlukan pengungkapan terkoordinasi. Di samping prosedur pelaporan, perbaikan perangkat lunak harus dipastikan tidak merusak fungsi lain. Melalui pendekatan menyeluruh, penelitian keamanan dapat menghasilkan perlindungan nyata bagi organisasi yang menggunakan sistem tersebut.
Untuk memperluas kerja sama penelitian, Microsoft turut mendukung Akrites, yaitu upaya kolaboratif di bawah Linux Foundation yang berfokus pada pengungkapan kerentanan secara terkoordinasi. Berkat mekanisme koordinasi ini, tim FORGE mengirimkan 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 masuk ke proyek kernel Linux. Pencapaian ini menunjukkan pentingnya koordinasi antara peneliti dan pengembang. Dalam pengembangan berikutnya, tim keamanan sebaiknya memperkuat 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 membuka peluang besar dalam menemukan kelemahan kode. Berkat penerapan teknologi analisis otomatis, Microsoft menunjukkan kemampuan pemeriksaan yang lebih luas pada Windows dan berbagai proyek open source. Namun demikian, volume laporan tidak otomatis menentukan keamanan. Pemeriksaan bukti teknis, perhitungan pengeluaran penelitian, serta penerapan patch yang aman tetap memiliki peran penting. Dengan menggabungkan otomatisasi penelitian dan pengawasan profesional, pengembang memiliki kesempatan memperbaiki ketahanan perangkat lunak. Menurut Anda, apakah otomatisasi pendeteksian celah akan menjadi kebutuhan utama? Jangan ragu menyampaikan pandangan Anda mengenai manfaat AI untuk perlindungan perangkat lunak.
