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
Kajian terkini dari tim keamanan Microsoft memperlihatkan bahwa perkembangan teknologi kecerdasan buatan semakin memengaruhi proses penelitian celah keamanan. Melalui FORGE Lab, Microsoft menguji pendekatan penelitian keamanan berbasis agen yang dirancang menganalisis bagian sistem yang berpotensi memiliki kelemahan. Tidak seperti pemeriksaan yang hanya mengandalkan aturan tetap, sistem berbasis AI mampu menganalisis hubungan antarbagian kode. Kemampuan tersebut memberikan kesempatan untuk memperluas cakupan pengujian sebelum menyebabkan gangguan keamanan. Meskipun potensinya besar, laporan yang dihasilkan model tetap membutuhkan pemeriksaan sebelum dianggap sebagai kerentanan nyata.
Melalui publikasi penelitian Oktober 2026, Microsoft mengidentifikasi tiga arah perkembangan dalam pengembangan teknologi keamanan siber. Aspek awal adalah kebutuhan memperluas pemindaian tanpa mengurangi kualitas. Tantangan berikutnya berkaitan dengan perhitungan biaya penggunaan model. Adapun, prioritas lainnya adalah integrasi penemuan dengan proses penanganan. Ketiga aspek tersebut menunjukkan bahwa efektivitas perlindungan perangkat lunak tidak cukup dinilai melalui jumlah temuan. Sebaliknya, tim keamanan harus memperhatikan apakah laporan dapat dibuktikan secara bertanggung jawab.
Microsoft FORGE Lab dan MDASH Mempercepat Pendeteksian Celah Keamanan
Salah satu teknologi utama dalam penelitian Microsoft adalah MDASH, yaitu kerangka pemindaian berbasis beberapa model AI. Pendekatan MDASH memungkinkan penggunaan berbagai komponen analisis otomatis dalam rangkaian pengujian keamanan. Dengan sistem tersebut, sebagian komponen dapat menelusuri lokasi program yang mencurigakan. Pada tahapan berbeda, sistem berikutnya dapat memeriksa kelayakan temuan. Arsitektur tersebut bertujuan meningkatkan kemampuan menemukan kerentanan kompleks. Walaupun prosesnya semakin otomatis, pengawasan profesional masih penting untuk menentukan dampak.
Dalam evaluasi keamanan yang diumumkan, penggunaan sistem tersebut mendukung pengungkapan kerentanan Windows yang mencapai 140 CVE dalam rentang lima bulan sejak Mei 2026. Dalam rangkaian pembaruan tersebut, sebanyak 52 CVE masuk dalam rilis perbaikan September 2026. Tidak hanya mempelajari komponen Windows, anggota FORGE turut menghasilkan 155 laporan yang telah divalidasi secara internal 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. Temuan yang diterima 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. Model kecerdasan buatan mungkin memberikan analisis yang tampak masuk akal meskipun perilaku program tidak menunjukkan kerentanan. Kondisi tersebut berpotensi menimbulkan laporan positif palsu sehingga proses pemeriksaan menjadi lebih panjang. Tidak hanya terkait akurasi, temuan yang berulang mungkin memperlambat penanganan masalah penting. Dengan mempertimbangkan risiko tersebut, pengembang sebaiknya berfokus pada temuan yang telah melalui validasi daripada mengandalkan banyaknya dugaan kelemahan.
Microsoft menekankan bahwa kecepatan menemukan kerentanan perlu disertai pengujian bukti teknis. Dalam praktik keamanan, temuan yang dianggap penting biasanya perlu diperiksa melalui sistem reproduksi yang sesuai. Sebagai contoh, dugaan penggunaan memori yang tidak aman membutuhkan hasil pengujian yang dapat diulang. Jika masalah tidak dapat direproduksi, pengembang perlu memeriksa bagian kode terkait. Langkah validasi semacam ini bertujuan mengurangi perbaikan yang tidak diperlukan. Berkat validasi yang konsisten, hasil penelitian menjadi lebih dapat dipercaya.
Tantangan Penggunaan Sumber Daya dalam Teknologi Pendeteksi Celah
Di samping kualitas laporan, Microsoft juga menyoroti biaya penggunaan AI ketika pemindaian dilakukan terhadap kode berukuran besar. Pendekatan ekonomi penalaran memiliki peran utama karena setiap proses analisis membutuhkan sumber daya. Berdasarkan pengukuran tim keamanan, MDASH mengidentifikasi ribuan lokasi mencurigakan pada kernel Linux dan menghasilkan bukti pendukung untuk 627 temuan. Dalam sebagian pengujian itu, Microsoft mengukur pengeluaran komputasi untuk proof of concept. Evaluasi biaya ini digunakan untuk menilai apakah otomatisasi benar-benar efisien. Dengan pendekatan ini, organisasi dapat mempertimbangkan kebutuhan pemeriksaan lanjutan secara lebih rasional.
Dalam pengujian tertentu, Microsoft mengungkapkan bahwa pembuatan proof of concept untuk 182 temuan crash yang terkonfirmasi menghasilkan pengeluaran model sekitar 3,61 dolar AS per kasus dengan lama pengujian rata-rata 21,5 menit. Di sisi pengujian berbeda, enam kasus terpilih yang diuji kemungkinan local privilege escalation memiliki pengeluaran model sekitar 8,56 dolar AS dan durasi rata-rata 25,4 menit. Walaupun hasil tersebut memberikan gambaran, pengukuran performa itu belum memasukkan semua biaya operasional seperti investigasi manusia. Untuk membaca data secara tepat, angka tersebut perlu ditafsirkan sebagai indikator efisiensi dalam kondisi penelitian, bukan standar tetap seluruh pengujian kerentanan.
Pentingnya Koordinasi Pengembang dalam Menangani Celah Open Source
Riset keamanan Microsoft memberikan gambaran bahwa identifikasi masalah belum menyelesaikan seluruh pekerjaan. Ketika kerentanan berhasil diidentifikasi, pengembang perlu memahami penyebab masalah. Pada pengembangan perangkat lunak open source, proses koordinasi menjadi sangat penting karena setiap proyek memiliki aturan pelaporan berbeda. Temuan tertentu perlu ditangani sebelum diumumkan kepada publik. Selain itu, penerapan patch harus diuji untuk menghindari regresi. Berkat koordinasi yang tepat, hasil analisis otomatis dapat memberikan dampak positif bagi organisasi yang menggunakan sistem tersebut.
Dalam upaya meningkatkan penanganan kerentanan, Microsoft juga berpartisipasi dalam Akrites, yaitu program koordinasi keamanan dari Linux Foundation yang berfokus pada pengungkapan kerentanan secara terkoordinasi. Melalui inisiatif tersebut, tim FORGE menyampaikan sembilan temuan Linux yang dinilai memiliki skor CVSS internal lebih tinggi dari 7,0. Sebuah laporan dari rangkaian itu berhasil menghasilkan pembaruan kode pertama melalui jalur Akrites yang diterima dalam kode kernel Linux. Perkembangan tersebut memperlihatkan manfaat koordinasi antara peneliti dan pengembang. Seiring meningkatnya kemampuan AI, pengembang harus mempertimbangkan mekanisme validasi yang konsisten agar temuan penting memperoleh prioritas.
Rangkuman Tantangan Keamanan Siber Berbasis Kecerdasan Buatan
Penelitian FORGE Lab memperlihatkan bahwa sistem penelitian berbasis agen membuka peluang besar dalam menemukan kelemahan kode. Melalui sistem MDASH, Microsoft mengembangkan pendekatan pendeteksian berkapasitas besar pada Windows dan berbagai proyek open source. Meskipun jumlah temuan meningkat, tantangan utamanya bukan hanya menemukan celah. Pemeriksaan bukti teknis, efisiensi penggunaan sumber daya, serta pengawasan proses remediasi tetap harus diperhatikan. Dengan menggabungkan otomatisasi penelitian dan koordinasi pengembang, pengembang memiliki kesempatan memperbaiki efektivitas perlindungan sistem. Menurut Anda, apakah AI akan semakin berperan dalam keamanan siber? Jangan ragu menyampaikan pandangan Anda mengenai manfaat AI untuk perlindungan perangkat lunak.
