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 semakin memengaruhi metode pemeriksaan kelemahan sistem. Berdasarkan penelitian tim FORGE, Microsoft menerapkan teknologi AI untuk analisis kerentanan yang dirancang menganalisis kode sumber dalam jumlah besar. Dibandingkan dengan pendekatan pencarian kesalahan konvensional, sistem berbasis AI berpotensi memahami alur eksekusi program. Kemampuan tersebut membuka peluang untuk memperluas cakupan pengujian sebelum menyebabkan gangguan keamanan. Walaupun menawarkan kemajuan, temuan otomatis tetap harus melalui validasi sebelum ditetapkan sebagai masalah keamanan.
Berdasarkan pemaparan FORGE Lab, Microsoft mengidentifikasi tiga arah perkembangan dalam pengembangan teknologi keamanan siber. Perubahan pertama adalah peralihan dari kemampuan menemukan celah menuju penerapan berskala besar. Aspek selanjutnya berkaitan dengan pengelolaan sumber daya komputasi. Sementara itu, tantangan berikutnya adalah penggabungan validasi dan perbaikan. Rangkaian tantangan ini menunjukkan bahwa keberhasilan keamanan siber tidak hanya bergantung pada kecepatan pemindaian. Dalam praktiknya, tim keamanan harus memperhatikan apakah kerentanan bisa diperbaiki secara aman.
Hasil Penelitian MDASH terhadap Keamanan Windows dan Open Source
Salah satu teknologi utama dalam penelitian Microsoft adalah MDASH, yaitu platform penelitian keamanan yang mengoordinasikan model AI. Teknologi tersebut memungkinkan penggunaan beberapa model kecerdasan buatan dalam proses penelitian terstruktur. Melalui pendekatan tersebut, bagian sistem dapat menganalisis bagian perangkat lunak yang membutuhkan perhatian. Pada tahapan berbeda, komponen tambahan bisa menyiapkan bukti pengujian. Pembagian pekerjaan ini berpotensi memperluas kemampuan menemukan kerentanan kompleks. Meskipun beberapa tahapan dapat dijalankan AI, peneliti manusia tetap diperlukan untuk memastikan ketepatan laporan.
Menurut hasil yang dipaparkan Microsoft, penggunaan sistem tersebut mendukung pengungkapan kerentanan Windows yang tercatat sebanyak 140 CVE dalam masa penelitian dari Mei sampai September 2026. Dalam rangkaian pembaruan tersebut, sebanyak 52 CVE tercakup pada pembaruan Windows bulan September. Tidak hanya mempelajari komponen Windows, anggota FORGE menyampaikan 155 laporan yang telah divalidasi secara internal pada 23 proyek perangkat lunak sumber terbuka. Lingkup penelitian tersebut menyertakan kernel Linux dan berbagai perangkat lunak populer. 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 prosedur pengungkapan keamanan.
Mengapa Laporan Kerentanan AI Tidak Selalu Langsung Dapat Diperbaiki
Salah satu tantangan terbesar dalam penggunaan teknologi pemindaian cerdas adalah membuktikan bahwa laporan menunjukkan masalah keamanan sebenarnya. Sistem AI dapat menghasilkan analisis yang tampak masuk akal meskipun masalah sebenarnya belum terbukti. Masalah validasi tersebut berpotensi menimbulkan laporan positif palsu sehingga beban kerja tim keamanan meningkat. Tidak hanya terkait akurasi, hasil pemeriksaan yang sama berpotensi membebani proses triase. Dengan mempertimbangkan risiko tersebut, tim keamanan harus memprioritaskan laporan dengan bukti kuat daripada mengandalkan banyaknya dugaan kelemahan.
Tim FORGE menggarisbawahi bahwa kecepatan menemukan kerentanan perlu disertai proses validasi yang memadai. Dalam praktik keamanan, laporan yang berpotensi berdampak biasanya perlu diperiksa melalui lingkungan pengujian terkontrol. Untuk memberikan gambaran, dugaan penggunaan memori yang tidak aman sebaiknya menyertakan kondisi yang dapat memicu masalah. Ketika pengujian belum mendukung laporan, peneliti harus meninjau ulang asumsi AI. Pemeriksaan berlapis tersebut dapat membatasi kesalahan prioritas. Dengan demikian, hasil penelitian menjadi lebih dapat dipercaya.
Tantangan Penggunaan Sumber Daya dalam Teknologi Pendeteksi Celah
Di samping kualitas laporan, Microsoft memberikan perhatian pada pengeluaran untuk penalaran otomatis ketika sistem diterapkan dalam skala besar. Konsep reasoning economics memiliki peran utama karena pengujian otomatis mengonsumsi waktu dan kapasitas. Dalam evaluasi FORGE Lab, MDASH menandai ribuan lokasi mencurigakan pada kernel Linux dan menyiapkan hasil validasi untuk 627 temuan. Pada kelompok evaluasi yang dipublikasikan, Microsoft mencatat kebutuhan model dalam pengujian otomatis. Pengukuran tersebut bertujuan memahami apakah otomatisasi benar-benar efisien. Dengan pendekatan ini, organisasi dapat mempertimbangkan efektivitas penggunaan model secara lebih sistematis.
Dalam pengujian tertentu, Microsoft melaporkan 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 durasi rata-rata 25,4 menit. Walaupun hasil tersebut memberikan gambaran, angka biaya tersebut tidak mewakili total biaya penelitian seperti pemeriksaan awal. Untuk membaca data secara tepat, hasil pengujian sebaiknya dipahami sebagai indikator efisiensi dalam kondisi penelitian, bukan standar tetap seluruh pengujian kerentanan.
Pentingnya Koordinasi Pengembang dalam Menangani Celah Open Source
Evaluasi kerentanan berbasis AI tersebut turut memperlihatkan bahwa identifikasi masalah belum menyelesaikan seluruh pekerjaan. Ketika kerentanan berhasil diidentifikasi, pengembang perlu memahami penyebab masalah. Dalam proyek sumber terbuka, komunikasi dengan maintainer perlu diperhatikan karena prosedur penerimaan perbaikan tidak selalu sama. Temuan tertentu perlu ditangani sebelum diumumkan kepada publik. Di samping prosedur pelaporan, penerapan patch harus diuji untuk menghindari regresi. Berkat koordinasi yang tepat, temuan AI berpotensi berubah menjadi perbaikan bermanfaat bagi organisasi yang menggunakan sistem tersebut.
Untuk memperluas kerja sama penelitian, Microsoft berkontribusi terhadap Akrites, yaitu upaya kolaboratif di bawah Linux Foundation yang berfokus pada proses perbaikan masalah keamanan sumber terbuka. Berkat mekanisme koordinasi ini, tim FORGE menyampaikan 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 digabungkan ke kernel Linux. Pencapaian ini menunjukkan pentingnya proses perbaikan setelah validasi. Ke depan, tim keamanan sebaiknya memperkuat mekanisme validasi yang konsisten agar temuan penting memperoleh prioritas.
Kesimpulan tentang Riset Microsoft dan Teknologi Pendeteksian Celah AI
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 Windows dan berbagai proyek open source. Walaupun hasil penelitian menjanjikan, tantangan utamanya bukan hanya menemukan celah. Konfirmasi kerentanan, pengelolaan biaya komputasi, serta pengawasan proses remediasi tetap menjadi prioritas. Melalui perpaduan kemampuan analisis AI dan koordinasi pengembang, tim keamanan dapat memperkuat ketahanan perangkat lunak. Dari sudut pandang Anda, apakah AI akan semakin berperan dalam keamanan siber? Mari berbagi pemikiran Anda mengenai pentingnya validasi dalam riset keamanan.
