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 mengungkapkan 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 pemindaian berbasis pola sederhana, sistem berbasis AI dapat membantu menalar hubungan antarbagian kode. Pendekatan ini memberikan kesempatan untuk membantu peneliti mengidentifikasi masalah sebelum menyebabkan gangguan keamanan. Namun demikian, temuan otomatis tetap harus melalui validasi sebelum dianggap sebagai kerentanan nyata.
Melalui publikasi penelitian Oktober 2026, Microsoft merangkum tiga tantangan utama dalam pendeteksian kerentanan otomatis. Perubahan pertama adalah peralihan dari kemampuan menemukan celah menuju penerapan berskala besar. Tantangan berikutnya berkaitan dengan efisiensi biaya penalaran AI. Sementara itu, tantangan berikutnya adalah integrasi penemuan dengan proses penanganan. Ketiga aspek tersebut menunjukkan bahwa efektivitas perlindungan perangkat lunak tidak cukup dinilai melalui jumlah temuan. Sebaliknya, pengembang sebaiknya mengevaluasi apakah laporan dapat dibuktikan secara aman.
Cara Kerja Teknologi AI Microsoft dalam Menganalisis Kerentanan
Salah satu teknologi utama dalam penelitian Microsoft adalah MDASH, yaitu platform penelitian keamanan yang mengoordinasikan model AI. Pendekatan MDASH dirancang untuk menggabungkan sejumlah agen dengan tugas berbeda dalam proses penelitian terstruktur. Berkat pengelolaan agen, bagian sistem dapat menganalisis lokasi program yang mencurigakan. Pada tahapan berbeda, sistem berikutnya dapat memeriksa kelayakan temuan. Pembagian pekerjaan ini berpotensi memperluas efisiensi pemeriksaan kode. Meskipun beberapa tahapan dapat dijalankan AI, peneliti manusia tetap diperlukan untuk memastikan ketepatan laporan.
Menurut hasil yang dipaparkan Microsoft, penggunaan sistem tersebut membantu identifikasi kerentanan Windows yang tercatat sebanyak 140 CVE dalam masa penelitian dari Mei sampai September 2026. Pada periode pengujian itu, sebanyak 52 CVE tercakup pada pembaruan Windows bulan 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. Lingkup penelitian tersebut menyertakan kernel Linux dan berbagai perangkat lunak populer. Data yang dipublikasikan menunjukkan peningkatan skala keamanan berbasis AI, tetapi tidak menunjukkan seluruh masalah telah selesai diperbaiki. Setiap laporan tetap membutuhkan verifikasi lanjutan sesuai prosedur pengungkapan keamanan.
Mengapa Laporan Kerentanan AI Tidak Selalu Langsung Dapat Diperbaiki
Salah satu tantangan terbesar dalam penelitian kerentanan otomatis adalah membedakan kerentanan nyata dari dugaan keliru. Agen penelitian otomatis mungkin memberikan dugaan kelemahan dengan penjelasan terperinci meskipun masalah sebenarnya belum terbukti. Masalah validasi tersebut berpotensi menimbulkan laporan positif palsu sehingga beban kerja tim keamanan meningkat. Selain itu, laporan duplikat mungkin memperlambat penanganan masalah penting. Untuk meningkatkan kualitas, tim keamanan harus memprioritaskan temuan yang telah melalui validasi daripada sekadar meningkatkan jumlah laporan.
Microsoft menekankan bahwa kecepatan menemukan kerentanan membutuhkan dukungan proses validasi yang memadai. Ketika melakukan evaluasi perangkat lunak, laporan yang berpotensi berdampak biasanya perlu diperiksa melalui prosedur pembuktian teknis. Dalam situasi sederhana, laporan kesalahan pengelolaan memori sebaiknya menyertakan bukti perilaku program. Apabila bukti tidak tersedia, peneliti harus meninjau ulang asumsi AI. Langkah validasi semacam ini dapat membatasi perbaikan yang tidak diperlukan. Berkat validasi yang konsisten, penanganan celah berlangsung lebih terarah.
Mengukur Kinerja AI melalui Biaya Pengujian Kerentanan
Tidak hanya berkaitan dengan validasi, Microsoft memberikan perhatian pada pengeluaran untuk penalaran otomatis ketika penelitian mencakup banyak proyek. Konsep reasoning economics memiliki peran utama karena penggunaan model memiliki biaya komputasi. Berdasarkan pengukuran tim keamanan, MDASH menandai ribuan lokasi mencurigakan pada kernel Linux dan menghasilkan bukti pendukung untuk 627 temuan. Dari aktivitas tersebut, Microsoft mengukur biaya pembuatan bukti konsep. Penelitian performa tersebut bertujuan memahami apakah sumber daya AI dimanfaatkan dengan tepat. 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 memiliki biaya komputasi model rata-rata 3,61 dolar AS dengan waktu rata-rata 21,5 menit. Sementara itu, enam kasus terpilih yang diperiksa potensi peningkatan hak akses lokalnya memiliki pengeluaran model sekitar 8,56 dolar AS dan lama pemrosesan sekitar 25,4 menit. Namun demikian, hasil evaluasi tersebut belum memasukkan semua biaya operasional seperti investigasi manusia. Oleh sebab itu, informasi biaya harus dilihat sebagai indikator efisiensi dalam kondisi penelitian, bukan standar tetap seluruh pengujian kerentanan.
Pentingnya Koordinasi Pengembang dalam Menangani Celah Open Source
Penelitian FORGE Lab turut memperlihatkan bahwa identifikasi masalah belum menyelesaikan seluruh pekerjaan. Sesudah laporan dinyatakan valid, tim keamanan harus mengevaluasi penyebab masalah. Dalam proyek sumber terbuka, kerja sama antartim memiliki peran utama karena setiap proyek memiliki aturan pelaporan berbeda. Sebagian kerentanan perlu ditangani sebelum diumumkan kepada publik. Selain itu, perbaikan perangkat lunak harus melalui pemeriksaan kompatibilitas. Dengan demikian, hasil analisis otomatis dapat memberikan dampak positif bagi komunitas pengembang.
Untuk memperluas kerja sama penelitian, Microsoft berkontribusi terhadap Akrites, yaitu program koordinasi keamanan dari Linux Foundation yang bertujuan membantu pengungkapan kerentanan secara terkoordinasi. Melalui inisiatif tersebut, tim FORGE melaporkan sembilan temuan Linux yang memiliki penilaian internal CVSS di atas 7,0. Salah satu laporan tersebut berhasil menghasilkan pembaruan kode pertama melalui jalur Akrites yang diterima dalam kode kernel Linux. Pencapaian ini memperlihatkan manfaat koordinasi antara peneliti dan pengembang. Seiring meningkatnya kemampuan AI, tim keamanan sebaiknya memperkuat sistem penanganan kerentanan terpadu agar perbaikan dapat diterapkan tepat waktu.
Pentingnya Validasi dan Perbaikan dalam Penelitian Kerentanan Modern
Kajian Microsoft mengenai AI keamanan mengungkapkan bahwa sistem penelitian berbasis agen semakin berperan penting dalam mendukung pengujian keamanan siber. Dengan bantuan kerangka pemindaian multiagen, Microsoft menunjukkan kemampuan pemeriksaan yang lebih luas pada Windows dan berbagai proyek open source. Meskipun jumlah temuan meningkat, tantangan utamanya bukan hanya menemukan celah. Konfirmasi kerentanan, perhitungan pengeluaran penelitian, serta penerapan patch yang aman tetap harus diperhatikan. Berkat kerja sama antara kemampuan analisis AI dan koordinasi pengembang, tim keamanan dapat memperkuat ketahanan perangkat lunak. Dari sudut pandang Anda, apakah teknologi penelitian kerentanan berbasis AI akan berkembang pesat? Jangan ragu menyampaikan pandangan Anda mengenai manfaat AI untuk perlindungan perangkat lunak.
