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 mengungkapkan bahwa peningkatan kemampuan model AI mulai mengubah metode pemeriksaan kelemahan sistem. Dalam kegiatan Frontier Offensive Research & Generative Exploitation Lab, Microsoft menerapkan pendekatan penelitian keamanan berbasis agen yang mampu memeriksa bagian sistem yang berpotensi memiliki kelemahan. Tidak seperti pendekatan pencarian kesalahan konvensional, sistem berbasis AI mampu menganalisis alur eksekusi program. Kemampuan tersebut memberikan kesempatan untuk membantu peneliti mengidentifikasi masalah sebelum dimanfaatkan penyerang. Namun demikian, hasil analisis AI tetap memerlukan pembuktian sebelum dianggap sebagai kerentanan nyata.
Berdasarkan pemaparan FORGE Lab, Microsoft mengidentifikasi tiga perubahan penting dalam pendeteksian kerentanan otomatis. Perubahan pertama adalah upaya mengubah kemampuan eksperimen menjadi proses yang konsisten. Aspek selanjutnya berkaitan dengan efisiensi biaya penalaran AI. Sementara itu, tantangan berikutnya adalah penggabungan validasi dan perbaikan. Rangkaian tantangan ini menggambarkan bahwa keberhasilan keamanan siber tidak hanya bergantung pada kecepatan pemindaian. Dengan kata lain, organisasi perlu memastikan apakah pembaruan berhasil diterapkan secara aman.
Hasil Penelitian MDASH terhadap Keamanan Windows dan Open Source
Salah satu teknologi utama dalam penelitian Microsoft adalah MDASH, yaitu sistem analisis kerentanan dengan banyak agen. Teknologi tersebut dirancang untuk menggabungkan beberapa model kecerdasan buatan dalam proses penelitian terstruktur. Berkat pengelolaan agen, sebagian komponen dapat menelusuri lokasi program yang mencurigakan. Sementara itu, sistem berikutnya dapat memeriksa kelayakan temuan. Arsitektur tersebut berpotensi memperluas kemampuan menemukan kerentanan kompleks. Meskipun beberapa tahapan dapat dijalankan AI, peneliti manusia tetap diperlukan untuk memastikan ketepatan laporan.
Dalam evaluasi keamanan yang diumumkan, penggunaan sistem tersebut berkontribusi pada penemuan kerentanan Windows yang berjumlah 140 CVE dalam masa penelitian dari Mei sampai September 2026. Pada periode pengujian itu, sebanyak 52 CVE ditangani dalam pembaruan keamanan September. Tidak hanya mempelajari komponen Windows, anggota FORGE turut menghasilkan 155 laporan yang melalui pemeriksaan internal pada 23 proyek perangkat lunak sumber terbuka. Proyek yang diteliti mencakup kernel Linux dan berbagai perangkat lunak populer. Pencapaian penelitian ini menggambarkan kemampuan penerapan keamanan berbasis AI, tetapi tidak berarti seluruh laporan sudah menjadi CVE publik. Kerentanan yang dideteksi tetap memerlukan proses penanganan sesuai aturan proyek.
Pentingnya Pemeriksaan Hasil Pendeteksian Celah Perangkat Lunak
Hambatan utama dalam penelitian kerentanan otomatis adalah membedakan kerentanan nyata dari dugaan keliru. Agen penelitian otomatis mungkin memberikan analisis yang tampak masuk akal meskipun bukti teknisnya belum cukup. Kondisi tersebut mungkin menyebabkan temuan yang tidak terbukti sehingga beban kerja tim keamanan meningkat. Selain itu, hasil pemeriksaan yang sama berpotensi membebani proses triase. Untuk meningkatkan kualitas, pengembang sebaiknya berfokus pada laporan dengan bukti kuat daripada mengandalkan banyaknya dugaan kelemahan.
Microsoft menekankan bahwa kemampuan menghasilkan laporan otomatis harus diimbangi dengan pengujian bukti teknis. Ketika melakukan evaluasi perangkat lunak, indikasi kelemahan yang serius biasanya harus diuji melalui lingkungan pengujian terkontrol. Dalam situasi sederhana, indikasi kerusakan memori membutuhkan kondisi yang dapat memicu masalah. Jika masalah tidak dapat direproduksi, peneliti harus meninjau ulang asumsi AI. Pemeriksaan berlapis tersebut membantu menghindari penggunaan sumber daya secara berlebihan. Dengan demikian, penanganan celah berlangsung lebih terarah.
Mengukur Kinerja AI melalui Biaya Pengujian Kerentanan
Di samping kualitas laporan, Microsoft memberikan perhatian pada pengeluaran untuk penalaran otomatis ketika penelitian mencakup banyak proyek. Pendekatan ekonomi penalaran perlu dipertimbangkan karena penggunaan model memiliki biaya komputasi. Berdasarkan pengukuran tim keamanan, MDASH menandai ribuan lokasi mencurigakan pada kernel Linux dan menyiapkan hasil validasi untuk 627 temuan. Dari aktivitas tersebut, Microsoft menilai biaya pembuatan bukti konsep. Evaluasi biaya ini membantu menentukan apakah hasil pengujian sebanding dengan biaya. Berkat evaluasi sumber daya, pengembang bisa mengevaluasi manfaat tambahan setiap proses secara lebih sistematis.
Pada kelompok kasus yang berhasil divalidasi, 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 dianalisis untuk menilai risiko eskalasi privilese membutuhkan rata-rata biaya 8,56 dolar AS dan durasi rata-rata 25,4 menit. Walaupun hasil tersebut memberikan gambaran, angka biaya tersebut tidak mencakup seluruh pengeluaran seperti investigasi manusia. Oleh sebab itu, angka tersebut perlu ditafsirkan sebagai hasil eksperimen dengan ruang lingkup khusus, bukan standar tetap seluruh pengujian kerentanan.
Masa Depan Teknologi Keamanan Microsoft melalui Validasi Berkelanjutan
Evaluasi kerentanan berbasis AI tersebut memberikan gambaran bahwa identifikasi masalah belum menyelesaikan seluruh pekerjaan. Setelah masalah ditemukan, pengembang perlu memahami dampak terhadap sistem. Ketika menangani komponen publik, komunikasi dengan maintainer perlu diperhatikan karena mekanisme pengungkapan dapat bervariasi. Beberapa masalah keamanan dapat memerlukan pengungkapan terkoordinasi. Selain itu, perbaikan perangkat lunak harus diuji untuk menghindari regresi. Melalui pendekatan menyeluruh, hasil analisis otomatis dapat memberikan dampak positif bagi komunitas pengembang.
Dalam upaya meningkatkan penanganan kerentanan, Microsoft turut mendukung Akrites, yaitu upaya kolaboratif di bawah Linux Foundation yang bertujuan membantu proses perbaikan masalah keamanan sumber terbuka. Melalui inisiatif tersebut, tim FORGE mengirimkan sembilan temuan Linux yang mendapatkan skor kerentanan internal melampaui 7,0. Satu dari temuan yang disampaikan berhasil menghasilkan pembaruan kode pertama melalui jalur Akrites yang digabungkan ke kernel Linux. Pencapaian ini menunjukkan pentingnya pengelolaan laporan yang bertanggung jawab. Ke depan, pengembang harus mempertimbangkan sistem penanganan kerentanan terpadu agar jumlah laporan tidak melampaui kapasitas penanganan.
Kesimpulan tentang Riset Microsoft dan Teknologi Pendeteksian Celah AI
Kajian Microsoft mengenai AI keamanan mengungkapkan bahwa teknologi kecerdasan buatan semakin berperan penting dalam mendukung pengujian keamanan siber. Melalui sistem MDASH, Microsoft menunjukkan kemampuan pemeriksaan yang lebih luas pada Windows dan berbagai proyek open source. Meskipun jumlah temuan meningkat, tantangan utamanya bukan hanya menemukan celah. Pemeriksaan bukti teknis, perhitungan pengeluaran penelitian, serta penerapan patch yang aman tetap memiliki peran penting. Dengan menggabungkan kemampuan analisis AI dan pengawasan profesional, tim keamanan dapat memperkuat kualitas pengelolaan kerentanan. Menurut Anda, apakah AI akan semakin berperan dalam keamanan siber? Silakan bagikan pendapat Anda mengenai manfaat AI untuk perlindungan perangkat lunak.
