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 mengungkapkan bahwa perkembangan teknologi kecerdasan buatan mendorong perubahan pada cara kerentanan perangkat lunak ditemukan. Dalam kegiatan Frontier Offensive Research & Generative Exploitation Lab, Microsoft menerapkan sistem agen keamanan otomatis yang dapat menelusuri berbagai komponen perangkat lunak. Dibandingkan dengan pemindaian berbasis pola sederhana, sistem berbasis AI berpotensi memahami hubungan antarbagian kode. Kemampuan tersebut membuka peluang untuk membantu peneliti mengidentifikasi masalah sebelum menyebabkan gangguan keamanan. Meskipun potensinya besar, laporan yang dihasilkan model tetap membutuhkan pemeriksaan sebelum dianggap sebagai kerentanan nyata.

Dalam laporan yang diterbitkan pada 7 Oktober 2026, Microsoft merangkum tiga perubahan penting dalam pendeteksian kerentanan otomatis. Perubahan pertama adalah kebutuhan memperluas pemindaian tanpa mengurangi kualitas. Tantangan berikutnya berkaitan dengan efisiensi biaya penalaran AI. Sementara itu, perubahan ketiga adalah integrasi penemuan dengan proses penanganan. Rangkaian tantangan ini menggambarkan bahwa keberhasilan keamanan siber tidak hanya bergantung pada kecepatan pemindaian. Dengan kata lain, tim keamanan harus memperhatikan apakah laporan dapat dibuktikan secara aman.

Cara Kerja Teknologi AI Microsoft dalam Menganalisis Kerentanan

Komponen penting dalam penelitian Microsoft adalah MDASH, yaitu sistem analisis kerentanan dengan banyak agen. Teknologi tersebut memungkinkan penggunaan sejumlah agen dengan tugas berbeda dalam rangkaian pengujian keamanan. Dengan sistem tersebut, agen tertentu bisa memeriksa kode yang berpotensi bermasalah. Sementara itu, sistem berikutnya dapat memeriksa kelayakan temuan. Pembagian pekerjaan ini berpotensi memperluas kemampuan menemukan kerentanan kompleks. Namun demikian, validasi oleh tim keamanan tetap dibutuhkan untuk memastikan ketepatan laporan.

Menurut hasil yang dipaparkan Microsoft, penggunaan sistem tersebut berkontribusi pada penemuan kerentanan Windows yang berjumlah 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 juga mengirimkan 155 laporan yang melalui pemeriksaan internal pada 23 proyek perangkat lunak sumber terbuka. Lingkup penelitian tersebut menyertakan proyek dengan penggunaan luas. Data yang dipublikasikan menunjukkan peningkatan skala keamanan berbasis AI, tetapi tidak menunjukkan seluruh masalah telah selesai diperbaiki. Temuan yang diterima tetap harus mengikuti koordinasi pengembang sesuai aturan proyek.

Mengapa Laporan Kerentanan AI Tidak Selalu Langsung Dapat Diperbaiki

Hambatan utama dalam penerapan AI untuk keamanan adalah memastikan setiap temuan benar-benar valid. Agen penelitian otomatis dapat menghasilkan analisis yang tampak masuk akal meskipun masalah sebenarnya belum terbukti. Masalah validasi tersebut mungkin menyebabkan temuan yang tidak terbukti sehingga waktu peneliti terbuang. Tidak hanya terkait akurasi, 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 volume pemeriksaan menggunakan AI harus diimbangi dengan proses validasi yang memadai. Pada kegiatan penelitian profesional, laporan yang berpotensi berdampak biasanya perlu diperiksa melalui sistem reproduksi yang sesuai. Untuk memberikan gambaran, laporan kesalahan pengelolaan memori membutuhkan kondisi yang dapat memicu masalah. Ketika pengujian belum mendukung laporan, tim keamanan mungkin perlu melakukan investigasi tambahan. Langkah validasi semacam ini membantu menghindari perbaikan yang tidak diperlukan. Berkat validasi yang konsisten, kualitas temuan dapat meningkat.

Tantangan Penggunaan Sumber Daya dalam Teknologi Pendeteksi Celah

Tidak hanya berkaitan dengan validasi, Microsoft turut membahas 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 menemukan ribuan lokasi mencurigakan pada kernel Linux dan menghasilkan bukti pendukung untuk 627 temuan. Dari aktivitas tersebut, Microsoft mencatat kebutuhan model dalam pengujian otomatis. Penelitian performa tersebut bertujuan memahami apakah hasil pengujian sebanding dengan biaya. Melalui analisis ekonomi tersebut, pengembang bisa mengevaluasi kebutuhan pemeriksaan lanjutan secara lebih rasional.

Dalam pengujian tertentu, 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. Di sisi pengujian berbeda, enam kasus terpilih yang diperiksa potensi peningkatan hak akses lokalnya tercatat menggunakan biaya model rata-rata 8,56 dolar AS dan lama pemrosesan sekitar 25,4 menit. Walaupun hasil tersebut memberikan gambaran, angka biaya tersebut belum memasukkan semua biaya operasional seperti investigasi manusia. Dengan pertimbangan tersebut, hasil pengujian sebaiknya dipahami sebagai indikator efisiensi dalam kondisi penelitian, bukan patokan mutlak pengeluaran keamanan.

Pentingnya Koordinasi Pengembang dalam Menangani Celah Open Source

Evaluasi kerentanan berbasis AI tersebut turut memperlihatkan bahwa pendeteksian kerentanan merupakan bagian dari proses keamanan. Ketika kerentanan berhasil diidentifikasi, tim keamanan harus mengevaluasi dampak terhadap sistem. Pada pengembangan perangkat lunak open source, proses koordinasi menjadi sangat penting karena setiap proyek memiliki aturan pelaporan berbeda. Sebagian kerentanan dapat memerlukan pengungkapan terkoordinasi. Tidak hanya mengenai komunikasi, penerapan patch harus diuji untuk menghindari regresi. Berkat koordinasi yang tepat, temuan AI berpotensi berubah menjadi perbaikan bermanfaat bagi komunitas pengembang.

Untuk memperluas kerja sama penelitian, Microsoft juga berpartisipasi dalam Akrites, yaitu upaya kolaboratif di bawah Linux Foundation yang dikembangkan untuk mendukung proses perbaikan masalah keamanan sumber terbuka. Berkat mekanisme koordinasi ini, tim FORGE mengirimkan sembilan temuan Linux yang mendapatkan skor kerentanan internal melampaui 7,0. Sebuah laporan dari rangkaian itu berhasil menghasilkan pembaruan kode pertama melalui jalur Akrites yang diterima dalam kode kernel Linux. Hasil kolaborasi tersebut menunjukkan pentingnya proses perbaikan setelah validasi. Seiring meningkatnya kemampuan AI, organisasi perlu membangun alur penelitian berkelanjutan agar perbaikan dapat diterapkan tepat waktu.

Kesimpulan tentang Riset Microsoft dan Teknologi Pendeteksian Celah AI

Kajian Microsoft mengenai AI keamanan mengungkapkan bahwa kemampuan AI generatif 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. Namun demikian, volume laporan tidak otomatis menentukan keamanan. Konfirmasi kerentanan, perhitungan pengeluaran penelitian, serta penerapan patch yang aman tetap menjadi prioritas. Dengan menggabungkan teknologi pemeriksaan cerdas dan keahlian manusia, tim keamanan dapat memperkuat kualitas pengelolaan kerentanan. Dari sudut pandang Anda, apakah AI akan semakin berperan dalam keamanan siber? Silakan bagikan pendapat Anda mengenai pentingnya validasi dalam riset keamanan.