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 mengungkapkan bahwa perkembangan teknologi kecerdasan buatan semakin memengaruhi metode pemeriksaan kelemahan sistem. Berdasarkan penelitian tim FORGE, Microsoft mengembangkan sistem agen keamanan otomatis yang dirancang menganalisis kode sumber dalam jumlah besar. Tidak seperti pemeriksaan yang hanya mengandalkan aturan tetap, sistem berbasis AI mampu menganalisis hubungan antarbagian kode. Inovasi tersebut menawarkan manfaat untuk menemukan kelemahan lebih awal sebelum dimanfaatkan penyerang. Namun demikian, temuan otomatis tetap membutuhkan pemeriksaan sebelum diproses untuk perbaikan.
Melalui publikasi penelitian Oktober 2026, Microsoft mengidentifikasi tiga arah perkembangan dalam pendeteksian kerentanan otomatis. Tantangan pertama adalah upaya mengubah kemampuan eksperimen menjadi proses yang konsisten. Perubahan kedua berkaitan dengan efisiensi biaya penalaran AI. Sementara itu, perubahan ketiga adalah penggabungan validasi dan perbaikan. Ketiga aspek tersebut menggambarkan bahwa kualitas penelitian kerentanan tidak cukup dinilai melalui jumlah temuan. Sebaliknya, organisasi perlu memastikan apakah kerentanan bisa diperbaiki secara aman.
Microsoft FORGE Lab dan MDASH Mempercepat Pendeteksian Celah Keamanan
Komponen penting dalam penelitian Microsoft adalah MDASH, yaitu sistem analisis kerentanan dengan banyak agen. Pendekatan MDASH dirancang untuk menggabungkan beberapa model kecerdasan buatan dalam proses penelitian terstruktur. Melalui pendekatan tersebut, agen tertentu bisa memeriksa lokasi program yang mencurigakan. Sementara itu, komponen tambahan bisa menyiapkan bukti pengujian. Strategi penggunaan beberapa agen bertujuan meningkatkan efisiensi pemeriksaan kode. Namun demikian, pengawasan profesional masih penting untuk menafsirkan hasil.
Dalam evaluasi keamanan yang diumumkan, penggunaan sistem tersebut mendukung pengungkapan kerentanan Windows yang mencapai 140 CVE dalam rentang lima bulan sejak Mei 2026. Pada periode pengujian itu, sebanyak 52 CVE tercakup pada pembaruan Windows bulan September. Selain penelitian Windows, anggota FORGE juga mengirimkan 155 laporan yang mendapatkan validasi awal pada 23 proyek perangkat lunak sumber terbuka. Proyek yang diteliti mencakup proyek dengan penggunaan luas. Hasil tersebut memberikan bukti aktivitas penelitian keamanan berbasis AI, tetapi tidak berarti seluruh laporan sudah menjadi CVE publik. Kerentanan yang dideteksi tetap harus mengikuti koordinasi pengembang sesuai aturan proyek.
Pentingnya Pemeriksaan Hasil Pendeteksian Celah Perangkat Lunak
Hambatan utama dalam penggunaan teknologi pemindaian cerdas adalah memastikan setiap temuan benar-benar valid. Agen penelitian otomatis mungkin memberikan laporan yang terlihat meyakinkan meskipun perilaku program tidak menunjukkan kerentanan. Kondisi tersebut berpotensi menimbulkan laporan positif palsu sehingga beban kerja tim keamanan meningkat. Tidak hanya terkait akurasi, temuan yang berulang berpotensi membebani proses triase. Dengan mempertimbangkan risiko tersebut, tim keamanan harus memprioritaskan laporan dengan bukti kuat daripada hanya mengejar volume pemindaian.
Dalam penelitiannya Microsoft menjelaskan bahwa kemampuan menghasilkan laporan otomatis membutuhkan dukungan kemampuan reproduksi masalah. Ketika melakukan evaluasi perangkat lunak, indikasi kelemahan yang serius biasanya harus diuji melalui lingkungan pengujian terkontrol. Sebagai contoh, laporan kesalahan pengelolaan memori sebaiknya menyertakan kondisi yang dapat memicu masalah. Jika masalah tidak dapat direproduksi, tim keamanan mungkin perlu melakukan investigasi tambahan. Pendekatan tersebut bertujuan mengurangi penggunaan sumber daya secara berlebihan. Melalui proses ini, hasil penelitian menjadi lebih dapat dipercaya.
Tantangan Penggunaan Sumber Daya dalam Teknologi Pendeteksi Celah
Di samping kualitas laporan, Microsoft turut membahas pengeluaran untuk penalaran otomatis ketika sistem diterapkan dalam skala besar. Konsep reasoning economics perlu dipertimbangkan karena setiap proses analisis membutuhkan sumber daya. Dalam evaluasi FORGE Lab, MDASH mengidentifikasi ribuan lokasi mencurigakan pada kernel Linux dan menghasilkan bukti pendukung untuk 627 temuan. Pada kelompok evaluasi yang dipublikasikan, Microsoft menilai kebutuhan model dalam pengujian otomatis. Pengukuran tersebut membantu menentukan apakah otomatisasi benar-benar efisien. Melalui analisis ekonomi tersebut, pengembang bisa mengevaluasi efektivitas penggunaan model secara lebih rasional.
Pada kelompok kasus yang berhasil divalidasi, Microsoft mengungkapkan bahwa pembuatan proof of concept untuk 182 temuan crash yang terkonfirmasi menghasilkan pengeluaran model sekitar 3,61 dolar AS per kasus dengan waktu rata-rata 21,5 menit. Di sisi pengujian berbeda, 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. Namun demikian, hasil evaluasi tersebut tidak mencakup seluruh pengeluaran seperti persiapan perbaikan. Untuk membaca data secara tepat, angka tersebut perlu ditafsirkan sebagai indikator efisiensi dalam kondisi penelitian, bukan patokan mutlak pengeluaran keamanan.
Masa Depan Teknologi Keamanan Microsoft melalui Validasi Berkelanjutan
Penelitian FORGE Lab turut memperlihatkan bahwa penemuan celah hanyalah tahap awal. Sesudah laporan dinyatakan valid, pengembang perlu memahami penyebab masalah. Dalam proyek sumber terbuka, proses koordinasi menjadi sangat penting karena mekanisme pengungkapan dapat bervariasi. Beberapa masalah keamanan mungkin membutuhkan laporan privat. Tidak hanya mengenai komunikasi, perbaikan perangkat lunak harus diuji untuk menghindari regresi. Melalui pendekatan menyeluruh, penelitian keamanan dapat menghasilkan perlindungan nyata bagi pengguna perangkat lunak.
Untuk memperluas kerja sama penelitian, Microsoft turut mendukung Akrites, yaitu inisiatif Linux Foundation yang berfokus pada pengungkapan kerentanan secara terkoordinasi. Melalui inisiatif tersebut, tim FORGE melaporkan 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 digabungkan ke kernel Linux. Hasil kolaborasi tersebut memperlihatkan manfaat koordinasi antara peneliti dan pengembang. Ke depan, organisasi perlu membangun mekanisme validasi yang konsisten agar temuan penting memperoleh prioritas.
Rangkuman Tantangan Keamanan Siber Berbasis Kecerdasan Buatan
Riset keamanan Microsoft menunjukkan bahwa kemampuan AI generatif semakin berperan penting dalam mendukung pengujian keamanan siber. Melalui sistem MDASH, Microsoft menunjukkan kemampuan pemeriksaan yang lebih luas pada beragam lingkungan pengembangan. Walaupun hasil penelitian menjanjikan, volume laporan tidak otomatis menentukan keamanan. Validasi temuan, pengelolaan biaya komputasi, serta penerapan patch yang aman tetap memiliki peran penting. Berkat kerja sama antara otomatisasi penelitian dan keahlian manusia, pengembang memiliki kesempatan memperbaiki efektivitas perlindungan sistem. Bagaimana pendapat Anda, apakah teknologi penelitian kerentanan berbasis AI akan berkembang pesat? Silakan bagikan pendapat Anda mengenai manfaat AI untuk perlindungan perangkat lunak.
