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 kemajuan sistem AI generatif semakin memengaruhi metode pemeriksaan kelemahan sistem. Dalam kegiatan Frontier Offensive Research & Generative Exploitation Lab, Microsoft menerapkan sistem agen keamanan otomatis yang mampu memeriksa kode sumber dalam jumlah besar. Dibandingkan dengan pendekatan pencarian kesalahan konvensional, sistem berbasis AI berpotensi memahami kondisi yang menyebabkan kerentanan. Pendekatan ini menawarkan manfaat untuk menemukan kelemahan lebih awal sebelum menjadi ancaman yang lebih besar. Namun demikian, temuan otomatis tetap memerlukan pembuktian sebelum diproses untuk perbaikan.
Dalam laporan yang diterbitkan pada 7 Oktober 2026, Microsoft mengidentifikasi tiga perubahan penting dalam pendeteksian kerentanan otomatis. Aspek awal adalah peralihan dari kemampuan menemukan celah menuju penerapan berskala besar. Tantangan berikutnya berkaitan dengan perhitungan biaya penggunaan model. Adapun, perubahan ketiga adalah integrasi penemuan dengan proses penanganan. Ketiga aspek tersebut menggambarkan bahwa kualitas penelitian kerentanan 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
Sistem yang digunakan dalam penelitian Microsoft adalah MDASH, yaitu platform penelitian keamanan yang mengoordinasikan model AI. Pendekatan MDASH memungkinkan penggunaan berbagai komponen analisis otomatis dalam proses penelitian terstruktur. Melalui pendekatan tersebut, bagian sistem dapat menganalisis lokasi program yang mencurigakan. Sementara itu, sistem berikutnya dapat memeriksa kelayakan temuan. Strategi penggunaan beberapa agen berpotensi memperluas cakupan penelitian keamanan. Walaupun prosesnya semakin otomatis, peneliti manusia tetap diperlukan untuk menentukan dampak.
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 masuk dalam rilis perbaikan September 2026. Di luar pemeriksaan sistem operasi Microsoft, anggota FORGE menyampaikan 155 laporan yang mendapatkan validasi awal pada 23 proyek perangkat lunak sumber terbuka. Target pemeriksaan ini menyertakan kernel Linux dan berbagai perangkat lunak populer. Data yang dipublikasikan menggambarkan kemampuan penerapan keamanan berbasis AI, tetapi tidak berarti seluruh laporan sudah menjadi CVE publik. Setiap laporan tetap membutuhkan verifikasi lanjutan sesuai prosedur pengungkapan keamanan.
Tantangan Validasi Temuan AI dalam Penelitian Keamanan Microsoft
Hambatan utama dalam penelitian kerentanan otomatis adalah memastikan setiap temuan benar-benar valid. Agen penelitian otomatis dapat menghasilkan analisis yang tampak masuk akal meskipun masalah sebenarnya belum terbukti. Situasi semacam ini mungkin menyebabkan temuan yang tidak terbukti sehingga beban kerja tim keamanan meningkat. Selain itu, temuan yang berulang berpotensi membebani proses triase. Untuk meningkatkan kualitas, pengembang sebaiknya berfokus pada kerentanan yang dapat direproduksi daripada mengandalkan banyaknya dugaan kelemahan.
Tim FORGE menggarisbawahi bahwa kemampuan menghasilkan laporan otomatis membutuhkan dukungan pengujian bukti teknis. Dalam praktik keamanan, laporan yang berpotensi berdampak biasanya perlu diperiksa melalui lingkungan pengujian terkontrol. Dalam situasi sederhana, indikasi kerusakan memori membutuhkan hasil pengujian yang dapat diulang. Jika masalah tidak dapat direproduksi, tim keamanan mungkin perlu melakukan investigasi tambahan. Pendekatan tersebut dapat membatasi perbaikan yang tidak diperlukan. Dengan demikian, penanganan celah berlangsung lebih terarah.
Tantangan Penggunaan Sumber Daya dalam Teknologi Pendeteksi Celah
Selain ketepatan hasil, Microsoft juga menyoroti pengeluaran untuk penalaran otomatis ketika penelitian mencakup banyak proyek. Pendekatan ekonomi penalaran perlu dipertimbangkan karena pengujian otomatis mengonsumsi waktu dan kapasitas. Berdasarkan pengukuran tim keamanan, MDASH menandai ribuan lokasi mencurigakan pada kernel Linux dan menghasilkan bukti pendukung untuk 627 temuan. Pada kelompok evaluasi yang dipublikasikan, Microsoft mencatat biaya pembuatan bukti konsep. Evaluasi biaya ini bertujuan memahami apakah otomatisasi benar-benar efisien. Melalui analisis ekonomi tersebut, pengembang bisa mengevaluasi kebutuhan pemeriksaan lanjutan secara lebih rasional.
Berdasarkan subset evaluasi yang dipublikasikan, Microsoft mengungkapkan bahwa pembuatan proof of concept untuk 182 temuan crash yang terkonfirmasi memiliki biaya komputasi model rata-rata 3,61 dolar AS dengan durasi pemrosesan sekitar 21,5 menit. Untuk evaluasi tambahan, enam kasus terpilih yang diuji kemungkinan local privilege escalation membutuhkan rata-rata biaya 8,56 dolar AS dan durasi rata-rata 25,4 menit. Walaupun hasil tersebut memberikan gambaran, pengukuran performa itu belum memasukkan semua biaya operasional seperti pemeriksaan awal. Dengan pertimbangan tersebut, angka tersebut perlu ditafsirkan sebagai indikator efisiensi dalam kondisi penelitian, bukan patokan mutlak pengeluaran keamanan.
Kolaborasi Manusia dan AI Menjadi Kunci Perbaikan Keamanan Siber
Riset keamanan Microsoft memberikan gambaran bahwa identifikasi masalah belum menyelesaikan seluruh pekerjaan. Setelah masalah ditemukan, peneliti bersama pemelihara proyek perlu menentukan penyebab masalah. Pada pengembangan perangkat lunak open source, proses koordinasi menjadi sangat penting karena mekanisme pengungkapan dapat bervariasi. Temuan tertentu perlu ditangani sebelum diumumkan kepada publik. Di samping prosedur pelaporan, pembaruan kode sumber harus diuji untuk menghindari regresi. Dengan demikian, penelitian keamanan dapat menghasilkan perlindungan nyata bagi komunitas pengembang.
Untuk memperluas kerja sama penelitian, Microsoft juga berpartisipasi dalam Akrites, yaitu program koordinasi keamanan dari Linux Foundation yang dikembangkan untuk mendukung proses perbaikan masalah keamanan sumber terbuka. Berkat mekanisme koordinasi ini, tim FORGE melaporkan sembilan temuan Linux yang mendapatkan skor kerentanan internal melampaui 7,0. Sebuah laporan dari rangkaian itu menjadi pengajuan Akrites pertama yang menghasilkan patch yang masuk ke proyek kernel Linux. Hasil kolaborasi tersebut menjadi contoh nyata pengelolaan laporan yang bertanggung jawab. Seiring meningkatnya kemampuan AI, pengembang harus mempertimbangkan alur penelitian berkelanjutan agar temuan penting memperoleh prioritas.
Pentingnya Validasi dan Perbaikan dalam Penelitian Kerentanan Modern
Penelitian FORGE Lab memperlihatkan bahwa sistem penelitian berbasis agen memberikan manfaat baru dalam mendeteksi kerentanan perangkat lunak. Berkat penerapan teknologi analisis otomatis, Microsoft berhasil meningkatkan skala penelitian pada beragam lingkungan pengembangan. Walaupun hasil penelitian menjanjikan, tantangan utamanya bukan hanya menemukan celah. Konfirmasi kerentanan, efisiensi penggunaan sumber daya, serta penerapan patch yang aman tetap menjadi prioritas. Dengan menggabungkan teknologi pemeriksaan cerdas dan koordinasi pengembang, tim keamanan dapat memperkuat efektivitas perlindungan sistem. Bagaimana pendapat Anda, apakah otomatisasi pendeteksian celah akan menjadi kebutuhan utama? Silakan bagikan pendapat Anda mengenai manfaat AI untuk perlindungan perangkat lunak.
