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
Penelitian keamanan terbaru Microsoft menunjukkan bahwa peningkatan kemampuan model AI mendorong perubahan pada cara kerentanan perangkat lunak ditemukan. Berdasarkan penelitian tim FORGE, Microsoft mengembangkan teknologi AI untuk analisis kerentanan yang dirancang menganalisis kode sumber dalam jumlah besar. Tidak seperti pemeriksaan yang hanya mengandalkan aturan tetap, sistem berbasis AI dapat membantu menalar kondisi yang menyebabkan kerentanan. Pendekatan ini membuka peluang untuk membantu peneliti mengidentifikasi masalah sebelum menyebabkan gangguan keamanan. Walaupun menawarkan kemajuan, hasil analisis AI tetap memerlukan pembuktian sebelum ditetapkan sebagai masalah keamanan.
Berdasarkan pemaparan FORGE Lab, Microsoft merangkum tiga tantangan utama dalam penelitian keamanan berbasis AI. Perubahan pertama adalah kebutuhan memperluas pemindaian tanpa mengurangi kualitas. Perubahan kedua berkaitan dengan pengelolaan sumber daya komputasi. Pada bagian terakhir, perubahan ketiga adalah integrasi penemuan dengan proses penanganan. Perubahan yang dijelaskan Microsoft menegaskan bahwa efektivitas perlindungan perangkat lunak tidak semata-mata ditentukan kemampuan model. Dalam praktiknya, organisasi perlu memastikan apakah kerentanan bisa diperbaiki secara konsisten.
Cara Kerja Teknologi AI Microsoft dalam Menganalisis Kerentanan
Komponen penting dalam penelitian Microsoft adalah MDASH, yaitu platform penelitian keamanan yang mengoordinasikan model AI. Sistem penelitian ini memungkinkan penggunaan berbagai komponen analisis otomatis dalam rangkaian pengujian keamanan. Berkat pengelolaan agen, bagian sistem dapat menganalisis kode yang berpotensi bermasalah. Pada tahapan berbeda, sistem berikutnya dapat memeriksa kelayakan temuan. Pembagian pekerjaan ini berpotensi memperluas cakupan penelitian keamanan. Walaupun prosesnya semakin otomatis, validasi oleh tim keamanan tetap dibutuhkan untuk menentukan dampak.
Dalam evaluasi keamanan yang diumumkan, penggunaan sistem tersebut mendukung pengungkapan kerentanan Windows yang mencapai 140 CVE dalam periode Mei hingga September 2026. Pada periode pengujian itu, sebanyak 52 CVE tercakup pada pembaruan Windows bulan September. Selain penelitian Windows, anggota FORGE menyampaikan 155 laporan yang melalui pemeriksaan internal pada 23 proyek perangkat lunak sumber terbuka. Proyek yang diteliti menyertakan kernel Linux dan berbagai perangkat lunak populer. Pencapaian penelitian ini memberikan bukti aktivitas penelitian keamanan berbasis AI, tetapi tidak berarti seluruh laporan sudah menjadi CVE publik. Setiap laporan tetap membutuhkan verifikasi lanjutan sesuai aturan proyek.
Tantangan Validasi Temuan AI dalam Penelitian Keamanan Microsoft
Masalah penting dalam penelitian kerentanan otomatis adalah membedakan kerentanan nyata dari dugaan keliru. Agen penelitian otomatis dapat menghasilkan laporan yang terlihat meyakinkan meskipun bukti teknisnya belum cukup. Situasi semacam ini berpotensi menimbulkan laporan positif palsu sehingga waktu peneliti terbuang. Tidak hanya terkait akurasi, temuan yang berulang berpotensi membebani proses triase. Dengan mempertimbangkan risiko tersebut, organisasi perlu mengutamakan temuan yang telah melalui validasi daripada mengandalkan banyaknya dugaan kelemahan.
Dalam penelitiannya Microsoft menjelaskan bahwa kemampuan menghasilkan laporan otomatis membutuhkan dukungan pengujian bukti teknis. Pada kegiatan penelitian profesional, temuan yang dianggap penting biasanya perlu diperiksa melalui lingkungan pengujian terkontrol. Sebagai contoh, dugaan penggunaan memori yang tidak aman perlu menunjukkan bukti perilaku program. Apabila bukti tidak tersedia, peneliti harus meninjau ulang asumsi AI. Pemeriksaan berlapis tersebut dapat membatasi penggunaan sumber daya secara berlebihan. Dengan demikian, kualitas temuan dapat meningkat.
Efisiensi Biaya dan Otomatisasi Validasi dalam Riset Keamanan Microsoft
Di samping kualitas laporan, Microsoft turut membahas pengeluaran untuk penalaran otomatis ketika sistem diterapkan dalam skala besar. Perhitungan efisiensi AI memiliki peran utama karena setiap proses analisis membutuhkan sumber daya. Dalam evaluasi FORGE Lab, MDASH menemukan ribuan lokasi mencurigakan pada kernel Linux dan menghasilkan bukti pendukung untuk 627 temuan. Dalam sebagian pengujian itu, Microsoft menilai kebutuhan model dalam pengujian otomatis. Penelitian performa tersebut membantu menentukan apakah hasil pengujian sebanding dengan biaya. Dengan pendekatan ini, organisasi dapat mempertimbangkan efektivitas penggunaan model secara lebih terukur.
Berdasarkan subset evaluasi yang dipublikasikan, Microsoft mencatat bahwa pembuatan proof of concept untuk 182 temuan crash yang terkonfirmasi menghasilkan pengeluaran model sekitar 3,61 dolar AS per kasus dengan durasi pemrosesan sekitar 21,5 menit. Sementara itu, enam kasus terpilih yang diuji kemungkinan local privilege escalation 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, hasil pengujian sebaiknya dipahami sebagai pengukuran terbatas pada kasus tertentu, bukan patokan mutlak pengeluaran keamanan.
Pentingnya Koordinasi Pengembang dalam Menangani Celah Open Source
Riset keamanan Microsoft memberikan gambaran bahwa identifikasi masalah belum menyelesaikan seluruh pekerjaan. Setelah masalah ditemukan, peneliti bersama pemelihara proyek perlu menentukan penyebab masalah. Ketika menangani komponen publik, komunikasi dengan maintainer perlu diperhatikan karena prosedur penerimaan perbaikan tidak selalu sama. Beberapa masalah keamanan perlu ditangani sebelum diumumkan kepada publik. Tidak hanya mengenai komunikasi, pembaruan kode sumber harus melalui pemeriksaan kompatibilitas. Dengan demikian, temuan AI berpotensi berubah menjadi perbaikan bermanfaat bagi organisasi yang menggunakan sistem tersebut.
Untuk memperluas kerja sama penelitian, Microsoft berkontribusi terhadap Akrites, yaitu upaya kolaboratif di bawah Linux Foundation yang berfokus pada pengungkapan kerentanan secara terkoordinasi. Melalui inisiatif tersebut, tim FORGE menyampaikan sembilan temuan Linux yang mendapatkan skor kerentanan internal melampaui 7,0. Satu dari temuan yang disampaikan menjadi pengajuan Akrites pertama yang menghasilkan patch yang digabungkan ke kernel Linux. Perkembangan tersebut memperlihatkan manfaat pengelolaan laporan yang bertanggung jawab. Ke depan, tim keamanan sebaiknya memperkuat sistem penanganan kerentanan terpadu agar perbaikan dapat diterapkan tepat waktu.
Pentingnya Validasi dan Perbaikan dalam Penelitian Kerentanan Modern
Penelitian FORGE Lab memperlihatkan bahwa kemampuan AI generatif memberikan manfaat baru dalam mendukung pengujian keamanan siber. Dengan bantuan kerangka pemindaian multiagen, Microsoft berhasil meningkatkan skala penelitian pada beragam lingkungan pengembangan. Walaupun hasil penelitian menjanjikan, kecepatan pemindaian bukan satu-satunya ukuran keberhasilan. Pemeriksaan bukti teknis, pengelolaan biaya komputasi, serta penerapan patch yang aman tetap memiliki peran penting. Berkat kerja sama antara teknologi pemeriksaan cerdas dan koordinasi pengembang, tim keamanan dapat memperkuat kualitas pengelolaan kerentanan. Bagaimana pendapat Anda, apakah otomatisasi pendeteksian celah akan menjadi kebutuhan utama? Mari berbagi pemikiran Anda mengenai masa depan keamanan digital.
