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
Kajian terkini dari tim keamanan Microsoft menunjukkan bahwa kemajuan sistem AI generatif mulai mengubah cara kerentanan perangkat lunak ditemukan. Berdasarkan penelitian tim FORGE, Microsoft menguji pendekatan penelitian keamanan berbasis agen yang dapat menelusuri bagian sistem yang berpotensi memiliki kelemahan. Tidak seperti pemeriksaan yang hanya mengandalkan aturan tetap, sistem berbasis AI mampu menganalisis alur eksekusi program. Pendekatan ini membuka peluang untuk memperluas cakupan pengujian sebelum dimanfaatkan penyerang. Meskipun potensinya besar, hasil analisis AI tetap memerlukan pembuktian sebelum diproses untuk perbaikan.
Melalui publikasi penelitian Oktober 2026, Microsoft menjelaskan tiga perubahan penting dalam pengembangan teknologi keamanan siber. Aspek awal adalah upaya mengubah kemampuan eksperimen menjadi proses yang konsisten. Perubahan kedua berkaitan dengan pengelolaan sumber daya komputasi. Pada bagian terakhir, prioritas lainnya adalah integrasi penemuan dengan proses penanganan. Perubahan yang dijelaskan Microsoft menggambarkan bahwa keberhasilan keamanan siber tidak hanya bergantung pada kecepatan pemindaian. Dengan kata lain, pengembang sebaiknya mengevaluasi 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 memungkinkan penggunaan berbagai komponen analisis otomatis dalam proses penelitian terstruktur. Berkat pengelolaan agen, sebagian komponen dapat menelusuri lokasi program yang mencurigakan. Pada tahapan berbeda, komponen tambahan bisa menyiapkan bukti pengujian. Arsitektur tersebut dirancang memperbaiki kemampuan menemukan kerentanan kompleks. Meskipun beberapa tahapan dapat dijalankan AI, peneliti manusia tetap diperlukan untuk menentukan dampak.
Menurut hasil yang dipaparkan Microsoft, 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. Tidak hanya mempelajari komponen Windows, anggota FORGE juga mengirimkan 155 laporan yang melalui pemeriksaan internal pada 23 proyek perangkat lunak sumber terbuka. Proyek yang diteliti mencakup sejumlah komponen open source penting. Hasil tersebut menunjukkan peningkatan skala keamanan berbasis AI, tetapi bukan bukti bahwa semua temuan telah diumumkan. Setiap laporan tetap harus mengikuti koordinasi pengembang sesuai aturan proyek.
Mengapa Laporan Kerentanan AI Tidak Selalu Langsung Dapat Diperbaiki
Masalah penting dalam penelitian kerentanan otomatis adalah memastikan setiap temuan benar-benar valid. Model kecerdasan buatan dapat menghasilkan laporan yang terlihat meyakinkan meskipun perilaku program tidak menunjukkan kerentanan. Masalah validasi tersebut dapat menghasilkan false positive sehingga waktu peneliti terbuang. Di samping laporan yang keliru, hasil pemeriksaan yang sama berpotensi membebani proses triase. Untuk meningkatkan kualitas, pengembang sebaiknya berfokus pada temuan yang telah melalui validasi daripada sekadar meningkatkan jumlah laporan.
Dalam penelitiannya Microsoft menjelaskan bahwa kecepatan menemukan kerentanan membutuhkan dukungan proses validasi yang memadai. Dalam praktik keamanan, indikasi kelemahan yang serius biasanya sebaiknya dikonfirmasi melalui sistem reproduksi yang sesuai. Untuk memberikan gambaran, indikasi kerusakan memori membutuhkan bukti perilaku program. Apabila bukti tidak tersedia, peneliti harus meninjau ulang asumsi AI. Pemeriksaan berlapis tersebut membantu menghindari penggunaan sumber daya secara berlebihan. Dengan demikian, hasil penelitian menjadi lebih dapat dipercaya.
Efisiensi Biaya dan Otomatisasi Validasi dalam Riset Keamanan Microsoft
Di samping kualitas laporan, Microsoft juga menyoroti efisiensi komputasi model ketika penelitian mencakup banyak proyek. Konsep reasoning economics 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 mengukur kebutuhan model dalam pengujian otomatis. Penelitian performa tersebut membantu menentukan apakah sumber daya AI dimanfaatkan dengan tepat. Berkat evaluasi sumber daya, tim keamanan memiliki dasar menilai manfaat tambahan setiap proses secara lebih terukur.
Pada kelompok kasus yang berhasil divalidasi, Microsoft melaporkan bahwa pembuatan proof of concept untuk 182 temuan crash yang terkonfirmasi membutuhkan rata-rata biaya model sebesar 3,61 dolar AS dengan durasi pemrosesan sekitar 21,5 menit. Sementara itu, enam kasus terpilih yang diperiksa potensi peningkatan hak akses lokalnya membutuhkan rata-rata biaya 8,56 dolar AS dan waktu sekitar 25,4 menit. Namun demikian, hasil evaluasi tersebut tidak mencakup seluruh pengeluaran seperti pemeriksaan awal. Untuk membaca data secara tepat, angka tersebut perlu ditafsirkan 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 pendeteksian kerentanan merupakan bagian dari proses keamanan. Setelah masalah ditemukan, tim keamanan harus mengevaluasi penyebab masalah. Dalam proyek sumber terbuka, kerja sama antartim memiliki peran utama karena prosedur penerimaan perbaikan tidak selalu sama. Temuan tertentu dapat memerlukan pengungkapan terkoordinasi. Selain itu, penerapan patch harus diuji untuk menghindari regresi. Melalui pendekatan menyeluruh, penelitian keamanan dapat menghasilkan perlindungan nyata bagi pengguna perangkat lunak.
Sebagai bagian dari pengembangan tersebut, Microsoft turut mendukung Akrites, yaitu upaya kolaboratif di bawah Linux Foundation yang dikembangkan untuk mendukung pengungkapan kerentanan secara terkoordinasi. Dalam kegiatan Akrites, tim FORGE mengirimkan sembilan temuan Linux yang memiliki penilaian internal CVSS di atas 7,0. Sebuah laporan dari rangkaian itu berhasil menghasilkan pembaruan kode pertama melalui jalur Akrites yang masuk ke proyek kernel Linux. Perkembangan tersebut menunjukkan pentingnya pengelolaan laporan yang bertanggung jawab. Dalam pengembangan berikutnya, tim keamanan sebaiknya memperkuat alur penelitian berkelanjutan agar perbaikan dapat diterapkan tepat waktu.
Pentingnya Validasi dan Perbaikan dalam Penelitian Kerentanan Modern
Riset keamanan Microsoft menunjukkan bahwa kemampuan AI generatif membuka peluang besar dalam menemukan kelemahan kode. Berkat penerapan teknologi analisis otomatis, Microsoft menunjukkan kemampuan pemeriksaan yang lebih luas pada Windows dan berbagai proyek open source. Meskipun jumlah temuan meningkat, volume laporan tidak otomatis menentukan keamanan. Validasi temuan, perhitungan pengeluaran penelitian, serta pengawasan proses remediasi tetap memiliki peran penting. Berkat kerja sama antara otomatisasi penelitian dan keahlian manusia, pengembang memiliki kesempatan memperbaiki efektivitas perlindungan sistem. Menurut Anda, apakah otomatisasi pendeteksian celah akan menjadi kebutuhan utama? Mari berbagi pemikiran Anda mengenai manfaat AI untuk perlindungan perangkat lunak.
