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 metode pemeriksaan kelemahan sistem. Berdasarkan penelitian tim FORGE, Microsoft menguji teknologi AI untuk analisis kerentanan yang dapat menelusuri bagian sistem yang berpotensi memiliki kelemahan. Tidak seperti pemeriksaan yang hanya mengandalkan aturan tetap, sistem berbasis AI berpotensi memahami hubungan antarbagian kode. Inovasi tersebut menawarkan manfaat untuk menemukan kelemahan lebih awal sebelum menyebabkan gangguan keamanan. Namun demikian, laporan yang dihasilkan model tetap membutuhkan pemeriksaan sebelum diproses untuk perbaikan.
Berdasarkan pemaparan FORGE Lab, Microsoft mengidentifikasi tiga tantangan utama dalam pendeteksian kerentanan otomatis. Perubahan pertama adalah kebutuhan memperluas pemindaian tanpa mengurangi kualitas. Perubahan kedua berkaitan dengan pengelolaan sumber daya komputasi. Sementara itu, prioritas lainnya adalah penggabungan validasi dan perbaikan. Perubahan yang dijelaskan Microsoft menunjukkan bahwa efektivitas perlindungan perangkat lunak tidak cukup dinilai melalui jumlah temuan. Dengan kata lain, organisasi perlu memastikan apakah kerentanan bisa diperbaiki secara bertanggung jawab.
Hasil Penelitian MDASH terhadap Keamanan Windows dan Open Source
Komponen penting dalam penelitian Microsoft adalah MDASH, yaitu platform penelitian keamanan yang mengoordinasikan model AI. Sistem penelitian ini memungkinkan penggunaan beberapa model kecerdasan buatan dalam proses penelitian terstruktur. Melalui pendekatan tersebut, agen tertentu bisa memeriksa kode yang berpotensi bermasalah. Pada tahapan berbeda, komponen tambahan bisa menyiapkan bukti pengujian. Arsitektur tersebut dirancang memperbaiki kemampuan menemukan kerentanan kompleks. Walaupun prosesnya semakin otomatis, validasi oleh tim keamanan tetap dibutuhkan untuk memastikan ketepatan laporan.
Menurut hasil yang dipaparkan Microsoft, penggunaan sistem tersebut mendukung pengungkapan 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. Selain penelitian Windows, anggota FORGE turut menghasilkan 155 laporan yang telah divalidasi secara internal pada 23 proyek perangkat lunak sumber terbuka. Target pemeriksaan ini mencakup proyek dengan penggunaan luas. Pencapaian penelitian ini memberikan bukti aktivitas penelitian keamanan berbasis AI, tetapi bukan bukti bahwa semua temuan telah diumumkan. Temuan yang diterima tetap membutuhkan verifikasi lanjutan sesuai prosedur pengungkapan keamanan.
Pentingnya Pemeriksaan Hasil Pendeteksian Celah Perangkat Lunak
Hambatan utama dalam penelitian kerentanan otomatis adalah membuktikan bahwa laporan menunjukkan masalah keamanan sebenarnya. Model kecerdasan buatan berpotensi menyusun dugaan kelemahan dengan penjelasan terperinci meskipun masalah sebenarnya belum terbukti. Kondisi tersebut berpotensi menimbulkan laporan positif palsu sehingga proses pemeriksaan menjadi lebih panjang. Selain itu, laporan duplikat juga dapat memenuhi antrean. Dengan mempertimbangkan risiko tersebut, organisasi perlu mengutamakan kerentanan yang dapat direproduksi daripada sekadar meningkatkan jumlah laporan.
Dalam penelitiannya Microsoft menjelaskan bahwa kecepatan menemukan kerentanan membutuhkan dukungan proses validasi yang memadai. Dalam praktik keamanan, temuan yang dianggap penting biasanya perlu diperiksa melalui sistem reproduksi yang sesuai. Sebagai contoh, laporan kesalahan pengelolaan memori sebaiknya menyertakan bukti perilaku program. Apabila bukti tidak tersedia, pengembang perlu memeriksa bagian kode terkait. Langkah validasi semacam ini membantu menghindari penggunaan sumber daya secara berlebihan. Dengan demikian, penanganan celah berlangsung lebih terarah.
Mengukur Kinerja AI melalui Biaya Pengujian Kerentanan
Di samping kualitas laporan, Microsoft turut membahas biaya penggunaan AI ketika pemindaian dilakukan terhadap kode berukuran besar. Konsep reasoning economics memiliki peran utama karena setiap proses analisis membutuhkan sumber daya. Berdasarkan pengukuran tim keamanan, MDASH mengidentifikasi ribuan lokasi mencurigakan pada kernel Linux dan mengumpulkan informasi pengujian untuk 627 temuan. Pada kelompok evaluasi yang dipublikasikan, Microsoft mencatat kebutuhan model dalam pengujian otomatis. Pengukuran tersebut bertujuan memahami apakah sumber daya AI dimanfaatkan dengan tepat. Berkat evaluasi sumber daya, tim keamanan memiliki dasar menilai kebutuhan pemeriksaan lanjutan secara lebih rasional.
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. Untuk evaluasi tambahan, enam kasus terpilih yang diperiksa potensi peningkatan hak akses lokalnya tercatat menggunakan biaya model rata-rata 8,56 dolar AS dan durasi rata-rata 25,4 menit. Namun demikian, hasil evaluasi tersebut tidak mewakili total biaya penelitian seperti investigasi manusia. Dengan pertimbangan tersebut, hasil pengujian sebaiknya dipahami sebagai pengukuran terbatas pada kasus tertentu, bukan jaminan biaya untuk semua proyek.
Masa Depan Teknologi Keamanan Microsoft melalui Validasi Berkelanjutan
Riset keamanan Microsoft juga menegaskan bahwa identifikasi masalah belum menyelesaikan seluruh pekerjaan. Sesudah laporan dinyatakan valid, tim keamanan harus mengevaluasi penyebab masalah. Ketika menangani komponen publik, komunikasi dengan maintainer perlu diperhatikan karena prosedur penerimaan perbaikan tidak selalu sama. Beberapa masalah keamanan mungkin membutuhkan laporan privat. Selain itu, penerapan patch harus melalui pemeriksaan kompatibilitas. Dengan demikian, penelitian keamanan dapat menghasilkan perlindungan nyata bagi organisasi yang menggunakan sistem tersebut.
Sebagai bagian dari pengembangan tersebut, Microsoft juga berpartisipasi dalam Akrites, yaitu upaya kolaboratif di bawah Linux Foundation yang bertujuan membantu 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. Perkembangan tersebut menunjukkan pentingnya koordinasi antara peneliti dan pengembang. Ke depan, pengembang harus mempertimbangkan mekanisme validasi yang konsisten agar perbaikan dapat diterapkan tepat waktu.
Rangkuman Tantangan Keamanan Siber Berbasis Kecerdasan Buatan
Penelitian FORGE Lab memperlihatkan bahwa kemampuan AI generatif memberikan manfaat baru dalam mendukung pengujian keamanan siber. Berkat penerapan teknologi analisis otomatis, Microsoft menunjukkan kemampuan pemeriksaan yang lebih luas pada sejumlah sistem perangkat lunak penting. Namun demikian, tantangan utamanya bukan hanya menemukan celah. Pemeriksaan bukti teknis, perhitungan pengeluaran penelitian, serta penerapan patch yang aman tetap harus diperhatikan. Dengan menggabungkan teknologi pemeriksaan cerdas dan keahlian manusia, pengembang memiliki kesempatan memperbaiki kualitas pengelolaan kerentanan. Bagaimana pendapat Anda, apakah teknologi penelitian kerentanan berbasis AI akan berkembang pesat? Jangan ragu menyampaikan pandangan Anda mengenai pentingnya validasi dalam riset keamanan.
