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 menunjukkan bahwa kemajuan sistem AI generatif semakin memengaruhi cara kerentanan perangkat lunak ditemukan. Berdasarkan penelitian tim FORGE, Microsoft menerapkan sistem agen keamanan otomatis yang mampu memeriksa berbagai komponen perangkat lunak. Tidak seperti pendekatan pencarian kesalahan konvensional, sistem berbasis AI berpotensi memahami alur eksekusi program. Kemampuan tersebut menawarkan manfaat untuk membantu peneliti mengidentifikasi masalah sebelum dimanfaatkan penyerang. Meskipun potensinya besar, laporan yang dihasilkan model tetap membutuhkan pemeriksaan sebelum diproses untuk perbaikan.
Melalui publikasi penelitian Oktober 2026, Microsoft mengidentifikasi tiga arah perkembangan dalam penelitian keamanan berbasis AI. Tantangan pertama adalah upaya mengubah kemampuan eksperimen menjadi proses yang konsisten. Aspek selanjutnya berkaitan dengan pengelolaan sumber daya komputasi. Adapun, prioritas lainnya adalah pembentukan alur pemeriksaan berkelanjutan. Perubahan yang dijelaskan Microsoft menggambarkan bahwa kualitas penelitian kerentanan tidak semata-mata ditentukan kemampuan model. Dengan kata lain, pengembang sebaiknya mengevaluasi apakah kerentanan bisa diperbaiki secara konsisten.
Hasil Penelitian MDASH terhadap Keamanan Windows dan Open Source
Komponen penting dalam penelitian Microsoft adalah MDASH, yaitu sistem analisis kerentanan dengan banyak agen. Sistem penelitian ini memungkinkan penggunaan beberapa model kecerdasan buatan dalam satu alur pemeriksaan. Dengan sistem tersebut, bagian sistem dapat menganalisis kode yang berpotensi bermasalah. Sementara itu, sistem berikutnya dapat memeriksa kelayakan temuan. Strategi penggunaan beberapa agen dirancang memperbaiki cakupan penelitian keamanan. Namun demikian, pengawasan profesional masih penting untuk memastikan ketepatan laporan.
Dalam evaluasi keamanan yang diumumkan, penggunaan sistem tersebut berkontribusi pada penemuan kerentanan Windows yang tercatat sebanyak 140 CVE dalam rentang lima bulan sejak Mei 2026. Pada periode pengujian itu, sebanyak 52 CVE tercakup pada pembaruan Windows bulan September. Di luar pemeriksaan sistem operasi Microsoft, anggota FORGE menyampaikan 155 laporan yang telah divalidasi secara internal pada 23 proyek perangkat lunak sumber terbuka. Lingkup penelitian tersebut mencakup sejumlah komponen open source penting. Hasil tersebut menggambarkan kemampuan penerapan keamanan berbasis AI, tetapi tidak berarti seluruh laporan sudah menjadi CVE publik. Kerentanan yang dideteksi tetap memerlukan proses penanganan sesuai prosedur pengungkapan keamanan.
Mengapa Laporan Kerentanan AI Tidak Selalu Langsung Dapat Diperbaiki
Masalah penting dalam penelitian kerentanan otomatis adalah membedakan kerentanan nyata dari dugaan keliru. Sistem AI berpotensi menyusun dugaan kelemahan dengan penjelasan terperinci meskipun masalah sebenarnya belum terbukti. Masalah validasi tersebut dapat menghasilkan false positive sehingga beban kerja tim keamanan meningkat. Selain itu, laporan duplikat berpotensi membebani proses triase. Oleh karena itu, tim keamanan harus memprioritaskan kerentanan yang dapat direproduksi daripada mengandalkan banyaknya dugaan kelemahan.
Dalam penelitiannya Microsoft menjelaskan bahwa volume pemeriksaan menggunakan AI membutuhkan dukungan pengujian bukti teknis. Ketika melakukan evaluasi perangkat lunak, temuan yang dianggap penting biasanya sebaiknya dikonfirmasi melalui sistem reproduksi yang sesuai. Sebagai contoh, laporan kesalahan pengelolaan memori perlu menunjukkan kondisi yang dapat memicu masalah. Jika masalah tidak dapat direproduksi, peneliti harus meninjau ulang asumsi AI. Pemeriksaan berlapis tersebut dapat membatasi penggunaan sumber daya secara berlebihan. Melalui proses ini, penanganan celah berlangsung lebih terarah.
Tantangan Penggunaan Sumber Daya dalam Teknologi Pendeteksi Celah
Di samping kualitas laporan, Microsoft turut membahas pengeluaran untuk penalaran otomatis ketika penelitian mencakup banyak proyek. Pendekatan ekonomi penalaran perlu dipertimbangkan karena penggunaan model memiliki biaya komputasi. Berdasarkan pengukuran tim keamanan, MDASH menemukan ribuan lokasi mencurigakan pada kernel Linux dan menghasilkan bukti pendukung untuk 627 temuan. Pada kelompok evaluasi yang dipublikasikan, Microsoft mencatat kebutuhan model dalam pengujian otomatis. Pengukuran tersebut digunakan untuk menilai apakah hasil pengujian sebanding dengan biaya. Berkat evaluasi sumber daya, pengembang bisa mengevaluasi manfaat tambahan setiap proses secara lebih terukur.
Berdasarkan subset evaluasi yang dipublikasikan, Microsoft melaporkan 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 memiliki pengeluaran model sekitar 8,56 dolar AS dan durasi rata-rata 25,4 menit. Walaupun hasil tersebut memberikan gambaran, angka biaya tersebut tidak mewakili total biaya penelitian seperti persiapan perbaikan. Oleh sebab itu, angka tersebut perlu ditafsirkan sebagai pengukuran terbatas pada kasus tertentu, bukan jaminan biaya untuk semua proyek.
Masa Depan Teknologi Keamanan Microsoft melalui Validasi Berkelanjutan
Penelitian FORGE Lab memberikan gambaran bahwa pendeteksian kerentanan merupakan bagian dari proses keamanan. Setelah masalah ditemukan, pengembang perlu memahami penyebab masalah. Pada pengembangan perangkat lunak open source, kerja sama antartim memiliki peran utama karena setiap proyek memiliki aturan pelaporan berbeda. Temuan tertentu perlu ditangani sebelum diumumkan kepada publik. Selain itu, pembaruan kode sumber harus melalui pemeriksaan kompatibilitas. Berkat koordinasi yang tepat, temuan AI berpotensi berubah menjadi perbaikan bermanfaat bagi pengguna perangkat lunak.
Dalam upaya meningkatkan penanganan kerentanan, Microsoft juga berpartisipasi dalam Akrites, yaitu program koordinasi keamanan dari Linux Foundation yang dikembangkan untuk mendukung proses perbaikan masalah keamanan sumber terbuka. Melalui inisiatif tersebut, tim FORGE mengirimkan sembilan temuan Linux yang memiliki penilaian internal CVSS di atas 7,0. Sebuah laporan dari rangkaian itu tercatat sebagai laporan pertama melalui Akrites dengan perbaikan diterima yang masuk ke proyek kernel Linux. Perkembangan tersebut memperlihatkan manfaat koordinasi antara peneliti dan pengembang. Seiring meningkatnya kemampuan AI, organisasi perlu membangun alur penelitian berkelanjutan agar temuan penting memperoleh prioritas.
Kesimpulan tentang Riset Microsoft dan Teknologi Pendeteksian Celah AI
Penelitian FORGE Lab memperlihatkan bahwa teknologi kecerdasan buatan membuka peluang besar dalam mendukung pengujian keamanan siber. Melalui sistem MDASH, Microsoft mengembangkan pendekatan pendeteksian berkapasitas besar pada sejumlah sistem perangkat lunak penting. Walaupun hasil penelitian menjanjikan, volume laporan tidak otomatis menentukan keamanan. Konfirmasi kerentanan, efisiensi penggunaan sumber daya, serta koordinasi perbaikan tetap memiliki peran penting. Berkat kerja sama antara kemampuan analisis AI dan pengawasan profesional, pengembang memiliki kesempatan memperbaiki ketahanan perangkat lunak. Dari sudut pandang Anda, apakah AI akan semakin berperan dalam keamanan siber? Silakan bagikan pendapat Anda mengenai pentingnya validasi dalam riset keamanan.
