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.
Mengenal Penelitian FORGE Lab tentang Pendeteksian Celah Perangkat Lunak
Kajian terkini dari tim keamanan Microsoft memperlihatkan bahwa perkembangan teknologi kecerdasan buatan semakin memengaruhi cara kerentanan perangkat lunak ditemukan. Dalam kegiatan Frontier Offensive Research & Generative Exploitation Lab, Microsoft menerapkan pendekatan penelitian keamanan berbasis agen yang mampu memeriksa kode sumber dalam jumlah besar. Dibandingkan dengan pemeriksaan yang hanya mengandalkan aturan tetap, sistem berbasis AI mampu menganalisis hubungan antarbagian kode. Inovasi tersebut membuka peluang untuk membantu peneliti mengidentifikasi masalah sebelum dimanfaatkan penyerang. Namun demikian, hasil analisis AI tetap membutuhkan pemeriksaan sebelum diproses untuk perbaikan.
Melalui publikasi penelitian Oktober 2026, Microsoft mengidentifikasi tiga tantangan utama dalam penelitian keamanan berbasis AI. Aspek awal adalah upaya mengubah kemampuan eksperimen menjadi proses yang konsisten. Tantangan berikutnya berkaitan dengan perhitungan biaya penggunaan model. Pada bagian terakhir, tantangan berikutnya adalah penggabungan validasi dan perbaikan. Perubahan yang dijelaskan Microsoft menegaskan bahwa kualitas penelitian kerentanan tidak hanya bergantung pada kecepatan pemindaian. Dengan kata lain, organisasi perlu memastikan apakah laporan dapat dibuktikan secara aman.
Microsoft FORGE Lab dan MDASH Mempercepat Pendeteksian Celah Keamanan
Sistem yang digunakan dalam penelitian Microsoft adalah MDASH, yaitu kerangka pemindaian berbasis beberapa model AI. Sistem penelitian ini dirancang untuk menggabungkan berbagai komponen analisis otomatis dalam satu alur pemeriksaan. Berkat pengelolaan agen, agen tertentu bisa memeriksa bagian perangkat lunak yang membutuhkan perhatian. Di sisi lain, agen lainnya dapat membantu melakukan validasi. Pembagian pekerjaan ini bertujuan meningkatkan kemampuan menemukan kerentanan kompleks. Meskipun beberapa tahapan dapat dijalankan AI, pengawasan profesional masih penting untuk memastikan ketepatan laporan.
Menurut hasil yang dipaparkan Microsoft, penggunaan sistem tersebut mendukung pengungkapan kerentanan Windows yang mencapai 140 CVE dalam rentang lima bulan sejak Mei 2026. Dari jumlah tersebut, sebanyak 52 CVE ditangani dalam pembaruan keamanan September. Tidak hanya mempelajari komponen Windows, anggota FORGE juga mengirimkan 155 laporan yang telah divalidasi secara internal pada 23 proyek perangkat lunak sumber terbuka. Lingkup penelitian tersebut menyertakan kernel Linux dan berbagai perangkat lunak populer. Hasil tersebut menggambarkan kemampuan penerapan keamanan berbasis AI, tetapi tidak menunjukkan seluruh masalah telah selesai diperbaiki. Temuan yang diterima tetap membutuhkan verifikasi lanjutan sesuai aturan proyek.
Pentingnya Pemeriksaan Hasil Pendeteksian Celah Perangkat Lunak
Salah satu tantangan terbesar dalam penelitian kerentanan otomatis adalah membedakan kerentanan nyata dari dugaan keliru. Agen penelitian otomatis berpotensi menyusun laporan yang terlihat meyakinkan meskipun masalah sebenarnya belum terbukti. Situasi semacam ini mungkin menyebabkan temuan yang tidak terbukti sehingga beban kerja tim keamanan meningkat. Di samping laporan yang keliru, temuan yang berulang berpotensi membebani proses triase. Untuk meningkatkan kualitas, pengembang sebaiknya berfokus pada laporan dengan bukti kuat daripada hanya mengejar volume pemindaian.
Tim FORGE menggarisbawahi bahwa kecepatan menemukan kerentanan membutuhkan dukungan pengujian bukti teknis. Pada kegiatan penelitian profesional, indikasi kelemahan yang serius biasanya perlu diperiksa melalui lingkungan pengujian terkontrol. Dalam situasi sederhana, dugaan penggunaan memori yang tidak aman sebaiknya menyertakan bukti perilaku program. Apabila bukti tidak tersedia, tim keamanan mungkin perlu melakukan investigasi tambahan. Pemeriksaan berlapis tersebut dapat membatasi kesalahan prioritas. Dengan demikian, hasil penelitian menjadi lebih dapat dipercaya.
Tantangan Penggunaan Sumber Daya dalam Teknologi Pendeteksi Celah
Di samping kualitas laporan, Microsoft memberikan perhatian pada efisiensi komputasi model ketika pemindaian dilakukan terhadap kode berukuran besar. Pendekatan ekonomi penalaran menjadi penting karena pengujian otomatis mengonsumsi waktu dan kapasitas. Berdasarkan pengukuran tim keamanan, MDASH menandai ribuan lokasi mencurigakan pada kernel Linux dan mengumpulkan informasi pengujian untuk 627 temuan. Dalam sebagian pengujian itu, Microsoft mencatat biaya pembuatan bukti konsep. Evaluasi biaya ini digunakan untuk menilai apakah otomatisasi benar-benar efisien. Berkat evaluasi sumber daya, pengembang bisa mengevaluasi kebutuhan pemeriksaan lanjutan secara lebih rasional.
Dalam pengujian tertentu, Microsoft mencatat bahwa pembuatan proof of concept untuk 182 temuan crash yang terkonfirmasi memiliki biaya komputasi model rata-rata 3,61 dolar AS dengan waktu rata-rata 21,5 menit. Untuk evaluasi tambahan, enam kasus terpilih yang diperiksa potensi peningkatan hak akses lokalnya memiliki pengeluaran model sekitar 8,56 dolar AS dan waktu sekitar 25,4 menit. Walaupun hasil tersebut memberikan gambaran, hasil evaluasi tersebut tidak mewakili total biaya penelitian seperti investigasi manusia. Oleh sebab itu, informasi biaya harus dilihat sebagai indikator efisiensi dalam kondisi penelitian, bukan patokan mutlak pengeluaran keamanan.
Masa Depan Teknologi Keamanan Microsoft melalui Validasi Berkelanjutan
Riset keamanan Microsoft juga menegaskan bahwa pendeteksian kerentanan merupakan bagian dari proses keamanan. Ketika kerentanan berhasil diidentifikasi, peneliti bersama pemelihara proyek perlu menentukan penyebab masalah. Dalam proyek sumber terbuka, kerja sama antartim memiliki peran utama karena prosedur penerimaan perbaikan tidak selalu sama. Sebagian kerentanan perlu ditangani sebelum diumumkan kepada publik. Tidak hanya mengenai komunikasi, perbaikan perangkat lunak harus dipastikan tidak merusak fungsi lain. Berkat koordinasi yang tepat, hasil analisis otomatis dapat memberikan dampak positif bagi organisasi yang menggunakan sistem tersebut.
Dalam upaya meningkatkan penanganan kerentanan, Microsoft turut mendukung Akrites, yaitu upaya kolaboratif di bawah Linux Foundation yang bertujuan membantu pengungkapan kerentanan secara terkoordinasi. Melalui inisiatif tersebut, tim FORGE mengirimkan sembilan temuan Linux yang memiliki penilaian internal CVSS di atas 7,0. Salah satu laporan tersebut tercatat sebagai laporan pertama melalui Akrites dengan perbaikan diterima yang digabungkan ke kernel Linux. Perkembangan tersebut menunjukkan pentingnya proses perbaikan setelah validasi. Dalam pengembangan berikutnya, pengembang harus mempertimbangkan sistem penanganan kerentanan terpadu agar jumlah laporan tidak melampaui kapasitas penanganan.
Pentingnya Validasi dan Perbaikan dalam Penelitian Kerentanan Modern
Riset keamanan Microsoft menunjukkan bahwa kemampuan AI generatif memberikan manfaat baru dalam mendeteksi kerentanan perangkat lunak. Berkat penerapan teknologi analisis otomatis, Microsoft mengembangkan pendekatan pendeteksian berkapasitas besar pada sejumlah sistem perangkat lunak penting. Namun demikian, tantangan utamanya bukan hanya menemukan celah. Validasi temuan, efisiensi penggunaan sumber daya, serta pengawasan proses remediasi tetap menjadi prioritas. Dengan menggabungkan otomatisasi penelitian dan koordinasi pengembang, organisasi berpotensi meningkatkan efektivitas perlindungan sistem. Bagaimana pendapat Anda, apakah AI akan semakin berperan dalam keamanan siber? Silakan bagikan pendapat Anda mengenai pentingnya validasi dalam riset keamanan.
