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 memperlihatkan bahwa perkembangan teknologi kecerdasan buatan semakin memengaruhi cara kerentanan perangkat lunak ditemukan. Melalui FORGE Lab, Microsoft menerapkan pendekatan penelitian keamanan berbasis agen yang dirancang menganalisis kode sumber dalam jumlah besar. Dibandingkan dengan pemindaian berbasis pola sederhana, sistem berbasis AI dapat membantu menalar hubungan antarbagian kode. Pendekatan ini memberikan kesempatan untuk memperluas cakupan pengujian sebelum menjadi ancaman yang lebih besar. Namun demikian, temuan otomatis tetap memerlukan pembuktian sebelum diproses untuk perbaikan.
Berdasarkan pemaparan FORGE Lab, Microsoft merangkum tiga tantangan utama dalam pengembangan teknologi keamanan siber. Perubahan pertama adalah upaya mengubah kemampuan eksperimen menjadi proses yang konsisten. Aspek selanjutnya berkaitan dengan efisiensi biaya penalaran AI. Sementara itu, tantangan berikutnya adalah pembentukan alur pemeriksaan berkelanjutan. Rangkaian tantangan ini menegaskan bahwa efektivitas perlindungan perangkat lunak tidak semata-mata ditentukan kemampuan model. Dengan kata lain, organisasi perlu memastikan apakah pembaruan berhasil diterapkan secara aman.
Cara Kerja Teknologi AI Microsoft dalam Menganalisis Kerentanan
Salah satu teknologi utama dalam penelitian Microsoft adalah MDASH, yaitu kerangka pemindaian berbasis beberapa model AI. Teknologi tersebut memungkinkan penggunaan berbagai komponen analisis otomatis dalam rangkaian pengujian keamanan. Berkat pengelolaan agen, sebagian komponen dapat menelusuri bagian perangkat lunak yang membutuhkan perhatian. Di sisi lain, komponen tambahan bisa menyiapkan bukti pengujian. Arsitektur tersebut berpotensi memperluas kemampuan menemukan kerentanan kompleks. Meskipun beberapa tahapan dapat dijalankan AI, pengawasan profesional masih penting untuk memastikan ketepatan laporan.
Dalam evaluasi keamanan yang diumumkan, penggunaan sistem tersebut membantu identifikasi kerentanan Windows yang tercatat sebanyak 140 CVE dalam masa penelitian dari Mei sampai September 2026. Pada periode pengujian itu, sebanyak 52 CVE ditangani dalam pembaruan keamanan September. Di luar pemeriksaan sistem operasi Microsoft, anggota FORGE juga mengirimkan 155 laporan yang melalui pemeriksaan internal pada 23 proyek perangkat lunak sumber terbuka. Target pemeriksaan ini menyertakan kernel Linux dan berbagai perangkat lunak populer. Pencapaian penelitian ini menggambarkan kemampuan penerapan keamanan berbasis AI, tetapi bukan bukti bahwa semua temuan telah diumumkan. Temuan yang diterima tetap membutuhkan verifikasi lanjutan sesuai tingkat risiko.
Pentingnya Pemeriksaan Hasil Pendeteksian Celah Perangkat Lunak
Salah satu tantangan terbesar dalam penggunaan teknologi pemindaian cerdas adalah memastikan setiap temuan benar-benar valid. Sistem AI dapat menghasilkan dugaan kelemahan dengan penjelasan terperinci meskipun perilaku program tidak menunjukkan kerentanan. Kondisi tersebut mungkin menyebabkan temuan yang tidak terbukti sehingga beban kerja tim keamanan meningkat. Selain itu, hasil pemeriksaan yang sama berpotensi membebani proses triase. Untuk meningkatkan kualitas, tim keamanan harus memprioritaskan temuan yang telah melalui validasi daripada mengandalkan banyaknya dugaan kelemahan.
Microsoft menekankan bahwa kemampuan menghasilkan laporan otomatis perlu disertai kemampuan reproduksi masalah. Pada kegiatan penelitian profesional, laporan yang berpotensi berdampak biasanya perlu diperiksa melalui sistem reproduksi yang sesuai. Dalam situasi sederhana, dugaan penggunaan memori yang tidak aman membutuhkan hasil pengujian yang dapat diulang. Jika masalah tidak dapat direproduksi, tim keamanan mungkin perlu melakukan investigasi tambahan. Pemeriksaan berlapis tersebut membantu menghindari penggunaan sumber daya secara berlebihan. Dengan demikian, penanganan celah berlangsung lebih terarah.
Mengukur Kinerja AI melalui Biaya Pengujian Kerentanan
Selain ketepatan hasil, Microsoft juga menyoroti biaya penggunaan AI ketika pemindaian dilakukan terhadap kode berukuran besar. Pendekatan ekonomi penalaran perlu dipertimbangkan karena setiap proses analisis membutuhkan sumber daya. Berdasarkan pengukuran tim keamanan, MDASH mengidentifikasi ribuan lokasi mencurigakan pada kernel Linux dan menyiapkan hasil validasi untuk 627 temuan. Pada kelompok evaluasi yang dipublikasikan, Microsoft mengukur pengeluaran komputasi untuk proof of concept. Evaluasi biaya ini bertujuan memahami apakah otomatisasi benar-benar efisien. Berkat evaluasi sumber daya, organisasi dapat mempertimbangkan manfaat tambahan setiap proses secara lebih sistematis.
Pada kelompok kasus yang berhasil divalidasi, Microsoft mengungkapkan 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 diuji kemungkinan local privilege escalation memiliki pengeluaran model sekitar 8,56 dolar AS dan lama pemrosesan sekitar 25,4 menit. Namun demikian, pengukuran performa itu belum memasukkan semua biaya operasional seperti investigasi manusia. Untuk membaca data secara tepat, hasil pengujian sebaiknya dipahami sebagai indikator efisiensi dalam kondisi penelitian, bukan standar tetap seluruh pengujian kerentanan.
Masa Depan Teknologi Keamanan Microsoft melalui Validasi Berkelanjutan
Evaluasi kerentanan berbasis AI tersebut turut memperlihatkan bahwa penemuan celah hanyalah tahap awal. Sesudah laporan dinyatakan valid, pengembang perlu memahami dampak terhadap sistem. Ketika menangani komponen publik, komunikasi dengan maintainer perlu diperhatikan karena prosedur penerimaan perbaikan tidak selalu sama. Beberapa masalah keamanan mungkin membutuhkan laporan privat. Di samping prosedur pelaporan, penerapan patch harus dipastikan tidak merusak fungsi lain. Berkat koordinasi yang tepat, hasil analisis otomatis dapat memberikan dampak positif bagi pengguna perangkat lunak.
Sebagai bagian dari pengembangan tersebut, Microsoft berkontribusi terhadap Akrites, yaitu inisiatif Linux Foundation yang dikembangkan untuk mendukung pengungkapan kerentanan secara terkoordinasi. Melalui inisiatif tersebut, tim FORGE melaporkan sembilan temuan Linux yang memiliki penilaian internal CVSS di atas 7,0. Satu dari temuan yang disampaikan tercatat sebagai laporan pertama melalui Akrites dengan perbaikan diterima yang masuk ke proyek kernel Linux. Hasil kolaborasi tersebut memperlihatkan manfaat pengelolaan laporan yang bertanggung jawab. Dalam pengembangan berikutnya, organisasi perlu membangun mekanisme validasi yang konsisten agar temuan penting memperoleh prioritas.
Pentingnya Validasi dan Perbaikan dalam Penelitian Kerentanan Modern
Kajian Microsoft mengenai AI keamanan mengungkapkan bahwa teknologi kecerdasan buatan semakin berperan penting dalam mendukung pengujian keamanan siber. Melalui sistem MDASH, Microsoft menunjukkan kemampuan pemeriksaan yang lebih luas pada beragam lingkungan pengembangan. Meskipun jumlah temuan meningkat, volume laporan tidak otomatis menentukan keamanan. Pemeriksaan bukti teknis, pengelolaan biaya komputasi, serta pengawasan proses remediasi tetap menjadi prioritas. Berkat kerja sama antara kemampuan analisis AI dan keahlian manusia, pengembang memiliki kesempatan memperbaiki ketahanan perangkat lunak. Dari sudut pandang Anda, apakah AI akan semakin berperan dalam keamanan siber? Mari berbagi pemikiran Anda mengenai manfaat AI untuk perlindungan perangkat lunak.
