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 kemajuan sistem AI generatif mendorong perubahan pada cara kerentanan perangkat lunak ditemukan. Melalui FORGE Lab, Microsoft menerapkan teknologi AI untuk analisis kerentanan yang dirancang menganalisis berbagai komponen perangkat lunak. Berbeda dari pemindaian berbasis pola sederhana, sistem berbasis AI dapat membantu menalar alur eksekusi program. Inovasi tersebut memberikan kesempatan untuk memperluas cakupan pengujian sebelum menjadi ancaman yang lebih besar. Meskipun potensinya besar, temuan otomatis tetap membutuhkan pemeriksaan sebelum dianggap sebagai kerentanan nyata.
Berdasarkan pemaparan FORGE Lab, Microsoft mengidentifikasi tiga arah perkembangan dalam pendeteksian kerentanan otomatis. Tantangan pertama adalah upaya mengubah kemampuan eksperimen menjadi proses yang konsisten. Perubahan kedua berkaitan dengan efisiensi biaya penalaran AI. Adapun, tantangan berikutnya adalah integrasi penemuan dengan proses penanganan. Perubahan yang dijelaskan Microsoft menunjukkan bahwa efektivitas perlindungan perangkat lunak tidak cukup dinilai melalui jumlah temuan. Dengan kata lain, tim keamanan harus memperhatikan apakah pembaruan berhasil diterapkan secara aman.
Hasil Penelitian MDASH terhadap Keamanan Windows dan Open Source
Komponen penting dalam penelitian Microsoft adalah MDASH, yaitu platform penelitian keamanan yang mengoordinasikan model AI. Teknologi tersebut dirancang untuk menggabungkan sejumlah agen dengan tugas berbeda dalam rangkaian pengujian keamanan. Dengan sistem tersebut, agen tertentu bisa memeriksa kode yang berpotensi bermasalah. Di sisi lain, agen lainnya dapat membantu melakukan validasi. Pembagian pekerjaan ini dirancang memperbaiki efisiensi pemeriksaan kode. Meskipun beberapa tahapan dapat dijalankan AI, peneliti manusia tetap diperlukan untuk memastikan ketepatan laporan.
Berdasarkan penelitian FORGE Lab, penggunaan sistem tersebut mendukung pengungkapan kerentanan Windows yang berjumlah 140 CVE dalam masa penelitian dari Mei sampai September 2026. Dalam rangkaian pembaruan tersebut, sebanyak 52 CVE masuk dalam rilis perbaikan September 2026. Di luar pemeriksaan sistem operasi Microsoft, anggota FORGE juga mengirimkan 155 laporan yang telah divalidasi secara internal pada 23 proyek perangkat lunak sumber terbuka. Proyek yang diteliti mencakup proyek dengan penggunaan luas. Pencapaian penelitian ini memberikan bukti aktivitas penelitian keamanan berbasis AI, tetapi tidak berarti seluruh laporan sudah menjadi CVE publik. Temuan yang diterima tetap memerlukan proses penanganan sesuai aturan proyek.
Tantangan Validasi Temuan AI dalam Penelitian Keamanan Microsoft
Salah satu tantangan terbesar dalam penggunaan teknologi pemindaian cerdas adalah membedakan kerentanan nyata dari dugaan keliru. Model kecerdasan buatan mungkin memberikan analisis yang tampak masuk akal meskipun bukti teknisnya belum cukup. Kondisi tersebut berpotensi menimbulkan laporan positif palsu sehingga beban kerja tim keamanan meningkat. Tidak hanya terkait akurasi, temuan yang berulang berpotensi membebani proses triase. Oleh karena itu, tim keamanan harus memprioritaskan laporan dengan bukti kuat daripada mengandalkan banyaknya dugaan kelemahan.
Microsoft menekankan bahwa kecepatan menemukan kerentanan perlu disertai kemampuan reproduksi masalah. Ketika melakukan evaluasi perangkat lunak, temuan yang dianggap penting biasanya harus diuji melalui prosedur pembuktian teknis. Sebagai contoh, dugaan penggunaan memori yang tidak aman sebaiknya menyertakan hasil pengujian yang dapat diulang. Apabila bukti tidak tersedia, tim keamanan mungkin perlu melakukan investigasi tambahan. Pemeriksaan berlapis tersebut bertujuan mengurangi kesalahan prioritas. Dengan demikian, kualitas temuan dapat meningkat.
Mengukur Kinerja AI melalui Biaya Pengujian Kerentanan
Tidak hanya berkaitan dengan validasi, Microsoft juga menyoroti pengeluaran untuk penalaran otomatis ketika penelitian mencakup banyak proyek. Perhitungan efisiensi AI memiliki peran utama karena setiap proses analisis membutuhkan sumber daya. Melalui penelitian tersebut, MDASH mengidentifikasi ribuan lokasi mencurigakan pada kernel Linux dan mengumpulkan informasi pengujian untuk 627 temuan. Dalam sebagian pengujian itu, Microsoft menilai kebutuhan model dalam pengujian otomatis. Penelitian performa tersebut bertujuan memahami apakah otomatisasi benar-benar efisien. Dengan pendekatan ini, tim keamanan memiliki dasar menilai manfaat tambahan setiap proses secara lebih sistematis.
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 diuji kemungkinan local privilege escalation membutuhkan rata-rata biaya 8,56 dolar AS dan waktu sekitar 25,4 menit. Perlu dipahami, angka biaya tersebut belum memasukkan semua biaya operasional seperti persiapan perbaikan. Oleh sebab itu, angka tersebut perlu ditafsirkan sebagai hasil eksperimen dengan ruang lingkup khusus, bukan standar tetap seluruh pengujian kerentanan.
Masa Depan Teknologi Keamanan Microsoft melalui Validasi Berkelanjutan
Penelitian FORGE Lab juga menegaskan bahwa penemuan celah hanyalah tahap awal. Sesudah laporan dinyatakan valid, pengembang perlu memahami penyebab masalah. Dalam proyek sumber terbuka, proses koordinasi menjadi sangat penting karena mekanisme pengungkapan dapat bervariasi. Temuan tertentu dapat memerlukan pengungkapan terkoordinasi. Selain itu, pembaruan kode sumber harus melalui pemeriksaan kompatibilitas. Dengan demikian, hasil analisis otomatis dapat memberikan dampak positif bagi komunitas pengembang.
Sebagai bagian dari pengembangan tersebut, Microsoft berkontribusi terhadap Akrites, yaitu program koordinasi keamanan dari Linux Foundation yang bertujuan membantu 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 digabungkan ke kernel Linux. Pencapaian ini menunjukkan pentingnya proses perbaikan setelah validasi. Ke depan, tim keamanan sebaiknya memperkuat sistem penanganan kerentanan terpadu agar jumlah laporan tidak melampaui kapasitas penanganan.
Kesimpulan tentang Riset Microsoft dan Teknologi Pendeteksian Celah AI
Riset keamanan Microsoft menunjukkan bahwa teknologi kecerdasan buatan semakin berperan penting dalam menemukan kelemahan kode. Melalui sistem MDASH, Microsoft berhasil meningkatkan skala penelitian pada sejumlah sistem perangkat lunak penting. Meskipun jumlah temuan meningkat, volume laporan tidak otomatis menentukan keamanan. Validasi temuan, pengelolaan biaya komputasi, serta penerapan patch yang aman tetap memiliki peran penting. Berkat kerja sama antara otomatisasi penelitian dan keahlian manusia, pengembang memiliki kesempatan memperbaiki kualitas pengelolaan kerentanan. Menurut Anda, apakah teknologi penelitian kerentanan berbasis AI akan berkembang pesat? Silakan bagikan pendapat Anda mengenai pentingnya validasi dalam riset keamanan.
