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
Riset yang dilakukan Microsoft Security memperlihatkan bahwa peningkatan kemampuan model AI semakin memengaruhi proses penelitian celah keamanan. Berdasarkan penelitian tim FORGE, Microsoft mengembangkan pendekatan penelitian keamanan berbasis agen yang dapat menelusuri kode sumber dalam jumlah besar. Tidak seperti pemindaian berbasis pola sederhana, sistem berbasis AI dapat membantu menalar alur eksekusi program. Pendekatan ini memberikan kesempatan untuk membantu peneliti mengidentifikasi masalah sebelum menjadi ancaman yang lebih besar. Namun demikian, temuan otomatis tetap harus melalui validasi sebelum dianggap sebagai kerentanan nyata.
Berdasarkan pemaparan FORGE Lab, Microsoft merangkum tiga perubahan penting dalam penelitian keamanan berbasis AI. Tantangan pertama adalah kebutuhan memperluas pemindaian tanpa mengurangi kualitas. Tantangan berikutnya berkaitan dengan perhitungan biaya penggunaan model. Adapun, tantangan berikutnya adalah pembentukan alur pemeriksaan berkelanjutan. Ketiga aspek tersebut menggambarkan bahwa keberhasilan keamanan siber tidak semata-mata ditentukan kemampuan model. Dalam praktiknya, tim keamanan harus memperhatikan apakah kerentanan bisa diperbaiki secara bertanggung jawab.
Cara Kerja Teknologi AI Microsoft dalam Menganalisis Kerentanan
Komponen penting dalam penelitian Microsoft adalah MDASH, yaitu platform penelitian keamanan yang mengoordinasikan model AI. Pendekatan MDASH memungkinkan penggunaan beberapa model kecerdasan buatan dalam satu alur pemeriksaan. Dengan sistem tersebut, agen tertentu bisa memeriksa lokasi program yang mencurigakan. Sementara itu, sistem berikutnya dapat memeriksa kelayakan temuan. Pembagian pekerjaan ini bertujuan meningkatkan cakupan penelitian keamanan. Walaupun prosesnya semakin otomatis, validasi oleh tim keamanan tetap dibutuhkan untuk menafsirkan hasil.
Menurut hasil yang dipaparkan Microsoft, penggunaan sistem tersebut berkontribusi pada penemuan kerentanan Windows yang berjumlah 140 CVE dalam rentang lima bulan sejak Mei 2026. Dari jumlah tersebut, sebanyak 52 CVE masuk dalam rilis perbaikan September 2026. Selain penelitian Windows, anggota FORGE menyampaikan 155 laporan yang mendapatkan validasi awal pada 23 proyek perangkat lunak sumber terbuka. Proyek yang diteliti melibatkan proyek dengan penggunaan luas. Hasil tersebut memberikan bukti aktivitas penelitian keamanan berbasis AI, tetapi tidak berarti seluruh laporan sudah menjadi CVE publik. Setiap laporan tetap membutuhkan verifikasi lanjutan sesuai tingkat risiko.
Pentingnya Pemeriksaan Hasil Pendeteksian Celah Perangkat Lunak
Salah satu tantangan terbesar dalam penelitian kerentanan otomatis adalah membedakan kerentanan nyata dari dugaan keliru. Sistem AI berpotensi menyusun analisis yang tampak masuk akal meskipun masalah sebenarnya belum terbukti. Kondisi tersebut berpotensi menimbulkan laporan positif palsu sehingga proses pemeriksaan menjadi lebih panjang. Di samping laporan yang keliru, temuan yang berulang juga dapat memenuhi antrean. Oleh karena itu, organisasi perlu mengutamakan laporan dengan bukti kuat daripada hanya mengejar volume pemindaian.
Dalam penelitiannya Microsoft menjelaskan bahwa volume pemeriksaan menggunakan AI perlu disertai proses validasi yang memadai. Dalam praktik keamanan, indikasi kelemahan yang serius biasanya perlu diperiksa melalui lingkungan pengujian terkontrol. Sebagai contoh, laporan kesalahan pengelolaan memori membutuhkan bukti perilaku program. Jika masalah tidak dapat direproduksi, pengembang perlu memeriksa bagian kode terkait. Pendekatan tersebut membantu menghindari kesalahan prioritas. Dengan demikian, penanganan celah berlangsung lebih terarah.
Mengukur Kinerja AI melalui Biaya Pengujian Kerentanan
Selain ketepatan hasil, Microsoft memberikan perhatian pada biaya penggunaan AI ketika pemindaian dilakukan terhadap kode berukuran besar. Pendekatan ekonomi penalaran perlu dipertimbangkan karena setiap proses analisis membutuhkan sumber daya. Melalui penelitian tersebut, MDASH menemukan ribuan lokasi mencurigakan pada kernel Linux dan menghasilkan bukti pendukung untuk 627 temuan. Dalam sebagian pengujian itu, Microsoft mencatat pengeluaran komputasi untuk proof of concept. Penelitian performa tersebut digunakan untuk menilai apakah hasil pengujian sebanding dengan biaya. Melalui analisis ekonomi tersebut, organisasi dapat mempertimbangkan efektivitas penggunaan model secara lebih sistematis.
Berdasarkan subset evaluasi yang dipublikasikan, Microsoft melaporkan bahwa pembuatan proof of concept untuk 182 temuan crash yang terkonfirmasi menghasilkan pengeluaran model sekitar 3,61 dolar AS per kasus dengan durasi pemrosesan sekitar 21,5 menit. Sementara itu, enam kasus terpilih yang dianalisis untuk menilai risiko eskalasi privilese tercatat menggunakan biaya model rata-rata 8,56 dolar AS dan waktu sekitar 25,4 menit. Perlu dipahami, pengukuran performa itu belum memasukkan semua biaya operasional seperti pemeriksaan awal. Dengan pertimbangan tersebut, informasi biaya harus dilihat 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 memberikan gambaran bahwa pendeteksian kerentanan merupakan bagian dari proses keamanan. Sesudah laporan dinyatakan valid, tim keamanan harus mengevaluasi dampak terhadap sistem. Ketika menangani komponen publik, kerja sama antartim memiliki peran utama karena mekanisme pengungkapan dapat bervariasi. Temuan tertentu perlu ditangani sebelum diumumkan kepada publik. Selain itu, perbaikan perangkat lunak harus dipastikan tidak merusak fungsi lain. Dengan demikian, hasil analisis otomatis dapat memberikan dampak positif bagi komunitas pengembang.
Untuk memperluas kerja sama penelitian, Microsoft juga berpartisipasi dalam Akrites, yaitu program koordinasi keamanan dari Linux Foundation yang bertujuan membantu pengungkapan kerentanan secara terkoordinasi. Berkat mekanisme koordinasi ini, tim FORGE mengirimkan sembilan temuan Linux yang mendapatkan skor kerentanan internal melampaui 7,0. Satu dari temuan yang disampaikan berhasil menghasilkan pembaruan kode pertama melalui jalur Akrites yang masuk ke proyek kernel Linux. Pencapaian ini menjadi contoh nyata koordinasi antara peneliti dan pengembang. Dalam pengembangan berikutnya, pengembang harus mempertimbangkan alur penelitian berkelanjutan agar perbaikan dapat diterapkan tepat waktu.
Pentingnya Validasi dan Perbaikan dalam Penelitian Kerentanan Modern
Riset keamanan Microsoft menunjukkan bahwa teknologi kecerdasan buatan semakin berperan penting dalam mendeteksi kerentanan perangkat lunak. Melalui sistem MDASH, Microsoft mengembangkan pendekatan pendeteksian berkapasitas besar pada beragam lingkungan pengembangan. Walaupun hasil penelitian menjanjikan, kecepatan pemindaian bukan satu-satunya ukuran keberhasilan. Pemeriksaan bukti teknis, efisiensi penggunaan sumber daya, serta koordinasi perbaikan tetap menjadi prioritas. Dengan menggabungkan kemampuan analisis AI dan pengawasan profesional, tim keamanan dapat memperkuat ketahanan perangkat lunak. Bagaimana pendapat Anda, apakah otomatisasi pendeteksian celah akan menjadi kebutuhan utama? Mari berbagi pemikiran Anda mengenai pentingnya validasi dalam riset keamanan.
