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
Penelitian keamanan terbaru Microsoft memperlihatkan bahwa perkembangan teknologi kecerdasan buatan mendorong perubahan pada proses penelitian celah keamanan. Melalui FORGE Lab, Microsoft mengembangkan teknologi AI untuk analisis kerentanan yang dirancang menganalisis berbagai komponen perangkat lunak. Tidak seperti pendekatan pencarian kesalahan konvensional, sistem berbasis AI mampu menganalisis hubungan antarbagian kode. Kemampuan tersebut memberikan kesempatan untuk menemukan kelemahan lebih awal sebelum menyebabkan gangguan keamanan. Meskipun potensinya besar, laporan yang dihasilkan model tetap harus melalui validasi sebelum ditetapkan sebagai masalah keamanan.
Berdasarkan pemaparan FORGE Lab, Microsoft mengidentifikasi tiga perubahan penting dalam pendeteksian kerentanan otomatis. Perubahan pertama adalah upaya mengubah kemampuan eksperimen menjadi proses yang konsisten. Perubahan kedua berkaitan dengan perhitungan biaya penggunaan model. Adapun, perubahan ketiga adalah pembentukan alur pemeriksaan berkelanjutan. Rangkaian tantangan ini menggambarkan bahwa efektivitas perlindungan perangkat lunak tidak cukup dinilai melalui jumlah temuan. Dalam praktiknya, organisasi perlu memastikan apakah pembaruan berhasil diterapkan secara aman.
Cara Kerja Teknologi AI Microsoft dalam Menganalisis Kerentanan
Sistem yang digunakan dalam penelitian Microsoft adalah MDASH, yaitu kerangka pemindaian berbasis beberapa model AI. Pendekatan MDASH dikembangkan guna mengoordinasikan sejumlah agen dengan tugas berbeda dalam proses penelitian terstruktur. Melalui pendekatan tersebut, agen tertentu bisa memeriksa kode yang berpotensi bermasalah. Sementara itu, komponen tambahan bisa menyiapkan bukti pengujian. Strategi penggunaan beberapa agen dirancang memperbaiki cakupan penelitian keamanan. Walaupun prosesnya semakin otomatis, validasi oleh tim keamanan tetap dibutuhkan untuk menafsirkan hasil.
Berdasarkan penelitian FORGE Lab, penggunaan sistem tersebut membantu identifikasi kerentanan Windows yang berjumlah 140 CVE dalam periode Mei hingga September 2026. Dalam rangkaian pembaruan tersebut, sebanyak 52 CVE tercakup pada pembaruan Windows bulan September. Di luar pemeriksaan sistem operasi Microsoft, anggota FORGE turut menghasilkan 155 laporan yang telah divalidasi secara internal pada 23 proyek perangkat lunak sumber terbuka. Proyek yang diteliti menyertakan proyek dengan penggunaan luas. Hasil tersebut menggambarkan kemampuan penerapan keamanan berbasis AI, tetapi tidak berarti seluruh laporan sudah menjadi CVE publik. Kerentanan yang dideteksi tetap membutuhkan verifikasi lanjutan sesuai tingkat risiko.
Tantangan Validasi Temuan AI dalam Penelitian Keamanan Microsoft
Salah satu tantangan terbesar dalam penerapan AI untuk keamanan adalah membedakan kerentanan nyata dari dugaan keliru. Model kecerdasan buatan berpotensi menyusun analisis yang tampak masuk akal meskipun masalah sebenarnya belum terbukti. Masalah validasi tersebut dapat menghasilkan false positive sehingga beban kerja tim keamanan meningkat. Di samping laporan yang keliru, laporan duplikat mungkin memperlambat penanganan masalah penting. Oleh karena itu, tim keamanan harus memprioritaskan temuan yang telah melalui validasi daripada sekadar meningkatkan jumlah laporan.
Tim FORGE menggarisbawahi bahwa kemampuan menghasilkan laporan otomatis harus diimbangi dengan proses validasi yang memadai. Dalam praktik keamanan, laporan yang berpotensi berdampak biasanya harus diuji melalui sistem reproduksi yang sesuai. Dalam situasi sederhana, laporan kesalahan pengelolaan memori membutuhkan bukti perilaku program. Jika masalah tidak dapat direproduksi, peneliti harus meninjau ulang asumsi AI. Pemeriksaan berlapis tersebut bertujuan mengurangi penggunaan sumber daya secara berlebihan. Dengan demikian, kualitas temuan dapat meningkat.
Efisiensi Biaya dan Otomatisasi Validasi dalam Riset Keamanan Microsoft
Selain ketepatan hasil, Microsoft memberikan perhatian pada biaya penggunaan AI ketika pemindaian dilakukan terhadap kode berukuran besar. Perhitungan efisiensi AI 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. Dalam sebagian pengujian itu, Microsoft mengukur kebutuhan model dalam pengujian otomatis. Pengukuran tersebut digunakan untuk menilai apakah sumber daya AI dimanfaatkan dengan tepat. Berkat evaluasi sumber daya, organisasi dapat mempertimbangkan efektivitas penggunaan model secara lebih terukur.
Pada kelompok kasus yang berhasil divalidasi, Microsoft melaporkan bahwa pembuatan proof of concept untuk 182 temuan crash yang terkonfirmasi membutuhkan rata-rata biaya model sebesar 3,61 dolar AS dengan waktu rata-rata 21,5 menit. Sementara itu, enam kasus terpilih yang diuji kemungkinan local privilege escalation memiliki pengeluaran model sekitar 8,56 dolar AS dan durasi rata-rata 25,4 menit. Namun demikian, angka biaya tersebut tidak mencakup seluruh pengeluaran seperti persiapan perbaikan. Untuk membaca data secara tepat, hasil pengujian sebaiknya dipahami sebagai hasil eksperimen dengan ruang lingkup khusus, bukan standar tetap seluruh pengujian kerentanan.
Kolaborasi Manusia dan AI Menjadi Kunci Perbaikan Keamanan Siber
Riset keamanan Microsoft memberikan gambaran bahwa pendeteksian kerentanan merupakan bagian dari proses keamanan. Sesudah laporan dinyatakan valid, peneliti bersama pemelihara proyek perlu menentukan penyebab masalah. Pada pengembangan perangkat lunak open source, proses koordinasi menjadi sangat penting karena mekanisme pengungkapan dapat bervariasi. Temuan tertentu mungkin membutuhkan laporan privat. Selain itu, perbaikan perangkat lunak harus diuji untuk menghindari regresi. Dengan demikian, penelitian keamanan dapat menghasilkan perlindungan nyata bagi komunitas pengembang.
Untuk memperluas kerja sama penelitian, Microsoft turut mendukung Akrites, yaitu program koordinasi keamanan dari Linux Foundation yang bertujuan membantu pengungkapan kerentanan secara terkoordinasi. Melalui inisiatif tersebut, tim FORGE mengirimkan sembilan temuan Linux yang dinilai memiliki skor CVSS internal lebih tinggi dari 7,0. Sebuah laporan dari rangkaian itu berhasil menghasilkan pembaruan kode pertama melalui jalur Akrites yang diterima dalam kode kernel Linux. Perkembangan tersebut menjadi contoh nyata koordinasi antara peneliti dan pengembang. Dalam pengembangan berikutnya, organisasi perlu membangun mekanisme validasi yang konsisten agar temuan penting memperoleh prioritas.
Kesimpulan tentang Riset Microsoft dan Teknologi Pendeteksian Celah AI
Riset keamanan Microsoft menunjukkan bahwa sistem penelitian berbasis agen membuka peluang besar dalam menemukan kelemahan kode. Berkat penerapan teknologi analisis otomatis, Microsoft mengembangkan pendekatan pendeteksian berkapasitas besar pada beragam lingkungan pengembangan. Walaupun hasil penelitian menjanjikan, kecepatan pemindaian bukan satu-satunya ukuran keberhasilan. Pemeriksaan bukti teknis, perhitungan pengeluaran penelitian, serta penerapan patch yang aman tetap menjadi prioritas. Melalui perpaduan kemampuan analisis AI dan keahlian manusia, tim keamanan dapat memperkuat ketahanan perangkat lunak. Dari sudut pandang Anda, apakah teknologi penelitian kerentanan berbasis AI akan berkembang pesat? Silakan bagikan pendapat Anda mengenai manfaat AI untuk perlindungan perangkat lunak.
