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
Penelitian keamanan terbaru Microsoft memperlihatkan bahwa kemajuan sistem AI generatif semakin memengaruhi proses penelitian celah keamanan. Berdasarkan penelitian tim FORGE, Microsoft mengembangkan sistem agen keamanan otomatis yang mampu memeriksa kode sumber dalam jumlah besar. Tidak seperti pendekatan pencarian kesalahan konvensional, sistem berbasis AI dapat membantu menalar hubungan antarbagian kode. Inovasi tersebut memberikan kesempatan untuk memperluas cakupan pengujian sebelum menyebabkan gangguan keamanan. Walaupun menawarkan kemajuan, laporan yang dihasilkan model tetap harus melalui validasi sebelum diproses untuk perbaikan.
Melalui publikasi penelitian Oktober 2026, Microsoft menjelaskan tiga tantangan utama dalam pendeteksian kerentanan otomatis. Aspek awal adalah upaya mengubah kemampuan eksperimen menjadi proses yang konsisten. Perubahan kedua berkaitan dengan pengelolaan sumber daya komputasi. Adapun, prioritas lainnya adalah penggabungan validasi dan perbaikan. Perubahan yang dijelaskan Microsoft menunjukkan bahwa keberhasilan keamanan siber tidak hanya bergantung pada kecepatan pemindaian. Dengan kata lain, tim keamanan harus memperhatikan apakah laporan dapat dibuktikan 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. Teknologi tersebut dikembangkan guna mengoordinasikan berbagai komponen analisis otomatis dalam proses penelitian terstruktur. Melalui pendekatan tersebut, sebagian komponen dapat menelusuri bagian perangkat lunak yang membutuhkan perhatian. Di sisi lain, sistem berikutnya dapat memeriksa kelayakan temuan. Arsitektur tersebut bertujuan meningkatkan kemampuan menemukan kerentanan kompleks. Namun demikian, validasi oleh tim keamanan tetap dibutuhkan untuk menafsirkan hasil.
Berdasarkan penelitian FORGE Lab, 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. Di luar pemeriksaan sistem operasi Microsoft, anggota FORGE menyampaikan 155 laporan yang mendapatkan validasi awal pada 23 proyek perangkat lunak sumber terbuka. Target pemeriksaan ini mencakup kernel Linux dan berbagai perangkat lunak populer. Pencapaian penelitian ini menunjukkan peningkatan skala keamanan berbasis AI, tetapi tidak menunjukkan seluruh masalah telah selesai diperbaiki. Kerentanan yang dideteksi tetap harus mengikuti koordinasi pengembang sesuai prosedur pengungkapan keamanan.
Tantangan Validasi Temuan AI dalam Penelitian Keamanan Microsoft
Masalah penting dalam penggunaan teknologi pemindaian cerdas adalah membedakan kerentanan nyata dari dugaan keliru. Agen penelitian otomatis dapat menghasilkan analisis yang tampak masuk akal meskipun masalah sebenarnya belum terbukti. Kondisi tersebut dapat menghasilkan false positive sehingga waktu peneliti terbuang. Di samping laporan yang keliru, temuan yang berulang mungkin memperlambat penanganan masalah penting. Dengan mempertimbangkan risiko tersebut, tim keamanan harus memprioritaskan laporan dengan bukti kuat daripada sekadar meningkatkan jumlah laporan.
Dalam penelitiannya Microsoft menjelaskan bahwa kemampuan menghasilkan laporan otomatis perlu disertai pengujian bukti teknis. Dalam praktik keamanan, laporan yang berpotensi berdampak biasanya sebaiknya dikonfirmasi melalui lingkungan pengujian terkontrol. Untuk memberikan gambaran, laporan kesalahan pengelolaan memori sebaiknya menyertakan bukti perilaku program. Jika masalah tidak dapat direproduksi, tim keamanan mungkin perlu melakukan investigasi tambahan. Pemeriksaan berlapis tersebut dapat membatasi perbaikan yang tidak diperlukan. Berkat validasi yang konsisten, penanganan celah berlangsung lebih terarah.
Efisiensi Biaya dan Otomatisasi Validasi dalam Riset Keamanan Microsoft
Selain ketepatan hasil, Microsoft juga menyoroti biaya penggunaan AI ketika pemindaian dilakukan terhadap kode berukuran besar. Perhitungan efisiensi AI memiliki peran utama karena penggunaan model memiliki biaya komputasi. Melalui penelitian tersebut, MDASH menemukan ribuan lokasi mencurigakan pada kernel Linux dan menyiapkan hasil validasi untuk 627 temuan. Pada kelompok evaluasi yang dipublikasikan, Microsoft mengukur kebutuhan model dalam pengujian otomatis. Pengukuran tersebut bertujuan memahami apakah hasil pengujian sebanding dengan biaya. Dengan pendekatan ini, pengembang bisa mengevaluasi efektivitas penggunaan model secara lebih sistematis.
Dalam pengujian tertentu, Microsoft mengungkapkan 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. Untuk evaluasi tambahan, enam kasus terpilih yang diuji kemungkinan local privilege escalation memiliki pengeluaran model sekitar 8,56 dolar AS dan waktu sekitar 25,4 menit. Perlu dipahami, hasil evaluasi tersebut belum memasukkan semua biaya operasional seperti pemeriksaan awal. Oleh sebab itu, angka tersebut perlu ditafsirkan sebagai indikator efisiensi dalam kondisi penelitian, bukan patokan mutlak pengeluaran keamanan.
Pentingnya Koordinasi Pengembang dalam Menangani Celah Open Source
Evaluasi kerentanan berbasis AI tersebut memberikan gambaran bahwa penemuan celah hanyalah tahap awal. Ketika kerentanan berhasil diidentifikasi, peneliti bersama pemelihara proyek perlu menentukan langkah perbaikan yang sesuai. Ketika menangani komponen publik, proses koordinasi menjadi sangat penting karena mekanisme pengungkapan dapat bervariasi. Beberapa masalah keamanan dapat memerlukan pengungkapan terkoordinasi. Selain itu, penerapan patch harus melalui pemeriksaan kompatibilitas. Dengan demikian, penelitian keamanan dapat menghasilkan perlindungan nyata bagi organisasi yang menggunakan sistem tersebut.
Sebagai bagian dari pengembangan tersebut, Microsoft berkontribusi terhadap Akrites, yaitu program koordinasi keamanan dari Linux Foundation yang berfokus pada pengungkapan kerentanan secara terkoordinasi. Melalui inisiatif tersebut, tim FORGE mengirimkan sembilan temuan Linux yang mendapatkan skor kerentanan internal melampaui 7,0. Satu dari temuan yang disampaikan tercatat sebagai laporan pertama melalui Akrites dengan perbaikan diterima yang diterima dalam kode kernel Linux. Perkembangan tersebut menjadi contoh nyata koordinasi antara peneliti dan pengembang. Seiring meningkatnya kemampuan AI, organisasi perlu membangun sistem penanganan kerentanan terpadu 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 mendukung pengujian keamanan siber. Berkat penerapan teknologi analisis otomatis, Microsoft menunjukkan kemampuan pemeriksaan yang lebih luas pada sejumlah sistem perangkat lunak penting. Namun demikian, kecepatan pemindaian bukan satu-satunya ukuran keberhasilan. Konfirmasi kerentanan, perhitungan pengeluaran penelitian, serta koordinasi perbaikan tetap memiliki peran penting. Melalui perpaduan teknologi pemeriksaan cerdas dan pengawasan profesional, pengembang memiliki kesempatan memperbaiki efektivitas perlindungan sistem. Bagaimana pendapat Anda, apakah AI akan semakin berperan dalam keamanan siber? Jangan ragu menyampaikan pandangan Anda mengenai masa depan keamanan digital.
