Riset Keamanan Microsoft Ungkap Tantangan Baru dalam Pendeteksian Celah Menggunakan AI

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.

Mengenal Penelitian FORGE Lab tentang Pendeteksian Celah Perangkat Lunak

Kajian terkini dari tim keamanan Microsoft memperlihatkan bahwa kemajuan sistem AI generatif mulai mengubah cara kerentanan perangkat lunak ditemukan. Berdasarkan penelitian tim FORGE, Microsoft menerapkan sistem agen keamanan otomatis yang mampu memeriksa bagian sistem yang berpotensi memiliki kelemahan. Berbeda dari pemeriksaan yang hanya mengandalkan aturan tetap, sistem berbasis AI berpotensi memahami kondisi yang menyebabkan kerentanan. Inovasi tersebut menawarkan manfaat untuk membantu peneliti mengidentifikasi masalah sebelum menjadi ancaman yang lebih besar. Namun demikian, hasil analisis AI tetap harus melalui validasi sebelum diproses untuk perbaikan.

Dalam laporan yang diterbitkan pada 7 Oktober 2026, Microsoft menjelaskan tiga perubahan penting dalam pengembangan teknologi keamanan siber. Perubahan pertama adalah peralihan dari kemampuan menemukan celah menuju penerapan berskala besar. Tantangan berikutnya berkaitan dengan perhitungan biaya penggunaan model. Pada bagian terakhir, perubahan ketiga adalah integrasi penemuan dengan proses penanganan. Ketiga aspek tersebut menunjukkan bahwa keberhasilan keamanan siber tidak semata-mata ditentukan kemampuan model. Dengan kata lain, pengembang sebaiknya mengevaluasi apakah pembaruan berhasil diterapkan secara aman.

Hasil Penelitian MDASH terhadap Keamanan Windows dan Open Source

Komponen penting dalam penelitian Microsoft adalah MDASH, yaitu sistem analisis kerentanan dengan banyak agen. Sistem penelitian ini dikembangkan guna mengoordinasikan sejumlah agen dengan tugas berbeda dalam rangkaian pengujian keamanan. Melalui pendekatan tersebut, sebagian komponen dapat menelusuri kode yang berpotensi bermasalah. Pada tahapan berbeda, sistem berikutnya dapat memeriksa kelayakan temuan. Pembagian pekerjaan ini bertujuan meningkatkan efisiensi pemeriksaan kode. Meskipun beberapa tahapan dapat dijalankan AI, pengawasan profesional masih penting untuk menafsirkan hasil.

Menurut hasil yang dipaparkan Microsoft, penggunaan sistem tersebut mendukung pengungkapan kerentanan Windows yang berjumlah 140 CVE dalam masa penelitian dari Mei sampai September 2026. Pada periode pengujian itu, sebanyak 52 CVE tercakup pada pembaruan Windows bulan September. Tidak hanya mempelajari komponen Windows, anggota FORGE juga mengirimkan 155 laporan yang telah divalidasi secara internal pada 23 proyek perangkat lunak sumber terbuka. Proyek yang diteliti menyertakan kernel Linux dan berbagai perangkat lunak populer. Pencapaian penelitian ini memberikan bukti aktivitas penelitian keamanan berbasis AI, tetapi bukan bukti bahwa semua temuan telah diumumkan. Kerentanan yang dideteksi tetap membutuhkan verifikasi lanjutan sesuai aturan proyek.

Tantangan Validasi Temuan AI dalam Penelitian Keamanan Microsoft

Hambatan utama dalam penggunaan teknologi pemindaian cerdas adalah memastikan setiap temuan benar-benar valid. Agen penelitian otomatis mungkin memberikan laporan yang terlihat meyakinkan meskipun bukti teknisnya belum cukup. Masalah validasi tersebut dapat menghasilkan false positive sehingga beban kerja tim keamanan meningkat. Tidak hanya terkait akurasi, hasil pemeriksaan yang sama juga dapat memenuhi antrean. Dengan mempertimbangkan risiko tersebut, tim keamanan harus memprioritaskan kerentanan yang dapat direproduksi daripada mengandalkan banyaknya dugaan kelemahan.

Dalam penelitiannya Microsoft menjelaskan bahwa kecepatan menemukan kerentanan harus diimbangi dengan proses validasi yang memadai. Dalam praktik keamanan, temuan yang dianggap penting biasanya sebaiknya dikonfirmasi melalui sistem reproduksi yang sesuai. Sebagai contoh, dugaan penggunaan memori yang tidak aman sebaiknya menyertakan bukti perilaku program. Ketika pengujian belum mendukung laporan, peneliti harus meninjau ulang asumsi AI. Pendekatan tersebut membantu menghindari penggunaan sumber daya secara berlebihan. Melalui proses ini, penanganan celah berlangsung lebih terarah.

Mengukur Kinerja AI melalui Biaya Pengujian Kerentanan

Di samping kualitas laporan, Microsoft juga menyoroti efisiensi komputasi model ketika pemindaian dilakukan terhadap kode berukuran besar. Perhitungan efisiensi AI memiliki peran utama karena pengujian otomatis mengonsumsi waktu dan kapasitas. Dalam evaluasi FORGE Lab, MDASH mengidentifikasi ribuan lokasi mencurigakan pada kernel Linux dan menyiapkan hasil validasi untuk 627 temuan. Dari aktivitas tersebut, Microsoft mengukur pengeluaran komputasi untuk proof of concept. Penelitian performa tersebut bertujuan memahami apakah hasil pengujian sebanding dengan biaya. Berkat evaluasi sumber daya, pengembang bisa mengevaluasi kebutuhan pemeriksaan lanjutan secara lebih rasional.

Berdasarkan subset evaluasi yang dipublikasikan, Microsoft mengungkapkan bahwa pembuatan proof of concept untuk 182 temuan crash yang terkonfirmasi memiliki biaya komputasi model rata-rata 3,61 dolar AS dengan lama pengujian rata-rata 21,5 menit. Sementara itu, enam kasus terpilih yang diperiksa potensi peningkatan hak akses lokalnya tercatat menggunakan biaya model rata-rata 8,56 dolar AS dan waktu sekitar 25,4 menit. Namun demikian, angka biaya tersebut belum memasukkan semua biaya operasional seperti pemeriksaan awal. Oleh sebab itu, informasi biaya harus dilihat sebagai hasil eksperimen dengan ruang lingkup khusus, bukan patokan mutlak pengeluaran keamanan.

Masa Depan Teknologi Keamanan Microsoft melalui Validasi Berkelanjutan

Evaluasi kerentanan berbasis AI tersebut juga menegaskan bahwa penemuan celah hanyalah tahap awal. Ketika kerentanan berhasil diidentifikasi, peneliti bersama pemelihara proyek perlu menentukan penyebab masalah. Pada pengembangan perangkat lunak open source, kerja sama antartim memiliki peran utama karena setiap proyek memiliki aturan pelaporan berbeda. Temuan tertentu mungkin membutuhkan laporan privat. Tidak hanya mengenai komunikasi, perbaikan perangkat lunak harus dipastikan tidak merusak fungsi lain. Dengan demikian, penelitian keamanan dapat menghasilkan perlindungan nyata bagi komunitas pengembang.

Untuk memperluas kerja sama penelitian, Microsoft berkontribusi terhadap Akrites, yaitu inisiatif Linux Foundation yang bertujuan membantu proses perbaikan masalah keamanan sumber terbuka. Dalam kegiatan Akrites, tim FORGE melaporkan sembilan temuan Linux yang memiliki penilaian internal CVSS di atas 7,0. Satu dari temuan yang disampaikan berhasil menghasilkan pembaruan kode pertama melalui jalur Akrites yang digabungkan ke kernel Linux. Hasil kolaborasi tersebut menunjukkan pentingnya pengelolaan laporan yang bertanggung jawab. Dalam pengembangan berikutnya, pengembang harus mempertimbangkan alur penelitian berkelanjutan agar jumlah laporan tidak melampaui kapasitas penanganan.

Kesimpulan tentang Riset Microsoft dan Teknologi Pendeteksian Celah AI

Penelitian FORGE Lab memperlihatkan bahwa kemampuan AI generatif membuka peluang besar dalam mendeteksi kerentanan perangkat lunak. Berkat penerapan teknologi analisis otomatis, Microsoft menunjukkan kemampuan pemeriksaan yang lebih luas pada beragam lingkungan pengembangan. Walaupun hasil penelitian menjanjikan, tantangan utamanya bukan hanya menemukan celah. Pemeriksaan bukti teknis, efisiensi penggunaan sumber daya, serta pengawasan proses remediasi tetap harus diperhatikan. Dengan menggabungkan otomatisasi penelitian dan koordinasi pengembang, organisasi berpotensi meningkatkan ketahanan perangkat lunak. Menurut Anda, apakah teknologi penelitian kerentanan berbasis AI akan berkembang pesat? Jangan ragu menyampaikan pandangan Anda mengenai pentingnya validasi dalam riset keamanan.