JawabanDipublikasikan15 sumber
AI Makin Cepat Menemukan Bug, tetapi Perbaikannya Masih Tertinggal
Palo Alto Networks mengklaim AI membantu menemukan lebih dari 14.000 kerentanan yang sebelumnya belum terdeteksi di perangkat lunak sumber terbuka dalam tiga minggu—setara dengan hasil uji penetrasi manual selama seta... Anthropic melaporkan modelnya menemukan lebih dari 29.000 kandidat kerentanan dalam enam bulan,...
Diterbitkan olehDiedit dengan GPT-6 LunaGambar dibuat dengan GPT Image 2
Jawaban penelitian
Poin-poin penting
- Palo Alto Networks mengklaim AI membantu menemukan lebih dari 14.000 kerentanan yang sebelumnya belum terdeteksi di perangkat lunak sumber terbuka dalam tiga minggu—setara dengan hasil uji penetrasi manual selama seta...
- Anthropic melaporkan modelnya menemukan lebih dari 29.000 kandidat kerentanan dalam enam bulan, sementara sekitar 6.000 telah ditinjau dan dipilah oleh manusia.
- Dalam eksperimen terkontrol, model GLM 5.3 mengubah informasi dari perbaikan Firefox yang belum sampai ke pengguna menjadi serangan terhadap enam versi peramban itu, dengan biaya marginal sekitar US$1.000 per serangan...
AI Perintah
openai.comCreate a landscape editorial hero image for this Studio Global article: As of October 31, 2026, how is AI-driven vulnerability discovery transforming software security, including Palo Alto Networks’ discovery of. Article summary: As of October 31, 2026, AI-driven vulnerability discovery is making security research much faster, while shifting the bottleneck toward human validation, remediation and patch deployment—and creating opportunities to exp. Topic tags: general, general web, user generated, news, government. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermark
AI mengubah keamanan perangkat lunak di dua sisi sekaligus: membantu peneliti menemukan celah lebih cepat, tetapi juga berpotensi membantu penyerang memanfaatkan informasi publik sebelum pembaruan keamanan diterima semua pengguna. Tantangan utamanya bukan lagi sekadar menemukan celah. Temuan perlu diverifikasi, diperbaiki, diuji, lalu didistribusikan melalui pembaruan.3
Temuan bertambah cepat, proses pemeriksaan belum tentu
Palo Alto Networks mengatakan kepada The Economic Times bahwa AI membantu mengidentifikasi lebih dari 14.000 kerentanan perangkat lunak sumber terbuka yang sebelumnya belum terdeteksi. Perusahaan itu juga menyebut analisis berbantuan model AI selama tiga minggu menyamai hasil pengujian penetrasi manual selama setahun.19 Angka tersebut adalah klaim perusahaan, bukan tolok ukur yang telah diverifikasi secara independen berdasarkan bukti yang tersedia.
Data Anthropic memperlihatkan mengapa banyaknya temuan belum otomatis berarti banyak celah sudah dipastikan atau diperbaiki. Perusahaan itu menyebut modelnya menemukan lebih dari 29.000 kandidat kerentanan selama enam bulan, sementara manusia baru meninjau dan memilah sekitar 6.000. Istilahnya penting: kandidat belum tentu kerentanan yang terkonfirmasi, dan temuan yang sudah ditinjau belum tentu telah diperbaiki dalam kode sumber proyek.
OSS Scanner dari Anthropic menawarkan pemindaian berkala gratis bagi proyek sumber terbuka yang memenuhi syarat dan memilih ikut serta. Layanan ini menggunakan model Anthropic, termasuk Claude Mythos, dan dapat mengirimkan temuan kepada pengelola proyek tanpa pemeriksaan manusia terlebih dahulu. Cara ini dapat mempercepat sampainya laporan kepada pengelola, tetapi juga membuat jumlah serta mutu laporan menjadi penting. Angka yang tersedia tidak memastikan jumlah persis pada 2 Oktober atau berapa banyak perbaikan yang sudah masuk ke kode sumber proyek.
Setelah celah ditemukan, pekerjaan belum selesai
Anthropic menyebut kapasitas peninjauan manusia sebagai kendala, sementara TechTarget menilai pemindai tersebut menggeser lebih banyak pekerjaan pemrosesan kerentanan kepada pengelola proyek. Setiap temuan yang berguna mungkin masih perlu direproduksi, dinilai dampaknya, diperbaiki, diuji, lalu dirilis. Menambah jumlah laporan tidak serta-merta menyelesaikan pekerjaan itu.
Bagi proyek yang sumber daya keamanannya terbatas, laporan yang dapat direproduksi dan menjelaskan kode terdampak serta potensi dampaknya akan lebih mudah ditindaklanjuti. Organisasi yang bergantung pada perangkat lunak sumber terbuka juga dapat membantu mendanai upaya pemeliharaan dan pengamanannya; Electronic Frontier Foundation secara khusus menyerukan dukungan yang lebih besar bagi proyek sumber terbuka. Namun, bukti yang tersedia tidak memverifikasi klaim tertentu tentang kelelahan pengelola atau perubahan jumlah staf di proyek tertentu.
Jeda antara publikasi patch dan pembaruan bisa dimanfaatkan
AI untuk menemukan celah punya manfaat defensif. Namun, perbaikan keamanan yang dipublikasikan dapat memberi petunjuk tentang kerentanan yang ditangani. Epoch AI melaporkan bahwa GLM 5.3, model yang tersedia secara terbuka dari Z.ai, menggunakan perbaikan Firefox yang sudah dipublikasikan tetapi belum dikirim ke pengguna untuk membangun serangan yang berfungsi terhadap enam versi Firefox. Epoch memperkirakan biaya marginalnya sekitar US$1.000 untuk setiap serangan yang berhasil.3
Itu merupakan eksperimen terkontrol, bukan bukti bahwa serangan tersebut digunakan terhadap pengguna Firefox. Meski demikian, laporan itu menunjukkan risiko “jeda patch”: selang waktu antara informasi tentang perbaikan yang menjadi publik dan pembaruan yang benar-benar diterima pengguna. Pemberitaan sekunder menyebut Mozilla mengatasi celah terkait dalam Firefox 159.0.2
9
Artinya bukan bahwa perbaikan sebaiknya tidak dipublikasikan—pengguna membutuhkan patch untuk melindungi diri. Yang perlu diperhitungkan adalah kemungkinan detail teknis dianalisis dengan cepat, sehingga pemasangan pembaruan tepat waktu menjadi semakin penting.3
Jumlah patch besar perlu dibaca dengan konteks
Patch Tuesday Microsoft pada Oktober menunjukkan mengapa angka kerentanan perlu dibaca dengan cermat. Catatan rilis Microsoft mencantumkan 1.468 CVE, sedangkan Veracode melaporkan 1.413 kerentanan dalam rilis tersebut. Bukti yang tersedia tidak menjelaskan perbedaan hitungan itu. Veracode juga menandai celah Windows Shell yang memungkinkan pengelakan fitur keamanan dan sudah dieksploitasi secara aktif. Jumlah total saja tidak menjelaskan penyebab lonjakan atau berapa banyak temuan yang berasal dari AI.
Contoh lain menunjukkan pekerjaan yang dibutuhkan untuk menanggapi celah: CERT-EU menyebut proyek PHP mengumumkan dua kerentanan kritis pada 20 Oktober dan merilis perbaikannya keesokan hari. Reuters juga melaporkan bahwa tujuh profesional keamanan siber memperingatkan bahwa celah yang ditemukan AI dapat berkontribusi pada gangguan lebih lanjut.17 Itu merupakan peringatan tentang kemungkinan dampak, bukan bukti bahwa penemuan berbantuan AI pasti akan menimbulkan insiden.
Keuntungan keamanan AI belum bisa dipastikan
AI dapat membantu pihak defensif menemukan kelemahan lebih awal, tetapi eksperimen Firefox menunjukkan bahwa pengembangan serangan juga bisa dipercepat.3 Sumber yang tersedia belum membuktikan pihak mana yang pada akhirnya akan lebih diuntungkan. Untuk saat ini, prioritas yang paling jelas ialah menghubungkan penemuan dengan proses pemeriksaan yang efektif dan perbaikan yang segera diterapkan secara luas—agar arus temuan yang makin besar tidak hanya berubah menjadi antrean panjang bagi pengelola proyek dan pengguna.
Studio Global AI
Lanjutkan penelitian Anda
Halaman ini berisi jawaban yang didukung sumber yang dapat Anda lanjutkan di dalam Studio Global.
Orang-orang juga bertanya
Apa jawaban singkat untuk "AI Makin Cepat Menemukan Bug, tetapi Perbaikannya Masih Tertinggal"?
Palo Alto Networks mengklaim AI membantu menemukan lebih dari 14.000 kerentanan yang sebelumnya belum terdeteksi di perangkat lunak sumber terbuka dalam tiga minggu—setara dengan hasil uji penetrasi manual selama seta...
Apa poin penting yang harus divalidasi terlebih dahulu?
Palo Alto Networks mengklaim AI membantu menemukan lebih dari 14.000 kerentanan yang sebelumnya belum terdeteksi di perangkat lunak sumber terbuka dalam tiga minggu—setara dengan hasil uji penetrasi manual selama seta... Anthropic melaporkan modelnya menemukan lebih dari 29.000 kandidat kerentanan dalam enam bulan, sementara sekitar 6.000 telah ditinjau dan dipilah oleh manusia.
Apa yang harus saya lakukan selanjutnya dalam latihan?
Dalam eksperimen terkontrol, model GLM 5.3 mengubah informasi dari perbaikan Firefox yang belum sampai ke pengguna menjadi serangan terhadap enam versi peramban itu, dengan biaya marginal sekitar US$1.000 per serangan...