Pemimpin pemikiran
AI Menemukan Kerentanan dengan Sangat Cepat. Namun, Memperbaikinya adalah Perkara Lain.

Poin utamaAI sekarang menemukan zero-day lebih cepat daripada kemampuan defender menambalnya.
Lihat selengkapnya
- AI sekarang menemukan zero-day lebih cepat daripada kemampuan defender menambalnya.
- Lebih dari setengah patch yang dihasilkan AI gagal memperbaiki celah atau justru memunculkan celah baru.
- Mengandalkan hanya CVE yang telah diungkapkan membuat defender bereaksi terhadap timeline penyerang.
Kita menghadapi masalah baru dalam keamanan siber, dan ironisnya, masalah ini muncul karena kemampuan kita menemukan masalah dengan lebih cepat daripada sebelumnya.
Model AI terdepan semakin mahir menemukan dan mengeksploitasi kerentanan perangkat lunak. Artinya, kelemahan yang mungkin tersembunyi selama bertahun-tahun kini terungkap dengan kecepatan yang sulit dibayangkan beberapa bulan lalu.
Namun, tantangannya adalah industri ini jauh lebih cepat berkembang dalam menemukan kerentanan daripada memperbaikinya. Simak penelitian terbaru dari Anthropic. GLM-5.3, model dengan bobot terbuka dari Zhipu AI, berhasil mengembangkan eksploit ujung ke ujung yang berfungsi dalam 50 dari 410 percobaan pada tolok ukur ExploitBench, sementara Claude Mythos Preview berhasil melakukannya sebanyak 56 kali.
Selisih itu sangat kecil antara model AI terdepan yang aksesnya dibatasi dan model yang bobotnya tersedia secara terbuka. Kemampuan yang dahulu hanya dimiliki peneliti keamanan dengan keahlian khusus kini dapat diakses oleh khalayak yang jauh lebih luas. Sementara itu, perangkat lunak yang kita gunakan tidak serta-merta menjadi lebih aman. Kita telah memasuki era ketika menemukan kerentanan zero-day bisa lebih cepat daripada proses memperbaikinya.
Kerentanan PHP2Shell yang baru-baru ini ditemukan adalah contoh utamanya. Menurut penelitian dari Wiz, Calif, dan tim Codex Security OpenAI, AI terdepan membantu seorang peneliti menemukan kelemahan kritis pada mesin PHP dalam waktu sekitar seminggu. Kerentanan ini berdampak pada runtime yang menjadi landasan sebagian besar web, termasuk aplikasi yang dibangun dengan WordPress, Drupal, dan Joomla.
Bagi tim keamanan, hal ini memunculkan pertanyaan mendesak: Apa yang terjadi ketika penyerang dapat menemukan kerentanan lebih cepat daripada pihak yang bertahan dapat menambalnya?
Panduan Pengelolaan Kerentanan Tidak Dirancang untuk Menghadapi Situasi Ini
Selama bertahun-tahun, pengelolaan kerentanan mengikuti alur yang sudah lazim. Sebuah kerentanan ditemukan, seseorang melaporkannya, nomor CVE diberikan, tambalan tersedia, alat pemindai menandainya, tim keamanan menilai risikonya, memprioritaskan perbaikannya, lalu menerapkannya. Proses ini memang tidak sempurna, tetapi seluruh ekosistem keamanan dibangun dengan mengandalkannya.
Namun, masalah sebenarnya adalah proses ini sangat bergantung pada pengetahuan bahwa kerentanan tersebut memang ada. Alat pemindai tradisional sangat berguna untuk memberi tahu kerentanan yang sudah diketahui di lingkungan Anda. Namun, bagaimana dengan kerentanan yang belum diungkapkan? Yang belum memiliki CVE, imbauan keamanan, ataupun tambalan?
Pengungkapan PHP2Shell menunjukkan betapa rentannya kita jika hanya mengandalkan model ini. Dua kerentanan kritis tersebut, CVE-2026-109618 dan CVE-2026-109619, sama-sama mendapat nilai CVSS 9.2 dan melibatkan kelemahan keamanan memori pada PHP itu sendiri. Para peneliti mendemonstrasikan eksekusi kode jarak jauh dan pengungkapan memori pada aplikasi yang banyak digunakan, termasuk WordPress, Drupal, dan Joomla. Aplikasi yang kode lainnya aman pun bisa terdampak karena kelemahannya terdapat pada runtime yang mendasarinya.
Linimasa kejadiannya juga sama-sama mengungkapkan banyak hal. Setelah muncul peringatan publik awal, tim keamanan PHP mempercepat jadwal rilisnya. Saat tambalan tersedia, upaya serangan awal sudah mulai teramati.
Selain itu, PHP bukan satu-satunya masalah hari itu. Serangan rantai pasok perangkat lunak yang terpisah membobol LiteLLM versi 1.107.0, sebuah gerbang sumber terbuka populer untuk model bahasa besar. Penyerang menyisipkan pencuri informasi dan trojan akses jarak jauh ke dalam paket Python yang diterbitkan, sementara repositori kode sumber proyek itu tetap bersih. Tim yang hanya meninjau kode sumber tidak akan menemukan muatan berbahaya tersebut sama sekali.
Insiden-insiden ini menunjukkan bahwa kerentanan dapat tersembunyi selama bertahun-tahun jauh di dalam komponen perangkat lunak tepercaya, sementara kode berbahaya juga dapat masuk melalui dependensi yang rutin dipasang organisasi. Keduanya belum tentu berasal dari kode aplikasi itu sendiri.
Hal ini juga menunjukkan bahwa alat pemindai Anda dapat menyatakan semuanya aman, meskipun kerentanan serius masih terdapat dalam perangkat lunak yang menjadi sandaran aplikasi Anda. Hingga baru-baru ini, menemukan kelemahan tersembunyi dalam skala besar membutuhkan keahlian riset dan sumber daya yang signifikan. Namun, AI terdepan mengubah keadaan tersebut.
Menemukan Bug Itu Bagian Mudahnya. Lalu, Apa Selanjutnya?
Kemampuan AI menemukan kerentanan zero-day sangat menarik perhatian. Wajar saja, karena kemajuannya luar biasa. Namun, menurut saya, orang terlalu berlebihan membicarakan jumlah kerentanan yang dapat ditemukan AI dan masih terlalu sedikit membahas apa yang terjadi setelahnya.
Menemukan kerentanan tidak serta-merta membuat Anda lebih aman. Pertama, Anda harus membuktikan bahwa kerentanan itu nyata, karena temuan yang dihasilkan AI tidak otomatis valid dan eksploit yang tampak meyakinkan belum tentu dapat direproduksi. Setelah itu, Anda perlu memahami versi mana yang terdampak, apakah kerentanan tersebut benar-benar dapat dieksploitasi, dan risiko apa yang ditimbulkannya.
Selanjutnya, Anda perlu memperbaikinya, dan di sinilah persoalannya menjadi sangat menarik. Penelitian dari 1Password menelaah 6,080 tambalan yang dihasilkan AI dan menemukan bahwa 53.9% di antaranya gagal memperbaiki kerentanan awal, menimbulkan kelemahan keamanan baru, atau keduanya.
Dalam studi tersebut, lebih dari separuh patch yang dihasilkan memiliki masalah keamanan tersendiri. Tentu saja, hasil ini mencerminkan kondisi pengujian tertentu. Namun, hasil tersebut menggambarkan sesuatu yang diketahui setiap insinyur berpengalaman: menulis kode yang tampak seperti solusi dan membuktikan bahwa kode itu benar-benar menyelesaikan masalah adalah dua hal yang sangat berbeda.
Bahkan ketika patch-nya benar, pekerjaan Anda belum selesai. Apakah patch itu akan merusak fungsi yang sudah ada? Apakah patch itu kompatibel dengan versi lama pustaka yang menjadi dependensi aplikasi Anda? Bisakah patch itu diterapkan tanpa memaksa pemutakhiran yang menimbulkan belasan masalah lain?
Apa yang terjadi ketika Anda perlu menerapkannya di ratusan aplikasi, tim, dan lingkungan? Patch yang berfungsi di lingkungan pengujian, tetapi tak pernah diterapkan di lingkungan produksi, tidak melindungi siapa pun. Inilah jurang besar yang menurut saya perlu dihadapi industri keamanan.
Kita mempercepat penemuan kerentanan dengan sangat pesat, sementara sebagian besar pekerjaan yang diperlukan untuk mengubah temuan itu menjadi perlindungan nyata masih berjalan sangat lambat. Kesenjangan itu sendiri kini menjadi risiko keamanan.
Jadi, Bagaimana Kita Benar-Benar Menutup Kesenjangan Ini?
Menurut saya, jawabannya bukan menyuruh tim keamanan yang sudah kewalahan untuk bekerja lebih keras atau menangani lebih banyak peringatan. Kita perlu memikirkan ulang seperti apa pengelolaan kerentanan yang efektif ketika menemukan celah bukan lagi hambatan terbesar.
Berikut empat hal yang akan saya mulai.
1. Jangan Anggap Basis Data CVE sebagai Gambaran Lengkap
CVE dan pemindai kerentanan sangat penting, tetapi keduanya hanya mencatat apa yang kita ketahui—bukan semua kerentanan yang benar-benar ada. Tim keamanan perlu mulai melihat lebih jauh dari kerentanan yang diungkapkan kepada publik dengan memadukan pemindaian tradisional, riset proaktif, analisis kode, intelijen ancaman, dan pemahaman yang jelas tentang komponen perangkat lunak yang diandalkan organisasi mereka.
Sumber seperti Katalog Kerentanan yang Diketahui Dieksploitasi milik CISA berguna untuk menentukan prioritas ancaman yang sudah diketahui, tetapi tidak dapat memberi tahu Anda tentang kerentanan yang belum diungkapkan siapa pun. PHP2Shell menunjukkan bahwa kerentanan serius dapat berada dalam perangkat lunak fundamental selama bertahun-tahun sebelum ditemukan. Ketika AI terdepan dapat mengungkap celah ini dalam hitungan hari, jika hanya mengandalkan imbauan yang telah diterbitkan, para pihak yang bertahan akan selalu bereaksi mengikuti jadwal pihak lain.
2. Pahami Bahwa Lebih Banyak Temuan ≠ Keamanan yang Lebih Baik
AI dapat menghasilkan temuan potensial dalam jumlah sangat besar, tetapi bukan berarti setiap temuan layak membuat tim rekayasa menghentikan semua pekerjaan lain untuk menyelidikinya.
Nilai sebenarnya terletak pada kemampuan mengetahui kerentanan mana yang nyata, dapat dieksploitasi, dan relevan dengan lingkungan Anda. Dapatkah Anda mereproduksi masalah tersebut? Versi mana yang terdampak? Apakah ada jalur serangan yang realistis? Apa dampak sebenarnya terhadap bisnis?
Tanpa konteks itu, organisasi berisiko menentukan prioritas kerentanan hanya berdasarkan skor tingkat keparahan, sembari mengabaikan cara penyerang dapat menjangkau sistem dan kredensial sensitif.
3. Pastikan Perbaikannya Dapat Diterapkan, Bukan Sekadar Benar Secara Teknis
Ini salah satu tantangan yang paling sering diremehkan dalam penanganan kerentanan. Perusahaan besar tidak beroperasi di lingkungan yang serba ideal, tempat setiap dependensi dapat ditingkatkan ke versi terbaru dalam semalam. Mereka memiliki aplikasi lama, sistem yang saling terhubung, persyaratan kompatibilitas, serta versi perangkat lunak yang tidak bisa begitu saja diganti.
Karena itu, solusi yang mengharuskan organisasi membangun ulang separuh infrastrukturnya tidak terlalu berguna. Kita membutuhkan cara yang lebih baik untuk melakukan backport patch keamanan, mempertahankan kompatibilitas, mengurangi permukaan serangan yang tidak perlu, serta mengirimkan pembaruan melalui perangkat dan alur kerja yang sudah digunakan tim.
Panduan NIST tentang pengelolaan patch perusahaan menekankan pentingnya mengidentifikasi, menentukan prioritas, memasang, dan memverifikasi pembaruan. Tantangannya kini adalah mempercepat seluruh proses itu agar mampu mengimbangi penemuan yang didorong AI, sebab patch terbaik di dunia pun tidak berguna jika tak seorang pun dapat menerapkannya.
4. Ukur Seberapa Cepat Anda Benar-Benar Terlindungi
Jika AI menemukan kerentanan kritis hari ini, berapa lama waktu yang dibutuhkan untuk memvalidasinya, mengembangkan patch yang berfungsi, menguji patch tersebut, dan menerapkannya di lingkungan produksi?
Respons terhadap PHP2Shell menjadi tolok ukur yang bermanfaat. Di Echo, kami mengirimkan paket PHP yang telah diperbaiki segera setelah patch dari pengelola upstream tersedia, dan membangun ulang citra yang diperbarui untuk versi PHP yang didukung pada sore hari yang sama.
Tim keamanan seharusnya mengukur seluruh siklus penanganan, mulai dari penemuan dan validasi hingga pengembangan patch, pengujian kompatibilitas, dan penerapan. Mereka perlu mengetahui seberapa cepat perangkat lunak yang terdampak dapat dibangun ulang, apakah mereka dapat mengidentifikasi setiap aplikasi yang menggunakan dependensi rentan, dan seberapa banyak intervensi manual yang diperlukan agar terlindungi.
Seiring AI mutakhir membuat kerentanan lebih cepat dan mudah ditemukan, rentang waktu antara penemuan dan kemungkinan eksploitasi akan terus menyempit. Kita tidak bisa berasumsi bahwa siklus pengungkapan dan penambalan tradisional akan mampu mengimbanginya. Era manajemen kerentanan berikutnya akan ditentukan oleh siapa yang dapat mengubah temuan tersebut menjadi perbaikan yang andal dan siap diterapkan sebelum penyerang sempat bertindak.












