BREAKING

TEKNOLOGI

MDASH: Microsoft Kerahkan 100 Agen AI Pemburu Bug Software

Microsoft luncurkan MDASH, sistem pertahanan siber berbasis 100+ agen AI yang sukses temukan 16 celah krusial di Windows dan kalahkan GPT 5.5.

SEANTERONEWS.com – Menjawab ancaman eksploitasi kecerdasan buatan oleh kelompok peretas, Microsoft resmi memperkenalkan MDASH (Multi-Model Agentic Scanning Harness), sebuah sistem pertahanan mutakhir yang mengerahkan lebih dari 100 agen AI spesialis untuk mendeteksi dan menambal celah keamanan (bug) pada perangkat lunak.

Sistem inovatif ini tidak hanya sekadar konsep di atas kertas. Dalam uji coba internalnya, Microsoft berhasil memanfaatkan MDASH untuk membongkar 16 kerentanan baru pada sistem operasi Windows. Celah yang ditemukan mencakup empat cacat kategori Critical terkait eksekusi kode jarak jauh (remote code execution) pada komponen vital, seperti Windows kernel TCP/IP stack dan layanan IKEv2.

Ungguli GPT 5.5 dan Claude Mythos di CyberGym

Kehadiran MDASH menjadi bukti bahwa sistem kecerdasan buatan majemuk memiliki efektivitas yang jauh lebih tinggi dibanding model AI tunggal. Berdasarkan data yang dirilis Microsoft, MDASH sukses mencatatkan skor tertinggi sebesar 88,45% pada CyberGym benchmark—sebuah standarisasi global yang menguji keandalan AI dalam mendeteksi kelemahan kode digital.

Raihan impresif tersebut membuat MDASH berhasil mengungguli model-model AI kompetitor yang juga berfokus pada keamanan siber, termasuk GPT 5.5 besutan OpenAI serta Claude Mythos besutan Anthropic.

“Implikasi strategis dari temuan ini sangat jelas: penemuan kerentanan melalui AI telah melompat dari sekadar riset akademis menjadi sistem pertahanan tingkat produksi berskala perusahaan (enterprise scale),” tulis Microsoft dalam pengumuman resminya, Kamis (14/5/2026).

Metode Debat Antar-Agen AI untuk Akurasi Tinggi

Meskipun tidak merinci jenis model bahasa besar (LLM) spesifik yang digunakan, Microsoft menjelaskan bahwa kekuatan utama MDASH terletak pada kolaborasi masif. Sistem ini memadukan kekuatan model AI papan atas dengan efisiensi model-model AI yang lebih kecil (small models), di mana setiap agen memiliki spesialisasi khusus untuk melacak jenis bug tertentu.

“Tidak ada satu model pun yang terbaik di setiap tahapan. Sistem ini menjalankan panel model yang dapat dikonfigurasi secara fleksibel,” tambah Microsoft.

Salah satu fitur paling revolusioner dari MDASH adalah mekanisme “debat internal”. Setelah para agen AI memindai kode komputer dan menemukan potensi bahaya, mereka akan saling menguji dan mendebat temuan tersebut untuk memastikan validitasnya.

Jika terjadi perbedaan pendapat di mana satu agen auditor mengidentifikasi ancaman dan agen pendebat tidak mampu menyanggahnya, maka kredibilitas atau tingkat bahaya dari temuan tersebut otomatis naik. Metode ini terbukti ampuh meminimalkan tingkat kesalahan deteksi (false positives).

Mencegah Pola Serangan Balik: Akses Terbatas

Hingga saat ini, kedahsyatan MDASH baru diimplementasikan secara internal oleh tim rekayasa keamanan Microsoft bersama sejumlah kecil klien korporat dalam fase private preview. Langkah protektif ini sengaja diambil mengingat kemampuan MDASH yang sangat masif dan hampir setara dengan kemampuan peneliti serangan ofensif profesional, sehingga sangat rawan jika jatuh ke tangan yang salah.

Kendati demikian, Microsoft kini mulai membuka pintu pengajuan akses secara selektif bagi pelanggan korporat skala besar yang memenuhi kriteria keamanan ketat.

Peluncuran MDASH terjadi di tengah situasi genting di mana para peretas mulai memanfaatkan AI generatif untuk merancang serangan siber yang merusak. Industri keamanan kini berada di persimpangan jalan: sebuah perlombaan senjata digital di mana teknologi yang sama bisa menjadi perisai kokoh atau justru senjata pemusnah massal. Pertanyaan besarnya kini adalah apakah benteng pertahanan berbasis AI seperti MDASH mampu menahan laju gelombang serangan yang dikendalikan oleh AI di masa depan.

author avatar
Redaksi Editor
Seantero News

Leave A Reply

Your email address will not be published. Required fields are marked *

Related Posts