AI Makin Canggih, ENSIGN Ungkap Model AI Bisa Bobol Jaringan hingga 100 Persen

JAKARTA, TRENASIA.ID – Kecerdasan buatan (AI) mulai menunjukkan kemampuan yang semakin besar dalam menjalankan operasi siber ofensif. Model AI generatif tidak lagi hanya digunakan sebagai alat bantu untuk mencari informasi atau menghasilkan kode, tetapi juga mampu menjalankan sejumlah tahapan serangan terhadap jaringan secara mandiri.

Temuan tersebut diungkap ENSIGN Infosecurity dalam Cyber Threat Landscape Report 2026. Melalui pengujian terhadap 10 model AI, ENSIGN menemukan bahwa kemampuan AI paling kuat terlihat pada tahap awal serangan, termasuk memperoleh akses ke jaringan dan mengakses data sensitif.

Namun, kemampuan tersebut belum sepenuhnya diikuti kemampuan untuk beroperasi secara tersembunyi. Ketika diuji untuk menghindari sistem Endpoint Detection and Response (EDR), tingkat keberhasilan model AI turun menjadi 40%.

Temuan ini menunjukkan adanya paradoks dalam perkembangan AI untuk keamanan siber. Model AI semakin mampu menemukan celah dan menjalankan serangan, tetapi teknologi pertahanan berbasis deteksi perilaku masih menjadi salah satu hambatan utama bagi operasi ofensif yang dilakukan AI.

ENSIGN Uji 10 Model AI dalam Cyber Range

ENSIGN melakukan pengujian menggunakan lingkungan simulasi yang disebut AI Cyber Range. Lingkungan tersebut dirancang untuk menguji kemampuan model AI dalam menjalankan berbagai tahapan operasi siber secara terkontrol.

Dari lebih dari 150 model AI yang tersedia secara publik, ENSIGN memilih 10 model yang masuk persentil ke-95 dalam benchmark global. Model-model tersebut kemudian dibagi menjadi dua kelompok berdasarkan pengembang dan wilayah asalnya.

Kelompok pertama terdiri atas model dari perusahaan teknologi Barat, yakni OpenAI GPT-5.6 Sol, Anthropic Claude Opus 4.8, Google Gemini 3.5 Flash, Meta Muse Spark, dan xAI Grok 4.5.

Sementara itu, kelompok kedua terdiri atas Z.AI GLM-5.2, Moonshot Kimi K3, Alibaba Qwen 3.8 Max, DeepSeek V4-Pro, dan MiniMax M3.

Dalam pengujian tersebut, setiap model menghadapi delapan tujuan serangan atau Attack Objectives. Masing-masing tujuan diuji sebanyak 16 kali pengulangan. Pengujian mencakup tahapan mulai dari memperoleh akses awal ke jaringan hingga mempertahankan akses terhadap sistem yang telah dikompromikan.

Pendekatan tersebut penting karena kemampuan sebuah model AI dalam menjawab pertanyaan mengenai keamanan siber tidak selalu sama dengan kemampuannya menjalankan rangkaian serangan secara langsung.

Dengan menggunakan cyber range, ENSIGN dapat mengukur keberhasilan model berdasarkan hasil eksekusi dalam lingkungan yang dikendalikan.

Akses Awal Menjadi Titik Kuat AI

Salah satu temuan utama laporan tersebut adalah tingginya tingkat keberhasilan model AI dalam sejumlah tahapan serangan.MPada tujuan mendapatkan akses ke jaringan melalui portal Learning Management System (LMS), tingkat keberhasilan mencapai 100%.

Artinya, seluruh model yang diuji mampu mencapai tujuan tersebut dalam skenario pengujian ENSIGN. Kemampuan tinggi juga terlihat ketika model diminta mengakses data sensitif melalui kompromi basis data. Tingkat keberhasilannya mencapai 90%.

Selanjutnya, kemampuan melakukan pivot lateral melalui zona demiliterisasi atau DMZ mencapai 85%. Sementara itu, tujuan untuk menyusup ke trust plane, yakni mengambil alih sistem atau komponen yang dipercaya dalam jaringan, juga mencatat tingkat keberhasilan 85%.

Jika dirangkum, terdapat empat kemampuan yang mencatat tingkat keberhasilan paling tinggi:

Memperoleh akses jaringan melalui portal LMS: 100%
Mengompromikan basis data untuk mengakses data sensitif: 90%
Melakukan pivot lateral pada DMZ: 85%
Menyusup ke trust plane: 85%

Data tersebut memperlihatkan bahwa model AI yang diuji relatif efektif ketika menghadapi tahapan serangan yang berkaitan dengan akses, eksplorasi jaringan, dan pengambilan data.

Bagi organisasi, kondisi tersebut membuat pertahanan pada perimeter jaringan saja semakin tidak cukup. Sistem keamanan perlu mempertimbangkan kemungkinan bahwa pelaku serangan dapat menggunakan AI untuk mempercepat pencarian celah dan menjalankan tahapan serangan secara lebih otomatis.

AI Masih Kesulitan Menghindari Deteksi EDR

Kemampuan AI mengalami penurunan ketika masuk ke tahap yang membutuhkan operasi secara lebih tersembunyi. Salah satu pengujian ENSIGN berfokus pada kemampuan model untuk menghindari deteksi Endpoint Detection and Response atau EDR.

Hasilnya, tingkat keberhasilan keseluruhan hanya mencapai 40%. Dalam pengujian tersebut, hanya enam model yang mampu mencapai keberhasilan parsial dalam menghindari EDR.

EDR sendiri merupakan teknologi keamanan yang memantau aktivitas pada perangkat atau endpoint, seperti komputer dan server. Sistem tersebut dapat membantu mendeteksi aktivitas mencurigakan berdasarkan perilaku yang terjadi pada perangkat.

Rendahnya tingkat keberhasilan AI pada pengujian ini menjadi salah satu temuan penting dalam laporan ENSIGN. Model AI mungkin dapat menemukan jalan masuk dan menjalankan aktivitas tertentu di dalam jaringan, tetapi mempertahankan operasi tanpa terdeteksi tetap menjadi tantangan.

Dengan kata lain, kemampuan melakukan serangan tidak secara otomatis berarti kemampuan melakukan serangan secara stealth.

Perbedaan tersebut penting bagi perusahaan karena sistem pertahanan modern tidak hanya mengandalkan pengamanan pintu masuk jaringan. Aktivitas setelah perangkat berhasil dikompromikan juga dapat dipantau melalui endpoint, jaringan, identitas, serta sistem keamanan lainnya.

Model AI Timur Mulai Bersaing dengan Model Barat

Laporan ENSIGN juga memberikan gambaran mengenai persaingan kemampuan antara model AI yang dikembangkan perusahaan teknologi Barat dan model yang berasal dari China serta negara lain di Asia.

Dalam pengujian tersebut, model seperti Z.AI GLM-5.2, Moonshot Kimi K3, Alibaba Qwen 3.8 Max, DeepSeek V4-Pro, dan MiniMax M3 ikut menunjukkan kemampuan dalam menjalankan skenario serangan.

Temuan tersebut menunjukkan bahwa kemampuan untuk menjalankan operasi siber berbasis AI tidak hanya dimiliki oleh model yang dikembangkan perusahaan teknologi Amerika Serikat.

Kesenjangan kemampuan antar kelompok model juga disebut semakin menyempit dalam sejumlah pengujian. Model dari Asia menunjukkan kemampuan yang kompetitif dalam menjalankan tugas teknis yang diberikan di dalam lingkungan pengujian.

Kondisi ini memiliki implikasi terhadap keamanan siber global. Jika kemampuan AI ofensif semakin tersebar di berbagai model dan penyedia teknologi, organisasi tidak dapat hanya mempersiapkan diri terhadap ancaman yang berasal dari satu kelompok model tertentu.

Ancaman dapat muncul dari berbagai model dengan kemampuan, arsitektur, dan karakteristik yang berbeda.

Perkembangan tersebut membuat perusahaan perlu melihat keamanan siber sebagai perlombaan antara kemampuan menyerang dan kemampuan mendeteksi.

AI dapat digunakan untuk membantu menemukan kerentanan, menganalisis sistem, menyusun langkah eksploitasi, maupun mengotomatisasi sejumlah pekerjaan yang sebelumnya membutuhkan intervensi manusia.

Di sisi lain, teknologi yang sama juga dapat digunakan oleh tim keamanan untuk mendeteksi pola serangan, melakukan analisis log, memprioritaskan kerentanan, serta mempercepat respons terhadap insiden.

Kondisi tersebut menciptakan situasi yang semakin mendekati konsep AI versus AI, ketika teknologi kecerdasan buatan digunakan baik oleh pihak yang menyerang maupun pihak yang mempertahankan sistem.