Momen Mythos: Ketika penemuan melampaui kemampuan pertahanan

Pada April 2026, lingkungan keamanan siber mencapai titik balik yang tidak dapat diubah. Model Mythos dari Anthropic membuktikan bahwa kecerdasan buatan (AI) mampu mengidentifikasi dan berpotensi memanfaatkan kerentanan dalam skala serta kecepatan yang melampaui kemampuan manusia. Indikasi awal menunjukkan ribuan kerentanan yang sebelumnya belum diketahui telah ditemukan di berbagai platform utama, sementara hanya sebagian kecil yang telah dimitigasi.

Perkembangan ini secara fundamental mengubah cara perusahaan memandang keamanan. Untuk pertama kalinya, tantangan utama—bukan lagi menemukan—kerentanan, melainkan meresponsnya.

Selama bertahun-tahun, strategi keamanan siber berfokus pada peningkatan visibilitas. Organisasi berinvestasi pada alat untuk memindai kode, infrastruktur, dan aplikasi guna mengidentifikasi risiko. Pendekatan tersebut didasarkan pada asumsi bahwa penemuan merupakan faktor pembatas. Kini, asumsi tersebut tidak lagi berlaku. Sistem berbasis AI kini mampu menemukan kerentanan secara berkelanjutan dengan kecepatan yang melampaui kemampuan tim manusia untuk menanganinya.

Implikasinya jelas. Fokus kini bergeser dari menemukan kerentanan menjadi mengambil tindakan untuk menanganinya.

Lingkungan yang dihasilkan oleh penemuan kerentanan berbasis AI secara fundamental berbeda dari lingkungan yang selama ini dikelola perusahaan. Volume meningkat secara signifikan karena kerentanan kini dapat diidentifikasi dalam skala mesin. Kecepatan menjadi faktor yang sangat penting ketika jendela paparan risiko menyusut dari hitungan minggu menjadi hitungan jam, sementara, noise bertambah akibat banyaknya temuan yang tidak memiliki konteks maupun prioritas, sehingga membebani tim yang kapasitasnya sudah terbatas.

Fragmentasi antar alat menjadi kelemahan sistemik ketika kerentanan tersebar di kode, infrastruktur, dan lingkungan waktu proses tanpa visibilitas yang terpadu. Kombinasi kondisi tersebut menciptakan tekanan operasional yang berkelanjutan, sementara pendekatan tradisional tidak lagi mampu mengimbanginya.

Situasi ini tidak cukup diatasi melalui penyempurnaan bertahap—dibutuhkan perubahan mendasar pada model operasional. Perubahan tersebut menandai pergeseran dari pengelolaan kerentanan secara individual menuju pengelolaan paparan risiko sistemik di seluruh perusahaan. Pendekatan tradisional bersifat linear dan reaktif, di mana tim memindai, melakukan triase, membuat tiket, dan melakukan remediasi, sering kali melalui tool serta alur kerja yang terfragmentasi.

Ketika kerentanan penting atau pelanggaran keamanan terdeteksi, model operasional tradisional segera berubah menjadi pusat koordinasi respons insiden. Tim keamanan, pengembangan, operasional, dan infrastruktur harus dilibatkan secara bersamaan. Sementara itu, data perlu dikumpulkan dari berbagai sistem, kepemilikan tanggung jawab sering kali belum jelas, dan berbagai keputusan penting harus diambil dalam kondisi yang penuh tekanan. Memahami dampak secara menyeluruh sekaligus mengoordinasikan respons dapat memerlukan waktu beberapa hari hingga beberapa minggu.

Dalam lingkungan yang semakin dipercepat oleh AI, kompleksitas tersebut meningkat secara signifikan. Organisasi tidak lagi hanya menghadapi satu insiden, tetapi ribuan paparan risiko baru. Proses manual yang terfragmentasi tetap digunakan, meskipun kini harus menangani beban kerja yang meningkat secara eksponensial.

Pendekatan tersebut tidak dapat diskalakan. Kapasitas tim tidak lagi mampu mengimbanginya. Sebuah model baru sedang muncul. Pengelolaan paparan yang berkelanjutan mengintegrasikan visibilitas, penentuan prioritas, dan remediasi ke dalam satu kemampuan yang berlangsung secara berkelanjutan. Industri kini bergerak melampaui pendekatan tradisional dalam pengelolaan kerentanan. Organisasi membutuhkan model operasional baru yang dirancang khusus untuk mengimbangi skala dan kecepatan AI.

Model ini harus berjalan secara berkelanjutan, bukan bersifat insidental. Model ini harus mengintegrasikan visibilitas, penentuan prioritas, dan remediasi ke dalam satu alur operasional yang terpadu. Model ini juga harus memungkinkan organisasi mengambil tindakan secara real time berdasarkan dampak bisnis, bukan semata-mata tingkat keparahan teknis.

Keamanan kini diintegrasikan ke seluruh siklus hidup pengiriman perangkat lunak alih-alih diterapkan hanya pada tahap akhir. Penentuan prioritas bergeser dari skor keparahan yang bersifat umum menuju dampak terhadap bisnis, sementara remediasi diotomatisasi, dikelola melalui tata kelola yang jelas, dan diintegrasikan ke dalam alur kerja yang telah ada. Hasilnya adalah siklus berkelanjutan yang membantu mengurangi risiko sekaligus mempertahankan kecepatan penyampaian.

Tahap berikutnya dalam evolusi arsitektur keamanan siber berpusat pada integrasi operasional. Perusahaan tidak membutuhkan lebih banyak solusi yang berdiri sendiri. Yang dibutuhkan adalah lapisan operasional yang menghubungkan kemampuan yang sudah dimiliki serta mengubah sinyal menjadi tindakan nyata. Hal ini berarti menghubungkan temuan keamanan secara langsung ke sistem tempat pekerjaan berlangsung, bukan menciptakan alur kerja paralel yang baru.

Lapisan ini harus mampu memproses temuan dari berbagai sumber, termasuk penemuan kerentanan berbasis AI. Lapisan ini juga harus mengorelasikan paparan risiko di seluruh tumpukan teknologi, menetapkan prioritas berdasarkan risiko dan konteks bisnis yang spesifik bagi perusahaan, serta mengorkestrasi remediasi melalui proses dan sistem yang telah digunakan. Tanpa kemampuan ini, peningkatan visibilitas hanya akan menambah kompleksitas.

Organisasi yang mampu beradaptasi dengan sukses memiliki sejumlah karakteristik yang sama. Mereka beroperasi secara berkelanjutan dengan kesadaran dan respons secara real time. Mereka menetapkan prioritas berdasarkan dampak risiko terhadap bisnis, bukan semata-mata tingkat keparahan teknis. Mereka mengotomatiskan pelaksanaan untuk mengurangi ketergantungan pada proses manual. Mereka menyatukan tim pengembangan, keamanan, dan operasional melalui pemahaman bersama mengenai risiko. Mereka mengukur hasil, seperti waktu remediasi dan tingkat pengurangan risiko, bukan sekadar volume aktivitas. Pendekatan ini mencerminkan pergeseran dari keamanan yang bersifat reaktif menuju ketahanan yang dirancang secara sistematis.

Kemunculan model seperti Mythos seharusnya mendorong evaluasi strategis, bukan sekadar respons sesaat. Para pemimpin perusahaan perlu mengajukan pertanyaan mendasar, seperti:

• Seberapa cepat organisasi dapat melakukan remediasi terhadap kerentanan?
• Apa yang akan terjadi apabila laju penemuan kerentanan meningkat secara signifikan?
• Di mana letak kesenjangan antara deteksi dan tindakan?

Jawaban atas pertanyaan tersebut akan menentukan tingkat kesiapan organisasi.

Selama satu dekade terakhir, industri berfokus pada peningkatan kemampuan mengidentifikasi kerentanan. Dekade berikutnya akan ditentukan oleh kemampuan organisasi menyelesaikan kerentanan tersebut secara efektif. AI telah mempercepat proses penemuan. Pada saat yang sama, AI juga mengungkap keterbatasan model operasional saat ini.

Organisasi yang berhasil adalah organisasi yang mentransformasi pengelolaan paparan risiko, beralih dari proses yang terfragmentasi menuju eksekusi yang berkelanjutan dan terintegrasi. Pertanyaannya kini bukan lagi seberapa cepat kerentanan dapat ditemukan. Melainkan, apakah organisasi telah memiliki struktur yang mampu memperbaikinya secepat kerentanan baru terus bermunculan.

Transformasi ini telah dimulai. Kini saatnya menjadi pemimpin dalam perubahan tersebut.

Pelajari lebih lanjut tentang IBM® Concert