Bacotan Online – Hampir 45 persen kode perangkat lunak yang dihasilkan oleh peranti pemrograman berbasis kecerdasan buatan gagal memenuhi uji keamanan standar OWASP Top 10. Kendati demikian, laporan tahunan Veracode mencatat bahwa sebagian besar korporasi tetap mendistribusikan kode otomatis tersebut langsung ke lingkungan sistem produksi. Pengujian ini mengevaluasi lebih dari 100 model bahasa besar (large language model) pada 80 variasi instruksi pemrograman di ekosistem Java, Python, C#, serta JavaScript.
Dari segi keandalan bahasa pemrograman, Java mencatatkan tingkat kerentanan tertinggi dengan 72 persen kode gagal lolos uji keamanan, disusul Python dan JavaScript pada rentang 38 hingga 45 persen. Pada kategori celah spesifik, sebanyak 86 persen kode buatan mesin tidak memiliki pertahanan terhadap cross-site scripting, sementara 88 persen lainnya rentan terhadap manipulasi log injection. Tren ini mempertegas urgensi standarisasi arsitektur keamanan kecerdasan buatan sebelum instruksi diintegrasikan ke basis data operasional.
Eskalasi Celah Keamanan pada Lingkungan Repositori Produksi
Pusat pelacakan Vibe Security Radar dari Georgia Tech mencatat peningkatan pendaftaran common vulnerabilities and exposures (CVE) yang terhubung langsung dengan peranti pemrograman AI. Jumlah temuan CVE yang terverifikasi naik dari 6 kasus pada Januari menjadi 35 kasus pada akhir kuartal pertama 2026. Para peneliti memperkirakan volume riil kerentanan berpotensi lebih tinggi karena banyak peranti otomatis tidak menyertakan tanda pengenal pada riwayat commit pengembang.
Kondisi serupa tercatat pada analisis operasional Apiiro di sejumlah repositori korporasi skala besar. Pengembang yang memanfaatkan asisten AI memang mampu menulis baris kode tiga kali lebih cepat, namun volume temuan kerentanan bulanan meningkat signifikan dari 1.000 menjadi lebih dari 10.000 kasus dalam kurun enam bulan. Kenaikan tertinggi terjadi pada anomali privilege escalation sebesar 322 persen serta kelemahan rancang bangun arsitektur piranti lunak sebesar 153 persen.
Evaluasi Ketergantungan Paket Fiktif dan Audit Berkelanjutan
Selain kerentanan sintaksis, ekosistem perangkat lunak kini menghadapi risiko ketergantungan paket fiktif atau slopsquatting. Fenomena ini muncul saat model AI secara konsisten menyarankan pustaka kode yang tidak terdaftar di repositori resmi. Data analisis terhadap 576.000 sampel kode mendeteksi 19,7 persen pustaka yang disarankan merupakan dependensi semu, yang kerap dimanfaatkan peretas untuk menyusupkan muatan berbahaya pada registri publik seperti npm dan PyPI.
Menghadapi dinamika tersebut, konsorsium keamanan siber dan pelaku industri mulai memperketat prosedur verifikasi otomatis pada jalur integrasi berkelanjutan. Standarisasi audit kini difokuskan pada validasi dependensi eksternal, pemindaian statis mandiri, serta pembatasan kewenangan eksekusi kode otomatis demi menekan celah eksploitasi sebelum perangkat lunak resmi diluncurkan ke publik.
