GitHub dan Microsoft mencoba pendekatan yang lebih hati-hati untuk memakai AI dalam pencarian celah keamanan open source. Dalam pilot bernama Codename MDASH, ribuan temuan awal dari enam proyek dipersempit menjadi 99 laporan privat yang telah diperiksa, lengkap dengan proof of concept dan usulan perbaikan. Hingga 15 November, maintainer proyek telah memperbaiki 55 temuan itu dan 14 di antaranya sudah masuk ke rilis.
Angka tersebut datang dari tulisan GitHub pada 17 November 2026: https://github.blog/open-source/maintainers/maintainers-dont-need-more-ai-bug-reports-they-need-fixes/
Proyek yang ikut serta adalah AutoGPT, Caddy, Express, FastMCP, ImageMagick, dan Netty. Keenamnya merupakan alumni GitHub Secure Open Source Fund. Maintainer menyetujui pemindaian, menerima laporan melalui GitHub Private Vulnerability Reporting, lalu tetap memegang keputusan tentang temuan mana yang perlu diperbaiki, bagaimana perbaikannya dibuat, dan kapan patch dirilis.
AI tidak langsung mengirim laporan
Alur MDASH sengaja menempatkan beberapa lapisan pemeriksaan di antara hasil pemindaian dan inbox maintainer. Microsoft menggunakan sistem Codename MDASH bersama model MAI Cyber untuk memindai kode dan menyusun usulan perbaikan. Hasil itu belum dianggap sebagai laporan kerentanan final.
Berikutnya, agen triase dari GitHub Security Lab menghapus duplikasi, memeriksa validitas, dan memusatkan perhatian pada masalah dengan dampak lebih tinggi. Peneliti Microsoft FORGE Lab kemudian memeriksa temuan yang tersisa secara manual. GitHub menyebut tujuh peneliti meninjau laporan tersebut sebelum dikirim secara privat.
Pendekatan itu penting karena pemindai AI dapat menghasilkan volume temuan yang jauh lebih besar daripada kapasitas maintainer untuk membacanya. Temuan yang sama bisa muncul berkali-kali, sementara peringatan lain mungkin tidak memenuhi definisi kerentanan dalam threat model proyek. Mengirim semuanya ke maintainer hanya memindahkan pekerjaan penyaringan ke pihak yang sudah kekurangan waktu.
Dari temuan ke patch
Hasil pilot menunjukkan bahwa nilai sistem bukan hanya pada kemampuan menemukan bug. Laporan yang sampai ke maintainer harus cukup jelas untuk diverifikasi dan cukup konkret untuk membantu perbaikan. GitHub mengatakan setiap laporan menyertakan bukti konsep serta saran patch, tetapi maintainer tidak diwajibkan menyalin usulan tersebut.
Dalam contoh yang dibagikan GitHub, maintainer Caddy memperbaiki 22 laporan dalam waktu kurang dari atau sekitar satu minggu. ImageMagick juga menerima 22 laporan. Pada salah satu kasus, maintainer dapat membuat perbaikan sekitar 15 menit setelah laporan menunjukkan lokasi kode yang relevan dan menjelaskan mengapa masalah itu berbeda dari isu yang tampak serupa.
Di AutoGPT, sebuah laporan datang tiga hari setelah maintainer merilis pemeriksaan yang ternyata bermasalah. Tim kemudian menulis perbaikannya sendiri dalam sehari dan memasukkannya ke produksi kurang dari seminggu setelah laporan diterima. Contoh-contoh ini menunjukkan bahwa laporan yang terverifikasi dapat memperpendek jarak antara penemuan dan perbaikan, meski keputusan teknis tetap berada di tangan pemilik proyek.
Penyaringan tetap menjadi titik kritis
GitHub tidak mempresentasikan pilot ini sebagai bukti bahwa keamanan open source sudah bisa diotomatisasi. Justru sebaliknya, perusahaan menekankan bahwa sampelnya kecil dan proses pemeriksaan manual belum mudah diskalakan. Peneliti menghabiskan sekitar dua hari untuk memeriksa hasil dari masing-masing proyek.
Itu adalah batas yang penting. AI dapat mempercepat pencarian kandidat, tetapi belum otomatis menyelesaikan pekerjaan memahami threat model, mengulang proof of concept, menilai dampak, membuat patch yang aman, dan berkoordinasi dengan maintainer. Dalam keamanan perangkat lunak, kesalahan klasifikasi bukan sekadar gangguan editorial: laporan palsu dapat menghabiskan waktu, sementara laporan yang terlambat bisa membiarkan celah tetap terbuka.
Microsoft sebelumnya menjelaskan skala penyaringan MDASH dalam tulisan tentang pemindaian subsistem Linux kernel: https://www.microsoft.com/en-us/security/blog/2026/11/11/lessons-from-59-linux-kernel-bug-reports/ Dalam pekerjaan itu, 26.502 temuan awal dipersempit menjadi 621 kasus dengan bukti proof of concept, lalu menghasilkan 59 laporan upstream. Angka tersebut memperlihatkan mengapa tahap validasi dan pemeriksaan manusia tidak bisa dihilangkan hanya karena model mampu memindai lebih cepat.
Standar baru untuk laporan keamanan berbantuan AI
Pelajaran utama dari MDASH bukan bahwa setiap proyek perlu menjalankan agen keamanan. Standarnya lebih sederhana: temuan harus diperiksa sebelum dikirim, dilaporkan melalui kanal privat, disertai bukti dan usulan perbaikan, lalu diserahkan kembali kepada maintainer untuk menentukan prioritas.
GitHub berencana membawa pelajaran pilot ini ke Private Vulnerability Reporting dan menawarkan pemindaian keamanan AI yang sudah melewati pemeriksaan kepada alumni Secure Open Source Fund. Jika pendekatan tersebut diperluas, ukuran keberhasilannya bukan jumlah bug yang ditemukan oleh model. Ukurannya adalah berapa banyak laporan yang benar-benar dapat diverifikasi, diperbaiki, dan dirilis tanpa menambah kebisingan bagi proyek yang menjadi fondasi banyak layanan internet.
Untuk saat ini, MDASH lebih tepat dibaca sebagai pola kerja kolaboratif: AI memperluas jangkauan pencarian, sistem triase mengurangi duplikasi, peneliti memeriksa bukti, dan maintainer tetap menjadi pengambil keputusan terakhir.