Dari Eksperimen AI hingga Operasi Otonom
– Christophe Briguet, Direktur Senior Manajemen Produk – AI & Analisis Keamanan, Stellar Cyber
San Jose, California – 28 April 2026
Sesuatu berubah di awal tahun 2026. Bukan secara bertahap — lebih seperti membalik saklar.
Selama bertahun-tahun, kita membicarakan AI di SOC Cara kita membicarakan mobil otonom: selalu lima tahun lagi, selalu membutuhkan "sedikit lebih banyak data." Kemudian MCP (Model Context Protocol) muncul. Kemudian kerangka kerja berbasis agen berhenti menjadi demo dan mulai menjadi alat. Dan tiba-tiba pertanyaannya bukan "bisakah AI membantu tim keamanan?" tetapi "apa yang harus kita biarkan AI lakukan terlebih dahulu?"
Saya tahu karena saya pernah menjalankannya.
Terobosan Agen yang Tak Diduga Siapa Pun
Inilah yang berubah: agen AI berhenti menjadi chatbot dengan akses API dan mulai menjadi rekan kerja sungguhan, yang mengingat hari kemarin, tahu cara menggunakan alat Anda, dan dapat melakukan panggilan sendiri.
MCP, yang awalnya dibuat oleh Anthropic dan sekarang berada di bawah naungan Linux Foundation, memberi kita sesuatu yang sebelumnya tidak kita miliki: cara universal bagi agen AI untuk terhubung ke sistem nyata. Bukan melalui integrasi yang rapuh atau kode khusus. Melalui protokol standar yang memungkinkan agen AI mana pun untuk berkomunikasi dengan alat apa pun, API apa pun, platform apa pun. Anggap saja sebagai USB untuk AI: pasang kemampuan baru, dan agen tersebut akan langsung menggunakannya.
At Bintang CyberKami telah meluncurkan dukungan MCP di platform kami. Agen AI kini dapat terhubung ke instance Stellar Cyber dan langsung mengakses manajemen kasus: mendaftarkan kasus, menarik detail investigasi lengkap dengan pemetaan dan pengamatan MITRE, memperbarui status, dan menugaskan analis. Satu panggilan API mengembalikan apa yang sebelumnya membutuhkan delapan klik dan tiga tab.
Namun MCP hanyalah penghubung. Terobosan sebenarnya terletak pada apa yang ada di atasnya: AI agen yang mengingat konteks, merencanakan alur kerja multi-langkah, dan bertindak atas nama Anda di antara sesi.
Apa yang Saya Pelajari Setelah Menjalankan Agen AI Selama Seminggu
- Menulis dua email pelanggan tentang kemampuan fitur. Mengambil konteks dari rangkaian email berisi 10 pesan, mencocokkannya dengan basis pengetahuan (KB), dan memastikan detail teknisnya tepat.
- Saya membuat tiket Jira. Dua kali salah mengisi kolom yang wajib diisi, kemudian menemukan cara menggunakan API, dan akhirnya berhasil pada percobaan ketiga.
- Menjadwalkan pertemuan empat orang dengan memeriksa kalender masing-masing. Menemukan satu slot kosong pada Rabu pagi.
- Meninjau dokumen proses di Confluence dan papan Figma yang sesuai. Menemukan lima celah yang belum diperhatikan siapa pun.
- Mengambil 30,000 kasus dari server Stellar Cyber MCP kami dalam satu kali panggilan. Pemetaan MITRE lengkap, data observasi, dan semua hal terkait.
- Buat cron job untuk memantau Google Form untuk pengajuan baru, membuat tiket secara otomatis, dan memberi tahu saya ketika ada sesuatu yang masuk. Tanpa kode. Hanya butuh sekitar sepuluh menit.
Sisi Lain dari Ini
Di sinilah letaknya ketidaknyamanan. Semua yang baru saja saya jelaskan? Musuh pun bisa melakukannya.
Jika agen AI dapat terhubung ke sistem tiket Anda, membaca tiket eskalasi Anda, melakukan referensi silang basis pengetahuan Anda, dan memahami celah deteksi Anda? Itu adalah peta jalan gratis untuk semua hal yang buruk dalam pertahanan Anda. Kemampuan agen yang sama yang membuat para pembela lebih cepat juga membuat para penyerang lebih sistematis.
MCP adalah pedang bermata dua. CrowdStrike Telah dipublikasikan penelitian tentang pengamanan penerapan AI berbasis agen terhadap injeksi cepat dan peningkatan hak akses. Permukaan serangannya bukan teoretis. Ini adalah titik integrasi yang sama persis yang membuat agen berguna.
Pergeseran lanskap ancaman adalah sebagai berikut: keunggulan kecepatan yang SOC Serangan terencana yang dilakukan oleh tim-tim tertentu kini mulai menghilang. Musuh dengan alat-alat berbasis agen sekarang dapat:
- Lakukan enumerasi lingkungan Anda lebih cepat daripada kemampuan analis Anda dalam mengklasifikasikan peringatan.
- Hasilkan konten rekayasa sosial yang peka terhadap konteks organisasi Anda.
- Otomatiskan keputusan pergerakan lateral seperti halnya kita mengotomatiskan keputusan triase.
- Sesuaikan taktik secara real-time berdasarkan apa yang berhasil.
Banyak Peluang Otomatisasi
1. Peringatan dan Triase Kasus dengan Kecepatan Mesin
Ini adalah hal yang paling jelas, dan di sinilah fitur Alert Auto-Triage dari Stellar Cyber sudah beroperasi. Agen menjalankan Verdict Signal Checks terhadap setiap kasus kritis: reputasi IP, anomali perilaku, hubungan entitas, dan kerentanan perangkat. Kemudian memberikan vonis: True Positive, Benign, False Positive, atau Inconclusive.
Yang baru adalah siklus umpan baliknya. Ketika seorang analis membatalkan suatu keputusan, pembatalan itu menjadi sinyal pelatihan. Bukan dalam arti yang samar-samar "kita akan melatih ulang modelnya suatu hari nanti", tetapi dalam arti "saat pola ini muncul lagi, sistem akan mempertimbangkan penilaian Anda". Tesla FSD belajar dari pengambilalihan oleh manusia. Begitu juga dengan ini.
Keunggulan agen: Agen yang terhubung dengan MCP kini dapat menarik detail kasus, menghubungkannya dengan intelijen ancaman eksternal, memeriksa putusan historis pada pola serupa, dan memberikan keputusan triase dengan penjelasan lengkap, tanpa campur tangan manusia yang harus mengklik lima tab.
2. Otomatisasi Penerimaan dan Orientasi Karyawan Baru
Permintaan masuk melalui formulir. Secara historis, seseorang membaca pengajuan, membuat tiket pelacakan, memeriksa prasyarat, dan mengirim email konfirmasi. Empat sistem, tiga peralihan konteks, satu orang melakukan entri data manual.
Agen memantau sumber data masukan sesuai jadwal. Ketika ada entri baru muncul, agen akan membuat tiket dengan deskripsi terstruktur lengkap, menulis referensi kembali ke sumber, dan mengirimkan notifikasi dengan ringkasan. Tanpa langkah manual sama sekali.
Pembukaan kunci agen: Pola ini berlaku umum untuk setiap proses penerimaan. Permintaan uji coba. Pertanyaan kepatuhan. Pengungkapan kerentanan. Perutean eskalasi pelanggan. Alur kerja apa pun yang melibatkan "baca dari sumber A, buat di sistem B, beri tahu melalui saluran C" adalah kandidatnya.
3. Siklus Umpan Balik Kualitas Deteksi
Inilah yang paling membuat saya bersemangat. Vendor keamanan menumpuk banyak sekali tiket "deteksi ini tidak berfungsi dengan benar". Deskripsinya seringkali samar. Konteksnya terkubur dalam rangkaian email dan tiket dukungan. Orang yang menangani masalah ini membutuhkan pengetahuan produk yang mendalam untuk memahami permintaan tersebut.
Agen AI yang memiliki akses ke sistem tiket, basis pengetahuan, dan platform keamanan Anda dapat membaca tiket umpan balik deteksi, mengambil data peringatan aktual, mencocokkannya dengan dokumentasi, dan menghasilkan ringkasan yang jelas: “Ini adalah positif palsu yang disebabkan oleh pencocokan substring dalam aturan X. Pelapor telah memberikan perbaikan. Berikut adalah kueri yang telah diperbaiki.”
Solusi berbasis agen: Hubungkan agen ke lingkungan pelaporan (dengan izin) melalui MCP, dan agen dapat memvalidasi masalah yang dilaporkan terhadap data langsung. Tidak perlu lagi "bisakah Anda mengirimkan tangkapan layar?" Tidak perlu lagi bolak-balik selama tiga minggu. Agen melihat apa yang dilihat pelapor.
4. Menghubungkan Berbagai Alat
Tugas seorang pemimpin operasi keamanan adalah menghubungkan berbagai sistem. Rangkaian email tentang keterlibatan mitra, tiket tentang celah deteksi, halaman wiki tentang proses, papan desain tentang alur kerja, penetapan harga dalam percakapan penjualan. Semua ini berada di berbagai alat yang berbeda tanpa korelasi otomatis.
Agen AI menelusuri semua ini. Tanyakan "bagaimana status uji coba mitra ini?" dan ia akan mengambil rangkaian email, memeriksa tiket pelacakan, membaca formulir pendaftaran, dan mensintesis satu jawaban. Tidak perlu beralih tab. Tidak perlu "biarkan saya periksa."
Pengaktifan agen: Di sinilah MCP unggul. Setiap sistem adalah server MCP. Agen tidak peduli apakah datanya ada di email, Jira, atau Stellar Cyber. Agen berkomunikasi dengan protokol yang sama ke semuanya.
5. Pemantauan Proaktif Tanpa Kelelahan Akibat Peringatan
Pendekatan tradisional untuk pemantauan adalah "memeriksa semuanya terus-menerus" (mahal, berisik) atau "menunggu seseorang untuk memperhatikan" (lambat, berisiko). Agen AI menawarkan jalur ketiga: pemeriksaan terjadwal dan cerdas dengan penilaian setingkat manusia tentang apa yang layak untuk ditindaklanjuti.
Agen saya memeriksa saluran komunikasi secara berkala, tetapi tidak hanya melaporkan "Anda memiliki 15 pesan yang belum dibaca." Ia mengkategorikan berdasarkan urgensi, mengidentifikasi item tindakan, menyaring informasi yang tidak penting, dan hanya memberi tahu saya ketika sesuatu benar-benar membutuhkan perhatian. Pola yang sama berlaku untuk pemantauan keamanan: periksa antrian kasus, tandai anomali dalam cakupan deteksi, pantau pelanggaran SLA. Dan tetap tenang ketika semuanya normal.
Pembukaan kunci berbasis agen: Eksekusi agen terjadwal dengan optimasi tingkat model. Gunakan model yang lebih ringan untuk pemeriksaan rutin, tingkatkan ke model yang lebih mumpuni ketika situasi membutuhkan pertimbangan. Otomatisasi yang hemat biaya.
6. Dokumentasi dan Pengambilan Pengetahuan
Tim keamanan menghasilkan sejumlah besar pengetahuan institusional yang tidak pernah didokumentasikan. Analis yang tahu bahwa entri log dari vendor firewall tertentu berperilaku berbeda dari yang diharapkan? Pengetahuan itu hanya tersimpan di kepala mereka sampai mereka meninggalkan perusahaan.
Agen AI dapat menangkap dan menyusun pengetahuan ini secara real-time. Setiap penapisan tiket, setiap interaksi, setiap keputusan menjadi entri terstruktur dalam basis pengetahuan yang berkelanjutan. Agen tersebut membuat catatan harian, memperbarui memori jangka panjangnya dengan wawasan yang telah disaring, dan membandingkan informasi baru dengan apa yang sudah diketahuinya.
Kunci keberhasilan agen: Semakin banyak agen bekerja, semakin banyak yang diketahuinya. Agen yang menangani sejumlah tiket deteksi kini memahami kekhasan log khusus vendor, kasus-kasus khusus integrasi, dan kesenjangan korelasi identitas. Lain kali tiket terkait masuk, ia akan memulai dari dasar tersebut — bukan dari nol.
Apa Artinya Ini bagi Tim Keamanan?
Industri keamanan telah menghabiskan dekade terakhir untuk membangun deteksi. Dekade berikutnya adalah tentang pengambilan keputusan. Siapa yang memutuskan apa yang nyata? Siapa yang memutuskan apa yang harus dilakukan? Dan seberapa cepat keputusan-keputusan itu dapat diambil?
AI berbasis agen tidak menggantikan peran analis. AI ini justru memberikan keuntungan bagi analis. Analis yang sebelumnya secara manual menyaring 20 kasus per hari kini dapat meninjau 200 kasus yang telah disaring oleh agen, memfokuskan keahlian mereka pada hal-hal yang penting: kasus-kasus khusus, serangan-serangan baru, dan keputusan-keputusan yang belum dapat dibuat oleh mesin.
Para vendor yang masih bersembunyi di balik API tertutup dan ringkasan AI sekali pakai akan tertinggal. Platform yang akan menang adalah platform yang membuka API mereka melalui protokol seperti MCP, membangun umpan balik yang benar-benar belajar dari keputusan manusia, dan memperlakukan otomatisasi AI sebagai produk, dengan metrik akurasi, kontrol biaya, dan jalur tata kelola.
Kami sedang membangunnya di Stellar Cyber. Server MCP sudah aktif. Alert Auto-Triage sudah dalam tahap produksi. Dan saya memiliki agen AI yang baru saja menyusun postingan blog ini.
Ya, sebagian besar.
