Agen AI Mampu Membobol Jaringan Uji Perusahaan Secara Otonom

Vals AI menemukan bahwa agen otonom mampu menjelajahi jaringan korporat simulasi dan memperoleh akses setingkat admin tanpa bantuan manusia.

3 min read

Agen AI Mampu Membobol Jaringan Uji Perusahaan Secara Otonom

Illustration made on Lumeta with GPT Image 2.5Make one like it

Vals AI menyatakan pada 7 Nov. 2026 bahwa model open-weight kini jauh lebih mendekati sistem frontier tertutup dalam pengujian CyberOffense miliknya. Deepseek V4.1 Flash 1017 berhasil menyelesaikan 72.8 persen target Nova, dibandingkan 80.8 persen untuk GPT-6 Sol Daybreak, dengan biaya sekitar $3 per run, bukan sekitar $22. Hal ini penting karena kemampuan agentik yang sama, yang bisa mengotomatiskan penyusupan, juga dapat dimanfaatkan para pembela untuk menguji dan memperkuat jaringan mereka sendiri saat ini.

Temuan Vals

Vals membangun benchmark bernama CyberOffense yang menyimulasikan jaringan korporat yang realistis. Setiap agen memulai dari mesin Kali Linux yang terisolasi dengan hanya berbekal alamat web publik dan tanpa bantuan manusia, lalu harus bergerak dari aplikasi web menuju sistem Windows dan akses dengan hak istimewa lebih tinggi. Dalam skenario Nova, GPT-6 Sol Daybreak unggul secara keseluruhan, sementara Deepseek membuntuti dengan ketat dan jauh lebih murah. Dalam skenario Lighthouse yang lebih sulit, tabel menunjukkan Meta Wonder menyelesaikan 28 dari 31 target, GPT-6 Sol Daybreak 27, dan Deepseek V4.1 Flash 1017 sebanyak 21.

Benchmark Lighthouse: target yang diselesaikan dari 31
Meta Wonder28
GPT-6 Sol Daybreak27
Deepseek V4.1 Flash 101721
Kimi K3.1 Pro20
Grok 4.716
Kimi K310
GLM 5.3 Flash5
Tabel benchmark CyberOffense Vals AI dalam skenario Lighthouse
Robot berkerudung yang bercahaya di ruang server gelap, memegang cincin berisi kunci digital warna-warni sambil mengintip dari balik rak.
Penyusup dalam benchmark ini tampak tidak terlalu menyeramkan saat menggenggam seikat kunci baru.

Illustration made on Lumeta with GPT Image 2.5Make one like it

Mengapa ini penting

Menurut Vals, run yang lebih panjang sangat penting untuk memahami kemampuan sebenarnya dari sistem-sistem ini. Deepseek dilaporkan tidak mencetak skor apa pun dalam 25 juta token pertamanya dan baru meraih sebagian besar kemajuannya setelah 100 juta token, yang berarti pengujian singkat bisa meremehkan kemampuan model terbuka. Hal ini juga sejalan dengan riset sebelumnya. AI Security Institute Inggris menyatakan pada bulan Juli bahwa selisih antara model frontier terbuka dan tertutup dalam tugas siber telah menyempit menjadi empat hingga tujuh bulan, turun dari enam hingga sepuluh bulan sepanjang sebagian besar 2025. Studi yang sama juga menemukan selisih harga yang besar: satu run cyber-range Deepseek V4-Pro menelan biaya $1.19, dibandingkan $85 untuk Anthropic Opus 4.5. Secara terpisah, Anthropic melaporkan bahwa GLM-5-3 mampu membuat exploit hampir setara dengan model internal teratasnya, Mythos.

Yang bisa dilakukan tim keamanan sekarang

  • Uji ulang aplikasi yang terhubung ke internet, sistem identitas, dan jalur hak akses dengan latihan red team bergaya agen, bukan sekadar pemeriksaan titik yang sempit.
  • Alokasikan anggaran untuk evaluasi yang lebih panjang. Run singkat mungkin melewatkan apa yang bisa dilakukan model setelah puluhan atau ratusan juta token.
  • Asumsikan model open-weight akan dipakai untuk menyerang begitu bobotnya dirilis ke publik, karena kontrol akses dari penyedia tidak lagi berlaku.
  • Gunakan model sekelas untuk pertahanan guna menemukan jalur lemah sebelum penyerang, terutama di sekitar titik masuk web, host Windows, dan hak admin.

Apa itu benchmark CyberOffense dari Vals?

Ini adalah lingkungan pengujian yang menyimulasikan jaringan korporat yang realistis. Agen AI memulai dari mesin penyerang yang terisolasi dengan hanya berbekal alamat web publik, lalu harus menemukan dan menjalankan langkah-langkah yang dibutuhkan untuk masuk lebih dalam ke jaringan dan mencapai target dengan hak akses lebih tinggi.

Model mana yang terbaik dalam hasil Vals?

GPT-6 Sol Daybreak mencatat hasil Nova tertinggi dengan 80.8 persen target. Dalam tabel Lighthouse, Meta Wonder menyelesaikan 28 dari 31 target, disusul ketat oleh GPT-6 Sol Daybreak dengan 27.

Apakah ini berarti model terbuka sudah lebih baik daripada model tertutup?

Tidak di semua aspek. Model tertutup masih unggul dalam beberapa ukuran, tetapi selisihnya kini lebih kecil dan beberapa model terbuka jauh lebih murah, sehingga tren keseluruhan lebih penting daripada posisi di satu papan peringkat.

Mengapa run yang lebih panjang begitu penting?

Karena sebagian model hanya menunjukkan sedikit kemajuan di awal, lalu meningkat tajam setelah anggaran token yang jauh lebih besar. Menurut Vals, Deepseek baru membuat sebagian besar kemajuannya setelah 100 juta token, sehingga pengujian singkat bisa melewatkan batas kemampuan sebenarnya.

Every top AI model, in one place

Nano Banana 2, GPT Image 2.5, Seedance, Veo and more, all on one credit balance. Start free with 35 credits a month. No card needed.

Perbesar GambarTingkatkan kualitas dan resolusi gambar

All tools for "Bigger and sharper"

More from Lumeta

All Berita