Cisco menghadirkan pendekatan baru dalam pengamanan perangkat lunak melalui Antares, keluarga model kecerdasan buatan (AI) berukuran kecil yang dirancang untuk menemukan bagian kode yang berpotensi memiliki celah keamanan. Teknologi ini menyasar salah satu pekerjaan paling menantang bagi tim keamanan siber, yakni menentukan lokasi kerentanan di dalam basis kode yang berukuran besar.
Berbeda dari chatbot AI yang dirancang untuk berbagai kebutuhan, Antares dikembangkan dengan fungsi yang lebih spesifik. Model ini menelusuri repositori perangkat lunak berdasarkan deskripsi kerentanan, kemudian menghasilkan daftar berkas yang paling mungkin berkaitan dengan masalah tersebut.
Cisco memperkenalkan Antares pada 21 Juli 2026 melalui tim Cisco Foundation AI. Dua model awal, yaitu Antares-350M dan Antares-1B, dirilis dengan bobot model terbuka (open-weight) agar dapat dimanfaatkan komunitas pengembang dan keamanan siber. Ukurannya yang relatif kecil juga memungkinkan pemrosesan dilakukan secara lokal tanpa harus selalu mengirimkan kode sumber sensitif ke layanan cloud eksternal.
Antares Fokus Menemukan Kode Rentan
Menemukan celah keamanan tidak selalu sesederhana menjalankan pemindai otomatis. Dalam sebuah proyek perangkat lunak, kode dapat tersebar di ratusan hingga ribuan berkas dengan fungsi dan hubungan yang berbeda.
Ketika kerentanan baru diketahui, analis perlu memastikan apakah perangkat lunak yang digunakan organisasi terdampak. Mereka juga harus menentukan bagian mana yang perlu diperiksa, apakah kelemahan tersebut benar-benar muncul dalam kode, dan bagaimana penanganannya.
Proses ini dapat memakan waktu, terutama ketika tim keamanan harus memeriksa repositori yang belum dikenal atau menangani banyak laporan kerentanan sekaligus.
Antares dirancang untuk membantu mempercepat tahap pencarian tersebut. Model menerima deskripsi kerentanan atau kategori kelemahan perangkat lunak, kemudian menelusuri kode untuk menemukan berkas yang relevan.
Hasilnya berupa daftar berkas yang diurutkan berdasarkan kemungkinan keterkaitannya dengan kerentanan. Sistem juga menyertakan rekam jejak penelusuran agar analis dapat memeriksa langkah yang diambil model.
Dengan pendekatan ini, tim keamanan memiliki titik awal yang lebih terarah sebelum melakukan pemeriksaan mendalam. Namun, hasil Antares bukan bukti mutlak bahwa suatu berkas mengandung celah keamanan. Verifikasi tetap diperlukan sebelum keputusan perbaikan dibuat.
Dua Model dengan Bobot Terbuka
Cisco merilis dua model awal Antares dengan ukuran berbeda, yakni Antares-350M dan Antares-1B. Angka tersebut merujuk pada jumlah parameter model, bukan ukuran berkas dalam satuan megabita atau gigabita.
Model yang lebih kecil dirancang untuk lingkungan dengan keterbatasan sumber daya. Sementara itu, Antares-1B menawarkan pilihan untuk kebutuhan analisis yang memerlukan keseimbangan antara kemampuan, biaya komputasi, dan fleksibilitas penerapan.
Kedua model tersedia dengan bobot terbuka melalui platform Hugging Face. Pendekatan ini memungkinkan pihak yang memenuhi ketentuan akses untuk mempelajari, menguji, dan mengintegrasikan model ke dalam alur kerja keamanan mereka.
Cisco juga mengembangkan varian Antares-3B yang memiliki kapasitas lebih besar. Model tersebut digunakan dalam evaluasi kemampuan pencarian kerentanan, tetapi status ketersediaan publiknya perlu dibedakan dari dua model awal yang telah diumumkan untuk dirilis.
Model yang lebih kecil bukan berarti dapat menyelesaikan seluruh persoalan keamanan secara otomatis. Keunggulan utamanya terletak pada fokus tugas yang sempit, sehingga sumber daya komputasi dapat diarahkan untuk pekerjaan tertentu, bukan untuk menjawab berbagai jenis pertanyaan seperti model AI serbaguna.
Bisa Berjalan Secara Lokal
Salah satu keunggulan yang ditawarkan Cisco Antares adalah kemampuannya untuk dijalankan secara lokal atau di lingkungan infrastruktur milik organisasi.
Dalam pengembangan perangkat lunak, kode sumber sering kali berisi informasi sensitif. Mengirimkan seluruh repositori ke layanan AI eksternal dapat menimbulkan persoalan privasi, kepatuhan, dan pengendalian data, bergantung pada kebijakan serta konfigurasi layanan yang digunakan.
Dengan model yang dapat dijalankan di lingkungan sendiri, organisasi memiliki peluang lebih besar untuk mempertahankan kode sumber di dalam infrastrukturnya. Pendekatan ini relevan bagi perusahaan, universitas, lembaga penelitian, dan instansi publik yang harus mengelola data dengan batasan akses ketat.
Pemrosesan lokal juga dapat mengurangi ketergantungan pada layanan cloud serta membantu menekan biaya penggunaan model AI berukuran besar. Cisco menilai efisiensi tersebut dapat memperluas akses terhadap pemeriksaan keamanan berbantuan AI, termasuk bagi tim yang tidak memiliki anggaran besar.
Meski demikian, menjalankan model secara lokal tetap membutuhkan perangkat keras, konfigurasi, pemeliharaan, dan tenaga yang memahami penerapannya. Organisasi juga perlu mengatur hak akses ke repositori dan memastikan lingkungan analisis tidak menjadi sumber risiko baru. <Cite refs={[“turn450147search1″,”turn980839view0”]}/>
Bagaimana Antares Menelusuri Kerentanan?
Antares menggunakan proses pencarian bertahap yang menyerupai cara analis memeriksa sebuah proyek perangkat lunak.
Pertama, model mempelajari deskripsi kelemahan yang sedang diselidiki. Informasi tersebut dapat berkaitan dengan kategori kerentanan yang dikenal sebagai CWE atau Common Weakness Enumeration.
Kedua, model menelusuri repositori dan memilih berkas yang tampak relevan. Model kemudian membaca kode yang ditemukan untuk mengumpulkan petunjuk tambahan.
Ketiga, Antares menyesuaikan strategi pencariannya berdasarkan bukti yang diperoleh. Jika jalur tertentu tidak membantu, model dapat mengalihkan pencarian ke berkas atau bagian lain dari repositori.
Terakhir, model menyusun daftar berkas yang dinilai paling relevan, beserta jejak penelusuran yang dapat diperiksa tim keamanan.
Mekanisme tersebut berguna ketika informasi mengenai kerentanan belum langsung menunjukkan lokasi kode yang terdampak. Namun, Antares berfokus pada pelokalan kerentanan, bukan secara otomatis memperbaiki kode atau menjamin aplikasi menjadi aman.
Tim pengembang tetap harus menentukan penyebab masalah, membuat perubahan yang sesuai, dan menjalankan pengujian untuk memastikan perbaikan tidak menimbulkan gangguan baru. <Cite refs={[“turn980839view0″,”turn450147search9”]}/>
Hasil Pengujian Perlu Dibaca Hati-hati
Cisco mengembangkan Vulnerability Localization Benchmark untuk mengukur kemampuan model dalam menemukan berkas yang terkait dengan kerentanan di repositori nyata.
Dalam pembaruan riset yang dipublikasikan pada Oktober 2026, Cisco menjelaskan bahwa benchmark tersebut mencakup 500 kasus kerentanan dari 290 repositori, enam ekosistem paket, dan 147 kategori CWE.
Pengujian itu membandingkan berbagai model bahasa dan perangkat analisis statis menggunakan kondisi pengujian yang sama. Hasilnya menunjukkan bahwa pencarian kerentanan pada skala repositori masih menjadi persoalan yang sulit. Dalam evaluasi tersebut, Antares-3B menempati posisi kedua dengan nilai File F1 sebesar 0,223, sementara sistem dengan nilai tertinggi mencapai 0,229. <Cite refs={[“turn980839view1”]}/>
Angka tersebut menunjukkan adanya kemajuan, tetapi sekaligus menegaskan bahwa kemampuan menemukan kode rentan belum sempurna. Dalam 38,4 persen tugas pada benchmark itu, tidak ada model yang diuji berhasil menemukan satu pun berkas yang benar.
Hasil tersebut penting untuk dipahami agar kemampuan AI tidak dibesar-besarkan. Performa pada benchmark tertentu tidak otomatis menggambarkan hasil yang sama pada seluruh bahasa pemrograman, arsitektur aplikasi, dan kondisi produksi.
Organisasi sebaiknya melakukan evaluasi menggunakan repositori serta kebutuhan mereka sendiri sebelum menjadikan Antares bagian penting dari proses keamanan.
Bukan Pengganti Sistem Keamanan Lain
Meski dapat membantu mengarahkan pemeriksaan, Antares tidak dirancang untuk menggantikan seluruh perangkat keamanan perangkat lunak.
Perusahaan masih membutuhkan pemindaian dependensi, pemeriksaan informasi rahasia yang tertanam dalam kode, pengujian dinamis, analisis infrastruktur, serta proses perbaikan kerentanan. Peninjauan oleh tenaga ahli juga tetap dibutuhkan untuk memastikan hasil pemeriksaan benar dan relevan.
Integrasi Antares dengan alur CI/CD dapat membantu tim memprioritaskan berkas yang perlu ditinjau ketika perubahan kode dibuat. Namun, temuan model perlu dihubungkan dengan proses validasi dan penanganan yang jelas agar tidak menambah beban pemeriksaan tanpa hasil yang berarti.
Di sisi lain, AI juga dapat dimanfaatkan pihak yang berniat jahat untuk mempercepat pencarian kelemahan perangkat lunak. Karena itu, pengembangan model keamanan perlu memperhatikan cara akses diberikan dan bagaimana kemampuan model diuji agar bermanfaat bagi pihak yang mempertahankan sistem.
Pendekatan yang tepat bukan mengandalkan satu model, melainkan menggabungkan otomatisasi, pengujian berlapis, pembaruan perangkat lunak, dan pengawasan manusia.
AI Kecil, Peran Besar untuk Keamanan
Kehadiran Cisco Antares memperlihatkan bahwa kemajuan AI tidak selalu bergantung pada model dengan ukuran terbesar. Model yang dilatih untuk tugas khusus dapat menjadi alat yang berguna apabila mampu menyelesaikan pekerjaan secara efisien dan terukur.
Bagi tim keamanan siber, kemampuan mempersempit pencarian ke berkas yang paling relevan dapat menghemat waktu pada tahap awal investigasi. Opsi pemrosesan lokal juga memberi alternatif bagi organisasi yang harus menjaga kerahasiaan kode sumber.
Namun, manfaat tersebut tetap bergantung pada ketepatan hasil, kondisi penerapan, dan proses validasi yang menyertainya. Antares bukan jaminan bahwa seluruh celah akan ditemukan, dan bukan pula pengganti perbaikan perangkat lunak yang disiplin.
Ke depan, model AI khusus seperti Antares berpotensi menjadi bagian dari pertahanan perangkat lunak yang lebih proaktif. Nilai terbesarnya bukan sekadar menemukan masalah, melainkan membantu tim keamanan menentukan bagian mana yang perlu diperiksa terlebih dahulu sebelum kerentanan berubah menjadi insiden nyata.
