Agen AI Membobol Lebih dari 100 Situs Perusahaan dalam Hitungan Jam

Laporan agen AI yang menyasar lebih dari 1.200 situs

Kasus agen AI membobol situs perusahaan menjadi sorotan setelah laporan media pada Oktober 2026 menyebut seorang pelaku berbahasa Mandarin menggunakan agen AI untuk mencoba menyusup ke lebih dari 1.200 situs perusahaan. Menurut Demokratis.co.id yang mengutip temuan Snorre Fagerland dari NorForge, lebih dari 100 perusahaan dilaporkan menjadi korban kampanye tersebut.

Angka itu perlu dibaca sebagai temuan yang dilaporkan media, bukan sebagai hasil audit publik atas seluruh perusahaan sasaran. Demokratis menyebut Deere, SharkNinja, dan Cummins sebagai perusahaan terdampak. Telset, yang juga merujuk laporan Fagerland kepada Reuters, menulis bahwa SharkNinja menyatakan dampak serangan terbatas pada situs informasi dukungan produk. Bahan yang tersedia tidak menjelaskan secara lengkap cakupan akses, kerusakan sistem, maupun data yang mungkin terpapar pada tiap target.

Poin pentingnya bukan sekadar jumlah situs. Kampanye ini memperlihatkan pola serangan yang lebih adaptif. Agen diduga dapat menjalankan pencarian target, menemukan infrastruktur terkait, memeriksa panel yang terbuka ke publik, mengidentifikasi kelemahan, lalu mencoba langkah berikutnya ketika jalur pertama tidak berhasil.

Apa yang membuat serangan berbantuan agen AI berbeda

Agen AI adalah sistem yang dapat menjalankan beberapa tugas menuju tujuan tertentu dengan konteks dan alat yang diberikan. Ia berbeda dari automation biasa. Automation menjalankan aturan tetap, misalnya formulir masuk lalu data dicatat ke CRM. AI dapat membaca isi formulir dan mengelompokkan kebutuhannya. Agen AI dapat melanjutkan pekerjaan lintas langkah, seperti membaca hasil pemeriksaan, memilih alat berikutnya, lalu memperbarui rencana tindakan.

Dalam laporan Demokratis, Cairn disebut sebagai platform pemecahan masalah AI sumber terbuka yang diduga dipakai untuk mengoordinasikan sejumlah agen. Fagerland dilaporkan menemukan instalasi Cairn yang terbuka dan dapat diakses dari internet saat memindai jaringan publik. Setiap agen diduga diberi tugas mencari kelemahan dan menguji kemungkinan penyusupan ke situs sasaran.

Telset melaporkan bahwa instruksi pelaku kurang dari 100 karakter Mandarin, sedangkan agen terus menjalankan pencarian serta pengujian selama berjam-jam. Detail ini penting karena menggambarkan perubahan pembagian kerja: manusia memberi tujuan, sistem menangani banyak pemeriksaan teknis, manusia dapat kembali hanya saat perlu menentukan arah baru. Itu tidak berarti agen mampu menembus semua sistem. Keberhasilan serangan tetap bergantung pada adanya aset terbuka, konfigurasi lemah, kredensial bocor, atau kelemahan yang belum ditutup.

Sebagai ilustrasi hipotetis, pelaku dapat memberi instruksi untuk mencari panel administrasi yang terkait dengan sebuah domain perusahaan. Agen menelusuri subdomain publik, menemukan halaman lama yang masih aktif, mencoba mengenali jenis panelnya, lalu melaporkan temuan kepada pelaku. Jika panel tersebut membutuhkan autentikasi yang benar dan tidak memiliki celah, rangkaian itu berhenti. Agen mempercepat pemeriksaan, tetapi tidak menghapus kebutuhan akan celah awal.

Risiko utama ada pada aset yang tidak terkelola

Laporan ini menggeser perhatian dari pertanyaan “apakah perusahaan memakai AI?” menjadi “aset apa yang dapat dilihat dan dijangkau dari internet?”. Situs lama, subdomain kampanye, lingkungan demo, panel vendor, akun layanan, dokumentasi internal, atau integrasi yang terlupakan dapat memperluas permukaan serangan bila tetap aktif tanpa pemilik jelas.

Menurut Demokratis, Fagerland mengamati agen yang mencari infrastruktur terkait target, menemukan panel kontrol yang menghadap publik, mengidentifikasi kelemahan, lalu mencoba menjalankan perintah berbahaya. Pola tersebut menuntut tim keamanan melihat serangan sebagai rangkaian aktivitas, bukan satu peringatan tunggal. Pencarian aset, percobaan autentikasi, permintaan tidak lazim ke panel admin, dan perubahan pola akses dapat saling berkaitan.

Misalnya, tim digital sebuah perusahaan dapat menemukan subdomain lama untuk uji coba formulir pelanggan. Halaman itu tidak lagi dipakai, tetapi masih terbuka ke internet dan memakai akun administrator lama. Tindakan awal yang masuk akal bukan langsung membeli alat baru. Tim perlu memastikan apakah aset masih dibutuhkan, menetapkan pemilik, menutup akses publik bila tidak diperlukan, mengganti kredensial yang terkait, lalu meninjau log aktivitas yang tersedia.

Inventaris aset harus mencatat setidaknya nama aset, fungsi bisnis, pemilik, status aktif, akses publik, akun layanan, integrasi, serta data yang diproses. Daftar ini membantu membedakan aset yang memang harus tersedia bagi pelanggan dari aset yang seharusnya hanya dapat diakses jaringan internal atau sudah layak dihentikan.

Agen AI internal juga memerlukan batas tindakan

Risiko tidak hanya datang dari agen yang dipakai pelaku. Perusahaan yang membangun agen AI untuk layanan pelanggan, penjualan, atau operasi perlu mengatur apa yang boleh dilakukan sistem tersebut. Agen yang dapat membaca basis pengetahuan untuk menjawab tiket memiliki tingkat risiko berbeda dari agen yang dapat mengubah data pelanggan atau mengakses sistem produksi.

Batas yang baik dimulai dari prinsip izin minimum. Agen hanya memperoleh akses yang diperlukan untuk tugasnya, bukan akses luas karena lebih praktis. Data pelanggan, kredensial, token integrasi, serta sistem keuangan tidak seharusnya otomatis tersedia bagi setiap workflow AI. Akses perlu ditinjau saat fungsi agen berubah atau integrasi baru ditambahkan.

Sebagai contoh hipotetis, agen layanan pelanggan dapat menerima chat masuk, mencari jawaban di basis pengetahuan yang disetujui, lalu menyusun draf respons. Agen boleh mengirim jawaban untuk pertanyaan umum seperti status jam operasional. Namun, permintaan pengubahan alamat pengiriman, pembatalan transaksi, pengembalian dana, atau pengungkapan data akun harus dialihkan ke petugas manusia dengan verifikasi identitas.

Kontrol manusia bukan berarti setiap keluaran AI harus diperiksa satu per satu. Kontrol berarti organisasi memutuskan tindakan mana yang otomatis, tindakan mana yang membutuhkan persetujuan, siapa pemilik keputusan, dan bukti apa yang harus tersimpan saat terjadi kesalahan. Untuk tindakan berdampak tinggi, pencatatan aktivitas dan jalur eskalasi perlu tersedia sebelum workflow dipakai secara luas.

Langkah respons insiden yang dapat diuji sekarang

Mulai dari satu audit singkat terhadap aset yang terhubung ke workflow bisnis. Kumpulkan daftar domain, subdomain, panel administrasi, akun layanan, integrasi API, vendor, dan lingkungan pengujian. Tanyakan tiga hal pada setiap item: masih dipakai atau tidak, siapa pemiliknya, dan apakah akses dari internet benar-benar diperlukan.

Setelah itu, pilih satu skenario insiden yang realistis untuk diuji pada lingkungan nonproduksi. Contohnya, peringatan muncul karena ada aktivitas autentikasi berulang pada panel administrasi lama. Tim perlu menentukan siapa yang menerima peringatan, siapa yang berwenang menonaktifkan akses, kapan kredensial harus dirotasi, log apa yang diamankan, serta kapan manajemen atau pihak terkait perlu diberi tahu.

Ukuran awalnya tidak perlu rumit. Catat waktu peringatan diterima, waktu pemilik aset teridentifikasi, waktu tindakan penahanan dilakukan, dan hambatan yang muncul. Hasil latihan akan menunjukkan apakah daftar aset, hak akses, serta jalur eskalasi benar-benar dapat dipakai saat tekanan terjadi.

Untuk konteks penerapan agen pada proses kerja, pembaca dapat melihat artikel pilar Cara Menerapkan Agen AI Perusahaan untuk Mengoptimalkan Operasional Bisnis. Sebelum menghubungkan agen ke CRM, basis pengetahuan, atau sistem internal, buat daftar izin minimum dan satu prosedur persetujuan untuk tindakan yang berdampak pada pelanggan atau data penting.