CrowdStrike Akuisisi Fiddler untuk Observabilitas Agen AI dan Keamanan AI

Apa yang diumumkan CrowdStrike tentang Fiddler dan Dreadnode

Menurut Unite.AI, CrowdStrike berencana mengakuisisi Fiddler dan Dreadnode untuk menambah pengujian kelemahan sebelum produksi serta observabilitas perilaku setelah penerapan. CrowdStrike mengumumkan rencana ini pada 3 November 2026 di Fal.Con EU 2026, menurut Unite.AI. Fiddler direncanakan menjadi Falcon Observe, kapabilitas untuk mengevaluasi, menjelaskan, dan memantau perilaku agen AI. Dreadnode direncanakan menambah pengujian keamanan AI otomatis pada platform Falcon sebelum sistem dipakai di lingkungan produksi.

Statusnya perlu dibaca dengan hati-hati. Ini adalah rencana akuisisi dan arah integrasi produk, bukan konfirmasi bahwa seluruh kemampuan tersebut sudah tersedia untuk semua pelanggan. Menurut Investing.com Indonesia yang mengutip siaran pers CrowdStrike, transaksi Dreadnode telah ditandatangani dalam perjanjian definitif tetapi masih tunduk pada ketentuan penutupan yang lazim. Unite.AI melaporkan ketersediaan umum Falcon Observe dan kapabilitas Dreadnode ditargetkan pada kuartal keempat tahun fiskal 2027.

Dua transaksi itu menangani titik risiko yang berbeda dalam siklus hidup sistem AI. Dreadnode ditujukan untuk mencari kelemahan sebelum penerapan. Fiddler ditujukan untuk membantu tim memahami keputusan agen setelah berjalan. Pemisahan ini penting karena sistem bisa lolos pengujian awal, lalu berubah perilakunya ketika prompt, model, basis pengetahuan, atau integrasi diperbarui.

Mengapa agen AI memerlukan observabilitas

Observabilitas agen AI berarti kemampuan untuk menelusuri apa yang diputuskan agen, konteks yang dipakai, alat yang dipanggil, serta langkah yang menghasilkan tindakan tertentu. Tujuannya bukan sekadar mengumpulkan log aktivitas. Tim perlu dapat menjawab mengapa agen memilih tindakan tertentu dan di titik mana perilakunya menyimpang dari kebijakan.

Agen AI berbeda dari otomasi biasa. Otomasi berbasis aturan dapat menjalankan alur formulir masuk, data masuk CRM, lalu email terkirim. Agen AI dapat menafsirkan isi formulir, memakai basis pengetahuan, menentukan prioritas, memilih alat, dan menyusun tindak lanjut. Ruang keputusan ini membuat jejak tindakan saja tidak cukup untuk pemeriksaan risiko.

Menurut Unite.AI, teknologi Fiddler direncanakan memungkinkan tim membandingkan prompt, model, dan konfigurasi sebelum penerapan. Setelah penerapan, Falcon Observe dirancang untuk melacak keputusan serta alur penalaran di seluruh hierarki agen, mengidentifikasi penyimpangan perilaku, dan merekonstruksi langkah yang menyebabkan kegagalan. Catatan pada tingkat keputusan tersebut dirancang untuk mendukung audit dan kepatuhan.

Sebagai ilustrasi hipotetis, tim layanan pelanggan memberi agen akses untuk menyiapkan rekomendasi pengembalian dana. Agen dapat membaca keluhan, mencari transaksi, lalu menyiapkan usulan. Sistem seharusnya menyimpan permintaan pelanggan, sumber kebijakan yang dipakai, alat yang dipanggil, rekomendasi agen, dan keputusan akhir manusia. Bila agen menyarankan nominal di luar kebijakan, tim dapat menelusuri apakah masalah berasal dari instruksi, konteks yang keliru, atau izin alat yang terlalu luas.

Celah kontrol yang tidak terlihat oleh keamanan konvensional

Kredensial valid dan akses yang sah belum membuktikan bahwa keputusan agen benar. Unite.AI mengutip contoh CrowdStrike tentang agen pengembalian dana yang memakai alat disetujui dan kredensial valid, tetapi menyetujui pengembalian dana yang melanggar kebijakan perusahaan. Kontrol keamanan tradisional dapat melihat aktivitasnya sebagai aktivitas yang diizinkan, sementara masalah sebenarnya ada pada keputusan bisnis yang diambil agen.

Di sinilah observabilitas melengkapi kontrol akses. Kontrol akses menjawab siapa atau sistem apa yang boleh memakai alat. Observabilitas membantu menjawab konteks apa yang mendorong penggunaan alat itu, kebijakan mana yang dipertimbangkan, serta dampak tindakannya pada proses lain. Kedua lapisan perlu bekerja bersama, terutama ketika agen memiliki akses ke CRM, sistem tiket, basis pengetahuan, atau layanan internal.

Unite.AI menyebut Fiddler mendukung instrumentasi melalui OpenTelemetry serta integrasi dengan LangGraph, Amazon Bedrock, AWS Strands, dan Google ADK. Di dalam Falcon, maksud dan perilaku agen direncanakan dihubungkan dengan telemetri keamanan endpoint, identitas, cloud, dan runtime. Bagi tim keamanan, hubungan ini dapat membantu penyelidikan lintas sistem: bukan hanya melihat agen mengambil tindakan, tetapi juga menilai konsekuensinya terhadap identitas, perangkat, layanan cloud, atau aplikasi perusahaan.

Untuk fondasi desain workflow sebelum masuk ke pengawasan dan audit, pembaca dapat melihat artikel pilar "Cara Menerapkan Agen AI Perusahaan untuk Mengoptimalkan Operasional Bisnis".

Peran Dreadnode sebelum agen masuk produksi

Dreadnode berfokus pada pengujian keamanan AI sebelum penerapan. Menurut Investing.com Indonesia yang mengutip pernyataan CrowdStrike, teknologinya menguji sistem terhadap jailbreak, injeksi prompt, dan serangan khusus agen. Cakupannya mencakup model, aplikasi, agen AI, repositori model, serta server Model Context Protocol atau MCP.

Pengujian sebelum produksi berbeda dari pemantauan operasional. Pengujian mencoba memancing kegagalan dalam kondisi terkendali. Pemantauan melihat perilaku nyata setelah sistem mendapat data, pengguna, dan integrasi bisnis. Jika hanya mengandalkan pengujian awal, tim dapat melewatkan risiko yang muncul setelah perubahan konfigurasi. Jika hanya memantau tanpa menguji, tim berisiko menemukan kelemahan setelah sistem sudah terhubung ke proses penting.

Investing.com Indonesia melaporkan Dreadnode menjalankan lebih dari 100 strategi serangan AI dan memetakan temuannya ke OWASP Top 10 untuk LLM serta MITRE ATLAS. Temuan itu direncanakan terintegrasi dengan Falcon Guardian sebagai rekomendasi kebijakan. Namun, rekomendasi kebijakan tidak menggantikan penilaian pemilik proses. Tim bisnis tetap perlu menentukan tindakan mana yang aman diotomatisasi, tindakan mana yang harus melalui persetujuan, dan siapa yang memiliki wewenang menghentikan agen.

Misalnya, agen penjualan dapat diberi izin untuk merangkum kebutuhan prospek dan membuat draf catatan CRM. Tindakan tersebut berisiko lebih rendah daripada mengubah status kontrak, memberikan diskon, atau mengirim penawaran final. Untuk tindakan terakhir, rancangan yang lebih aman adalah agen menyiapkan usulan, pemilik akun memeriksa sumber dan nilai usulan, lalu manusia menyetujui atau menolak sebelum sistem mengirimkannya.

Checklist praktis untuk tim yang memakai agen AI

Perusahaan tidak perlu menunggu produk tertentu untuk membangun kontrol dasar. Mulailah dari satu workflow yang jelas, bukan dari daftar tools. Tentukan tujuan proses, data yang diperlukan, alat yang boleh dipakai, dan keputusan yang tidak boleh didelegasikan kepada agen.

Gunakan lima pemeriksaan berikut sebelum memperluas penggunaan agen AI:

1. Petakan tindakan agen. Bedakan tindakan baca data, menyusun rekomendasi, mengubah data, dan mengeksekusi transaksi. Risiko setiap kategori berbeda.
2. Batasi izin alat. Agen tidak perlu akses ke seluruh CRM, folder, atau sistem keuangan hanya karena satu workflow memerlukannya.
3. Tetapkan persetujuan manusia. Buat titik approval untuk keputusan yang berdampak pada pelanggan, uang, kontrak, akses sensitif, atau kewajiban kepatuhan.
4. Simpan bukti keputusan. Catat masukan, sumber data, instruksi, alat yang digunakan, hasil agen, dan keputusan manusia. Bukti ini membuat kegagalan dapat ditelusuri.
5. Uji ulang saat ada perubahan. Perubahan model, prompt, basis pengetahuan, integrasi, atau izin akses dapat mengubah perilaku agen meski workflow terlihat sama.

Kesalahan umum adalah menyamakan log penggunaan dengan observabilitas. Log mungkin hanya menyatakan agen memanggil API atau memperbarui CRM. Untuk investigasi yang berguna, tim juga perlu memahami data pemicu, kebijakan yang relevan, urutan keputusan, serta batas yang seharusnya mencegah tindakan tersebut.

Pilih satu workflow berisiko rendah minggu ini, misalnya peringkasan tiket layanan pelanggan. Dokumentasikan tindakan yang boleh dijalankan agen, data yang dilarang diproses, titik persetujuan manusia, dan bukti keputusan yang wajib tersimpan. Setelah tim mampu menjawab siapa yang bertanggung jawab ketika agen keliru, workflow tersebut lebih siap diperluas ke proses lain.