AI untuk Orkestrasi Keamanan Siber: Workflow Terkontrol dengan Gemini 3.5 Flash Cyber dan Fugu-Cyber

AI untuk keamanan siber mulai bergerak dari sekadar chatbot analisis log menjadi komponen orkestrasi yang dapat membantu tim security meninjau kode, memahami laporan threat intelligence, dan memprioritaskan alert. Dua rujukan yang relevan untuk tren ini adalah Gemini 3.5 Flash Cyber dari Google DeepMind dan Fugu-Cyber dari Sakana AI.

Namun, kemampuan model bukan pengganti tata kelola. Untuk lingkungan produksi, AI cyber sebaiknya diperlakukan sebagai asisten analisis yang dibatasi, diaudit, dan tetap berada di bawah persetujuan manusia.

Fakta dari sumber

1. Gemini 3.5 Flash Cyber

Sumber dari Google DeepMind memperkenalkan Gemini 3.5 Flash Cyber sebagai model Gemini yang diposisikan untuk konteks keamanan siber. Dari materi referensi yang tersedia, detail teknis operasional seperti mode akses, daftar tool, kontrol keamanan bawaan, atau pola deployment tidak dijelaskan.

Karena itu, artikel ini tidak mengasumsikan fitur spesifik di luar informasi tersebut. Dalam rancangan workflow di bawah, Gemini 3.5 Flash Cyber diposisikan secara hati-hati sebagai komponen analisis bahasa dan penalaran keamanan, bukan sebagai sistem yang otomatis mengeksekusi perubahan.

2. Fugu-Cyber

Sakana AI memperkenalkan Fugu-Cyber sebagai model orkestrasi untuk pertahanan siber modern. Berdasarkan sumber, Fugu-Cyber tersedia sebagai endpoint API baru dan dirancang sebagai sistem multi-agent yang terlihat seperti satu model dari sisi pengguna. Permintaan dikirim ke satu endpoint, lalu sistem mengorkestrasi agen khusus untuk menangani tugas cyber yang kompleks dan bertahap.

Sumber tersebut juga menekankan poin penting: model frontier atau model cyber yang kuat tidak otomatis menyelesaikan masalah keamanan enterprise. Tanpa integrasi yang tepat, konteks internal, dan keahlian manusia, model tetap berisiko menghasilkan false positive atau gagal memahami nuansa lingkungan produksi.

Sintesis: model kuat perlu workflow yang kuat

Dari dua sumber tersebut, arah besarnya jelas: AI cyber semakin spesifik dan semakin mampu membantu pekerjaan security. Gemini 3.5 Flash Cyber dapat dipandang sebagai contoh model cyber dari ekosistem model besar, sementara Fugu-Cyber menonjolkan pendekatan orkestrasi multi-agent melalui satu endpoint API.

Analisis praktisnya: nilai terbesar bukan hanya pada model, tetapi pada workflow. Tim security perlu menentukan data apa yang boleh dibaca, aksi apa yang dilarang, kapan manusia harus menyetujui hasil, bagaimana hasil dicatat, dan metrik apa yang dipakai untuk menilai manfaatnya.

Use case yang masuk akal

1. Code security review

AI dapat membantu membaca pull request, mencari pola berisiko, menjelaskan potensi dampak, dan memberi rekomendasi perbaikan. Contohnya:

• Menandai input yang tidak divalidasi.
• Menjelaskan risiko penggunaan dependency tertentu.
• Membantu reviewer memahami perubahan kode yang kompleks.
• Menghubungkan temuan dengan konteks keamanan aplikasi.

Untuk tahap awal, akses sebaiknya read-only ke repository atau diff pull request. AI tidak perlu diberi izin merge, push, atau membuat perubahan langsung ke branch utama.

2. Vulnerability discovery

Pada discovery, AI dapat membantu menganalisis kode, konfigurasi, dokumentasi arsitektur, dan laporan scanner untuk menemukan area yang perlu ditinjau lebih lanjut. Ini bukan berarti AI menjadi pentester otomatis tanpa batas.

Workflow yang lebih aman:

1. AI membaca artefak yang sudah disetujui.
2. AI menghasilkan hipotesis vulnerability.
3. Engineer memverifikasi secara manual atau melalui test yang aman.
4. Perbaikan tetap melalui proses review normal.

Dengan pola ini, AI membantu mempercepat investigasi tanpa langsung menjadi aktor yang mengubah sistem.

3. Security alert triage

Untuk SOC atau tim platform, AI dapat membantu meringkas alert, mengelompokkan kejadian serupa, dan menyarankan prioritas investigasi. Misalnya, AI dapat membandingkan alert dengan konteks asset, riwayat kejadian, atau catatan perubahan deployment.

Tetapi keputusan akhir tetap perlu aturan yang jelas. Alert yang berdampak tinggi, menyangkut data sensitif, atau berpotensi mengganggu layanan tidak sebaiknya ditutup otomatis hanya berdasarkan rekomendasi model.

4. Threat intelligence ke detection logic

Sumber Fugu-Cyber menyebutkan konteks evaluasi yang berkaitan dengan penerjemahan laporan threat intelligence menjadi detection rule. Secara praktis, use case ini menarik karena banyak tim kesulitan mengubah laporan naratif menjadi aturan deteksi yang konsisten.

Tetap perlu validasi. Detection rule yang dihasilkan AI harus diuji pada data historis, dicek false positive, dan direview oleh analyst sebelum masuk pipeline produksi.

Rancangan API integration yang terkontrol

Integrasi API sebaiknya dibuat sebagai lapisan orkestrasi internal, bukan memanggil model langsung dari setiap tool security. Pola yang lebih aman:

1. Security workflow service menerima request dari CI/CD, SIEM, ticketing, atau dashboard internal.
2. Service melakukan sanitasi input dan masking data sensitif bila diperlukan.
3. Service memilih model atau endpoint yang sesuai, misalnya model analisis atau endpoint orkestrasi.
4. Hasil model disimpan dengan metadata audit.
5. Output dikirim ke reviewer manusia atau sistem ticketing, bukan langsung mengeksekusi perubahan produksi.

Pola ini membuat kontrol akses, rate limit, audit trail, dan budget lebih mudah dikelola di satu tempat.

Guardrail operasional yang wajib dipasang

Bagian ini adalah analisis dan rekomendasi implementasi, bukan klaim fitur bawaan Gemini 3.5 Flash Cyber atau Fugu-Cyber.

Read-only pada fase awal

Mulai dari akses baca saja. Untuk code security, cukup berikan akses ke diff, file terkait, atau snapshot repository. Untuk alert triage, cukup berikan salinan event dan konteks yang dibutuhkan. Hindari akses tulis sampai kualitas output terbukti stabil.

Least privilege

Setiap integrasi harus memiliki izin minimum. Endpoint AI tidak perlu akses ke seluruh repository, semua log, atau semua secret. Buat scope berdasarkan use case, misalnya hanya repository tertentu, environment non-produksi, atau subset alert.

Human approval

AI boleh memberi rekomendasi, tetapi aksi berisiko harus menunggu persetujuan manusia. Contoh aksi yang perlu approval:

• Membuat pull request perbaikan.
• Mengubah detection rule produksi.
• Menutup incident.
• Memblokir akun atau alamat IP.
• Mengubah konfigurasi cloud atau firewall.

Sandbox

Jika AI digunakan untuk membantu validasi vulnerability, jalankan pengujian di sandbox atau environment terisolasi. Jangan berikan akses langsung ke sistem produksi untuk eksperimen eksploitasi, fuzzing, atau eksekusi script.

Audit trail

Catat input utama, output, model atau endpoint yang digunakan, waktu eksekusi, user peminta, keputusan reviewer, dan aksi lanjutan. Audit trail penting untuk debugging, kepatuhan, dan evaluasi kualitas model.

Rate limit

Rate limit mencegah integrasi AI menjadi sumber beban berlebih, baik dari sisi biaya maupun stabilitas sistem. Terapkan limit per user, per repository, per pipeline, atau per jenis workflow.

Budget control

Setiap pemeriksaan AI memiliki biaya. Buat batas harian atau bulanan, alert penggunaan, dan aturan prioritas. Misalnya, jalankan analisis penuh hanya untuk repository kritikal atau pull request yang menyentuh area sensitif.

Metrik untuk menilai manfaat

Agar tidak terjebak pada demo yang terlihat menarik, ukur AI cyber dengan metrik operasional.

False positive

Berapa banyak temuan AI yang ternyata tidak valid atau tidak relevan? False positive tinggi akan membuat reviewer lelah dan menurunkan kepercayaan pada sistem.

False negative

Berapa banyak isu nyata yang terlewat? Ini lebih sulit diukur, tetapi dapat dipantau dengan membandingkan hasil AI terhadap temuan manual, scanner, incident postmortem, atau bug bounty internal.

Waktu review

Ukur apakah AI benar-benar mempercepat pekerjaan. Contohnya waktu rata-rata review pull request security, waktu triage alert, atau waktu membuat draft detection rule.

Biaya per pemeriksaan

Hitung biaya per pull request, per alert, per repository scan, atau per laporan threat intelligence. Metrik ini membantu menentukan kapan AI layak dijalankan otomatis dan kapan cukup on-demand.

Pola rollout yang disarankan

Mulai dari workflow sempit dan berisiko rendah.

1. Pilih satu use case, misalnya review pull request untuk repository internal non-kritikal.
2. Jalankan dalam mode read-only.
3. Simpan semua rekomendasi sebagai komentar atau ticket draft.
4. Wajibkan human approval untuk setiap aksi.
5. Ukur false positive, false negative, waktu review, dan biaya per pemeriksaan.
6. Perluas cakupan hanya jika metrik membaik dan reviewer percaya pada output.

Pendekatan ini lebih realistis daripada langsung memberi AI akses luas ke sistem security.

Kesimpulan

Gemini 3.5 Flash Cyber dan Fugu-Cyber menunjukkan arah baru AI untuk keamanan siber: model yang lebih spesifik dan orkestrasi yang lebih cocok untuk tugas cyber bertahap. Tetapi sumber Fugu-Cyber sendiri menekankan bahwa API yang kuat bukan solusi lengkap.

Untuk enterprise maupun tim engineering kecil, kuncinya adalah workflow terkontrol: read-only di awal, least privilege, human approval, sandbox, audit trail, rate limit, budget control, dan metrik yang jelas. Dengan pendekatan ini, AI dapat menjadi akselerator security engineering tanpa mengorbankan tata kelola.

Referensi

• Introducing Gemini 3.5 Flash Cyber, Google DeepMind, https://deepmind.google/blog/introducing-gemini-3-5-flash-cyber/, tanggal publish: tidak tersedia pada materi referensi yang diberikan.
• Introducing Fugu-Cyber: our new orchestration model that achieves state-of-the-art performance on real-world cybersecurity benchmarks, Sakana AI, https://sakana.ai/fugu-cyber-release/, tanggal publish: 21 Juli 2026.