Month: June 2026

Pendahuluan Kecerdasan buatan (Artificial Intelligence/AI) telah menjadi salah satu teknologi paling berpengaruh dalam dunia keamanan siber. Di tengah meningkatnya jumlah serangan, kompleksitas ancaman, dan keterbatasan sumber daya manusia, organisasi membutuhkan cara yang lebih cepat dan cerdas untuk mendeteksi serta merespons insiden keamanan. Jika sebelumnya Security Operations Center (SOC) sangat bergantung pada analisis manual dan aturan statis, kini AI memungkinkan tim keamanan mengidentifikasi pola ancaman yang sulit dikenali manusia dalam jumlah data yang sangat besar. Namun, tidak semua implementasi AI memberikan hasil yang sama. Banyak organisasi masih menghadapi masalah alert fatigue, tingginya jumlah false positive, serta kesulitan mengubah data keamanan menjadi tindakan yang dapat langsung dilakukan. Di sinilah pendekatan yang dikembangkan oleh Exabeam menjadi menarik. Perusahaan ini berfokus pada pemanfaatan AI untuk meningkatkan efisiensi operasional keamanan, membantu analis SOC bekerja lebih cepat, serta mempercepat proses deteksi dan respons terhadap ancaman. Dengan menggabungkan machine learning, behavioral analytics, dan AI generatif, Exabeam berupaya menghadirkan keamanan siber yang lebih proaktif dan berbasis konteks. Mengapa AI Menjadi Kebutuhan dalam Keamanan Siber? Volume data keamanan yang harus dianalisis organisasi modern terus meningkat setiap tahun. Log aktivitas, data jaringan, endpoint, cloud, aplikasi, dan identitas menghasilkan jutaan bahkan miliaran peristiwa keamanan setiap hari. Tanpa bantuan otomatisasi dan AI, tim keamanan akan kesulitan: Mengidentifikasi ancaman secara real-time. Menyelidiki insiden secara cepat. Mengurangi false positive. Menemukan pola serangan tersembunyi. Memprioritaskan risiko yang paling kritis. Tabel 1. Tantangan SOC Modern Tantangan Dampak Volume data yang besar Sulit melakukan analisis manual Alert fatigue Ancaman penting terlewat Kekurangan talenta keamanan Beban kerja meningkat Kompleksitas lingkungan hybrid Visibilitas berkurang Serangan yang semakin canggih Deteksi menjadi lebih sulit Menurut berbagai laporan industri, rata-rata analis keamanan harus memproses ribuan alert setiap hari. Banyak di antaranya ternyata tidak relevan atau merupakan false positive. Akibatnya, waktu yang seharusnya digunakan untuk menangani ancaman nyata justru habis untuk proses investigasi yang tidak produktif. Evolusi AI dalam Keamanan Siber Penggunaan AI dalam keamanan siber bukanlah hal baru. Sejak bertahun-tahun lalu, machine learning telah digunakan untuk mendeteksi anomali jaringan dan aktivitas mencurigakan. Namun perkembangan AI generatif membawa perubahan besar. Teknologi ini tidak hanya mampu menemukan pola, tetapi juga: Menjelaskan ancaman dalam bahasa alami. Membantu investigasi insiden. Membuat ringkasan keamanan otomatis. Memberikan rekomendasi respons. Membantu analis yang kurang berpengalaman memahami konteks ancaman. Exabeam memanfaatkan kombinasi berbagai teknologi AI untuk menciptakan sistem yang tidak hanya mendeteksi ancaman, tetapi juga membantu pengambilan keputusan secara lebih cepat. Pendekatan AI yang Dikembangkan Exabeam Exabeam mengintegrasikan AI ke dalam berbagai aspek operasi keamanan dengan fokus pada peningkatan produktivitas analis SOC. Pendekatan ini terdiri dari beberapa komponen utama. 1. Behavioral Analytics Salah satu kekuatan utama Exabeam adalah penggunaan User and Entity Behavior Analytics (UEBA). Teknologi ini mempelajari perilaku normal pengguna dan sistem untuk membangun baseline aktivitas. Ketika terjadi penyimpangan yang signifikan, sistem dapat mendeteksi potensi ancaman yang mungkin tidak teridentifikasi melalui aturan keamanan tradisional. Contohnya: Login dari lokasi yang tidak biasa. Akses data dalam jumlah besar secara tiba-tiba. Aktivitas akun di luar jam kerja normal. Perubahan pola penggunaan aplikasi. Tabel 2. Perbandingan Pendekatan Tradisional dan Behavioral Analytics Aspek Deteksi Berbasis Aturan Behavioral Analytics Deteksi ancaman baru Terbatas Lebih adaptif Ketergantungan signature Tinggi Rendah Identifikasi insider threat Sulit Lebih efektif Analisis konteks Terbatas Mendalam 2. AI untuk Investigasi dan Analisis Dalam lingkungan SOC modern, waktu investigasi menjadi faktor penting. Semakin lama insiden dianalisis, semakin besar potensi kerugian yang dapat terjadi. AI membantu dengan: Menghubungkan berbagai sumber data. Mengidentifikasi hubungan antar peristiwa. Menyusun kronologi serangan. Menyediakan ringkasan otomatis. Hal ini memungkinkan analis memahami situasi lebih cepat dibandingkan harus menelusuri log secara manual. 3. AI Generatif untuk Produktivitas SOC Salah satu inovasi terbaru adalah pemanfaatan AI generatif dalam operasi keamanan. Teknologi ini memungkinkan sistem menjawab pertanyaan analis menggunakan bahasa alami. Sebagai contoh: “Mengapa alert ini dianggap berisiko tinggi?” “Tampilkan aktivitas pengguna selama 24 jam terakhir.” “Apa langkah mitigasi yang direkomendasikan?” AI kemudian menghasilkan jawaban yang mudah dipahami tanpa memerlukan pencarian manual yang kompleks. Tabel 3. Manfaat AI Generatif bagi SOC Manfaat Dampak Ringkasan otomatis Investigasi lebih cepat Query bahasa alami Mengurangi kompleksitas Penjelasan ancaman Mempercepat pemahaman Panduan respons Mengurangi kesalahan Transfer pengetahuan Membantu analis baru Mengurangi Alert Fatigue Salah satu masalah terbesar yang dihadapi tim keamanan saat ini adalah alert fatigue. Kondisi ini terjadi ketika analis menerima terlalu banyak notifikasi sehingga sulit menentukan mana yang benar-benar penting. AI membantu mengurangi masalah tersebut melalui: Prioritisasi ancaman. Korelasi otomatis antar alert. Pengurangan false positive. Scoring risiko berbasis konteks. Dengan demikian, analis dapat fokus pada ancaman yang memiliki dampak terbesar terhadap organisasi. AI dan Ancaman Insider Tidak semua ancaman berasal dari luar organisasi. Dalam banyak kasus, pelanggaran keamanan melibatkan akun internal yang disalahgunakan, baik secara sengaja maupun tidak sengaja. Insider threat sering sulit dideteksi karena aktivitas pelaku menggunakan kredensial yang sah. Di sinilah behavioral analytics menjadi sangat penting. Dengan mempelajari pola perilaku normal pengguna, sistem dapat mengidentifikasi aktivitas yang tidak biasa meskipun dilakukan oleh akun yang memiliki izin resmi. Tabel 4. Indikator Potensi Insider Threat Aktivitas Tingkat Risiko Download data besar secara tiba-tiba Tinggi Login dari lokasi tidak biasa Tinggi Akses sistem di luar jam kerja Sedang Penggunaan akun dormant Tinggi Perubahan hak akses tidak biasa Tinggi Tantangan Implementasi AI dalam Keamanan Siber Meskipun menjanjikan banyak manfaat, implementasi AI tidak selalu mudah. Beberapa tantangan yang masih dihadapi organisasi meliputi: 1. Kualitas Data AI hanya akan sebaik data yang digunakan untuk melatih dan menjalankan model. 2. False Positive Model yang kurang optimal masih dapat menghasilkan alert yang tidak relevan. 3. Transparansi Organisasi perlu memahami alasan di balik keputusan yang dibuat AI. 4. Risiko Penyalahgunaan AI Teknologi AI juga dimanfaatkan oleh pelaku ancaman untuk membuat phishing yang lebih meyakinkan, malware yang lebih adaptif, dan otomatisasi serangan yang lebih canggih. Karena itu, AI harus dipandang sebagai alat pendukung bagi analis manusia, bukan pengganti sepenuhnya. (exabeam.com) Masa Depan SOC Berbasis AI Ke depan, AI diperkirakan akan menjadi komponen inti dalam Security Operations Center. Peran analis manusia akan bergeser dari pekerjaan rutin dan repetitif menuju: Pengambilan keputusan strategis. Validasi hasil AI. Analisis ancaman tingkat lanjut. Pengembangan kebijakan keamanan. Sementara itu, AI akan menangani: Pengumpulan data. Korelasi peristiwa. Prioritisasi alert….

AI Agent kini tidak lagi sekadar chatbot yang menjawab pertanyaan. Di banyak organisasi, AI Agent telah berkembang menjadi entitas yang mampu mengambil keputusan, menggunakan tools, mengakses data perusahaan, menjalankan workflow otomatis, hingga berinteraksi dengan sistem bisnis secara mandiri. Kemampuan tersebut membawa manfaat besar bagi produktivitas, tetapi juga menciptakan permukaan serangan baru yang belum pernah dihadapi sebelumnya. Untuk membantu organisasi memahami risiko ini, OWASP merilis OWASP Top 10 for Agentic Applications, sebuah kerangka kerja yang mengidentifikasi risiko keamanan paling umum pada AI Agent. Namun mengetahui jenis risiko saja tidak cukup. Tantangan berikutnya adalah bagaimana mendeteksi risiko tersebut saat benar-benar terjadi di lingkungan operasional. Di sinilah behavioral analytics mulai memainkan peran penting. Mengapa AI Agent Menjadi Tantangan yang Berbeda? Berbeda dengan aplikasi tradisional, AI Agent memiliki karakteristik yang unik: Memiliki identitas digital. Menggunakan kredensial resmi. Mengakses berbagai sistem internal. Menjalankan tool dan API. Membuat keputusan berdasarkan konteks. Karena bekerja menggunakan akses yang sah, aktivitas AI Agent sering kali terlihat normal dari sudut pandang sistem keamanan tradisional. Karakteristik AI Agent Modern Karakteristik Dampak Keamanan Otonomi tinggi Sulit diprediksi Menggunakan kredensial valid Sulit dibedakan dari aktivitas normal Mengakses banyak sistem Risiko meluas Beroperasi cepat Dampak dapat berkembang dalam hitungan detik Berbasis workflow Ancaman muncul sebagai rangkaian aktivitas Inilah alasan mengapa banyak teknik deteksi konvensional kesulitan mengidentifikasi penyalahgunaan AI Agent. OWASP Top 10 untuk Agentic Applications OWASP mengelompokkan berbagai risiko yang muncul pada sistem agentic ke dalam beberapa kategori utama. Contoh Risiko yang Diidentifikasi OWASP Kategori Risiko Gambaran Umum Prompt Manipulation Agent dipengaruhi untuk melakukan tindakan yang tidak semestinya Excessive Privileges Hak akses terlalu luas Tool Misuse Penyalahgunaan tool yang tersedia Rogue Agent Agent bertindak di luar tujuan yang ditetapkan Identity Abuse Penyalahgunaan identitas dan kredensial Memory Poisoning Manipulasi memori atau konteks agent Inter-Agent Risk Risiko komunikasi antar agent Yang menarik, sebagian besar risiko tersebut tidak muncul sebagai satu peristiwa tunggal. Mereka berkembang melalui serangkaian aktivitas yang tampak sah jika dilihat secara terpisah. Mengapa Deteksi Tradisional Sering Gagal? Sebagian besar solusi keamanan saat ini masih bergantung pada: Correlation rules. Signature detection. Known Indicators of Compromise (IOC). Policy violations. Pendekatan tersebut efektif ketika ancaman secara jelas melanggar aturan yang ada. Namun pada AI Agent, skenarionya berbeda. Misalnya: Pengguna memberikan prompt yang tampak normal. Agent menggunakan tool yang memang diizinkan. Agent mengakses data yang secara teknis boleh diakses. Agent menjalankan workflow yang valid. Tidak ada satu pun aktivitas yang terlihat berbahaya. Tetapi ketika seluruh rangkaian tersebut dianalisis bersama, hasil akhirnya dapat berupa kebocoran data atau penyalahgunaan akses. Inilah yang sering tidak terlihat oleh pendekatan berbasis event tunggal. Perbandingan Pendekatan Deteksi Deteksi Tradisional Behavioral Analytics Fokus pada event Fokus pada perilaku Berdasarkan aturan Berdasarkan pola Melihat aktivitas tunggal Melihat rangkaian aktivitas Reaktif Lebih proaktif Bergantung signature Mendeteksi anomali baru Behavioral Analytics: Dari Risiko Menjadi Deteksi Menurut Exabeam, behavioral analytics bekerja dengan membangun pemahaman mengenai perilaku normal pengguna dan AI Agent. Sistem mempelajari: Pola prompt. Pola akses data. Penggunaan tool. Aktivitas API. Interaksi antar agent. Perubahan perilaku dari waktu ke waktu. Ketika terjadi penyimpangan yang signifikan, sistem dapat mengidentifikasi risiko bahkan ketika tidak ada signature serangan yang dikenal sebelumnya. Dari Input Hingga Output: Melihat Siklus Penuh AI Agent Salah satu keunggulan behavioral analytics adalah kemampuannya menghubungkan seluruh siklus aktivitas AI Agent. Tahapan yang Dipantau Tahap Aktivitas Input Prompt dan instruksi pengguna Processing Pengambilan keputusan agent Tool Usage Pemanggilan tool dan API Data Access Penggunaan data internal Output Hasil tindakan agent Outcome Dampak terhadap bisnis Dengan visibilitas end-to-end ini, tim SOC dapat memahami bagaimana sebuah risiko berkembang dari awal hingga menghasilkan dampak nyata. Rogue Agent: Ancaman Baru yang Sulit Terlihat Salah satu kategori risiko yang paling menarik adalah Rogue Agent. Rogue Agent tidak selalu berarti AI yang “jahat”. Dalam banyak kasus, agent: Salah konfigurasi. Mengalami prompt manipulation. Menggunakan tool secara tidak tepat. Menjalankan workflow yang tidak sesuai tujuan awal. Masalahnya, setiap tindakan individual mungkin masih terlihat valid. Karakteristik Rogue Agent Aktivitas Terlihat Normal? Login menggunakan kredensial resmi Ya Mengakses data perusahaan Ya Menjalankan API resmi Ya Mengotomatisasi workflow Ya Menghasilkan dampak berbahaya Bisa terjadi Karena itu, deteksi berbasis perilaku menjadi penting untuk membedakan aktivitas normal dari penyimpangan yang berisiko. AI Agent Kini Menjadi Insider Baru Dalam konsep Agentic Enterprise, AI Agent mulai dipandang sebagai insider digital. Mereka memiliki: Identitas. Hak akses. Otorisasi. Kemampuan bertindak atas nama pengguna. Akibatnya, konsep insider threat kini tidak lagi terbatas pada manusia. Evolusi Insider Threat Generasi Fokus Tradisional Karyawan Modern Human + Service Account Agentic Enterprise Human + AI Agent + NHI Exabeam menilai bahwa keamanan modern harus mampu memahami hubungan antara perilaku manusia dan perilaku AI Agent dalam satu konteks yang terintegrasi. Relevansi bagi Organisasi di Indonesia Adopsi AI Agent semakin meningkat di berbagai sektor: Perbankan. Telekomunikasi. Pemerintahan. Energi. Manufaktur. Kesehatan. Banyak organisasi mulai menggunakan: ChatGPT Enterprise Microsoft Copilot Google Gemini for Workspace Workflow automation berbasis AI. Multi-agent platform. Semakin banyak AI Agent yang beroperasi di lingkungan perusahaan, semakin penting pula kemampuan untuk memonitor perilaku mereka secara berkelanjutan. Kesimpulan OWASP memberikan kerangka yang sangat penting untuk memahami risiko keamanan pada AI Agent, mulai dari prompt manipulation hingga rogue agent behavior. Namun risiko-risiko tersebut jarang muncul sebagai satu kejadian tunggal. Mereka berkembang melalui serangkaian aktivitas yang tampak sah dan sering kali lolos dari deteksi berbasis aturan tradisional. Behavioral analytics menawarkan pendekatan yang berbeda dengan mempelajari bagaimana pengguna dan AI Agent biasanya beroperasi, kemudian mendeteksi penyimpangan yang mengindikasikan risiko. Dengan memantau seluruh siklus aktivitas—mulai dari input, proses pengambilan keputusan, penggunaan tool, hingga output—tim keamanan memperoleh visibilitas yang lebih lengkap terhadap ancaman yang berkembang di lingkungan Agentic Enterprise. Bagi organisasi yang mulai mengadopsi AI Agent dalam skala besar, kombinasi antara kerangka risiko OWASP dan behavioral analytics dapat menjadi fondasi penting untuk menjaga keamanan, tata kelola, dan kepercayaan terhadap tenaga kerja digital generasi berikutnya. Exabeam Indonesia merupakan bagian dari PT. iLogo Infralogy Indonesia, yang bertindak sebagai partner resmi Exabeam. Selain itu, kami juga berperan sebagai penyedia layanan (vendor) sekaligus distributor berbagai produk Infrastruktur IT dan Cybersecurity terbaik di Indonesia.

Banyak organisasi menjadikan Microsoft Sentinel sebagai fondasi Security Operations Center (SOC) karena integrasinya yang erat dengan ekosistem Microsoft, kemampuan SIEM dan SOAR cloud-native, serta dukungan terhadap berbagai sumber data keamanan. Namun seiring bertambahnya volume log, kompleksitas serangan, dan penggunaan AI serta otomatisasi, banyak tim keamanan mulai mencari cara untuk meningkatkan efektivitas Sentinel tanpa harus menggantinya. Menurut Exabeam, pendekatan yang semakin umum adalah augmenting Sentinel, yaitu menambahkan lapisan behavioral analytics, investigasi berbasis konteks, risk scoring, dan otomatisasi yang lebih mendalam melalui platform New-Scale Analytics. Tujuannya bukan mengganti investasi yang sudah ada, tetapi memperluas kemampuan deteksi dan investigasi agar SOC dapat bekerja lebih efisien. Mengapa SOC Modern Membutuhkan Lebih dari SIEM Tradisional? Lingkungan TI saat ini jauh lebih kompleks dibandingkan beberapa tahun lalu. Tim keamanan harus mengelola: Cloud dan hybrid infrastructure SaaS applications Endpoint modern AI Agent dan automation platform Identitas manusia dan non-manusia (NHI) Dalam kondisi tersebut, banyak serangan tidak lagi muncul sebagai satu alert yang jelas, melainkan sebagai rangkaian aktivitas kecil yang tersebar di berbagai sistem. Hal inilah yang mendorong kebutuhan terhadap behavioral analytics dan investigasi berbasis konteks. 1. Membutuhkan Deteksi Risiko Lebih Awal daripada Rule-Based Detection Salah satu keterbatasan pendekatan SIEM tradisional adalah ketergantungan pada: Correlation rule Scheduled query Known IOC Signature detection Metode ini sering kali efektif ketika ancaman sudah cukup jelas terlihat. Namun ancaman modern seperti: Insider threat Credential abuse Privilege misuse AI Agent misuse sering berkembang secara perlahan sebelum menghasilkan alert yang signifikan. Behavioral analytics membantu mengidentifikasi pola yang tidak biasa sebelum insiden berkembang menjadi pelanggaran keamanan yang serius. Exabeam menyoroti penggunaan dynamic risk scoring untuk memprioritaskan aktivitas yang menunjukkan tanda-tanda penyalahgunaan sejak dini. Perbandingan Pendekatan Pendekatan Tradisional Behavioral Analytics Berbasis aturan Berbasis perilaku Fokus pada event Fokus pada pola Reaktif Lebih proaktif Alert-driven Risk-driven Ancaman terlihat jelas Ancaman tersembunyi 2. Investigasi Terlalu Banyak Berpindah Antar Dashboard Salah satu tantangan yang sering dihadapi analis SOC adalah proses investigasi yang mengharuskan mereka berpindah-pindah antara: Query log Dashboard Incident view Threat intelligence Data source lain Kondisi ini memperlambat proses investigasi dan meningkatkan risiko kehilangan konteks penting. Exabeam menyatakan bahwa banyak tim Sentinel memperluas platform mereka dengan kemampuan investigasi yang menghubungkan aktivitas terkait dalam satu konteks sehingga analis dapat melihat perkembangan insiden secara lebih utuh tanpa melakukan korelasi manual yang kompleks. Dampak terhadap SOC Tanpa Konteks Terpadu Dengan Investigasi Terpadu Banyak pivot manual Konteks terhubung Investigasi lebih lama Investigasi lebih cepat Risiko kehilangan bukti Timeline lebih jelas Bergantung pada analis senior Lebih mudah untuk tim junior 3. Serangan Modern Tidak Muncul Sebagai Satu Alert Banyak serangan saat ini berlangsung melalui beberapa tahap: Credential compromise Lateral movement Privilege escalation Data access Data exfiltration Setiap aktivitas mungkin terlihat normal jika dianalisis secara terpisah. Behavior-first analytics membantu menghubungkan berbagai aktivitas tersebut menjadi satu pola serangan yang lebih mudah dikenali. Hal ini menjadi semakin penting ketika organisasi mulai mengadopsi AI Agent dan otomatisasi dalam operasional mereka. Tantangan Serangan Modern Karakteristik Dampak Multi-step attack Sulit dikorelasikan Aktivitas terlihat sah Tidak memicu alert Menggunakan akun valid Sulit dideteksi Melibatkan banyak sistem Investigasi kompleks 4. Keterbatasan Visibilitas di Luar Ekosistem Microsoft Microsoft Sentinel memiliki integrasi yang sangat kuat dengan layanan Microsoft. Namun banyak organisasi juga menggunakan: CrowdStrike Palo Alto Networks Cisco Okta AWS Google Cloud Berbagai aplikasi SaaS Ketika data keamanan tersebar di banyak platform, proses investigasi dapat menjadi lebih sulit jika sinyal-sinyal tersebut tidak dianalisis secara terpadu. Exabeam menekankan pentingnya behavioral analytics yang dapat bekerja lintas berbagai sumber data sehingga aktivitas pengguna dan sistem dapat dianalisis dalam satu konteks yang konsisten. Sumber Data yang Perlu Dikorelasikan Kategori Contoh Identity Entra ID, Okta Endpoint Defender, CrowdStrike Network Firewall dan IDS Cloud Azure, AWS, GCP SaaS Salesforce, ServiceNow Security Tools EDR, NDR, CASB 5. Ketergantungan pada Query Membatasi Produktivitas SOC Banyak workflow Sentinel masih sangat bergantung pada kemampuan menulis query yang kompleks. Akibatnya: Investigasi bergantung pada analis tertentu. Knowledge menjadi terpusat pada sedikit orang. Beban kerja tidak terdistribusi dengan baik. Exabeam menyebut bahwa kemampuan pencarian berbasis bahasa alami dan investigasi yang lebih terstruktur membantu memperluas kemampuan seluruh tim SOC, termasuk analis yang tidak memiliki keahlian query tingkat lanjut. Tantangan Query-Centric SOC Masalah Dampak Query kompleks Kurva belajar tinggi Bergantung pakar Bottleneck operasional Investigasi lambat MTTR meningkat Sulit diskalakan Efisiensi SOC menurun Perspektif Industri: Mengapa Banyak Organisasi Tidak Mengganti Sentinel? Menariknya, banyak organisasi tidak memilih mengganti Sentinel sepenuhnya. Pendekatan yang lebih umum adalah: Microsoft Sentinel + Behavioral Analytics + Risk Scoring + Guided Investigation + Automation Strategi ini memungkinkan organisasi mempertahankan investasi yang sudah ada sambil meningkatkan kemampuan deteksi dan respons. Exabeam menggambarkan pendekatan tersebut sebagai cara untuk memperluas cakupan dan efektivitas tanpa melakukan migrasi SIEM yang mahal dan kompleks. Relevansi bagi Organisasi di Indonesia Pendekatan ini sangat relevan bagi: Industri Tantangan Perbankan Fraud dan insider threat Telekomunikasi Skala identitas yang besar Pemerintahan Perlindungan data publik Energi Infrastruktur kritikal Kesehatan Data pasien Manufaktur Integrasi IT dan OT Banyak organisasi Indonesia telah mengadopsi Microsoft 365, Azure, dan Sentinel. Namun semakin kompleksnya lingkungan hybrid cloud, SaaS, dan AI Agent membuat kebutuhan terhadap behavioral analytics dan investigasi berbasis konteks menjadi semakin penting. Kesimpulan Microsoft Sentinel tetap menjadi platform SIEM yang kuat, khususnya bagi organisasi yang banyak menggunakan ekosistem Microsoft. Namun meningkatnya kompleksitas ancaman modern, keterbatasan deteksi berbasis rule, kebutuhan visibilitas lintas platform, serta tekanan terhadap tim SOC membuat banyak organisasi memilih untuk melengkapinya dengan pendekatan behavioral analytics dan risk-based investigation. Menurut Exabeam, lima alasan utama organisasi melakukan augmentasi terhadap Sentinel adalah kebutuhan untuk mendeteksi risiko lebih awal, mempercepat investigasi, mengidentifikasi serangan multi-tahap, memperluas visibilitas di luar data Microsoft, dan mengurangi ketergantungan pada query yang kompleks. Dengan pendekatan ini, SOC dapat lebih fokus pada pengurangan risiko dan respons terhadap ancaman daripada menghabiskan waktu untuk menghubungkan data secara manual. Exabeam Indonesia merupakan bagian dari PT. iLogo Infralogy Indonesia, yang bertindak sebagai partner resmi Exabeam. Selain itu, kami juga berperan sebagai penyedia layanan (vendor) sekaligus distributor berbagai produk Infrastruktur IT dan Cybersecurity terbaik di Indonesia.

Selama bertahun-tahun, tim keamanan siber berfokus pada perilaku manusia sebagai sumber utama risiko insider threat. Namun, transformasi digital dan adopsi AI telah menciptakan jenis identitas baru di lingkungan enterprise: AI Agent. Saat ini organisasi mulai memanfaatkan AI Agent untuk: Menjalankan workflow otomatis. Mengakses aplikasi bisnis. Mengelola data perusahaan. Membuat keputusan operasional. Berinteraksi dengan sistem lain melalui API. Masalahnya, AI Agent sering kali diberikan hak akses yang setara dengan pengguna manusia. Jika terjadi kesalahan konfigurasi, penyalahgunaan, kompromi, atau perilaku yang tidak sesuai tujuan awal, dampaknya dapat sama berbahayanya dengan insider threat tradisional. Untuk menjawab tantangan tersebut, Exabeam mengembangkan Agent Behavior Analytics (ABA), sebuah pendekatan yang dirancang khusus untuk memonitor dan menganalisis perilaku AI Agent dalam lingkungan enterprise. Apa Itu Agent Behavior Analytics? Agent Behavior Analytics (ABA) adalah kemampuan keamanan yang memperluas konsep User and Entity Behavior Analytics (UEBA) ke dunia AI Agent dan identitas non-manusia (Non-Human Identities/NHI). Alih-alih hanya memonitor pengguna manusia, ABA juga mempelajari: Aktivitas AI Agent. Interaksi antar agent. Penggunaan data. Pemanggilan API. Workflow otomatis. Kepatuhan terhadap guardrail keamanan. Dengan membangun baseline perilaku normal, sistem dapat mendeteksi aktivitas yang menyimpang dari pola yang diharapkan dan mengidentifikasi risiko lebih cepat. Mengapa AI Agent Menjadi Tantangan Keamanan Baru? Perusahaan kini memasuki era yang sering disebut sebagai Agentic Enterprise, yaitu lingkungan kerja di mana manusia dan AI Agent bekerja bersama dalam proses bisnis yang sama. Evolusi Identitas Enterprise Era Identitas yang Dominan Tradisional Pengguna manusia Cloud Era Human + Service Account Automation Era Human + Bot Agentic Enterprise Human + AI Agent + Multi-Agent System Dalam model ini, AI Agent dapat: Mengakses dokumen internal. Membaca email. Memproses data pelanggan. Mengambil keputusan otomatis. Mengontrol workflow bisnis. Karena memiliki tingkat otorisasi yang tinggi, AI Agent harus diperlakukan sebagai entitas yang perlu diawasi secara aktif. Risiko yang Sulit Dideteksi oleh Sistem Tradisional Banyak solusi keamanan konvensional dirancang untuk mendeteksi: Malware. Signature serangan. IOC (Indicators of Compromise). Aktivitas yang jelas-jelas mencurigakan. Namun AI Agent sering menghasilkan aktivitas yang terlihat sah. Sebagai contoh: Mengakses aplikasi resmi. Menggunakan kredensial yang valid. Melakukan query yang diizinkan. Beroperasi dalam jam kerja normal. Sekilas tidak ada yang mencurigakan. Tetapi bisa saja: Mengakses data dalam jumlah tidak biasa. Menjalankan workflow yang tidak pernah dilakukan sebelumnya. Bertindak di luar batasan yang telah ditetapkan. Jenis risiko seperti ini sering kali tidak terdeteksi oleh sistem keamanan berbasis rule. Cara Kerja Agent Behavior Analytics ABA berfokus pada perilaku, bukan sekadar event individual. Parameter yang Dipantau Area Analisis Contoh Aktivitas Agent Actions Aktivitas baru atau tidak biasa API Usage Pola pemanggilan API Data Access Penggunaan data sensitif Workflow Activity Perubahan proses otomatis Guardrail Compliance Pelanggaran kebijakan Cross-Agent Interaction Komunikasi antar agent Model analitik kemudian mengevaluasi apakah perilaku tersebut masih berada dalam batas normal atau menunjukkan indikasi penyalahgunaan dan kompromi. Kemampuan Utama Agent Behavior Analytics 1. Behavioral Baselining Sistem membangun pemahaman mengenai pola operasi normal AI Agent. Manfaatnya: Mengetahui perilaku standar. Mengidentifikasi anomali. Mengurangi false positive. 2. Anomaly Detection Ketika agent melakukan tindakan yang berbeda dari kebiasaannya, sistem dapat memberikan peringatan. Contohnya: Akses data baru. Aktivitas pada waktu yang tidak biasa. Penggunaan tool yang belum pernah digunakan sebelumnya. 3. Cross-Agent Correlation Dalam lingkungan multi-agent, ancaman tidak selalu muncul dari satu agent saja. ABA mampu menganalisis: Interaksi antar agent. Workflow lintas sistem. Pola kolaborasi yang tidak normal. Fitur ini menjadi semakin penting karena banyak organisasi mulai mengadopsi arsitektur multi-agent AI. Mendeteksi Ancaman yang Berkaitan dengan AI Agent Contoh Risiko yang Dapat Dideteksi Risiko Dampak Potensial Compromised Agent Penyalahgunaan akses Data Exfiltration Kebocoran data Prompt Manipulation Perubahan perilaku agent Unauthorized Actions Aktivitas di luar kebijakan Excessive Privilege Usage Penyalahgunaan hak akses Multi-Agent Abuse Risiko terkoordinasi Dengan pendekatan behavioral analytics, organisasi dapat mendeteksi ancaman bahkan ketika tidak ada signature serangan yang dikenal sebelumnya. Investigasi yang Terhubung dengan Aktivitas Manusia Salah satu tantangan terbesar dalam investigasi keamanan adalah memahami hubungan antara pengguna manusia dan AI Agent. Exabeam mengintegrasikan aktivitas agent ke dalam timeline investigasi yang sama dengan aktivitas pengguna manusia. Hal ini memungkinkan analis untuk: Melihat siapa yang memerintahkan agent. Memahami konteks tindakan agent. Menghubungkan aktivitas manusia dan otomatisasi. Mengidentifikasi rantai serangan secara utuh. Pendekatan ini membantu SOC memperoleh gambaran lengkap tanpa harus berpindah antar platform atau membangun korelasi secara manual. Dukungan untuk Ekosistem AI Modern Perkembangan terbaru menunjukkan bahwa Agent Behavior Analytics terus diperluas untuk mendukung berbagai platform AI enterprise. Ekosistem yang Didukung Platform Fungsi Google Gemini Enterprise Monitoring perilaku agent Google Agent Development Kit Analisis agent kustom Google Agent Gateway Monitoring multi-agent OpenAI ChatGPT Enterprise Visibilitas aktivitas AI Microsoft Copilot Analisis penggunaan AI Dukungan ini membantu organisasi mendapatkan visibilitas yang lebih luas terhadap aktivitas AI yang semakin tersebar di berbagai platform bisnis. Relevansi untuk Organisasi di Indonesia Agent Behavior Analytics sangat relevan bagi organisasi yang mulai mengadopsi: AI Copilot. Generative AI. Workflow Automation. Digital Workforce. Autonomous Agent. Agentic AI Platform. Sektor yang Berpotensi Mendapatkan Manfaat Industri Tantangan Utama Perbankan Fraud dan akses data Telekomunikasi Skala identitas yang besar Pemerintahan Perlindungan data publik Energi Sistem kritikal Kesehatan Data pasien Manufaktur Integrasi IT dan OT Seiring meningkatnya jumlah AI Agent yang beroperasi di lingkungan perusahaan, kebutuhan untuk memahami perilaku mereka akan menjadi sama pentingnya dengan memantau perilaku pengguna manusia. Kesimpulan Munculnya AI Agent mengubah lanskap keamanan siber secara fundamental. Organisasi kini tidak hanya perlu mengawasi karyawan dan akun pengguna, tetapi juga tenaga kerja digital yang menjalankan tugas secara otonom setiap hari. Agent Behavior Analytics menghadirkan pendekatan baru dengan menerapkan behavioral analytics pada AI Agent, memungkinkan organisasi memahami pola operasi normal, mendeteksi penyimpangan, mengidentifikasi ancaman, serta menghubungkan aktivitas agent dengan konteks manusia yang relevan. Dalam era Agentic Enterprise, keamanan tidak lagi cukup hanya mengetahui siapa yang mengakses sistem. Organisasi juga harus memahami bagaimana manusia dan AI Agent berperilaku. Kemampuan tersebut akan menjadi fondasi penting untuk menjaga kepercayaan, tata kelola, dan keamanan operasional di masa depan. Exabeam Indonesia merupakan bagian dari PT. iLogo Infralogy Indonesia, yang bertindak sebagai partner resmi Exabeam. Selain itu, kami juga berperan sebagai penyedia layanan (vendor) sekaligus distributor berbagai produk Infrastruktur IT dan Cybersecurity terbaik di Indonesia.

Ketika AI dan Quantum Computing Mulai Bertemu Dalam beberapa tahun terakhir, Machine Learning (ML) telah menjadi fondasi berbagai sistem digital modern. Mulai dari deteksi fraud, keamanan siber, kendaraan otonom, diagnosis medis, hingga AI generatif, hampir semua inovasi teknologi kini bergantung pada model pembelajaran mesin. Di saat yang sama, perkembangan Quantum Computing terus bergerak maju. Walaupun komputer kuantum skala besar yang sepenuhnya matang masih dalam tahap pengembangan, para peneliti dan praktisi keamanan mulai memperingatkan bahwa dampaknya terhadap keamanan digital akan sangat signifikan. Selama ini diskusi mengenai ancaman kuantum lebih banyak berfokus pada kriptografi. Namun menurut analisis dari Exabeam, perhatian kini mulai bergeser ke area lain yang tidak kalah penting, yaitu bagaimana komputasi kuantum dapat memengaruhi keamanan sistem Machine Learning dan Artificial Intelligence di masa depan. Mengapa Machine Learning Menjadi Target Strategis? Machine Learning tidak lagi hanya digunakan untuk analisis data. Saat ini model ML berperan dalam: Pengambilan keputusan otomatis. Analisis perilaku pengguna. Sistem keamanan siber. Deteksi anomali. Prediksi bisnis. AI Agent dan otomatisasi. Ketika organisasi semakin bergantung pada model AI, nilai ekonomis dan strategis dari model tersebut juga meningkat. Peran Machine Learning di Berbagai Industri Industri Pemanfaatan ML Perbankan Deteksi fraud dan credit scoring Telekomunikasi Analisis pelanggan dan jaringan Kesehatan Diagnosis dan analitik medis Pemerintahan Analisis data publik Retail Personalisasi pelanggan Keamanan Siber Threat detection dan UEBA Karena peran kritis tersebut, model AI kini menjadi aset yang perlu dilindungi sebagaimana infrastruktur dan data perusahaan. Apa Itu Quantum Computing? Quantum Computing memanfaatkan prinsip mekanika kuantum seperti: Superposition. Entanglement. Quantum Interference. Berbeda dengan komputer tradisional yang menggunakan bit bernilai 0 atau 1, komputer kuantum menggunakan qubit yang dapat merepresentasikan banyak kemungkinan secara simultan. Akibatnya, beberapa jenis perhitungan dapat diselesaikan jauh lebih cepat dibandingkan komputer klasik. Perbandingan Konsep Dasar Komputasi Klasik Komputasi Kuantum Bit (0 atau 1) Qubit Operasi berurutan Operasi paralel kuantum Pemrosesan linear Eksplorasi banyak kemungkinan Skalabilitas tradisional Potensi percepatan eksponensial Walaupun masih dalam tahap perkembangan, banyak organisasi sudah mulai mempersiapkan strategi menghadapi era pasca-kuantum. Mengapa Quantum Menjadi Ancaman bagi Machine Learning? Salah satu alasan utama adalah kemampuan quantum computing untuk mempercepat proses komputasi tertentu yang saat ini menjadi dasar keamanan maupun pelatihan model AI. Secara teoritis, algoritma kuantum berpotensi membantu: Mengoptimalkan proses pencarian. Mempercepat analisis dataset besar. Meningkatkan kemampuan inferensi. Mengurangi waktu pelatihan model tertentu. Namun kemampuan yang sama juga dapat dimanfaatkan untuk menyerang sistem AI. Area Risiko yang Mulai Diperhatikan Area Potensi Dampak Model Extraction Pencurian model AI Data Poisoning Manipulasi data pelatihan Adversarial Attacks Gangguan terhadap prediksi Privacy Attacks Pengungkapan data sensitif Cryptographic Protection Melemahnya perlindungan model Ancaman ini masih bersifat berkembang, tetapi para peneliti keamanan menganggapnya sebagai area yang perlu dipersiapkan sejak dini. Risiko Model Extraction Menjadi Lebih Besar Salah satu ancaman yang paling sering dibahas adalah Model Extraction Attack. Dalam serangan ini, penyerang mencoba merekonstruksi model AI melalui: Query berulang. Analisis output. Reverse engineering. Tujuannya adalah menyalin model yang bernilai tinggi tanpa memiliki akses langsung ke sistem internal. Dampak Model Extraction Dampak Konsekuensi Pencurian IP Kehilangan keunggulan kompetitif Penyalahgunaan Model Replikasi tanpa izin Penghindaran Deteksi Memahami cara kerja sistem keamanan Eksploitasi AI Membuat serangan lebih efektif Jika kemampuan komputasi meningkat secara signifikan di masa depan, proses ekstraksi model berpotensi menjadi lebih cepat dan lebih murah. Ancaman terhadap AI Security Systems Ironisnya, banyak organisasi menggunakan Machine Learning sebagai alat pertahanan keamanan. Contohnya: User and Entity Behavior Analytics (UEBA). Fraud Detection. Threat Hunting. Network Analytics. Insider Threat Detection. Jika penyerang mampu memahami atau memanipulasi model tersebut, maka sistem pertahanan dapat kehilangan efektivitasnya. Risiko terhadap Sistem Keamanan Berbasis AI Sistem Risiko UEBA Manipulasi pola perilaku Fraud Detection Menghindari deteksi SIEM Analytics Menurunkan akurasi alert Threat Intelligence Distorsi analisis AI Copilot Security Penyalahgunaan rekomendasi Inilah sebabnya mengapa keamanan AI kini menjadi bagian penting dari strategi keamanan siber modern. Data Poisoning: Ancaman yang Semakin Kompleks Machine Learning sangat bergantung pada kualitas data pelatihan. Jika data tersebut dimanipulasi, model dapat menghasilkan keputusan yang salah. Contoh Data Poisoning Target Dampak Fraud Model Fraud tidak terdeteksi Spam Filter Email berbahaya lolos Malware Detection Ancaman tidak dikenali Recommendation System Hasil bias Autonomous Systems Respons yang salah Dengan kemampuan analisis yang lebih kuat, penyerang di masa depan mungkin dapat mengidentifikasi cara yang lebih efektif untuk merusak proses pelatihan model. Era Post-Quantum Security Tidak Hanya Tentang Kriptografi Selama ini banyak organisasi mengaitkan keamanan pasca-kuantum hanya dengan migrasi ke algoritma kriptografi baru. Padahal tantangannya jauh lebih luas. Pilar Persiapan Quantum Era Area Fokus Post-Quantum Cryptography Perlindungan data AI Security Keamanan model Identity Security Perlindungan identitas Data Governance Integritas data Threat Detection Adaptasi terhadap ancaman baru Risk Management Perencanaan jangka panjang Pendekatan yang komprehensif akan membantu organisasi menghadapi perubahan teknologi yang kemungkinan terjadi dalam dekade mendatang. Apa yang Dapat Dilakukan Organisasi Saat Ini? Walaupun ancaman kuantum terhadap Machine Learning belum menjadi risiko operasional sehari-hari, organisasi dapat mulai membangun kesiapan. Langkah Awal yang Direkomendasikan Langkah Tujuan Inventarisasi Model AI Mengetahui aset yang perlu dilindungi AI Governance Mengelola siklus hidup model Monitoring Model Behavior Deteksi penyimpangan Data Integrity Controls Melindungi data pelatihan Evaluasi Post-Quantum Readiness Persiapan jangka panjang Security Testing Mengidentifikasi kelemahan model Langkah-langkah ini membantu organisasi membangun fondasi keamanan AI yang lebih kuat sebelum ancaman berkembang lebih jauh. Relevansi bagi Organisasi di Indonesia Adopsi AI di Indonesia terus meningkat pada sektor: Perbankan. Telekomunikasi. Pemerintahan. Energi. Manufaktur. Kesehatan. Banyak organisasi mulai menggunakan: AI Copilot. Chatbot cerdas. Fraud detection berbasis ML. Predictive analytics. Automated decision systems. Semakin tinggi ketergantungan terhadap AI, semakin penting pula perlindungan terhadap model dan data yang mendukungnya. Organisasi yang mulai mempersiapkan strategi keamanan AI sejak sekarang akan memiliki posisi yang lebih baik ketika teknologi kuantum mulai mencapai tingkat kematangan yang lebih tinggi. Kesimpulan Quantum Computing menjanjikan lompatan besar dalam kemampuan komputasi, tetapi juga menghadirkan tantangan keamanan baru yang tidak boleh diabaikan. Selain ancaman terhadap kriptografi, perkembangan teknologi kuantum berpotensi memengaruhi keamanan Machine Learning, mulai dari model extraction, data poisoning, hingga serangan terhadap sistem keamanan berbasis AI. Bagi perusahaan modern, AI kini bukan sekadar alat bantu, melainkan aset strategis yang mendukung operasional, keamanan, dan pengambilan keputusan. Karena itu, perlindungan terhadap model AI harus menjadi bagian dari strategi keamanan jangka…

Selama bertahun-tahun, strategi keamanan siber dibangun di atas satu asumsi sederhana: ancaman akan terlihat berbeda dari aktivitas normal. Sistem keamanan mencari malware, signature serangan, IP berbahaya, atau indikator kompromi yang telah dikenal sebelumnya. Namun kondisi tersebut mulai berubah. Di era Agentic Enterprise, di mana karyawan bekerja berdampingan dengan AI Copilot, AI Agent, workflow automation, dan identitas non-manusia (Non-Human Identities/NHI), banyak serangan tidak lagi terlihat seperti aktivitas berbahaya. Sebaliknya, mereka tampak seperti aktivitas bisnis yang sah. Penyerang kini lebih sering menggunakan kredensial yang valid, perangkat terpercaya, dan aplikasi resmi perusahaan. Akibatnya, aktivitas berbahaya dapat berbaur dengan lalu lintas operasional sehari-hari sehingga sulit dibedakan dari aktivitas normal. Untuk menjawab tantangan ini, Exabeam memperkenalkan konsep Behavior Intelligence, sebuah model keamanan yang berfokus pada perilaku daripada sekadar indikator ancaman tradisional. Apa Itu Behavior Intelligence? Exabeam mendefinisikan Behavior Intelligence sebagai model operasi keamanan yang menggabungkan: Behavioral Analytics AI-Driven Investigation Security Automation Outcome Measurement Pendekatan ini tidak hanya bertanya: “Apakah aktivitas ini diketahui berbahaya?” Tetapi juga: “Apakah aktivitas ini normal untuk identitas tersebut?” Dengan kata lain, fokusnya bergeser dari mendeteksi pola serangan yang sudah dikenal menuju memahami bagaimana manusia, sistem, dan AI Agent biasanya berperilaku. Ketika terjadi penyimpangan dari pola tersebut, risiko dapat terdeteksi lebih awal. Munculnya Agentic Enterprise Perusahaan modern kini mulai memasuki fase baru transformasi digital. Jika sebelumnya hanya manusia yang mengakses sistem perusahaan, kini muncul berbagai identitas digital seperti: AI Copilot AI Agent Automation Bot Service Account Workflow Engine Autonomous Application AI Agent bahkan dapat: Mengakses aplikasi bisnis. Mengambil data perusahaan. Menjalankan workflow. Memanggil API. Membuat keputusan otomatis. Fenomena ini menciptakan lingkungan kerja baru yang disebut Agentic Enterprise. Dalam lingkungan ini, aktivitas manusia dan aktivitas mesin bercampur menjadi satu ekosistem operasional. Evolusi Identitas dalam Enterprise Era Identitas Utama Tradisional Karyawan Cloud Era Karyawan + Service Account Digital Transformation Human + Automation Agentic Enterprise Human + AI Agent + NHI Tantangan Baru: Risiko yang Terlihat Normal Salah satu masalah terbesar yang dihadapi Security Operations Center (SOC) saat ini adalah ancaman yang tidak memicu alarm tradisional. Contohnya: Seorang pengguna login menggunakan akun resmi. Mengakses aplikasi yang memang menjadi haknya. Mengunduh data menggunakan tool yang diizinkan. Beroperasi pada jam kerja normal. Tidak ada aktivitas yang secara eksplisit melanggar kebijakan keamanan. Namun ternyata: Volume data yang diambil jauh lebih besar dari biasanya. Pola akses berbeda dari kebiasaan pengguna tersebut. Urutan aktivitas tidak sesuai perilaku normal. Inilah jenis ancaman yang sering lolos dari sistem keamanan berbasis rule atau signature. Menurut laporan yang dikutip Exabeam, kredensial yang dikompromikan terlibat dalam sebagian besar pelanggaran keamanan modern karena penyerang sengaja memilih jalur yang terlihat sah. Mengapa Pendekatan Tradisional Mulai Kehilangan Efektivitas? Sebagian besar sistem keamanan tradisional bekerja berdasarkan: Pendekatan Lama Metode Cara Kerja Signature Detection Mencari pola serangan yang diketahui Rule-Based Detection Mencocokkan aturan tertentu IOC Monitoring Mencari indikator kompromi Correlation Rules Menghubungkan event tertentu Masalahnya, AI Agent dan ancaman modern sering menghasilkan pola perilaku yang belum pernah ada sebelumnya. Dalam lingkungan agentic: Tidak semua perilaku bisa diprediksi. Tidak semua aktivitas berbahaya memiliki signature. Tidak semua penyalahgunaan akses memicu rule tertentu. Akibatnya, organisasi membutuhkan pendekatan yang lebih adaptif. Behavioral Analytics: Fondasi Behavior Intelligence Behavior Intelligence dibangun di atas teknologi User and Entity Behavior Analytics (UEBA). Alih-alih mencari “aktivitas jahat”, UEBA membangun baseline perilaku normal. Parameter yang Dianalisis Faktor Contoh Login Pattern Lokasi dan waktu akses Data Access Jenis data yang diakses API Usage Pola pemanggilan API Application Activity Interaksi aplikasi Network Activity Pola komunikasi AI Agent Actions Aktivitas otomatisasi Ketika terjadi penyimpangan yang signifikan dari baseline tersebut, sistem akan menghasilkan skor risiko dan memicu investigasi lebih lanjut. AI Agent Menjadi Insider Baru Salah satu wawasan paling menarik dari Exabeam adalah bahwa AI Agent kini harus diperlakukan seperti insider. AI Agent dapat: Memiliki identitas. Menggunakan kredensial. Mengakses data sensitif. Menjalankan tugas bisnis. Jika terjadi kesalahan konfigurasi, kompromi, atau manipulasi prompt, dampaknya dapat sangat besar. Risiko AI Agent Risiko Dampak Prompt Manipulation Perilaku menyimpang Excessive Privileges Akses berlebihan Credential Misuse Penyalahgunaan identitas Unauthorized API Calls Eksfiltrasi data Agent Drift Perubahan perilaku bertahap Karena alasan tersebut, Exabeam mengembangkan Agent Behavior Analytics (ABA) untuk memonitor perilaku AI Agent sebagaimana organisasi memonitor perilaku pengguna manusia. Dari Deteksi Menuju Respons Otomatis Salah satu kelemahan banyak platform keamanan adalah menghasilkan terlalu banyak alert. Behavior Intelligence mencoba mengatasi masalah tersebut dengan menggabungkan: Komponen Utama Komponen Fungsi Behavioral Analytics Deteksi anomali AI Investigation Analisis otomatis Automation Management Respons otomatis Outcomes Navigator Pengukuran efektivitas Dengan pendekatan ini, analis tidak lagi harus mengumpulkan bukti dari berbagai alat secara manual. Sistem membantu melakukan triage, investigasi, dan rekomendasi respons secara otomatis. Relevansi untuk Organisasi di Indonesia Konsep Behavior Intelligence sangat relevan bagi organisasi Indonesia yang mulai mengadopsi: Microsoft Copilot Google Gemini ChatGPT Enterprise Internal AI Assistant RPA dan Workflow Automation Agentic AI Platform Sektor yang berpotensi mendapatkan manfaat besar meliputi: Industri Tantangan Utama Perbankan Insider threat dan fraud Telekomunikasi Volume identitas sangat besar Pemerintah Perlindungan data publik Energi Monitoring akses sistem kritikal Manufaktur Integrasi IT dan OT Healthcare Perlindungan data pasien Dalam lingkungan yang semakin kompleks, visibilitas terhadap perilaku manusia dan AI Agent akan menjadi faktor penting dalam strategi keamanan modern. Kesimpulan Munculnya AI Agent dan otomatisasi skala besar mengubah cara organisasi beroperasi sekaligus mengubah cara risiko muncul. Ancaman modern tidak lagi selalu terlihat mencurigakan; banyak di antaranya justru beroperasi menggunakan akses yang sah dan mengikuti workflow normal perusahaan. Karena itu, keamanan tidak lagi cukup hanya mengandalkan signature, rule, atau indikator kompromi yang telah dikenal. Organisasi perlu memahami bagaimana identitas—baik manusia maupun AI Agent—berperilaku sehari-hari, lalu mendeteksi penyimpangan yang mengindikasikan risiko. Melalui pendekatan Behavior Intelligence, Exabeam menggabungkan behavioral analytics, AI-driven investigation, automation, dan outcome measurement untuk membantu organisasi beralih dari sekadar mengumpulkan alert menjadi memahami risiko secara kontekstual. Dalam era Agentic Enterprise, kemampuan memahami perilaku akan menjadi salah satu fondasi terpenting untuk menjaga keamanan bisnis secara berkelanjutan. Exabeam Indonesia merupakan bagian dari PT. iLogo Infralogy Indonesia, yang bertindak sebagai partner resmi Exabeam. Selain itu, kami juga berperan sebagai penyedia layanan (vendor) sekaligus distributor berbagai produk Infrastruktur IT dan Cybersecurity terbaik di Indonesia.